Разработка модели риска – следующее поколение

В мире финансовых услуг, где управление рисками имеет первостепенное значение, мы все видели, как искусственный интеллект и машинное обучение быстро меняют ситуацию. Фактически, недавнее

опрос Банка Англии и Управления финансового надзора (FCA) показало, что
72% финансовых компаний Великобритании уже используют или разрабатывают приложения AI/ML., и эта тенденция ускоряется с поразительной скоростью:
медианное количество приложений МО, по прогнозам, вырастет в 3.5 раза в ближайшие три года. Такой рост неудивителен: модели искусственного интеллекта и машинного обучения обещают раскрыть суть огромных объемов данных, что позволит финансовым организациям
принимать более разумные и обоснованные решения и совершенствовать свои стратегии управления рисками. 

Результаты опроса согласуются с наблюдениями, которые я сделал во время работы с британскими финансовыми учреждениями. Хотя я обнаружил, что прогресс в области методологий искусственного интеллекта и машинного обучения более развит в банках Fintech и Challenger, что
в отличие от банков Хай-стрит, они могут не страдать от реальных ограничений из-за устаревших систем или предполагаемых ограничений, связанных с их статусом IRB. 

Финтех-банки и банки-претенденты обычно нанимают технически подкованных специалистов по обработке данных, обладающих глубоким пониманием множества доступных альтернативных передовых методов. Между тем, крупные банки по-прежнему имеют значительное преимущество с точки зрения опыта.
и данные. Они имеют многолетний опыт построения кредитных моделей, установили стандарты разработки моделей и глубоко понимают лежащие в их основе данные.  

Вопрос теперь в том, останутся ли принципы, лежащие в основе разработки традиционных моделей, полностью актуальными для нового поколения моделей на базе ИИ, которые математически выводятся совершенно другим способом.  

Разработка модели: Традиционная VS AI/ML

Традиционная разработка системы показателей уже давно придерживается тщательного планирования выборки, гарантируя, что заявки в период выборки будут стабильными и отражают последние полученные предложения. Это типично для индексов или характеристик стабильности населения.
Индексы стабильности подлежат расчету и детальному исследованию любых закономерностей, выходящих за рамки разумных ожиданий сезонных колебаний. Этот подход основан на идее индивидуальной выборки разработки, адаптированной к конкретной группе населения.
служит. Состав или сегментная смесь и ее специфика рассматриваются как ключевой фактор пригодности выборки для разработки модели.

Интересно, что мы часто видим, что модели AI/ML демонстрируют значительную степень перекрестного обучения. Именно здесь модели демонстрируют более высокую производительность, когда обучающая выборка расширяется за счет дополнительных наблюдений, которые традиционно не учитываются.
имеет прямое отношение. Например, мы видим превосходную производительность моделей, обученных на расширенном окне выборки, по сравнению с эквивалентными моделями, оптимизированными на периоде, который просто соответствует независимой тестовой выборке. Это вряд ли произойдет при использовании линейных моделей!

Аналогичные результаты можно увидеть, когда к обучающим выборкам добавляются соседние сегменты или группы. Действительно, модели AI/ML процветают, когда разрабатываются на основе больших и разнообразных наборов данных. Эти явления будут иметь последствия для структуры выборки и выбора исключений в рамках
модели развития будущего, потенциально переписывающие общепринятые представления.

Аналогичным образом, многие разработки кредитных карточек включают в себя сегментацию, в результате чего модель строится для каждой из нескольких подгрупп (например, Тонкая папка/Толстая папка, Чистая/Грязная). Преимущество этого подхода в том, что при построении нескольких моделей некоторые
нелинейность может быть зафиксирована. Конечно, выбор сегментации не всегда очевиден и вряд ли будет оптимальным, однако некоторый прирост производительности достигается. Учитывая, что модели AI/ML создаются из-за их способности улавливать нелинейность, существует
Потребность в сегментированных моделях здесь ограничена, если только нет фундаментальных различий в структуре данных. Следовательно, модели AI/ML более сложны, их должно требоваться меньше.

Еще одной областью внимания при разработке традиционных систем показателей является процесс перехода от точной классификации к грубой. Таким образом, разработчик модели стремится эффективно разделить непрерывные данные на несколько порядковых групп, чтобы базовый уровень плохих данных отображал логическую закономерность.
прогрессии и основан на достаточном объеме, чтобы дать надежный результат. Передовые методологии в моделях AI/ML устраняют необходимость в точной и грубой классификации, поскольку группировка достигается с помощью базовой методологии, создавая плавные профили отклика.
а не пошаговые изменения, наблюдаемые при пересечении границ атрибутов системы показателей. Более того, многие процедуры обучения теперь включают возможность добавления ограничений, чтобы гарантировать, что функции оказывают логическое влияние на прогнозы модели.

Поскольку в ближайшие годы волна разработки моделей искусственного интеллекта и машинного обучения будет расти, ключевым моментом станет сочетание глубоких знаний основных кредитных данных и передовой методологии. Хотя в этом новом поколении моделей возникают новые проблемы, такие как непреднамеренная предвзятость и объяснимость,
исторические проблемы станут менее актуальными.

• SEO-контент и PR-распределение. Получите усиление сегодня.
• PlatoData.Network Вертикальный генеративный ИИ. Расширьте возможности себя. Доступ здесь.
• ПлатонАйСтрим. Интеллект Web3. Расширение знаний. Доступ здесь.
• ПлатонЭСГ. Углерод, чистые технологии, Энергия, Окружающая среда, Солнечная, Управление отходами. Доступ здесь.
• ПлатонЗдоровье. Биотехнологии и клинические исследования. Доступ здесь.
• Источник: https://www.finextra.com/blogposting/25517/risk-model-development–the-next-generation?utm_medium=rssfinextra&utm_source=finextrablogs