リスクモデル開発 – 次世代

リスク管理が最重要視される金融サービスの世界では、人工知能と機械学習が急速に状況を変革しているのを誰もが見てきたでしょう。実は最近の

イングランド銀行と金融行動監視機構による調査 （FCA）が明らかにした。
英国の金融会社の 72% がすでに AI/ML アプリケーションを使用または開発しています、そしてこの傾向は驚くべきペースで加速しています。
ML アプリケーションの数の中央値は、今後 3.5 年間で XNUMX 倍に急増すると予測されています。この成長は驚くべきことではありません。AI/ML モデルは、膨大な量のデータから洞察を解き放ち、金融機関の利用を可能にする可能性を秘めています。
より賢明で、より多くの情報に基づいた意思決定を行い、リスク管理戦略を強化します。 

この調査結果は、私が英国の金融サービス機関との仕事を通じて得た観察と一致しています。ただし、AI/ML 手法への進歩はフィンテックとチャレンジャー バンク内でより進んでいることがわかりました。
ハイストリート銀行とは異なり、レガシーシステムや IRB ステータスに関連する認識されている制限による実際の制限に悩まされることはありません。 

フィンテックやチャレンジャー銀行は通常、利用可能なさまざまな代替の高度な技術を深く理解している、テクノロジーに精通したデータサイエンティストを採用しています。一方、経験という点では大手銀行が依然として大きな優位性を持っている
そしてデータ。彼らは信用モデルの構築において数十年の経験があり、モデル開発標準を確立しており、基礎となるデータを十分に理解しています。  

現在の問題は、従来のモデルの開発を支える原則が、まったく異なる方法で数学的に導出される新世代の AI を活用したモデルにも完全に関連し続けるかどうかです。  

モデル開発: 従来の VS AI/ML

従来のスコアカード開発では、長い間、綿密なサンプル設計を堅持して、サンプル期間中のアプリケーションが安定していることと、最後に受け取った提案を反映していることを保証してきました。これは人口安定性指数または特性に典型的です
安定性指数を計算し、季節変動の合理的な予想を超えるパターンを詳細に調査します。このアプローチは、特定の集団に合わせてカスタマイズされた開発サンプルの概念に基づいています。
奉仕します。構成またはセグメントの混合とその特異性は、モデル開発サンプルの適合性の重要な要素とみなされます。

興味深いことに、AI/ML モデルがかなりの程度の相互学習を示すことがよく見られます。これは、従来は考慮されていなかった可能性のある追加の観測値を含めるようにトレーニング サンプルを拡張したときに、モデルがより強力なパフォーマンスを示す場所です。
直接関係がある。たとえば、単に独立したテスト サンプルに合わせた期間で最適化された同等のモデルと比較して、拡張されたサンプル ウィンドウでトレーニングされたモデルのパフォーマンスが優れていることがわかります。線形モデルを使用すると、このようなことは起こりそうにありません。

隣接するセグメントまたはグループをトレーニング サンプルに追加すると、同様の結果が見られます。実際、AI/ML モデルは、大規模で多様なデータセットに基づいて開発された場合に成功します。これらの現象は、サンプルの設計とサンプル内の除外の選択に影響を及ぼします。
未来の発展をモデル化し、従来の常識を書き換える可能性があります。

同様に、多くのクレジット スコアカードの開発にはセグメンテーションが組み込まれており、これにより多数の部分母集団のそれぞれに対してモデルが構築されます (例: シン ファイル / シック ファイル、クリーン / ダーティ)。このアプローチの利点は、複数のモデルを構築することによって、
非線形性を捉えることができます。もちろん、セグメンテーションの選択は必ずしも明らかではなく、最適である可能性は低いですが、ある程度のパフォーマンスの向上は達成されます。 AI/ML モデルが非線形性を捕捉する機能を備えて構築されているとすると、
データ構造に根本的な違いがない限り、ここではセグメント化されたモデルの必要性は限られています。したがって、AI/ML モデルはより複雑になり、必要なモデルは少なくなるはずです。

従来のスコアカード開発におけるもう 1 つの焦点は、細かい分類から粗い分類への移行プロセスです。これにより、モデラーは、基礎となる不良率が論理的な値を示すように、連続データをいくつかの順序グループ​​に効果的に分割しようとします。
進行度が高く、信頼できる結果が得られる十分な量に基づいています。 AI/ML モデル内の高度な方法論により、基盤となる方法論によってグループ化が実現されるため、細かい分類から粗い分類の必要が​​なく、スムーズな応答プロファイルが生成されます。
スコアカード属性の境界を越えたときに見られる段階的な変化ではありません。さらに、多くのトレーニング ルーチンには、特徴がモデル予測に論理的な影響を与えるように制約を追加するオプションが含まれるようになりました。

AI/ML モデル開発の波が今後数年で押し寄せる中、基礎となる信用データに関する深い知識と高度な方法論の融合が鍵となります。この新世代のモデルでは、意図しないバイアスや説明可能性などの新たな課題が生じていますが、
歴史的懸念はあまり意味を持たなくなるだろう。

• SEO を活用したコンテンツと PR 配信。 今日増幅されます。
• PlatoData.Network 垂直生成 Ai。 自分自身に力を与えましょう。 こちらからアクセスしてください。
• プラトアイストリーム。 Web3 インテリジェンス。 知識増幅。 こちらからアクセスしてください。
• プラトンESG。 カーボン、 クリーンテック、 エネルギー、 環境、 太陽、 廃棄物管理。 こちらからアクセスしてください。
• プラトンヘルス。 バイオテクノロジーと臨床試験のインテリジェンス。 こちらからアクセスしてください。
• 情報源： https://www.finextra.com/blogposting/25517/risk-model-development–the-next-generation?utm_medium=rssfinextra&utm_source=finextrablogs