Risikomodeludvikling – den næste generation

Risikomodeludvikling – den næste generation

Tidsstempel: 11. januar 2024 kl. 5
Kildeknude: 3066197

I en verden af ​​finansielle tjenester, hvor risikostyring er altafgørende, har vi alle set kunstig intelligens og maskinlæring hurtigt transformere landskabet. Faktisk en nylig

undersøgelse fra Bank of England og Financial Conduct Authority (FCA) afslørede det
72 % af britiske finansielle virksomheder bruger eller udvikler allerede AI/ML-applikationer, og denne tendens accelererer i et forbløffende tempo, med
det gennemsnitlige antal ML-ansøgninger forventes at stige med 3.5 gange i løbet af de næste tre år. Denne vækst er ikke overraskende – AI/ML-modeller har løftet om at låse op for indsigt fra enorme mængder data, hvilket gør det muligt for finansielle organisationer
at træffe smartere, mere informerede beslutninger og forbedre deres risikostyringsstrategier. 

Undersøgelsens resultater er i overensstemmelse med observationer, som jeg har gjort gennem mit arbejde med britiske finansielle institutioner. Selvom jeg har fundet ud af, at udviklingen mod AI/ML-metoder er mere avanceret inden for Fintech og Challenger Banks,
i modsætning til High Street Banks, lider de muligvis ikke af faktiske begrænsninger på grund af ældre systemer eller opfattede begrænsninger i forbindelse med deres IRB-status. 

Fintechs og Challenger Banks har typisk rekrutteret teknologikyndige dataforskere med dyb forståelse af den række af alternative avancerede teknikker, der er tilgængelige. I mellemtiden har de store banker stadig en betydelig fordel med hensyn til erfaring
og data. De har årtiers erfaring med at opbygge kreditmodeller, har etableret modeludviklingsstandarder og har en grundig forståelse af de underliggende data.  

Spørgsmålet er nu, om de principper, der ligger til grund for udviklingen af ​​traditionelle modeller, forbliver helt relevante for den nye generation af AI-drevne modeller, som er matematisk afledt på en helt anden måde.  

Modeludvikling: Traditionel VS AI/ML

Traditionel udvikling af scorekort har længe holdt sig til et omhyggeligt prøvedesign, hvilket sikrer, at applikationerne i prøvevinduet er både stabile og afspejler de senest modtagne forslag. Det er typisk for befolkningsstabilitetsindekser eller karakteristika
Stabilitetsindeks, der skal beregnes, og for en detaljeret undersøgelse af eventuelle mønstre, der rækker ud over rimelige forventninger til sæsonvariation. Denne tilgang afhænger af ideen om en skræddersyet udviklingsprøve, der er skræddersyet til den specifikke population
tjener. Sammensætningen eller segmentblandingen og dens specificitet ses som en nøglefaktor i modeludviklingsprøvens egnethed.

Interessant nok ser vi ofte, at AI/ML-modeller udviser en betydelig grad af krydslæring. Det er her, modeller viser stærkere præstationer, når træningsprøven udvides til at omfatte yderligere observationer, som måske ikke traditionelt overvejes
direkte relevant. For eksempel ser vi overlegen ydeevne fra modeller, der er trænet på et udvidet prøvevindue i forhold til tilsvarende modeller, der er optimeret på en periode, der blot stemmer overens med den uafhængige prøveprøve. Dette sker næppe ved brug af lineære modeller!

Lignende resultater kan ses, når tilstødende segmenter eller grupper føjes til træningsprøverne. Faktisk trives AI/ML-modeller, når de udvikles på store og forskellige datasæt. Disse fænomener vil have implikationer for prøvedesign og valg af udelukkelser inden for
modeludvikling af fremtiden, potentielt omskrivning af konventionel visdom.

Tilsvarende har mange kreditscorekortudviklinger inkorporeret segmentering, hvorved der bygges en model for hver af en række underpopulationer (f.eks. Tynd fil/Tyk fil, Ren/Beskidt). Fordelen ved denne tilgang er, at ved at bygge flere modeller, nogle
ikke-linearitet kan fanges. Selvfølgelig er valget af segmentering ikke altid indlysende, og det er usandsynligt, at det er optimalt, men der opnås nogle præstationsforøgelser. I betragtning af at AI/ML-modeller er bygget på grund af deres evne til at fange ikke-linearitet, der
er begrænset behov for segmenterede modeller her, medmindre der er grundlæggende forskelle i datastrukturen. Derfor er AI/ML-modeller mere komplekse, færre af dem burde være påkrævet.

Et andet fokusområde inden for traditionel scorekortudvikling er processen med at gå fra fin til grov klassificering. Herved søger modelleren effektivt at opdele kontinuerlige data i flere ordinalgrupper, således at den underliggende dårlige rate viser en logisk
progression og er baseret på tilstrækkelig volumen til at give et pålideligt resultat. Avancerede metoder inden for AI/ML-modeller eliminerer behovet for fin-til-grov klassificering, da grupperingen opnås ved hjælp af den underliggende metodologi, hvilket genererer jævne responsprofiler
snarere end at de trinvise ændringer, der ses som scorecard-attributgrænser, overskrides. Desuden inkluderer mange træningsrutiner nu muligheden for at tilføje begrænsninger for at sikre, at funktioner har en logisk indvirkning på modelforudsigelserne.

Efterhånden som bølgen af ​​udvikling af AI/ML-modeller stiger i de kommende år, er en fusion af dyb viden om underliggende kreditdata og avanceret metodik nøglen. Mens der opstår nye udfordringer i denne nye generation af modeller, såsom utilsigtet bias og forklarlighed,
historiske bekymringer bliver mindre relevante.

Tidsstempel:

Mere fra Fintextra