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
Mekânsal finansSermayenin tehlike, maruziyet ve geçişle buluştuğu yer
Bankacılıkta makine öğrenimi
Artificial intelligence and machine learning now support credit underwriting, fraud and financial crime detection, erken uyarı 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.
01İçindekiler
Machine learning in banking in five parts.
02Başvuru
Yapay zekâ ve makine öğreniminin burada yaptıkları.
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 sistemleri. 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.
03İzleme
Model eğitimi.
Bir ekibin bu yöntemi izlemek için kullanacağı ekran: ölçütleri, durumları ve kararları. Adlar örnektir ve değerler açıklayıcıdır.
Model eğitimi
Banking · Machine learning in banking · Run R-5640
Bir dilimde kaymaGRA · Banking Nexus
Dilime göre değerlendirme
| Tümü | 0.89 | 0.05 | 5695 | Geçiş |
| Bölge A | 0.85 | 0.06 | 1734 | İnceleme |
| Bölge B | 0.68 | 0.09 | 636 | İnceleme |
| Nadir sınıf | 0.71 | 0.11 | 144 | Eşiğin altında |
Yöntem kartı
- Yöntem
- Yapay zekâ ve makine öğrenmesi
- Bölme
- zamana dayalı, sızıntı yok
- Özellikler
- 56
- Etiket
- MODELLENMİŞ
Nüfus istikrarı
04Veri
Yöntemin tükettikleri.
Bu platformda yapay zekâ ve makine öğrenimi tarafından kullanılan veri kümeleri ve kayıtlar; her birinin oynadığı rol ve değerlerinin taşıdığı etiketle birlikte. Kaynaklar kaynak sicilinde.
| Veri | Rol | Etiket |
|---|---|---|
| Credit application and performance data | Training and validation | GÖZLENEN |
| Transaction records | Monitoring and erken uyarı features | GÖZLENEN |
| Public filings and supervisory publications | Text corpora | Yayımlanmış istatistikler |
| Cash-flow and alternative data used under consent and law | Additional borrower features | BİLDİRİLMİŞ |
05Stres testi
Varlıklara gelen bir şok nasıl sistem kaybına dönüşür.
Kaldıraç, birbirine bağlılık ve geri kazanım oranları değiştikçe sistemin bankalar arası bulaşmadan sonra kaybettiği özkaynağın ilk darbeyle karşılaştırılması; makro ihtiyati bir stres testiözü. Belirtilmiş açıklayıcı değerlerle bir öğretim modelidir, tahmin değildir.
Kontroller
- Dış varlıklarda düşüş
- 2.0%
- Kaldıraç (varlıkların özkaynağa oranı)
- 10 kat
- Bankalar arası varlıkların payı
- 10%
- Bankalar arası alacaklarda geri kazanım
- 40%
- Sistemdeki bankalar
- 20
- Çekirdek bankalar
- Bankaların %20'i
Okumalar
- İlk şokta kaybedilen özkaynak
- 18.0%
- Bulaşma sonrasında kaybedilen özkaynak
- 45.0%
- Bulaşmayla eklenen (DebtRank)
- 27.0 puan
- Temerrüde düşen bankalar
- 0
Sayılar, yöntemler ve kaynaklar
| Tur | Kaybedilen sistem özkaynağı (%) | Temerrüde düşen bankalar |
|---|---|---|
| 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 |
Yöntemler
- DebtRank Battiston and others (2012), Scientific Reports 2:541
- Diferansiyel DebtRank Bardoscia and others (2015), PLOS ONE 10
- Finansal ağlarda bulaşma Gai and Kapadia (2010), Proc. R. Soc. A 466
- Finansal ağlarda takas Eisenberg and Noe (2001), Management Science 47
- Belirsizlik yelpazesi (parametrik Monte Carlo) Spiegelhalter, Pearson ve Short (2011), Gelecek hakkında belirsizliğin görselleştirilmesi, Science 333
- Tek seferde bir faktör duyarlılık analizi (tornado) Saltelli and others (2008), Global Sensitivity Analysis: The Primer, Wiley
Veri
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.
Nexus Consortium'un yürüttüğü altı ayak genelinde
- Deneyler Laboratuvarlar
- Yerleşik Foundry'de Banking Nexus
- Test edildiği yer Universe'te Banking Nexus
- Kodlandığı yer Standards'ta Finans, Sigorta ve Ekonomi
- Yayımlandığı yer Reports'ta Banking Nexus
- Öğretildiği yer Academy'de Finans ve Ekonomi Fakültesi
06Doğrulama
Sonuçlar nasıl kontrol edilir.
Modeller mekânsal, zamansal ve grup yapısına uyan ayrılmış veriler üzerinde değerlendirilir. Sağlamlık, kalibrasyon ve adillik doğrulukla birlikte test edilir.
| Kontrol edin | Nasıl yapıldığı |
|---|---|
| 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 |
Kullanım koşulları eğitim verilerinden farklı olduğunda performans düşer. Modeller önyargıları kodlayabilir ve nadir olaylarda açık bir uyarı vermeden başarısız olabilir.
07Maruziyet, kayıp ve sermaye
What machine learning in banking means for exposure, loss and capital.
Bir risk yöneticisinin, denetim kurumunun veya maliye bakanlığının talep edeceği maruziyet, kayıp, senaryo ve sermaye görünümleri ile raporlama yaptıkları çerçeveler. Yapılar denetim ve aktüerya uygulamalarını izler. Değerler açıklayıcıdır: asla fiyat, derecelendirme veya tavsiye değildir.
Senaryo patikaları
How machine learning in banking could be stressed under the scenario families central banks and supervisors use.
| Senaryo ailesi | Geçiş riski | Fiziksel risk | Bir stres testi neyi sorar |
|---|---|---|---|
| Düzenli | Erken, kademeli politika | Daha düşük | Portföy istikrarlı bir yeniden fiyatlamayı kaldırabilir mi? |
| Düzensiz | Geç, ani politika | Düşükten ortaya | Ani bir yeniden fiyatlama ve kredi kalitesi geçişi altında ne bozulur? |
| Sera dünyası | Sınırlı politika | Yüksek ve artıyor | Fiziksel kayıplar teminat ve sigortada nerede yoğunlaşır? |
NGFS iklim senaryoları · Network for Greening the Financial SystemIFRS S2 İklimle İlgili Açıklamalar · ISSBTCFD tavsiyeleri · Finansal İstikrar Kurulu TCFDİklimle ilgili finansal risklerin etkin yönetimine ilişkin ilkeler · Basel Bankacılık Denetim Komitesi
09Sorumlu yönetim
Yöntemi kimin sürdürdüğü.
Yapay Zekâ ve Otonom Sistemler , Konsorsiyum adına yapay zekâ ve makine öğreniminin sorumlu yönetimini üstlenir ve platformlar genelinde nasıl uygulandığını inceler.
10Bağlı
Bu sayfanın Konsorsiyum genelinde nereye götürdüğü.
11Sorular
Sorular ve yanıtlar.
Bu alanda yapay zekâ ve makine öğreniminin sınırları nelerdir?
Kullanım koşulları eğitim verilerinden farklı olduğunda performans düşer. Modeller önyargıları kodlayabilir ve nadir olaylarda açık bir uyarı vermeden başarısız olabilir.
Sonuçlar nasıl kontrol edilir?
Modeller mekânsal, zamansal ve grup yapısına uyan ayrılmış veriler üzerinde değerlendirilir. Sağlamlık, kalibrasyon ve adillik doğrulukla birlikte test edilir.
Bu sayfadaki değerler gerçek mi?
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.
Bu yöntem başka nerede uygulanıyor?
Toplumların işleyişini sürdüren Kanonik yöntem sayfası onu uygulayan tüm platformları listeler.
RaporlarKatkıda bulunun
Bu sayfadan kanıt katkısında bulunun.
Raporlar 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 NexusFinansman ve Sigortaya HazırlıkSenaryo ve Stres Testi
- E-postaGeçit GW-GRABu sayfadan gönderinKanıt, bir düzeltme, bir vaka, bir yöntem, bir inceleme, bir çeviri veya profil girdisi. Bu sayfayla etiketlenmiş olarak gelir; böylece sayfanın sahibi editör onu alır.
- ZenodoAçık depoDepolayın ve topluluğa gönderinKendi kaydınızı ORCID iD'nizle Zenodo'da yayımlayın, ardından orada Reports topluluğuna gönderin. Küratörler inceler; DOI sizde kalır.
- RaporlarGlobal Risks AllianceKatkıda bulunmanın tüm yollarını görünKatkı türleri, her birinin nasıl incelendiği, alacağınız atıf, lisans ve asla kabul edilmeyenler.
Hiçbir zaman kişisel veri, hassas altyapı ayrıntısı veya paylaşma hakkınız olmayan hiçbir şey göndermeyin. Bir katkı kullanılmadan önce incelenir. Katkıyı göndermek yazarlık veya editoryal hak sağlamaz ve sponsorluk hiçbir zaman bir bulgu satın almaz.
Banking Nexus
Bir maruziyet veya sermaye sorusunu İttifak'a getirin.
Bilgi ve başvurular bugün açıktır. Bir başvuru bir referans numarası alır ve bir sonraki adımı belirtir; başvurular, ödemeler, işlem kapasitesi tahsisleri ve kayıtlar yalnızca ekipleri, koşulları ve inceleme kapasiteleri mevcut olduğunda açılır.
Hukuk
Hukuki belgeler.
Bu sitedeki haritalar, veriler ve şekiller bağlam ve genel bilgi amacıyla gösterilir. Tavsiye, tahmin ya da uyarı değildir; bilgilerin sınırları Sorumluluk Reddi ve Veri Bildirimleri'nde açıklanmıştır.