Risk Modeli Geliştirme – Yeni Nesil

Risk yönetiminin çok önemli olduğu finansal hizmetler dünyasında yapay zeka ve makine öğreniminin ortamı hızla dönüştürdüğünü hepimiz gördük. Aslında yakın zamanda gerçekleşen bir

Bank of England ve Financial Conduct Authority tarafından yapılan anket (FCA) şunu açıkladı:
Birleşik Krallık'taki finans firmalarının %72'si hâlihazırda AI/ML uygulamalarını kullanıyor veya geliştiriyorve bu eğilim şaşırtıcı bir hızla hızlanıyor
Gelecek üç yılda makine öğrenimi başvurularının ortalama sayısının 3.5 kat artması bekleniyor. Bu büyüme şaşırtıcı değil; AI/ML modelleri, büyük miktardaki verilerden içgörülerin kilidini açma ve finansal kuruluşların
daha akıllı, daha bilinçli kararlar almak ve risk yönetimi stratejilerini geliştirmek. 

Anketin bulguları, Birleşik Krallık'taki finansal hizmet kurumlarıyla yaptığım çalışmalar sırasında yaptığım gözlemlerle tutarlıdır. Bununla birlikte, Fintech ve Challenger Banks'ta AI/ML metodolojilerine yönelik ilerlemenin daha ileri seviyede olduğunu buldum:
High Street Bankalarının aksine, eski sistemlerden veya IRB statüleriyle ilgili algılanan sınırlamalardan dolayı gerçek sınırlamalardan etkilenmeyebilir. 

Fintech'ler ve Challenger Bankaları, genellikle mevcut alternatif ileri teknikler dizisi hakkında derin anlayışa sahip, teknoloji meraklısı veri bilimcilerini işe aldı. Bu arada, büyük bankalar deneyim açısından hâlâ önemli bir avantaja sahip
ve veriler. Kredi modelleri oluşturma konusunda onlarca yıllık deneyime sahipler, model geliştirme standartları oluşturmuşlar ve temeldeki verileri kapsamlı bir şekilde anlıyorlar.  

Şimdi sorulması gereken soru, geleneksel modellerin gelişimini destekleyen ilkelerin, matematiksel olarak tamamen farklı bir şekilde türetilen yeni nesil yapay zeka destekli modellerle tamamen alakalı olup olmadığıdır.  

Model Geliştirme: Geleneksel VS AI/ML

Geleneksel puan kartı geliştirmede uzun süredir titiz örnek tasarımına bağlı kalınarak örnek pencere sırasındaki uygulamaların hem istikrarlı hem de en son alınan teklifleri yansıtması sağlanmıştır. Nüfus İstikrar Endeksleri veya Özellikleri için tipiktir
Stabilite Endeksleri hesaplanacak ve mevsimsel değişime ilişkin makul beklentilerin ötesine geçen her türlü modelin ayrıntılı bir araştırması için. Bu yaklaşım, belirli bir popülasyona göre uyarlanmış ısmarlama bir geliştirme örneği kavramına dayanmaktadır.
hizmet vermektedir. Bileşim veya bölümsel karışım ve bunun özgüllüğü, model geliştirme örneğinin uygunluğunda anahtar faktör olarak görülmektedir.

İlginç bir şekilde, AI/ML modellerinin önemli derecede çapraz öğrenme sergilediğini sıklıkla görüyoruz. Bu, eğitim örneği geleneksel olarak dikkate alınmayacak ek gözlemleri içerecek şekilde genişletildiğinde modellerin daha güçlü performans gösterdiği yerdir.
doğrudan alakalı. Örneğin, genişletilmiş bir örnek penceresinde eğitilen modellerin, bağımsız test örneğine göre hizalanan bir dönemde optimize edilmiş eşdeğer modellere kıyasla üstün performans gösterdiğini görüyoruz. Bunun doğrusal modeller kullanılarak gerçekleşmesi pek olası değildir!

Eğitim örneklerine bitişik segmentler veya gruplar eklendiğinde de benzer bulgular görülebilir. Aslında AI/ML modelleri, büyük ve çeşitli veri kümeleri üzerinde geliştirildiğinde başarılı olur. Bu olayların örneklem tasarımı ve kapsam dışında bırakılacakların seçimi üzerinde etkileri olacaktır.
geleceğin model gelişimleri, potansiyel olarak geleneksel bilgeliği yeniden yazıyor.

Benzer şekilde, pek çok kredi puan kartı geliştirmesi, bir dizi alt popülasyonun (örn. İnce Dosya / Kalın Dosya, Temiz / Kirli) her biri için bir modelin oluşturulduğu bölümlendirmeyi bünyesine katmıştır. Bu yaklaşımın faydası, birden fazla model oluşturarak bazılarının
doğrusal olmama durumu yakalanabilir. Elbette, segmentasyon seçimi her zaman açık değildir ve optimal olması pek mümkün değildir, ancak bazı performans artışları elde edilir. AI/ML modellerinin doğrusal olmayan durumu yakalama yetenekleri nedeniyle oluşturulduğu göz önüne alındığında,
Veri yapısında temel farklılıklar olmadığı sürece burada bölümlenmiş modellere olan ihtiyaç sınırlıdır. Bu nedenle AI/ML modelleri daha karmaşıktır ve daha az sayıda modele ihtiyaç duyulmalıdır.

Geleneksel puan kartı geliştirmede odaklanılan bir diğer alan, ince sınıflandırmadan kaba sınıflandırmaya geçiş sürecidir. Burada modelleyici, sürekli verileri etkili bir şekilde çeşitli sıralı gruplara ayırmayı ve böylece altta yatan kötü oranın mantıksal bir oran göstermesini sağlamayı amaçlamaktadır.
ilerleme ve güvenilir bir sonuç vermek için yeterli hacme dayanmaktadır. AI/ML modellerindeki gelişmiş metodolojiler, gruplandırmanın temel metodoloji tarafından gerçekleştirilmesi ve sorunsuz yanıt profilleri oluşturulması nedeniyle inceden kabaya sınıflandırma ihtiyacını ortadan kaldırır.
puan kartı öznitelik sınırlarının aşılması olarak görülen adım değişiklikleri yerine. Ayrıca, birçok eğitim rutini artık özelliklerin model tahminleri üzerinde mantıksal bir etkiye sahip olmasını sağlamak için kısıtlamalar ekleme seçeneğini içermektedir.

Önümüzdeki yıllarda AI/ML modeli geliştirme dalgası hızlandıkça, temel kredi verilerine ilişkin derin bilgi ile gelişmiş metodolojinin birleştirilmesi çok önemli. Bu yeni nesil modellerde istenmeyen önyargı ve açıklanabilirlik gibi yeni zorluklar ortaya çıkarken,
tarihsel kaygılar daha az alakalı hale gelecektir.

• SEO Destekli İçerik ve Halkla İlişkiler Dağıtımı. Bugün Gücünüzü Artırın.
• PlatoData.Network Dikey Üretken Yapay Zeka. Kendine güç ver. Buradan Erişin.
• PlatoAiStream. Web3 Zekası. Bilgi Genişletildi. Buradan Erişin.
• PlatoESG. karbon, temiz teknoloji, Enerji, Çevre, Güneş, Atık Yönetimi. Buradan Erişin.
• PlatoSağlık. Biyoteknoloji ve Klinik Araştırmalar Zekası. Buradan Erişin.
• Kaynak: https://www.finextra.com/blogposting/25517/risk-model-development–the-next-generation?utm_medium=rssfinextra&utm_source=finextrablogs