In der Welt der Finanzdienstleistungen, in der das Risikomanagement von größter Bedeutung ist, haben wir alle gesehen, wie künstliche Intelligenz und maschinelles Lernen die Landschaft schnell verändern. Tatsächlich ein aktuelles

Umfrage der Bank of England und der Financial Conduct Authority (FCA) gab das bekannt
72 % der britischen Finanzunternehmen nutzen oder entwickeln bereits KI/ML-Anwendungen, und dieser Trend beschleunigt sich mit erstaunlicher Geschwindigkeit
Die durchschnittliche Zahl der ML-Anwendungen wird in den nächsten drei Jahren voraussichtlich um das 3.5-fache ansteigen. Dieses Wachstum ist nicht überraschend – KI/ML-Modelle versprechen, Erkenntnisse aus riesigen Datenmengen zu gewinnen und es Finanzorganisationen zu ermöglichen, intelligentere und fundiertere Entscheidungen zu treffen und ihre Risikomanagementstrategien zu verbessern. 

Die Ergebnisse der Umfrage stimmen mit Beobachtungen überein, die ich im Rahmen meiner Arbeit mit britischen Finanzdienstleistungsinstituten gemacht habe. Allerdings habe ich festgestellt, dass der Fortschritt in Richtung KI/ML-Methoden bei Fintech- und Challenger-Banken weiter fortgeschritten ist, die im Gegensatz zu den High Street Banks möglicherweise nicht unter tatsächlichen Einschränkungen aufgrund von Altsystemen oder vermeintlichen Einschränkungen im Zusammenhang mit ihrem IRB-Status leiden. 

Fintechs und Challenger-Banken haben in der Regel technisch versierte Datenwissenschaftler eingestellt, die über umfassende Kenntnisse der verfügbaren alternativen fortschrittlichen Techniken verfügen. Unterdessen verfügen die Großbanken immer noch über einen erheblichen Erfahrungs- und Datenvorsprung. Sie verfügen über jahrzehntelange Erfahrung in der Erstellung von Kreditmodellen, haben Standards für die Modellentwicklung etabliert und verfügen über ein umfassendes Verständnis der zugrunde liegenden Daten.  

Die Frage ist nun, ob die Prinzipien, die der Entwicklung traditioneller Modelle zugrunde liegen, auch für die neue Generation KI-gestützter Modelle, die mathematisch auf völlig andere Weise abgeleitet werden, vollständig relevant bleiben.  

Modellentwicklung: Traditionell vs. KI/ML

Bei der traditionellen Entwicklung von Scorecards wird seit langem auf ein sorgfältiges Stichprobendesign geachtet, um sicherzustellen, dass die Anträge während des Stichprobenfensters sowohl stabil sind als auch die zuletzt eingegangenen Vorschläge widerspiegeln. Es ist typisch für die Berechnung von Bevölkerungsstabilitätsindizes oder Merkmalsstabilitätsindizes und für eine detaillierte Untersuchung aller Muster, die über die vernünftigen Erwartungen saisonaler Schwankungen hinausgehen. Dieser Ansatz basiert auf der Idee einer maßgeschneiderten Entwicklungsstichprobe, die auf die spezifische Bevölkerungsgruppe zugeschnitten ist, der sie dient. Die Zusammensetzung bzw. Segmentmischung und deren Spezifität wird als Schlüsselfaktor für die Eignung der Modellentwicklungsstichprobe angesehen.

Interessanterweise sehen wir oft, dass KI/ML-Modelle einen erheblichen Grad an Cross-Learning aufweisen. Hier zeigen Modelle eine bessere Leistung, wenn die Trainingsstichprobe um zusätzliche Beobachtungen erweitert wird, die traditionell möglicherweise nicht als direkt relevant angesehen werden. Wir sehen beispielsweise eine überlegene Leistung von Modellen, die in einem erweiterten Stichprobenfenster trainiert wurden, im Vergleich zu äquivalenten Modellen, die in einem Zeitraum optimiert wurden, der einfach an der unabhängigen Teststichprobe ausgerichtet ist. Dies ist bei Verwendung linearer Modelle unwahrscheinlich!

Ähnliche Ergebnisse können beobachtet werden, wenn benachbarte Segmente oder Gruppen zu den Trainingsbeispielen hinzugefügt werden. Tatsächlich gedeihen KI/ML-Modelle, wenn sie auf der Grundlage großer und vielfältiger Datensätze entwickelt werden. Diese Phänomene werden Auswirkungen auf das Stichprobendesign und die Auswahl von Ausschlüssen in Modellentwicklungen der Zukunft haben und möglicherweise die herkömmliche Meinung neu definieren.

In ähnlicher Weise haben viele Entwicklungen im Bereich Kredit-Scorecards eine Segmentierung integriert, bei der ein Modell für jede einer Reihe von Teilpopulationen erstellt wird (z. B. Thin File/Thick File, Clean/Dirty). Der Vorteil dieses Ansatzes besteht darin, dass durch die Erstellung mehrerer Modelle ein gewisser Teil der Nichtlinearität erfasst werden kann. Natürlich ist die Wahl der Segmentierung nicht immer offensichtlich und wahrscheinlich nicht optimal, es werden jedoch einige Leistungssteigerungen erzielt. Da KI/ML-Modelle aufgrund ihrer Fähigkeit zur Erfassung von Nichtlinearitäten erstellt werden, besteht hier nur ein begrenzter Bedarf an segmentierten Modellen, es sei denn, es bestehen grundlegende Unterschiede in der Datenstruktur. Daher sind KI/ML-Modelle komplexer und es sollten weniger davon erforderlich sein.

Ein weiterer Schwerpunkt der traditionellen Scorecard-Entwicklung ist der Übergang von der Fein- zur Grobklassifizierung. Dabei versucht der Modellierer, kontinuierliche Daten effektiv in mehrere Ordinalgruppen zu unterteilen, sodass die zugrunde liegende Schlechtrate einen logischen Verlauf zeigt und auf einem ausreichenden Volumen basiert, um ein zuverlässiges Ergebnis zu liefern. Fortschrittliche Methoden in KI/ML-Modellen machen eine feine bis grobe Klassifizierung überflüssig, da die Gruppierung durch die zugrunde liegende Methodik erreicht wird und glatte Antwortprofile statt der schrittweisen Änderungen erzeugt werden, die beim Überschreiten der Scorecard-Attributgrenzen auftreten. Darüber hinaus bieten viele Trainingsroutinen jetzt die Möglichkeit, Einschränkungen hinzuzufügen, um sicherzustellen, dass Features einen logischen Einfluss auf die Modellvorhersagen haben.

Da die Welle der Entwicklung von KI/ML-Modellen in den kommenden Jahren ansteigt, ist eine Kombination aus fundiertem Wissen über die zugrunde liegenden Kreditdaten und fortschrittlicher Methodik von entscheidender Bedeutung. Während in dieser neuen Generation von Modellen neue Herausforderungen entstehen, wie etwa unbeabsichtigte Voreingenommenheit und Erklärbarkeit, werden historische Bedenken an Bedeutung verlieren.

• SEO-gestützte Content- und PR-Distribution. Holen Sie sich noch heute Verstärkung.
• PlatoData.Network Vertikale generative KI. Motiviere dich selbst. Hier zugreifen.
• PlatoAiStream. Web3-Intelligenz. Wissen verstärkt. Hier zugreifen.
• PlatoESG. Kohlenstoff, CleanTech, Energie, Umwelt, Solar, Abfallwirtschaft. Hier zugreifen.
• PlatoHealth. Informationen zu Biotechnologie und klinischen Studien. Hier zugreifen.
• Quelle: https://www.finextra.com/blogposting/25517/risk-model-development–the-next-generation?utm_medium=rssfinextra&utm_source=finextrablogs