Risikomodellentwicklung – Die nächste Generation

Risikomodellentwicklung – Die nächste Generation

Zeitstempel: 11. Januar 2024, 5:19 Uhr
Quellknoten: 3066197

In der Welt der Finanzdienstleistungen, in der das Risikomanagement von größter Bedeutung ist, haben wir alle gesehen, wie künstliche Intelligenz und maschinelles Lernen die Landschaft schnell verändern. Tatsächlich ein aktuelles

Umfrage der Bank of England und der Financial Conduct Authority (FCA) gab das bekannt
72 % der britischen Finanzunternehmen nutzen oder entwickeln bereits KI/ML-Anwendungen, und dieser Trend beschleunigt sich mit erstaunlicher Geschwindigkeit
Die durchschnittliche Zahl der ML-Anwendungen wird in den nächsten drei Jahren voraussichtlich um das 3.5-fache ansteigen. Dieses Wachstum ist nicht überraschend – KI/ML-Modelle versprechen, Erkenntnisse aus riesigen Datenmengen zu gewinnen und Finanzorganisationen zu unterstützen
um intelligentere und fundiertere Entscheidungen zu treffen und ihre Risikomanagementstrategien zu verbessern. 

Die Ergebnisse der Umfrage stimmen mit Beobachtungen überein, die ich im Rahmen meiner Arbeit mit britischen Finanzdienstleistungsinstituten gemacht habe. Allerdings habe ich festgestellt, dass der Fortschritt in Richtung KI/ML-Methoden bei Fintech- und Challenger-Banken weiter fortgeschritten ist, als
Im Gegensatz zu den High Street Banks leiden sie möglicherweise nicht unter tatsächlichen Einschränkungen aufgrund veralteter Systeme oder wahrgenommenen Einschränkungen im Zusammenhang mit ihrem IRB-Status. 

Fintechs und Challenger-Banken haben in der Regel technisch versierte Datenwissenschaftler eingestellt, die über umfassende Kenntnisse der verfügbaren alternativen fortschrittlichen Techniken verfügen. Unterdessen verfügen die Großbanken immer noch über einen erheblichen Erfahrungsvorsprung
und Daten. Sie verfügen über jahrzehntelange Erfahrung in der Erstellung von Kreditmodellen, haben Standards für die Modellentwicklung etabliert und verfügen über ein umfassendes Verständnis der zugrunde liegenden Daten.  

Die Frage ist nun, ob die Prinzipien, die der Entwicklung traditioneller Modelle zugrunde liegen, auch für die neue Generation KI-gestützter Modelle, die mathematisch auf völlig andere Weise abgeleitet werden, vollständig relevant bleiben.  

Modellentwicklung: Traditionell vs. KI/ML

Bei der traditionellen Scorecard-Entwicklung wird seit langem auf ein sorgfältiges Stichprobendesign geachtet, um sicherzustellen, dass die Anträge während des Stichprobenfensters sowohl stabil sind als auch die zuletzt eingegangenen Vorschläge widerspiegeln. Dies ist typisch für Populationsstabilitätsindizes oder -merkmale
Stabilitätsindizes zu berechnen und für eine detaillierte Untersuchung aller Muster, die über die vernünftigen Erwartungen saisonaler Schwankungen hinausgehen. Dieser Ansatz basiert auf der Idee einer maßgeschneiderten Entwicklungsstichprobe, die auf die jeweilige Bevölkerungsgruppe zugeschnitten ist
dient. Die Zusammensetzung bzw. Segmentmischung und deren Spezifität wird als Schlüsselfaktor für die Eignung der Modellentwicklungsstichprobe angesehen.

Interessanterweise sehen wir oft, dass KI/ML-Modelle einen erheblichen Grad an Cross-Learning aufweisen. Hier zeigen Modelle eine bessere Leistung, wenn die Trainingsstichprobe um zusätzliche Beobachtungen erweitert wird, die herkömmlicherweise möglicherweise nicht berücksichtigt werden
direkt relevant. Wir sehen beispielsweise eine überlegene Leistung von Modellen, die in einem erweiterten Stichprobenfenster trainiert wurden, im Vergleich zu äquivalenten Modellen, die in einem Zeitraum optimiert wurden, der einfach an der unabhängigen Teststichprobe ausgerichtet ist. Dies ist bei linearen Modellen unwahrscheinlich!

Ähnliche Ergebnisse können beobachtet werden, wenn benachbarte Segmente oder Gruppen zu den Trainingsbeispielen hinzugefügt werden. Tatsächlich gedeihen KI/ML-Modelle, wenn sie auf der Grundlage großer und vielfältiger Datensätze entwickelt werden. Diese Phänomene werden Auswirkungen auf das Stichprobendesign und die Auswahl der darin enthaltenen Ausschlüsse haben
Modellentwicklungen der Zukunft, die möglicherweise konventionelle Weisheiten neu schreiben.

In ähnlicher Weise haben viele Entwicklungen im Bereich Kredit-Scorecards eine Segmentierung integriert, bei der ein Modell für jede einer Reihe von Teilpopulationen erstellt wird (z. B. Thin File/Thick File, Clean/Dirty). Der Vorteil dieses Ansatzes besteht darin, dass durch die Erstellung mehrerer Modelle einige
Nichtlinearität kann erfasst werden. Natürlich ist die Wahl der Segmentierung nicht immer offensichtlich und wahrscheinlich nicht optimal, es werden jedoch einige Leistungssteigerungen erzielt. Angesichts der Tatsache, dass KI/ML-Modelle aufgrund ihrer Fähigkeit erstellt werden, Nichtlinearität zu erfassen, gibt es dort
Der Bedarf an segmentierten Modellen ist hier begrenzt, es sei denn, es bestehen grundlegende Unterschiede in der Datenstruktur. Daher sind KI/ML-Modelle komplexer und es sollten weniger davon erforderlich sein.

Ein weiterer Schwerpunkt der traditionellen Scorecard-Entwicklung ist der Übergang von der Fein- zur Grobklassifizierung. Hiermit versucht der Modellierer, kontinuierliche Daten effektiv in mehrere Ordinalgruppen zu unterteilen, sodass die zugrunde liegende Schlechtrate einen logischen Wert aufweist
Progression und basiert auf ausreichendem Volumen, um ein zuverlässiges Ergebnis zu liefern. Fortschrittliche Methoden innerhalb von KI/ML-Modellen machen eine feine bis grobe Klassifizierung überflüssig, da die Gruppierung durch die zugrunde liegende Methodik erreicht wird und glatte Antwortprofile generiert werden
statt der schrittweisen Änderungen, die als Überschreitung der Scorecard-Attributgrenzen wahrgenommen werden. Darüber hinaus bieten viele Trainingsroutinen mittlerweile die Möglichkeit, Einschränkungen hinzuzufügen, um sicherzustellen, dass Features einen logischen Einfluss auf die Modellvorhersagen haben.

Da die Welle der Entwicklung von KI/ML-Modellen in den kommenden Jahren ansteigt, ist eine Kombination aus fundiertem Wissen über die zugrunde liegenden Kreditdaten und fortschrittlicher Methodik von entscheidender Bedeutung. Während in dieser neuen Generation von Modellen neue Herausforderungen entstehen, wie etwa unbeabsichtigte Verzerrungen und Erklärbarkeit,
Historische Bedenken werden weniger relevant sein.

Zeitstempel:

Mehr von Fintextra