Rozwój modelu ryzyka – następna generacja

Rozwój modelu ryzyka – następna generacja

Znacznik czasu: 11 stycznia 2024 5:19
Węzeł źródłowy: 3066197

W świecie usług finansowych, gdzie zarządzanie ryzykiem jest najważniejsze, wszyscy widzieliśmy, jak sztuczna inteligencja i uczenie maszynowe szybko zmieniają krajobraz. Właściwie to niedawno

badania przeprowadzonego przez Bank Anglii i Komisję Nadzoru Finansowego (FCA) to ujawniło
72% brytyjskich firm finansowych już korzysta lub rozwija aplikacje AI/ML, a tendencja ta przyspiesza w zadziwiającym tempie, m.in
przewidywana mediana liczby wniosków o uczenie maszynowe gwałtownie wzrośnie 3.5-krotnie w ciągu najbliższych trzech lat. Wzrost ten nie jest zaskakujący – modele AI/ML obiecują odblokowanie wniosków z ogromnych ilości danych, co umożliwi organizacjom finansowym
podejmować mądrzejsze i bardziej świadome decyzje oraz ulepszać swoje strategie zarządzania ryzykiem. 

Wyniki ankiety są zgodne z obserwacjami, które poczyniłem podczas mojej pracy z brytyjskimi instytucjami świadczącymi usługi finansowe. Chociaż odkryłem, że postęp w kierunku metodologii AI/ML jest bardziej zaawansowany w przypadku Fintech i Challenger Banks, to
w przeciwieństwie do High Street Banks, mogą nie doświadczać rzeczywistych ograniczeń wynikających ze starszych systemów lub postrzeganych ograniczeń związanych z ich statusem IRB. 

Fintechy i banki Challenger zazwyczaj rekrutują znających się na technologii analityków danych, posiadających głęboką wiedzę na temat szeregu dostępnych alternatywnych zaawansowanych technik. Tymczasem największe banki nadal mają znaczącą przewagę pod względem doświadczenia
i dane. Mają dziesiątki lat doświadczenia w budowaniu modeli kredytowych, ustalili standardy opracowywania modeli i dogłębnie rozumieją dane leżące u ich podstaw.  

Pytanie brzmi teraz, czy zasady leżące u podstaw rozwoju tradycyjnych modeli pozostają w pełni istotne dla nowej generacji modeli opartych na sztucznej inteligencji, które są wyprowadzane matematycznie w zupełnie inny sposób.  

Rozwój modelu: tradycyjny VS AI/ML

Tradycyjne opracowywanie kart wyników od dawna opiera się na skrupulatnym projektowaniu próbek, zapewniając, że wnioski w oknie próbnym są zarówno stabilne, jak i odzwierciedlają ostatnio otrzymane propozycje. Jest to typowe dla wskaźników lub charakterystyk stabilności populacji
Obliczenia wskaźników stabilności oraz szczegółowe badanie wszelkich wzorców wykraczających poza uzasadnione oczekiwania dotyczące zmienności sezonowej. Podejście to opiera się na koncepcji dostosowanej do indywidualnych potrzeb próbki rozwojowej, dostosowanej do konkretnej populacji
służy. Skład lub mieszanka segmentowa i jej specyfika są postrzegane jako kluczowy czynnik decydujący o przydatności próbki do opracowania modelu.

Co ciekawe, często widzimy, że modele AI/ML wykazują znaczny stopień wzajemnego uczenia się. W tym przypadku modele wykazują lepszą wydajność, gdy próbka ucząca zostanie rozszerzona o dodatkowe obserwacje, które tradycyjnie nie byłyby brane pod uwagę
bezpośrednio istotne. Na przykład widzimy lepszą wydajność modeli wyszkolonych w rozszerzonym oknie próbki w porównaniu z równoważnymi modelami zoptymalizowanymi w okresie, który po prostu pokrywa się z niezależną próbą testową. Jest to mało prawdopodobne przy użyciu modeli liniowych!

Podobne wyniki można zaobserwować po dodaniu sąsiadujących segmentów lub grup do próbek szkoleniowych. Rzeczywiście modele AI/ML rozwijają się dobrze, gdy są opracowywane na dużych i zróżnicowanych zbiorach danych. Zjawiska te będą miały wpływ na projekt próby i wybór wykluczeń w ramach próby
modelowania rozwoju przyszłości, potencjalnie zmieniając konwencjonalną wiedzę.

Podobnie wiele projektów kart wyników kredytowych uwzględnia segmentację, w ramach której budowany jest model dla każdej z szeregu subpopulacji (np. plik cienki/gruby, czysty/brudny). Zaletą tego podejścia jest to, że budując wiele modeli, niektóre
można uchwycić nieliniowość. Oczywiście wybór segmentacji nie zawsze jest oczywisty i jest mało prawdopodobne, aby był optymalny, jednak udało się osiągnąć pewien wzrost wydajności. Biorąc pod uwagę, że modele AI/ML są budowane ze względu na ich zdolność do wychwytywania nieliniowości, tak
zapotrzebowanie na modele segmentowe jest tutaj ograniczone, chyba że istnieją zasadnicze różnice w strukturze danych. Dlatego modele AI/ML są bardziej złożone i powinno być ich mniej.

Innym obszarem zainteresowania w ramach tradycyjnego opracowywania kart wyników jest proces przechodzenia od klasyfikacji dokładnej do zgrubnej. W ten sposób osoba tworząca model stara się skutecznie podzielić ciągłe dane na kilka grup porządkowych, tak aby bazowy współczynnik złych wyników był logiczny
progresji i opiera się na wystarczającej objętości, aby dać wiarygodny wynik. Zaawansowane metodologie w modelach AI/ML eliminują potrzebę klasyfikacji od dokładnej do zgrubnej, ponieważ grupowanie odbywa się za pomocą podstawowej metodologii, generując płynne profile odpowiedzi
zamiast stopniowych zmian postrzeganych jako przekroczenie granic atrybutów karty wyników. Co więcej, wiele procedur szkoleniowych zawiera obecnie opcję dodawania ograniczeń, aby zapewnić, że funkcje mają logiczny wpływ na przewidywania modelu.

Ponieważ w nadchodzących latach fala rozwoju modeli AI/ML będzie narastać, kluczowe znaczenie będzie miało połączenie głębokiej wiedzy na temat podstawowych danych kredytowych i zaawansowanej metodologii. Chociaż w nowej generacji modeli pojawiają się nowe wyzwania, takie jak niezamierzone stronniczość i możliwość wyjaśnienia,
kwestie historyczne staną się mniej istotne.

Znak czasu:

Więcej z Fintextra