Desarrollo de modelos de riesgo: la próxima generación

Desarrollo de modelos de riesgo: la próxima generación

Marca de tiempo: 11 de enero de 2024 5:19 a. M.
Nodo de origen: 3066197

En el mundo de los servicios financieros, donde la gestión de riesgos es primordial, todos hemos visto cómo la inteligencia artificial y el aprendizaje automático transforman rápidamente el panorama. De hecho, una reciente

encuesta del Banco de Inglaterra y la Autoridad de Conducta Financiera (FCA) reveló que
El 72% de las empresas financieras del Reino Unido ya están utilizando o desarrollando aplicaciones de IA/ML, y esta tendencia se está acelerando a un ritmo sorprendente, con
Se prevé que el número medio de aplicaciones de aprendizaje automático se disparará 3.5 veces en los próximos tres años.. Este crecimiento no es sorprendente: los modelos de IA/ML prometen desbloquear conocimientos a partir de grandes cantidades de datos, lo que permitirá a las organizaciones financieras
para tomar decisiones más inteligentes e informadas y mejorar sus estrategias de gestión de riesgos. 

Los hallazgos de la encuesta son consistentes con las observaciones que he hecho a través de mi trabajo con instituciones de servicios financieros del Reino Unido. Aunque he descubierto que la progresión hacia las metodologías AI/ML es más avanzada dentro de Fintech y Challenger Banks que,
a diferencia de los High Street Banks, es posible que no sufran limitaciones reales debido a sistemas heredados o limitaciones percibidas relacionadas con su estado IRB. 

Las fintechs y los Challenger Banks normalmente han reclutado científicos de datos expertos en tecnología con un profundo conocimiento de la variedad de técnicas avanzadas alternativas que están disponibles. Mientras tanto, los grandes bancos todavía tienen una ventaja significativa en términos de experiencia.
y datos. Tienen décadas de experiencia en la creación de modelos crediticios, han establecido estándares de desarrollo de modelos y tienen un conocimiento profundo de los datos subyacentes.  

La pregunta ahora es si los principios que sustentan el desarrollo de los modelos tradicionales siguen siendo totalmente relevantes para la nueva generación de modelos impulsados ​​por IA, que se derivan matemáticamente de una manera completamente diferente.  

Desarrollo de modelos: Tradicional VS AI/ML

El desarrollo tradicional de cuadros de mando se ha adherido durante mucho tiempo a un diseño de muestra meticuloso, lo que garantiza que las solicitudes durante el período de muestra sean estables y reflejen las propuestas recibidas más recientemente. Es típico de los índices o características de estabilidad de la población.
Índices de estabilidad que se calcularán y para una investigación detallada de cualquier patrón que se extienda más allá de las expectativas razonables de variación estacional. Este enfoque depende de la noción de una muestra de desarrollo hecha a la medida de la población específica a la que se dirige.
sirve. La composición o mezcla segmentaria y su especificidad se considera un factor clave en la idoneidad de la muestra de desarrollo del modelo.

Curiosamente, a menudo vemos que los modelos AI/ML exhiben un grado significativo de aprendizaje cruzado. Aquí es donde los modelos muestran un rendimiento más sólido cuando la muestra de entrenamiento se amplía para incluir observaciones adicionales que tradicionalmente no se considerarían.
directamente relevante. Por ejemplo, vemos un rendimiento superior en modelos entrenados en una ventana de muestra ampliada frente a modelos equivalentes optimizados en un período que simplemente se alinea con la muestra de prueba independiente. ¡Es poco probable que esto suceda usando modelos lineales!

Se pueden observar hallazgos similares cuando se agregan segmentos o grupos adyacentes a las muestras de entrenamiento. De hecho, los modelos de IA/ML prosperan cuando se desarrollan a partir de conjuntos de datos grandes y diversos. Estos fenómenos tendrán implicaciones para el diseño de la muestra y la elección de exclusiones dentro de
desarrollos modelo del futuro, reescribiendo potencialmente la sabiduría convencional.

De manera similar, muchos desarrollos de tarjetas de puntuación de crédito han incorporado la segmentación, mediante la cual se construye un modelo para cada una de una serie de subpoblaciones (por ejemplo, Archivo delgado/Archivo grueso, Limpio/Sucio). El beneficio de este enfoque es que, al construir múltiples modelos, algunos
Se puede capturar la no linealidad. Por supuesto, la elección de la segmentación no siempre es obvia y es poco probable que sea óptima; sin embargo, se logran algunas mejoras en el rendimiento. Dado que los modelos AI/ML se construyen debido a su capacidad para capturar la no linealidad, existe
Aquí la necesidad de modelos segmentados es limitada, a menos que existan diferencias fundamentales en la estructura de datos. Por lo tanto, los modelos de IA/ML son más complejos y deberían requerirse menos.

Otra área de interés dentro del desarrollo de cuadros de mando tradicionales es el proceso de pasar de una clasificación fina a una gruesa. De esta manera, el modelador busca dividir efectivamente los datos continuos en varios grupos ordinales para que la tasa de mala base muestre una lógica.
progresión y se basa en un volumen suficiente para dar un resultado confiable. Las metodologías avanzadas dentro de los modelos AI/ML eliminan la necesidad de una clasificación fina a gruesa, ya que la agrupación se logra mediante la metodología subyacente, generando perfiles de respuesta fluidos.
en lugar de los cambios radicales que se ven cuando se cruzan los límites de los atributos del cuadro de mando. Además, muchas rutinas de entrenamiento ahora incluyen la opción de agregar restricciones para garantizar que las características tengan un impacto lógico en las predicciones del modelo.

A medida que aumente la ola de desarrollo de modelos de IA/ML en los próximos años, será clave una fusión de conocimiento profundo de los datos crediticios subyacentes y una metodología avanzada. Si bien surgen nuevos desafíos en esta nueva generación de modelos, como el sesgo involuntario y la explicabilidad,
Las preocupaciones históricas se volverán menos relevantes.

Sello de tiempo:

Mas de fintextra