Dezvoltarea modelului de risc – generația următoare

Republicat de Platon

Urmaritori: 0

În lumea serviciilor financiare în care gestionarea riscurilor este primordială, cu toții am văzut inteligența artificială și învățarea automată transformând rapid peisajul. De fapt, un recent

sondaj realizat de Banca Angliei și Autoritatea de Conduită Financiară (FCA) a dezvăluit că
72% dintre firmele financiare din Marea Britanie folosesc sau dezvoltă deja aplicații AI/ML, iar această tendință se accelerează într-un ritm uluitor, cu
numărul mediu de aplicații ML estimat să crească vertiginos de 3.5 ori în următorii trei ani. Această creștere nu este surprinzătoare – modelele AI/ML dețin promisiunea de a debloca informații din cantități mari de date, permițând organizațiilor financiare
pentru a lua decizii mai inteligente și mai informate și pentru a-și îmbunătăți strategiile de gestionare a riscurilor.

Constatările sondajului sunt în concordanță cu observațiile pe care le-am făcut prin munca mea cu instituțiile de servicii financiare din Marea Britanie. Deși, am constatat că progresul către metodologiile AI/ML este mai avansată în Fintech și Challenger Banks, care,
spre deosebire de High Street Banks, este posibil să nu sufere de limitări reale din cauza sistemelor vechi sau a limitărilor percepute legate de statutul lor IRB.

Fintech-urile și Challenger Banks au recrutat de obicei oameni de știință în domeniul tehnologiei, cu o înțelegere profundă a gamei de tehnici avansate alternative disponibile. Între timp, băncile importante dețin încă un avantaj semnificativ în ceea ce privește experiența
și date. Au zeci de ani de experiență în construirea modelelor de credit, au stabilit standarde de dezvoltare a modelelor și au o înțelegere aprofundată a datelor de bază.

Întrebarea este acum dacă principiile care stau la baza dezvoltării modelelor tradiționale rămân pe deplin relevante pentru noua generație de modele bazate pe inteligență artificială, care sunt derivate matematic într-un mod complet diferit.

Dezvoltare model: tradițional VS AI/ML

Dezvoltarea tradițională a tabloului de bord a aderat de mult timp la proiectarea meticuloasă a eșantionului, asigurând că aplicațiile din timpul ferestrei de eșantionare sunt atât stabile, cât și reflectă propunerile primite cel mai recent. Este tipic pentru indici sau caracteristici de stabilitate a populației
Indici de stabilitate care urmează să fie calculați și pentru o investigare detaliată a oricăror modele care se extind dincolo de așteptările rezonabile de variație sezonieră. Această abordare se bazează pe noțiunea unui eșantion de dezvoltare personalizat, adaptat populației specifice
servește. Compoziția sau amestecul segmentar și specificul acestuia sunt văzute ca un factor cheie în adecvarea eșantionului de dezvoltare a modelului.

În mod interesant, vedem adesea că modelele AI/ML prezintă un grad semnificativ de învățare încrucișată. Aici modelele afișează performanțe mai puternice atunci când eșantionul de antrenament este extins pentru a include observații suplimentare care ar putea să nu fie luate în considerare în mod tradițional
direct relevante. De exemplu, vedem performanțe superioare de la modelele antrenate pe o fereastră de eșantionare extinsă față de modele echivalente optimizate pe o perioadă care pur și simplu se aliniază la eșantionul de testare independent. Acest lucru este puțin probabil să se întâmple folosind modele liniare!

Descoperiri similare pot fi observate atunci când segmentele sau grupurile adiacente sunt adăugate la mostrele de antrenament. Într-adevăr, modelele AI/ML prosperă atunci când sunt dezvoltate pe seturi de date mari și diverse. Aceste fenomene vor avea implicații pentru proiectarea eșantionului și alegerea excluderilor în interior
evoluții model ale viitorului, potențial rescrierea înțelepciunii convenționale.

În mod similar, multe dezvoltări de carduri de credit au încorporat segmentarea, prin care se construiește un model pentru fiecare dintre o serie de subpopulații (de exemplu, fișier subțire / fișier gros, curat / murdar). Avantajul acestei abordări este că, prin construirea mai multor modele, unele
neliniaritatea poate fi surprinsă. Desigur, alegerea segmentării nu este întotdeauna evidentă și este puțin probabil să fie optimă, totuși se obțin unele creșteri ale performanței. Având în vedere că modelele AI/ML sunt construite datorită capacității lor de a capta neliniaritatea, acolo
este o nevoie limitată de modele segmentate aici, cu excepția cazului în care există diferențe fundamentale în structura datelor. Prin urmare, modelele AI/ML sunt mai complexe, ar trebui să fie necesare mai puține dintre ele.

Un alt domeniu de atenție în cadrul dezvoltării tradiționale de scorecard este procesul de trecere de la clasificarea fină la cea grosieră. Prin aceasta, modelatorul caută să împartă în mod eficient datele continue în mai multe grupuri ordinale, astfel încât rata subiacentă să prezinte o valoare logică.
progresie și se bazează pe volum suficient pentru a da un rezultat fiabil. Metodologiile avansate din modelele AI/ML elimină necesitatea clasării de la fin la grosier, deoarece gruparea este realizată prin metodologia de bază, generând profiluri de răspuns netede
sunt depășite mai degrabă decât schimbările de etape văzute ca granițe ale atributelor scorecard. În plus, multe rutine de antrenament includ acum opțiunea de a adăuga constrângeri pentru a se asigura că caracteristicile au un impact logic asupra predicțiilor modelului.

Pe măsură ce valul de dezvoltare a modelelor AI/ML crește în următorii ani, o fuziune a cunoștințelor profunde a datelor de credit subiacente și a metodologiei avansate este esențială. În timp ce noi provocări apar în această nouă generație de modele, cum ar fi părtinirea neintenționată și explicabilitatea,
preocupările istorice vor deveni mai puțin relevante.