Ontwikkeling van risicomodellen – de volgende generatie

Ontwikkeling van risicomodellen – de volgende generatie

Tijdstempel: 11 januari 2024 5:19 uur
Bronknooppunt: 3066197

In de wereld van de financiële dienstverlening, waar risicobeheer van het allergrootste belang is, hebben we allemaal gezien hoe kunstmatige intelligentie en machinaal leren het landschap snel transformeren. Sterker nog, een recente

onderzoek van de Bank of England en de Financial Conduct Authority (FCA) heeft dat onthuld
72% van de Britse financiële bedrijven gebruikt of ontwikkelt al AI/ML-toepassingen, en deze trend versnelt in een verbazingwekkend tempo
Het gemiddelde aantal ML-aanvragen zal naar verwachting de komende drie jaar met een factor 3.5 toenemen. Deze groei is niet verrassend – AI/ML-modellen houden de belofte in dat ze inzichten uit enorme hoeveelheden gegevens kunnen ontsluiten, waardoor financiële organisaties in staat worden gesteld
om slimmere, beter geïnformeerde beslissingen te nemen en hun risicobeheerstrategieën te verbeteren. 

De bevindingen van het onderzoek komen overeen met observaties die ik heb gedaan tijdens mijn werk bij Britse financiële dienstverleners. Hoewel ik heb ontdekt dat de voortgang naar AI/ML-methodologieën verder gevorderd is binnen Fintech en Challenger Banks,
in tegenstelling tot de High Street Banks hebben zij mogelijk geen last van daadwerkelijke beperkingen als gevolg van verouderde systemen of waargenomen beperkingen met betrekking tot hun IRB-status. 

Fintechs en Challenger Banks hebben doorgaans technisch onderlegde datawetenschappers gerekruteerd met diepgaande kennis van de reeks alternatieve geavanceerde technieken die beschikbaar zijn. Ondertussen hebben de grote banken nog steeds een aanzienlijk voordeel in termen van ervaring
en gegevens. Ze hebben tientallen jaren ervaring met het bouwen van kredietmodellen, hebben standaarden voor modelontwikkeling opgesteld en hebben een grondig inzicht in de onderliggende gegevens.  

De vraag is nu of de principes die ten grondslag liggen aan de ontwikkeling van traditionele modellen volledig relevant blijven voor de nieuwe generatie AI-aangedreven modellen, die op een compleet andere manier wiskundig zijn afgeleid.  

Modelontwikkeling: traditioneel VS AI/ML

Bij de traditionele ontwikkeling van scorecards is al lang sprake van een nauwgezet voorbeeldontwerp, waardoor wordt gegarandeerd dat de aanvragen tijdens de voorbeeldperiode zowel stabiel zijn als een afspiegeling zijn van de meest recentelijk ontvangen voorstellen. Het is typerend voor bevolkingsstabiliteitsindices of -kenmerken
Er moeten stabiliteitsindices worden berekend, en voor een gedetailleerd onderzoek naar patronen die verder gaan dan de redelijke verwachtingen van seizoensvariatie. Deze benadering is gebaseerd op het idee van een op maat gemaakte ontwikkelingssteekproef die is toegesneden op de specifieke populatie waarin deze zich bevindt
serveert. De samenstelling of segmentale mix en de specificiteit ervan worden gezien als een sleutelfactor in de geschiktheid van het modelontwikkelingsmonster.

Interessant genoeg zien we vaak dat AI/ML-modellen een aanzienlijke mate van cross-learning vertonen. Dit is waar modellen sterker presteren wanneer de trainingssteekproef wordt uitgebreid met aanvullende observaties die traditioneel misschien niet in overweging worden genomen
direct relevant. We zien bijvoorbeeld superieure prestaties van modellen die zijn getraind op een uitgebreid monstervenster vergeleken met gelijkwaardige modellen die zijn geoptimaliseerd op een periode die eenvoudigweg aansluit bij het onafhankelijke testmonster. Met lineaire modellen is dit onwaarschijnlijk!

Soortgelijke bevindingen kunnen worden gezien wanneer aangrenzende segmenten of groepen aan de trainingsmonsters worden toegevoegd. AI/ML-modellen gedijen inderdaad wanneer ze worden ontwikkeld op basis van grote en diverse datasets. Deze verschijnselen zullen gevolgen hebben voor het ontwerp van de monsters en de keuze van de uitsluitingen daarin
modelontwikkelingen van de toekomst, waardoor conventionele wijsheid mogelijk wordt herschreven.

Op soortgelijke wijze hebben veel kredietscorekaartontwikkelingen segmentatie ingebouwd, waarbij een model wordt gebouwd voor elk van een aantal subpopulaties (bijvoorbeeld dun bestand / dik bestand, schoon / vuil). Het voordeel van deze aanpak is dat, door meerdere modellen te bouwen, er enkele kunnen ontstaan
niet-lineariteit kan worden vastgelegd. Uiteraard is de keuze voor segmentatie niet altijd voor de hand liggend en is het onwaarschijnlijk dat deze optimaal zal zijn, maar er worden wel enkele prestatieverbeteringen bereikt. Gezien het feit dat AI/ML-modellen worden gebouwd vanwege hun vermogen om niet-lineariteit vast te leggen, is er sprake van
De behoefte aan gesegmenteerde modellen is hier beperkt, tenzij er fundamentele verschillen zijn in de datastructuur. Daarom zijn AI/ML-modellen complexer en zouden er minder nodig moeten zijn.

Een ander aandachtsgebied binnen de traditionele scorekaartontwikkeling is het proces van de overgang van fijne naar grove classificatie. Hierbij probeert de modelleur continue gegevens effectief in verschillende ordinale groepen te verdelen, zodat de onderliggende slechte rente logisch is
progressie en is gebaseerd op voldoende volume om een ​​betrouwbaar resultaat te geven. Geavanceerde methodologieën binnen AI/ML-modellen elimineren de noodzaak van fijn-naar-grof classificeren, aangezien de groepering wordt bereikt door de onderliggende methodologie, waardoor soepele responsprofielen worden gegenereerd
in plaats van dat er sprake is van stapsgewijze veranderingen, waarbij de grenzen van de scorekaartattributen worden overschreden. Bovendien bevatten veel trainingsroutines nu de mogelijkheid om beperkingen toe te voegen om ervoor te zorgen dat functies een logische impact hebben op de modelvoorspellingen.

Nu de golf van AI/ML-modelontwikkeling de komende jaren toeneemt, is een combinatie van diepgaande kennis van onderliggende kredietgegevens en geavanceerde methodologie van cruciaal belang. Hoewel er in deze nieuwe generatie modellen nieuwe uitdagingen ontstaan, zoals onbedoelde vertekeningen en verklaarbaarheid,
historische zorgen zullen minder relevant worden.

Tijdstempel:

Meer van Fintextra