Riskimallin kehittäminen – seuraava sukupolvi

Rahoituspalvelujen maailmassa, jossa riskienhallinta on ensiarvoisen tärkeää, olemme kaikki nähneet tekoälyn ja koneoppimisen muuttavan maisemaa nopeasti. Itse asiassa tuore

Englannin keskuspankin ja Financial Conduct Authorityn tekemä tutkimus (FCA) paljasti sen
72 prosenttia Yhdistyneen kuningaskunnan rahoitusalan yrityksistä käyttää tai kehittää jo tekoäly-/ML-sovelluksia, ja tämä trendi kiihtyy hämmästyttävää vauhtia
ML-hakemusten mediaanimäärän ennustetaan nousevan pilviin 3.5-kertaiseksi seuraavien kolmen vuoden aikana. Tämä kasvu ei ole yllättävää – AI/ML-malleilla on lupaus avata oivalluksia valtavista tietomääristä, mikä mahdollistaa rahoitusorganisaatioiden
tehdä älykkäämpiä, tietoisempia päätöksiä ja parantaa riskienhallintastrategioitaan. 

Kyselyn tulokset ovat yhdenmukaisia ​​havaintojeni kanssa, joita olen tehnyt työskennellessäni Yhdistyneen kuningaskunnan rahoituspalvelulaitosten kanssa. Olen kuitenkin huomannut, että eteneminen kohti tekoäly/ML-menetelmiä on edistyneempää Fintech- ja Challenger Banksissa,
Toisin kuin High Street Banks, ne eivät välttämättä kärsi vanhojen järjestelmien tai IRB-asemaansa liittyvien havaittujen rajoitusten vuoksi. 

Fintechs ja Challenger Banks ovat tyypillisesti rekrytoineet tekniikkaa tuntevia datatieteilijöitä, joilla on syvä ymmärrys saatavilla olevista vaihtoehtoisista kehittyneistä tekniikoista. Samaan aikaan suurilla pankeilla on edelleen merkittävä kokemusetu
ja dataa. Heillä on vuosikymmenten kokemus luottomallien rakentamisesta, he ovat laatineet mallien kehitysstandardit ja heillä on perusteellinen käsitys taustalla olevista tiedoista.  

Nyt on kysymys siitä, ovatko perinteisten mallien kehittämisen taustalla olevat periaatteet täysin relevantteja uuden sukupolven tekoälykäyttöisille malleille, jotka on matemaattisesti johdettu täysin eri tavalla.  

Mallin kehittäminen: Perinteinen VS AI/ML

Perinteisessä tuloskorttikehityksessä on pitkään noudatettu huolellista näytesuunnittelua, mikä varmistaa, että sovellukset näyteikkunan aikana ovat vakaita ja heijastavat viimeksi saatuja ehdotuksia. Se on tyypillistä väestön vakausindekseille tai ominaisuuksille
Laskettavat vakausindeksit ja yksityiskohtaista tutkimusta kaikista kuvioista, jotka ylittävät kausivaihtelun kohtuulliset odotukset. Tämä lähestymistapa perustuu käsitteeseen räätälöidystä kehitysnäytteestä, joka on räätälöity tietylle väestölle
palvelee. Koostumus tai segmentaalinen sekoitus ja sen spesifisyys nähdään avaintekijänä mallinkehitysnäytteen soveltuvuudessa.

Mielenkiintoista on, että näemme usein, että AI/ML-malleissa on huomattavaa ristiinoppimista. Tässä mallit näyttävät paremman suorituskyvyn, kun harjoitusotosta laajennetaan sisältämään lisähavaintoja, joita ei ehkä perinteisesti oteta huomioon
suoraan asiaan. Näemme esimerkiksi ylivertaisen suorituskyvyn mallit, jotka on koulutettu laajennetulla näyteikkunalla verrattuna vastaaviin malleihin, jotka on optimoitu ajanjaksolle, joka yksinkertaisesti kohdistuu riippumattomaan testinäytteeseen. Tämä ei todennäköisesti tapahdu lineaarisia malleja käytettäessä!

Samanlaisia ​​havaintoja voidaan nähdä, kun vierekkäisiä segmenttejä tai ryhmiä lisätään harjoitusnäytteisiin. Itse asiassa AI/ML-mallit menestyvät, kun niitä kehitetään suurten ja monimuotoisten tietojoukkojen pohjalta. Näillä ilmiöillä on vaikutuksia otossuunnitteluun ja poissulkemisten valintaan
tulevaisuuden mallikehitys, joka mahdollisesti kirjoittaa tavanomaisen viisauden uudelleen.

Samoin monet luottotuloskorttikehitykset ovat sisällyttäneet segmentointiin, jossa malli rakennetaan jokaiselle useista alapopulaatioista (esim. ohut tiedosto / paksu tiedosto, puhdas / likainen). Tämän lähestymistavan etuna on, että rakentamalla useita malleja, jotkut
epälineaarisuus voidaan kaapata. Segmentoinnin valinta ei tietenkään aina ole ilmeinen, eikä se todennäköisesti ole optimaalinen, mutta joitain suorituskyvyn parannuksia saavutetaan. Ottaen huomioon, että AI/ML-mallit on rakennettu, koska ne pystyvät sieppaamaan epälineaarisuutta
segmentoitujen mallien tarve on rajallinen, ellei tietorakenteessa ole perustavanlaatuisia eroja. Siksi AI/ML-mallit ovat monimutkaisempia, ja niitä pitäisi vaatia vähemmän.

Toinen painopistealue perinteisessä tuloskorttikehityksessä on siirtyminen hienosta luokittelusta karkeaan. Täten mallintaja pyrkii jakamaan jatkuvan datan tehokkaasti useisiin järjestysryhmiin siten, että taustalla oleva huono määrä näyttää loogisen
ja perustuu riittävään määrään luotettavan tuloksen saamiseksi. Kehittyneet menetelmät AI/ML-malleissa eliminoivat hienosta karkeaan luokittelun tarpeen, koska ryhmittely saavutetaan taustalla olevan metodologian avulla, mikä luo sujuvat vasteprofiilit
sen sijaan, että tuloskorttimääritteiden rajat ylitetään. Lisäksi monet koulutusrutiinit sisältävät nyt mahdollisuuden lisätä rajoituksia sen varmistamiseksi, että ominaisuuksilla on looginen vaikutus mallin ennusteisiin.

Koska AI/ML-mallin kehitysaalto kasvaa tulevina vuosina, taustalla olevien luottotietojen syvän tietämyksen ja edistyneen metodologian yhdistäminen on avainasemassa. Vaikka tässä uuden sukupolven malleissa syntyy uusia haasteita, kuten tahatonta harhaa ja selitettävyyttä,
historialliset huolenaiheet tulevat vähemmän merkityksellisiksi.

• SEO-pohjainen sisällön ja PR-jakelu. Vahvista jo tänään.
• PlatoData.Network Vertical Generatiivinen Ai. Vahvista itseäsi. Pääsy tästä.
• PlatoAiStream. Web3 Intelligence. Tietoa laajennettu. Pääsy tästä.
• PlatoESG. hiili, CleanTech, energia, ympäristö, Aurinko, Jätehuolto. Pääsy tästä.
• PlatonHealth. Biotekniikan ja kliinisten kokeiden älykkyys. Pääsy tästä.
• Lähde: https://www.finextra.com/blogposting/25517/risk-model-development–the-next-generation?utm_medium=rssfinextra&utm_source=finextrablogs