文件名称：信用风险中的机器学习：衡量预测和监管成本之间的困境-研究论文
文件大小：475KB
文件格式：PDF
更新时间：2024-06-29 08:44:31
artificial intelligence machine
新报告显示，金融部门越来越多地采用机器学习 (ML) 工具来管理信用风险。 在这种环境下，监管者面临的挑战是让信贷机构从技术进步和金融创新中受益，同时确保与监管要求的兼容性和遵守技术中立性。 我们为监管者提出了一个新框架来衡量评估 ML 模型的成本和收益，旨在更多地了解这项技术与法规的一致性。 我们遵循三个步骤。 首先，我们通过查阅文献来确定好处。 我们观察到，与传统统计模型相比，ML 在默认分类中提供高达 20% 的预测收益。 其次，我们使用验证基于内部评级 (IRB) 的监管资本系统的过程来检测 ML 在信用风险管理中的局限性。 我们确定了多达 13 个可能构成监管成本的因素。 最后，我们提出了一种评估这些成本的方法。 出于说明目的，我们通过使用公共信用违约数据库估计六个 ML 模型的预测收益来计算收益。 然后，我们通过记分卡计算监管成本函数，根据金融机构使用模型的方式和监管者的风险承受能力，我们为每个 ML 模型的每个因素分配权重。 从监管的角度来看，拥有评估 ML 模型的结构化方法可以提高透明度并消除金融业创新的障碍。