Sviluppo del modello di rischio: la prossima generazione

Sviluppo del modello di rischio: la prossima generazione

Timestamp: 11 gennaio 2024 5:19
Nodo di origine: 3066197

Nel mondo dei servizi finanziari, in cui la gestione del rischio è fondamentale, abbiamo tutti visto l'intelligenza artificiale e l'apprendimento automatico trasformare rapidamente il panorama. In effetti, un recente

sondaggio della Banca d’Inghilterra e della Financial Conduct Authority (FCA) lo ha rivelato
Il 72% delle società finanziarie del Regno Unito sta già utilizzando o sviluppando applicazioni AI/ML, e questa tendenza sta accelerando a un ritmo sorprendente, con
si prevede che il numero medio di applicazioni ML aumenterà di 3.5 volte nei prossimi tre anni. Questa crescita non sorprende: i modelli AI/ML promettono di sbloccare insight da grandi quantità di dati, consentendo alle organizzazioni finanziarie
prendere decisioni più intelligenti e informate e migliorare le proprie strategie di gestione del rischio. 

I risultati dell'indagine sono coerenti con le osservazioni che ho fatto durante il mio lavoro con gli istituti di servizi finanziari del Regno Unito. Tuttavia, ho scoperto che la progressione verso le metodologie AI/ML è più avanzata all'interno del Fintech e delle Challenger Banks che,
a differenza delle banche di High Street, potrebbero non soffrire di limitazioni effettive dovute a sistemi preesistenti o limitazioni percepite relative al loro status IRB. 

Le fintech e le banche sfidanti hanno in genere reclutato data scientist esperti di tecnologia con una profonda conoscenza della gamma di tecniche avanzate alternative disponibili. Nel frattempo, le principali banche detengono ancora un vantaggio significativo in termini di esperienza
e dati. Hanno decenni di esperienza nella costruzione di modelli di credito, hanno stabilito standard di sviluppo dei modelli e hanno una conoscenza approfondita dei dati sottostanti.  

La domanda ora è se i principi che sono alla base dello sviluppo dei modelli tradizionali rimangono del tutto rilevanti per la nuova generazione di modelli basati sull’intelligenza artificiale che sono derivati ​​matematicamente in un modo completamente diverso.  

Sviluppo del modello: AI/ML tradizionale VS

Lo sviluppo tradizionale delle scorecard si attiene da tempo ad una meticolosa progettazione del campione, garantendo che le applicazioni durante la finestra di campionamento siano stabili e riflettano le proposte ricevute più di recente. È tipico degli indici o delle caratteristiche di stabilità della popolazione
Indici di stabilità da calcolare e per un'indagine dettagliata di eventuali modelli che si estendono oltre le ragionevoli aspettative di variazione stagionale. Questo approccio si basa sulla nozione di un campione di sviluppo su misura adattato alla popolazione specifica
servi. La composizione o mix di segmenti e la sua specificità sono visti come un fattore chiave per l'idoneità del campione di sviluppo del modello.

È interessante notare che spesso vediamo che i modelli AI/ML mostrano un grado significativo di apprendimento incrociato. È qui che i modelli mostrano prestazioni migliori quando il campione di addestramento viene esteso per includere osservazioni aggiuntive che tradizionalmente potrebbero non essere prese in considerazione
direttamente rilevante. Ad esempio, osserviamo prestazioni superiori da modelli addestrati su una finestra campione estesa rispetto a modelli equivalenti ottimizzati su un periodo che si allinea semplicemente al campione di test indipendente. È improbabile che ciò accada utilizzando i modelli lineari!

Risultati simili possono essere osservati quando segmenti o gruppi adiacenti vengono aggiunti ai campioni di addestramento. In effetti, i modelli AI/ML prosperano se sviluppati su set di dati ampi e diversificati. Questi fenomeni avranno implicazioni per la progettazione del campione e la scelta delle esclusioni all'interno
modello di sviluppo del futuro, potenzialmente riscrivendo la saggezza convenzionale.

Allo stesso modo, molti sviluppi di carte di valutazione del credito hanno incorporato la segmentazione, per cui viene creato un modello per ciascuna di una serie di sottopopolazioni (ad esempio File sottile/File spesso, Pulito/Sporco). Il vantaggio di questo approccio è che, costruendo più modelli, alcuni
è possibile catturare la non linearità. Naturalmente, la scelta della segmentazione non è sempre ovvia ed è improbabile che sia ottimale, tuttavia si ottengono alcuni miglioramenti delle prestazioni. Dato che i modelli AI/ML sono costruiti per la loro capacità di catturare la non linearità, ecco
In questo caso la necessità di modelli segmentati è limitata, a meno che non vi siano differenze fondamentali nella struttura dei dati. Pertanto, i modelli AI/ML sono più complessi e dovrebbero esserne richiesti meno.

Un'altra area di interesse nello sviluppo delle scorecard tradizionali è il processo di passaggio dalla classificazione fine a quella grossolana. Con la presente il modellatore cerca di dividere efficacemente i dati continui in diversi gruppi ordinali in modo che il tasso negativo sottostante mostri una logica
progressione e si basa su un volume sufficiente per fornire un risultato affidabile. Le metodologie avanzate all'interno dei modelli AI/ML eliminano la necessità di una classificazione da fine a grossolana poiché il raggruppamento viene ottenuto dalla metodologia sottostante, generando profili di risposta uniformi
piuttosto che i cambiamenti graduali visti come i limiti degli attributi della scorecard vengono superati. Inoltre, molte routine di training ora includono la possibilità di aggiungere vincoli per garantire che le funzionalità abbiano un impatto logico sulle previsioni del modello.

Con l’intensificarsi dell’ondata di sviluppo di modelli AI/ML nei prossimi anni, la fusione tra una profonda conoscenza dei dati creditizi sottostanti e una metodologia avanzata è fondamentale. Mentre in questa nuova generazione di modelli emergono nuove sfide, come i pregiudizi involontari e la spiegabilità,
le preoccupazioni storiche diventeranno meno rilevanti.

Timestamp:

Di più da Fintextra