Razvoj modela tveganja – naslednja generacija

Ponovno objavil Platon

Spremljevalci: 0

V svetu finančnih storitev, kjer je obvladovanje tveganj najpomembnejše, smo vsi videli, kako umetna inteligenca in strojno učenje hitro spreminjata krajino. Pravzaprav nedavna

raziskava Bank of England in Financial Conduct Authority (FCA) je razkril, da
72 % finančnih podjetij v Združenem kraljestvu že uporablja ali razvija aplikacije AI/ML, in ta trend se pospešuje z osupljivo hitrostjo, z
povprečno število aplikacij ML naj bi v naslednjih treh letih skokovito naraslo za 3.5-krat. Ta rast ni presenetljiva – modeli AI/ML obljubljajo odklepanje vpogledov iz ogromnih količin podatkov, kar finančnim organizacijam omogoča
sprejemati pametnejše odločitve na podlagi informacij in izboljšati svoje strategije obvladovanja tveganj.

Ugotovitve raziskave so skladne z opažanji, ki sem jih pridobil med delom z institucijami za finančne storitve Združenega kraljestva. Čeprav sem ugotovil, da je napredovanje k metodologijam umetne inteligence/ML bolj napredno v bankah Fintech in Challenger Banks,
za razliko od High Street Banks morda ne bodo trpele zaradi dejanskih omejitev zaradi podedovanih sistemov ali zaznanih omejitev v zvezi z njihovim statusom IRB.

Fintechs in Challenger Banks običajno zaposlujejo tehnično podkovane podatkovne znanstvenike z globokim razumevanjem nabora alternativnih naprednih tehnik, ki so na voljo. Večje banke imajo medtem še vedno veliko prednost glede izkušenj
in podatkov. Imajo desetletja izkušenj pri gradnji kreditnih modelov, vzpostavili so standarde za razvoj modelov in temeljito razumejo temeljne podatke.

Zdaj se postavlja vprašanje, ali načela, ki podpirajo razvoj tradicionalnih modelov, ostajajo povsem pomembna za novo generacijo modelov, ki jih poganja AI, ki so matematično izpeljani na popolnoma drugačen način.

Razvoj modela: Tradicionalni VS AI/ML

Tradicionalni razvoj kazalnikov se že dolgo drži natančnega vzorčnega načrtovanja, ki zagotavlja, da so aplikacije med vzorčnim oknom stabilne in odražajo nazadnje prejete predloge. Značilen je za indekse ali značilnosti populacijske stabilnosti
Indeksi stabilnosti, ki jih je treba izračunati, in za podrobno preiskavo kakršnih koli vzorcev, ki presegajo razumna pričakovanja sezonskih nihanj. Ta pristop je odvisen od pojma razvojnega vzorca po meri, ki je prilagojen specifični populaciji
služi. Sestava ali segmentna mešanica in njena specifičnost se štejeta za ključni dejavnik pri primernosti vzorca razvoja modela.

Zanimivo je, da pogosto vidimo, da modeli AI/ML kažejo znatno stopnjo navzkrižnega učenja. Tukaj modeli pokažejo močnejšo zmogljivost, ko je vzorec usposabljanja razširjen tako, da vključuje dodatna opažanja, ki se običajno ne upoštevajo
neposredno relevantni. Vidimo na primer vrhunsko zmogljivost modelov, urjenih v oknu razširjenega vzorca, v primerjavi z enakovrednimi modeli, optimiziranimi v obdobju, ki se preprosto uskladi z neodvisnim testnim vzorcem. Pri linearnih modelih se to verjetno ne bo zgodilo!

Podobne ugotovitve lahko opazimo, ko vzorcem usposabljanja dodamo sosednje segmente ali skupine. Modeli AI/ML dejansko uspevajo, če so razviti na podlagi velikih in raznolikih nizov podatkov. Ti pojavi bodo imeli posledice za oblikovanje vzorca in izbiro izključitev v njem
model razvoja prihodnosti, ki bi lahko prepisal konvencionalno modrost.

Podobno je veliko razvojnih kartic kreditnih kazalnikov vključevalo segmentacijo, pri čemer je model zgrajen za vsako od številnih podpopulacij (npr. tanka datoteka / debela datoteka, čisto / umazano). Prednost tega pristopa je, da z izgradnjo več modelov nekateri
nelinearnost je mogoče zajeti. Seveda izbira segmentacije ni vedno očitna in verjetno ne bo optimalna, kljub temu pa so doseženi nekateri dvigi uspešnosti. Glede na to, da so modeli AI/ML zgrajeni zaradi svoje sposobnosti zajemanja nelinearnosti, tam
tukaj je omejena potreba po segmentiranih modelih, razen če obstajajo temeljne razlike v strukturi podatkov. Zato so modeli AI/ML bolj zapleteni, potrebno jih je manj.

Drugo področje, na katerega se osredotočamo pri razvoju tradicionalnih kazalnikov, je proces prehoda od natančnega k grobemu razvrščanju. S tem poskuša modelar učinkovito razdeliti neprekinjene podatke v več ordinalnih skupin, tako da osnovna slaba stopnja kaže logično
napredovanja in temelji na zadostnem obsegu, da zagotovi zanesljiv rezultat. Napredne metodologije znotraj modelov AI/ML odpravljajo potrebo po razvrščanju od finega do grobega, saj je združevanje doseženo z osnovno metodologijo, ki ustvarja gladke profile odziva.
namesto postopnih sprememb, ki se vidijo kot prekoračitve meja atributov kartice kazalnikov. Poleg tega številne rutine usposabljanja zdaj vključujejo možnost dodajanja omejitev za zagotovitev, da imajo funkcije logičen vpliv na napovedi modela.

Ker se val razvoja modelov AI/ML v prihodnjih letih močno poveča, je ključnega pomena zlitje globokega znanja osnovnih kreditnih podatkov in napredne metodologije. Medtem ko se v tej novi generaciji modelov pojavljajo novi izzivi, kot sta nenamerna pristranskost in razložljivost,
zgodovinski pomisleki bodo postali manj pomembni.