Kockázati modell fejlesztés – A következő generáció

Kockázati modell fejlesztés – A következő generáció

Időbélyeg: 11. január 2024. 5:19
Forrás csomópont: 3066197

A pénzügyi szolgáltatások világában, ahol a kockázatkezelés a legfontosabb, mindannyian láttuk, hogy a mesterséges intelligencia és a gépi tanulás gyorsan átalakítja a tájat. Valójában egy friss

a Bank of England és a Financial Conduct Authority felmérése (FCA) derítette ki ezt
Az Egyesült Királyság pénzügyi cégeinek 72%-a már használ vagy fejleszt AI/ML alkalmazásokat, és ez a tendencia elképesztő ütemben gyorsul, azzal
az ML alkalmazások mediánszáma az előrejelzések szerint 3.5-szeresére fog emelkedni a következő három évben. Ez a növekedés nem meglepő – az AI/ML modellek azt az ígéretet rejtik magukban, hogy hatalmas mennyiségű adatból betekintést nyerhetnek, lehetővé téve a pénzügyi szervezetek számára
hogy okosabb, megalapozottabb döntéseket hozzanak, és fejlesszék kockázatkezelési stratégiáikat. 

A felmérés eredményei összhangban vannak azokkal a megfigyelésekkel, amelyeket az Egyesült Királyság pénzügyi szolgáltató intézményeivel végzett munkám során tettem. Bár azt tapasztaltam, hogy az AI/ML módszertanok felé haladva előrehaladottabb a Fintech és a Challenger Banks, mint
A High Street Banks-szal ellentétben előfordulhat, hogy nem szenvednek tényleges korlátozásoktól az örökölt rendszerek vagy az IRB státuszukkal kapcsolatos vélt korlátozások miatt. 

A Fintech és a Challenger Banks jellemzően olyan tech-hozzáértő adattudósokat toboroz, akik mélyen ismerik a rendelkezésre álló alternatív fejlett technikákat. Mindeközben a nagyobb bankok még mindig jelentős előnnyel rendelkeznek a tapasztalat terén
és adatok. Több évtizedes tapasztalattal rendelkeznek a hitelmodellek felépítésében, modellfejlesztési szabványokat alakítottak ki, és alaposan ismerik a mögöttes adatokat.  

A kérdés most az, hogy a hagyományos modellek fejlesztését alátámasztó elvek továbbra is teljes mértékben relevánsak maradnak-e a mesterséges intelligencia által hajtott modellek új generációjában, amelyek matematikailag teljesen más módon származnak.  

Modellfejlesztés: Hagyományos VS AI/ML

A hagyományos pontozókártya-fejlesztés régóta ragaszkodik az aprólékos mintatervezéshez, biztosítva, hogy a mintaablak alatti alkalmazások stabilak legyenek, és tükrözzék a legutóbb beérkezett javaslatokat. Ez jellemző a népességstabilitási indexekre vagy jellemzőkre
Stabilitási indexeket kell kiszámítani, és minden olyan mintázat részletes vizsgálatához, amelyek túlmutatnak a szezonális változásokkal kapcsolatos ésszerű várakozásokon. Ez a megközelítés az adott populációra szabott, egyedi fejlesztési mintán múlik
szolgál. A modellfejlesztési minta alkalmasságában az összetétel vagy a szegmentális keverék és annak specifitása kulcsfontosságú tényező.

Érdekes módon gyakran látjuk, hogy az AI/ML modellek jelentős mértékű kereszttanulást mutatnak. Ez az a hely, ahol a modellek erősebb teljesítményt mutatnak, ha a képzési mintát kiterjesztik olyan további megfigyelésekre, amelyeket hagyományosan nem vettek figyelembe
közvetlenül releváns. Például a kibővített mintaablakon betanított modellek kiváló teljesítményét látjuk, szemben az olyan egyenértékű modellekkel, amelyeket olyan időszakra optimalizáltak, amely egyszerűen igazodik a független tesztmintához. Lineáris modellek esetén ez nem valószínű!

Hasonló eredményeket láthatunk, ha szomszédos szegmenseket vagy csoportokat adunk a képzési mintákhoz. Valójában az AI/ML modellek virágzanak, ha nagy és változatos adatkészletekre fejlesztik őket. Ezek a jelenségek hatással lesznek a mintatervezésre és a kizárások kiválasztására
a jövő modellfejlesztései, amelyek potenciálisan átírják a hagyományos bölcsességet.

Hasonlóképpen, sok hitelkártya-fejlesztés tartalmazta a szegmentálást, amelynek során számos alpopuláció mindegyikéhez modellt építenek (pl. vékony fájl / vastag fájl, tiszta / piszkos). Ennek a megközelítésnek az az előnye, hogy több modell felépítésével néhány
a nemlinearitás megragadható. Természetesen a szegmentálás megválasztása nem mindig nyilvánvaló, és nem valószínű, hogy az optimális, azonban bizonyos teljesítménynövekedés érhető el. Tekintettel arra, hogy az AI/ML modellek a nemlinearitás rögzítésére való képességük miatt épülnek fel, ott
itt korlátozott az igény a szegmentált modellekre, hacsak nincsenek alapvető különbségek az adatszerkezetben. Ezért az AI/ML modellek összetettebbek, kevesebbet kellene belőlük igényelni.

A hagyományos eredménymutató-fejlesztés másik fókuszpontja a finom osztályozásról a durva osztályozásra való átállás folyamata. Ezáltal a modellező arra törekszik, hogy a folytonos adatokat hatékonyan több sorszámú csoportra ossza fel úgy, hogy a mögöttes rossz arány logikus legyen.
előrehaladását, és elegendő mennyiségen alapul ahhoz, hogy megbízható eredményt adjon. Az AI/ML modelleken belüli fejlett módszertanok szükségtelenné teszik a finomtól a durváig terjedő osztályozást, mivel a csoportosítást az alapul szolgáló módszertan hajtja végre, sima válaszprofilokat generálva.
ahelyett, hogy az eredménymutató attribútumhatárainak tekintett lépés-változtatásokat átlépnénk. Ezen túlmenően sok oktatási rutin most már magában foglalja a megszorítások hozzáadásának lehetőségét annak biztosítására, hogy a funkciók logikus hatással legyenek a modell előrejelzéseire.

Mivel az elkövetkező években az AI/ML-modellek fejlesztési hulláma felgyorsul, kulcsfontosságú a mögöttes hiteladatok mélyreható ismerete és a fejlett módszertan fúziója. Míg a modellek új generációjában új kihívások merülnek fel, mint például a nem szándékos torzítás és a magyarázhatóság,
a történelmi megfontolások kevésbé lesznek relevánsak.

Időbélyeg:

Még több Fintextra