风险模型开发——下一代

在风险管理至关重要的金融服务领域，我们都看到人工智能和机器学习正在迅速改变格局。事实上，最近的一则

英格兰银行和金融行为监管局的调查 （FCA）透露
72% 的英国金融公司已经在使用或开发 AI/ML 应用程序，而且这种趋势正在以惊人的速度加速，
预计未来三年机器学习应用数量中位数将猛增 3.5 倍。这种增长并不令人意外——人工智能/机器学习模型有望从大量数据中释放洞察力，从而为金融组织提供支持
做出更明智、更明智的决策，并增强风险管理策略。 

该调查的结果与我在英国金融服务机构工作中得到的观察结果一致。尽管如此，我发现金融科技和挑战者银行在人工智能/机器学习方法方面的进展更为先进，
与高街银行不同，这些银行可能不会因遗留系统或与其 IRB 状态相关的感知限制而受到实际限制。 

金融科技公司和挑战者银行通常会招募精通技术的数据科学家，他们对一系列可用的替代先进技术有深入的了解。同时，各大银行在经验方面仍占据显着优势
和数据。他们拥有数十年构建信用模型的经验，建立了模型开发标准，并且对底层数据有透彻的了解。  

现在的问题是，支撑传统模型发展的原则是否仍然与新一代人工智能驱动的模型完全相关，而新一代人工智能驱动的模型是以完全不同的数学方式推导的。  

模型开发：传统 VS AI/ML

传统的记分卡开发长期以来坚持细致的样本设计，确保样本窗口期间的申请既稳定又反映了最近收到的提案。这是典型的人口稳定性指数或特征
计算稳定性指数，并对任何超出季节性变化合理预期的模式进行详细调查。这种方法取决于针对特定人群定制开发样本的概念。
供应。组成或分段组合及其特异性被视为模型开发样本适用性的关键因素。

有趣的是，我们经常看到 AI/ML 模型表现出很大程度的交叉学习。当训练样本扩展到包括传统上可能不考虑的其他观察结果时，模型会在这方面表现出更强的性能
直接相关。例如，我们看到在扩展样本窗口上训练的模型与在与独立测试样本对齐的时期上优化的等效模型相比具有优越的性能。使用线性模型这是不可能发生的！

当将相邻的片段或组添加到训练样本中时，可以看到类似的结果。事实上，人工智能/机器学习模型在大型且多样化的数据集上开发时会蓬勃发展。这些现象将对样本设计和排除的选择产生影响
未来的发展模型，有可能改写传统智慧。

类似地，许多信用记分卡开发都纳入了分段，从而为多个子群体中的每一个构建模型（例如，薄文件/厚文件、干净/脏）。这种方法的好处是，通过构建多个模型，一些
可以捕获非线性。当然，分段的选择并不总是显而易见的，也不太可能是最佳的，但是可以实现一些性能提升。鉴于 AI/ML 模型的构建是因为它们能够捕获非线性，因此
这里对分段模型的需求有限，除非数据结构存在根本差异。因此，AI/ML 模型更加复杂，需要的模型也更少。

传统记分卡开发的另一个重点领域是从精细分类转向粗略分类的过程。因此，建模者寻求有效地将连续数据划分为几个有序组，以便潜在的不良率显示出逻辑
进展并基于足够的体积以给出可靠的结果。 AI/ML 模型中的先进方法消除了从精细到粗略分类的需要，因为分组是通过基础方法实现的，从而生成平滑的响应配置文件
而不是被视为跨越记分卡属性边界的阶跃变化。此外，许多训练例程现在都包含添加约束的选项，以确保特征对模型预测产生逻辑影响。

随着未来几年人工智能/机器学习模型开发浪潮的兴起，对基础信用数据的深入了解和先进方法的融合是关键。虽然新一代模型出现了新的挑战，例如意外偏差和可解释性，
历史问题将变得不那么重要。

• SEO 支持的内容和 PR 分发。 今天得到放大。
• PlatoData.Network 垂直生成人工智能。 赋予自己力量。 访问这里。
• 柏拉图爱流。 Web3 智能。 知识放大。 访问这里。
• 柏拉图ESG。 碳， 清洁科技, 能源， 环境， 太阳能， 废物管理。 访问这里。
• 柏拉图健康。 生物技术和临床试验情报。 访问这里。
• Sumber: https://www.finextra.com/blogposting/25517/risk-model-development–the-next-generation?utm_medium=rssfinextra&utm_source=finextrablogs