Credit decisioning with explainability
Gradient boosting and similar models are developed alongside interpretable scorecards; explanations of individual decisions are produced and tested for stability before any use in lending.
GRA · Banking Nexus
Finanças espaciaisOnde o capital encontra ameaça, exposição e transição
Aprendizado de máquina no setor bancário
Artificial intelligence and machine learning now support credit underwriting, fraud and financial crime detection, alerta precoce of borrower stress and supervisory analysis. In banking they are both a tool and a source of risk: their outputs must be explainable, fair, robust and validated before they influence consequential decisions about customers or capital.
01Conteúdo
Machine learning in banking in five parts.
02Candidatura
O que a inteligência artificial e o aprendizado de máquina fazem aqui.
Artificial intelligence and machine learning develop algorithms that learn patterns from data to classify, predict or generate outputs. They are increasingly used for hazard detection, forecasting and decision support, and are themselves a source of risk. In financial stability, capital markets and investment and climate and hazards, machine learning can scale detection and forecasting across interconnected sistemas. Its own failure modes must be weighed when automated outputs inform consequential decisions. The canonical description is on os bens comuns CTEM.
Early warning and transaction monitoring
Transaction and account data are used to flag borrowers showing early signs of distress and patterns associated with fraud, with every alert reviewed by a person.
Text analysis for risk and supervision
Language models and text classifiers extract risk signals from filings, incident reports and supervisory documents, with outputs checked against human review.
03Monitoramento
Treinamento de modelos.
A tela que uma equipe usaria para acompanhar este método: suas medidas, estados e decisões. Os nomes são exemplos e os valores são ilustrativos.
Treinamento de modelos
Banking · Machine learning in banking · Run R-5640
Deriva em uma fatiaGRA · Banking Nexus
Avaliação por fatia
| Tudo | 0.89 | 0.05 | 5695 | Aprovado |
| Região A | 0.85 | 0.06 | 1734 | Análise |
| Região B | 0.68 | 0.09 | 636 | Análise |
| Classe rara | 0.71 | 0.11 | 144 | Abaixo do patamar |
Ficha do método
- Método
- Inteligência artificial e aprendizado de máquina
- Divisão
- baseado no tempo, sem vazamento
- Funcionalidades
- 56
- Rótulo
- MODELADO
Estabilidade da população
04Dados
O que o método consome.
Conjuntos de dados e registros usados pela inteligência artificial e pelo aprendizado de máquina nesta plataforma, com o papel que cada um desempenha e a etiqueta que seus valores levam. As fontes estão listadas no registro de fontes.
| Dados | Função | Rótulo |
|---|---|---|
| Credit application and performance data | Training and validation | OBSERVADO |
| Transaction records | Monitoring and alerta precoce features | OBSERVADO |
| Public filings and supervisory publications | Text corpora | Estatísticas publicadas |
| Cash-flow and alternative data used under consent and law | Additional borrower features | REPORTADO |
05Teste de esforço
Como um choque sobre os ativos se torna uma perda sistêmica.
O patrimônio que o sistema perde após o contágio interbancário, em relação ao choque inicial, à medida que mudam a alavancagem, a interconexão e as taxas de recuperação, o núcleo de um Teste de estressemacroprudencial. Modelo didático com valores ilustrativos declarados, e não uma previsão.
Controles
- Queda dos ativos externos
- 2.0%
- Alavancagem (ativos sobre patrimônio)
- 10 vezes
- Parcela interbancária dos ativos
- 10%
- Recuperação de créditos interbancários
- 40%
- Bancos no sistema
- 20
- Bancos do núcleo
- 20% dos bancos
Leituras
- Patrimônio perdido com o choque inicial
- 18.0%
- Capital próprio perdido após o contágio
- 45.0%
- Acrescentado por contágio (DebtRank)
- 27,0 pontos
- Bancos inadimplentes
- 0
Números, métodos e fontes
| Rodada | Capital próprio do sistema perdido (%) | Bancos inadimplentes |
|---|---|---|
| 0 | 18.00 | 0 |
| 1 | 28.80 | 0 |
| 2 | 35.28 | 0 |
| 3 | 39.17 | 0 |
| 4 | 41.50 | 0 |
| 5 | 42.90 | 0 |
| 6 | 43.74 | 0 |
| 7 | 44.24 | 0 |
| 8 | 44.55 | 0 |
| 9 | 44.73 | 0 |
| 10 | 44.84 | 0 |
| 11 | 44.90 | 0 |
| 12 | 44.94 | 0 |
| 13 | 44.96 | 0 |
| 14 | 44.98 | 0 |
| 15 | 44.99 | 0 |
| 16 | 44.99 | 0 |
| 17 | 45.00 | 0 |
| 18 | 45.00 | 0 |
| 19 | 45.00 | 0 |
| 20 | 45.00 | 0 |
| 21 | 45.00 | 0 |
| 22 | 45.00 | 0 |
| 23 | 45.00 | 0 |
| 24 | 45.00 | 0 |
| 25 | 45.00 | 0 |
| 26 | 45.00 | 0 |
| 27 | 45.00 | 0 |
| 28 | 45.00 | 0 |
| 29 | 45.00 | 0 |
| 30 | 45.00 | 0 |
Métodos
- DebtRank Battiston e outros (2012), Scientific Reports 2:541
- DebtRank diferencial Bardoscia e outros (2015), PLOS ONE 10
- Contágio em redes financeiras Gai e Kapadia (2010), Proc. R. Soc. A 466
- Compensação em redes financeiras Eisenberg e Noe (2001), Management Science 47
- Leque de incerteza (Monte Carlo de parâmetros) Spiegelhalter, Pearson e Short (2011), Visualising uncertainty about the future, Science 333
- Sensibilidade de um fator de cada vez (tornado) Saltelli and others (2008), Global Sensitivity Analysis: The Primer, Wiley
Dados
No observed data enters this model: it runs on the teaching values set by the controls, to be replaced with a programme’s own evidence.
Nos seis pilares, sob a liderança do Nexus Consortium
- Experimentos Laboratórios
- Integrado Banking Nexus no Foundry
- Testado em Banking Nexus no Universe
- Codificado em Finanças, seguros e economia em Standards
- Publicado em Banking Nexus no Reports
- Ensinado em Faculdade de Finanças e Economia em Academy
06Validação
Como os resultados são verificados.
Os modelos são avaliados com dados reservados que respeitam a estrutura espacial, temporal e de grupos. A robustez, a calibração e a equidade são testadas ao lado da exatidão.
| Verificar | Como é feito |
|---|---|
| Temporal hold-out | Models are evaluated on periods later than the training data, never on random splits alone |
| Fairness testing | Outcomes are compared across groups using several fairness definitions, and the trade-offs are reported |
| Explanation stability | Explanations are checked for consistency across similar cases and over time |
| Drift monitoring | Input and output distributions are tracked against thresholds that trigger review and retraining |
O desempenho se degrada quando as condições de implantação diferem dos dados de treinamento. Os modelos podem codificar vieses e falhar sem aviso claro em eventos raros.
07Exposição, perda e capital
What machine learning in banking means for exposure, loss and capital.
As vistas de exposição, perda, cenários e capital que um responsável pelo risco, um supervisor ou um ministério das finanças pediria, com os quadros de referência perante os quais reportam. As estruturas seguem a prática de supervisão e atuarial. Os valores são ilustrativos: nunca preços, notações ou aconselhamento.
Trajetórias de cenários
How machine learning in banking could be stressed under the scenario families central banks and supervisors use.
| Família de cenários | risco de transição | Risco físico | O que um teste de esforço pergunta |
|---|---|---|---|
| Ordenada | Política precoce e gradual | Mais baixo | A carteira consegue absorver uma reprecificação contínua? |
| Desordenada | Política tardia e abrupta | De baixo a médio | O que se rompe diante de uma reprecificação súbita e de uma migração de crédito? |
| Mundo de estufa | Política limitada | Elevado e crescente | Onde se concentram as perdas físicas em garantias e seguros? |
Cenários climáticos do NGFS · Network for Greening the Financial SystemIFRS S2 Divulgações Relacionadas ao Clima · ISSBRecomendações da TCFD · Financial Stability Board TCFDPrincípios para a gestão eficaz dos riscos financeiros relacionados ao clima · Comitê de Basileia de Supervisão Bancária
09Gestão responsável
Quem mantém o método.
Inteligência artificial e sistemas autônomos é guardião da inteligência artificial e do aprendizado de máquina para o Consortium e revisa como são aplicados nas plataformas.
10Ligado
Para onde esta página leva em todo o Consórcio.
11Perguntas
Perguntas e respostas.
Quais são os limites da inteligência artificial e do aprendizado de máquina neste campo?
O desempenho se degrada quando as condições de implantação diferem dos dados de treinamento. Os modelos podem codificar vieses e falhar sem aviso claro em eventos raros.
Como os resultados são verificados?
Os modelos são avaliados com dados reservados que respeitam a estrutura espacial, temporal e de grupos. A robustez, a calibração e a equidade são testadas ao lado da exatidão.
Os valores desta página são reais?
The data names, roles and checks are real descriptions of practice. The canvas shows a design of the method’s use, not a run; no result is reported here.
Onde mais este método é aplicado?
O Observatory do página canônica do método lista todas as plataformas que o aplicam.
RelatóriosContribuir
Contribua com evidências a partir desta página.
Relatórios is the Consortium’s quarterly publication. What you know about this subject can become evidence, a case or a correction in the next edition, credited to you and published under CC BY 4.0 where it is your own work.
Global Risks AllianceBanking NexusPreparação financeira e de segurosCenários e testes de estresse
- E-mailPortal GW-GRAEnvie desta páginaEvidência, uma correção, um caso, um método, uma revisão, uma tradução ou uma contribuição ao perfil. Chega marcada com esta página, de modo que o editor responsável a receba.
- ZenodoDepósito abertoDeposite-o e envie à comunidadePublique seu próprio registro no Zenodo com seu ORCID iD e depois envie-o à comunidade Reports ali. Os curadores o revisam; o DOI continua sendo seu.
- RelatóriosGlobal Risks AllianceVer todas as formas de contribuirOs tipos de contribuição, como cada um é revisado, o crédito que você recebe, a licença e o que nunca é aceito.
Nunca envie dados pessoais, detalhes sensíveis de infraestrutura nem nada que você não tenha o direito de compartilhar. Uma contribuição é revisada antes do uso. Enviá-la não confere autoria nem direitos editoriais, e o patrocínio nunca compra uma constatação.
Banking Nexus
Apresente à Alliance uma questão de exposição ou de capital.
A informação e os pedidos estão abertos hoje. Um pedido recebe uma referência e indica o próximo passo; candidaturas, pagamentos, alocações de computação e registros só abrem quando existem a equipa, os termos e a capacidade de revisão.
Jurídico
Documentos jurídicos.
Os mapas, dados e números deste site são apresentados como contexto e informação geral. Não são aconselhamento, previsões nem avisos; os limites da informação estão expostos nos Avisos legais e nos Avisos sobre dados.