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
Пространственные финансыГде капитал встречается с опасностями, подверженностью и переходом
Машинное обучение в банковской сфере
Artificial intelligence and machine learning now support credit underwriting, fraud and financial crime detection, раннем предупреждении 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.
01Содержание
Machine learning in banking in five parts.
02Заявка
Что здесь делают искусственный интеллект и машинное обучение.
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 Системы. Its own failure modes must be weighed when automated outputs inform consequential decisions. The canonical description is on STEM Commons.
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.
03Мониторинг
Обучение модели.
Экран, который команда использовала бы для следования этому методу: его показатели, состояния и решения. Названия приведены для примера, а значения иллюстративны.
Обучение модели
Banking · Machine learning in banking · Run R-5640
Дрейф на одном срезеGRA · Banking Nexus
Оценка по срезам
| Все | 0.89 | 0.05 | 5695 | Пролёт |
| Регион A | 0.85 | 0.06 | 1734 | Рецензирование |
| Регион B | 0.68 | 0.09 | 636 | Рецензирование |
| Редкий класс | 0.71 | 0.11 | 144 | Ниже порога |
Карточка метода
- Метод
- Искусственный интеллект и машинное обучение
- Разделение
- по времени, без утечки
- Особенности
- 56
- Метка
- СМОДЕЛИРОВАНО
Стабильность населения
04Данные
Что потребляет метод.
Используемые на этой платформе наборы данных и записи по направлению «Искусственный интеллект и машинное обучение», с ролью каждого и меткой, которую несут его значения. Источники перечислены в реестре источников.
| Данные | Роль | Метка |
|---|---|---|
| Credit application and performance data | Training and validation | НАБЛЮДАЕМО |
| Transaction records | Monitoring and раннем предупреждении features | НАБЛЮДАЕМО |
| Public filings and supervisory publications | Text corpora | Опубликованная статистика |
| Cash-flow and alternative data used under consent and law | Additional borrower features | СООБЩЕНО |
05Стресс-тест
Как шок для активов превращается в потери системы.
Капитал, который система теряет после межбанковского заражения, в сравнении с первоначальным ударом, при изменении левериджа, взаимосвязанности и уровней возмещения: основа макропруденциального Стресс-тест. Учебная модель с указанными иллюстративными значениями, а не прогноз.
Меры контроля
- Снижение внешних активов
- 2.0%
- Леверидж (активы к капиталу)
- 10 раз
- Доля межбанковских активов
- 10%
- Возмещение по межбанковским требованиям
- 40%
- Банки в системе
- 20
- Ключевые банки
- 20% банков
Показания
- Капитал, потерянный при первоначальном шоке
- 18.0%
- Капитал, потерянный после заражения
- 45.0%
- Добавлено заражением (DebtRank)
- 27.0 пункта
- Банки в состоянии дефолта
- 0
Числа, методы и источники
| Раунд | Потерянный капитал системы (%) | Банки в состоянии дефолта |
|---|---|---|
| 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 |
Методы
- DebtRank Battiston and others (2012), Scientific Reports 2:541
- Дифференциальный DebtRank Bardoscia and others (2015), PLOS ONE 10
- Заражение в финансовых сетях Gai and Kapadia (2010), Proc. R. Soc. A 466
- Клиринг в финансовых сетях Eisenberg and Noe (2001), Management Science 47
- Веер неопределённости (параметрический метод Монте-Карло) Spiegelhalter, Pearson and Short (2011), Visualising uncertainty about the future, Science 333
- Анализ чувствительности по одному фактору (торнадо) Saltelli and others (2008), Global Sensitivity Analysis: The Primer, Wiley
Данные
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.
По шести опорам, под руководством Nexus Consortium
- Эксперименты Лаборатории
- Построено в Banking Nexus в Foundry
- Проверено в Banking Nexus в Universe
- Закреплено в Финансы, страхование и экономика в Standards
- Опубликовано в Banking Nexus в Reports
- Преподаётся в Факультет финансов и экономики в Academy
06Валидация
Как проверяются результаты.
Модели оцениваются на отложенных данных с учётом пространственной, временной и групповой структуры. Устойчивость, калибровка и справедливость проверяются наряду с точностью.
| Проверка | Как это делается |
|---|---|
| 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 |
Эффективность снижается, когда условия развёртывания отличаются от обучающих данных. Модели могут кодировать предвзятость и давать сбои без явного предупреждения при редких событиях.
07Подверженность, убытки и капитал
What machine learning in banking means for exposure, loss and capital.
Представления о подверженности, убытках, сценариях и капитале, которые запросил бы риск-менеджер, надзорный орган или министерство финансов, с указанием систем отчётности, которым они следуют. Структуры соответствуют надзорной и актуарной практике. Значения иллюстративны: это никогда не цены, рейтинги или рекомендации.
Сценарные траектории
How machine learning in banking could be stressed under the scenario families central banks and supervisors use.
| Семейство сценариев | Переходный риск | Физический риск | Что проверяет стресс-тест |
|---|---|---|---|
| Упорядоченный | Ранняя, постепенная политика | Ниже | Сможет ли портфель выдержать постепенную переоценку? |
| Неупорядоченный | Поздняя, резкая политика | От низкого до среднего | Что ломается при внезапной переоценке и миграции кредитного качества? |
| Мир «парниковой планеты» | Ограниченная политика | Высокий и растущий | Где физические убытки концентрируются в залогах и страховании? |
Климатические сценарии NGFS · Сеть по экологизации финансовой системыIFRS S2 «Раскрытие информации, связанной с климатом» · ISSBРекомендации TCFD · Совет по финансовой стабильности, TCFDПринципы эффективного управления климатическими финансовыми рисками · Базельский комитет по банковскому надзору
08Связи
Темы, опирающиеся на этот метод.
09Ведение и сопровождение
Кто ведёт метод.
«Искусственный интеллект и автономные системы» ведёт и сопровождает искусственный интеллект и машинное обучение для Консорциума и проводит рецензирование их применения на платформах.
10Связано
Куда ведёт эта страница в рамках Консорциума.
11Вопросы
Вопросы и ответы.
Каковы пределы искусственного интеллекта и машинного обучения в этой области?
Эффективность снижается, когда условия развёртывания отличаются от обучающих данных. Модели могут кодировать предвзятость и давать сбои без явного предупреждения при редких событиях.
Как проверяются результаты?
Модели оцениваются на отложенных данных с учётом пространственной, временной и групповой структуры. Устойчивость, калибровка и справедливость проверяются наряду с точностью.
Значения на этой странице реальные?
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.
Где ещё применяется этот метод?
Observatory Каноническая страница метода перечисляет все применяющие его платформы.
ОтчётыВнести вклад
Поделитесь доказательствами с этой страницы.
Отчёты 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 Nexus«Готовность к финансированию и страхованию»Сценарии и стресс-тесты
- Электронная почтаКонтрольная точка GW-GRAОтправьте с этой страницыДоказательная база, исправление, случай, метод, рецензия, перевод или вклад в профиль. Материал приходит с пометкой этой страницы, поэтому его получает редактор, отвечающий за неё.
- ZenodoОткрытый депозитДепонируйте и подайте в сообществоОпубликуйте собственную запись на Zenodo со своим идентификатором ORCID iD, затем подайте её в сообщество Reports. Кураторы проверяют её; DOI остаётся за вами.
- ОтчётыGlobal Risks AllianceВсе способы внести вкладВиды вклада, порядок рецензирования каждого из них, указание авторства, лицензия и то, что никогда не принимается.
Никогда не отправляйте персональные данные, сведения о чувствительной инфраструктуре или то, чем вы не вправе делиться. Материал проходит рассмотрение перед использованием; его отправка не дает авторских или редакционных прав, а спонсорство никогда не покупает выводы.
Banking Nexus
Обратитесь в Альянс с вопросом о подверженности или капитале.
Информация и запросы открыты уже сегодня. Запрос получает номер и указывает следующий шаг; заявки, платежи, выделение вычислительных ресурсов и регистрации открываются только тогда, когда существуют их команда, условия и возможности для проверки.
Правовая информация
Юридические документы.
Карты, данные и рисунки на этом сайте приводятся для контекста и общей информации. Они не являются советом, прогнозом или предупреждением; ограничения информации изложены в Оговорках и уведомлениях о данных.