Risikomodellutvikling – neste generasjon

Risikomodellutvikling – neste generasjon

Tidsstempel: 11. januar 2024 5:19
Kilde node: 3066197

I en verden av finansielle tjenester hvor risikostyring er viktigst, har vi alle sett kunstig intelligens og maskinlæring raskt transformere landskapet. Faktisk en nylig

undersøkelse fra Bank of England og Financial Conduct Authority (FCA) avslørte det
72 % av britiske finansfirmaer bruker eller utvikler allerede AI/ML-applikasjoner, og denne trenden akselererer i et forbløffende tempo, med
mediantallet for ML-søknader anslås å skyte i været med 3.5 ganger i løpet av de neste tre årene. Denne veksten er ikke overraskende – AI/ML-modeller har løftet om å låse opp innsikt fra enorme mengder data, noe som gjør det mulig for finansielle organisasjoner
å ta smartere, mer informerte beslutninger og forbedre risikostyringsstrategiene deres. 

Undersøkelsens funn stemmer overens med observasjoner jeg har gjort gjennom mitt arbeid med britiske finansinstitusjoner. Selv om jeg har funnet ut at utviklingen mot AI/ML-metodikk er mer avansert innen Fintech og Challenger Banks som,
i motsetning til High Street Banks, kan det hende at de ikke lider av faktiske begrensninger på grunn av eldre systemer eller oppfattede begrensninger knyttet til deres IRB-status. 

Fintechs og Challenger Banks har vanligvis rekruttert teknologikyndige dataforskere med dyp forståelse av utvalget av alternative avanserte teknikker som er tilgjengelige. I mellomtiden har store banker fortsatt en betydelig fordel når det gjelder erfaring
og data. De har flere tiår med erfaring med å bygge kredittmodeller, har etablert standarder for modellutvikling og har en grundig forståelse av de underliggende dataene.  

Spørsmålet er nå om prinsippene som ligger til grunn for utviklingen av tradisjonelle modeller fortsatt er helt relevante for den nye generasjonen AI-drevne modeller som er matematisk utledet på en helt annen måte.  

Modellutvikling: Tradisjonell VS AI/ML

Tradisjonell resultatkortutvikling har lenge holdt seg til omhyggelig prøvedesign, noe som sikrer at søknadene under prøvevinduet er både stabile og reflekterer de sist mottatte forslagene. Det er typisk for populasjonsstabilitetsindekser eller egenskaper
Stabilitetsindekser som skal beregnes, og for en detaljert undersøkelse av eventuelle mønstre som strekker seg utover rimelige forventninger til sesongvariasjon. Denne tilnærmingen avhenger av ideen om et skreddersydd utviklingsutvalg skreddersydd for den spesifikke populasjonen den
serverer. Sammensetningen eller segmentblandingen og dens spesifisitet blir sett på som en nøkkelfaktor for egnetheten til modellutviklingsprøven.

Interessant nok ser vi ofte at AI/ML-modeller viser en betydelig grad av krysslæring. Det er her modellene viser sterkere ytelse når treningsutvalget utvides til å inkludere ytterligere observasjoner som kanskje ikke tradisjonelt vurderes
direkte relevant. For eksempel ser vi overlegen ytelse fra modeller som er trent på et utvidet prøvevindu kontra ekvivalente modeller optimert på en periode som ganske enkelt stemmer overens med den uavhengige testprøven. Dette skjer neppe ved bruk av lineære modeller!

Lignende funn kan sees når tilstøtende segmenter eller grupper legges til treningsprøvene. Faktisk trives AI/ML-modeller når de utvikles på store og varierte datasett. Disse fenomenene vil ha implikasjoner for prøvedesign og valg av utelukkelser innenfor
modellutviklinger for fremtiden, potensielt omskriving av konvensjonell visdom.

På samme måte har mange kredittkortutviklinger inkorporert segmentering, der en modell bygges for hver av en rekke underpopulasjoner (f.eks. tynn fil / tykk fil, ren / skitten). Fordelen med denne tilnærmingen er at ved å bygge flere modeller, noen
ikke-linearitet kan fanges opp. Valget av segmentering er selvfølgelig ikke alltid åpenbart og vil neppe være optimalt, men noen ytelsesøkninger oppnås. Gitt at AI/ML-modeller er bygget på grunn av deres evne til å fange ikke-linearitet, der
er begrenset behov for segmenterte modeller her, med mindre det er grunnleggende forskjeller i datastruktur. Derfor er AI/ML-modeller mer komplekse, færre av dem bør kreves.

Et annet fokusområde innen tradisjonell målkortutvikling er prosessen med å gå fra fin- til grovklassifisering. Herved søker modellereren å effektivt dele kontinuerlige data inn i flere ordinalgrupper slik at den underliggende dårlige raten viser en logisk
progresjon og er basert på tilstrekkelig volum til å gi et pålitelig resultat. Avanserte metodikker innen AI/ML-modeller eliminerer behovet for fin-til-grov klassifisering ettersom grupperingen oppnås av den underliggende metodikken, og genererer jevne responsprofiler
snarere enn at trinnendringene sett på som grenser for scorekortattributter krysses. Videre inkluderer mange treningsrutiner nå muligheten til å legge til begrensninger for å sikre at funksjoner har en logisk innvirkning på modellforutsigelsene.

Ettersom bølgen av AI/ML-modellutvikling stiger i de kommende årene, er en fusjon av dyp kunnskap om underliggende kredittdata og avansert metodikk nøkkelen. Mens nye utfordringer oppstår i denne nye generasjonen av modeller, som utilsiktet skjevhet og forklarbarhet,
historiske bekymringer vil bli mindre relevante.

Tidstempel:

Mer fra Fintextra