SAS：风险建模的未来：排除下一代风险建模中的风险-从数据到决策（12页）.PDF

1、标题白皮书风险建模的未来排除下一代风险建模中的风险从数据到决策ii目录数字时代的风险建模.1您将如何去除风险建模中的风险？.3为了您银行的未来，做出明智的技术选择.4SAS：为企业交付开放、敏捷的风险建模平台.5证明价值.8操作化分析：中型银行的智能信用风险决策.8为大型银行加速模型开发和生命周期部署.9为获监管审批和便于使用，赋予神经网络可解释性.10了解更多.10数字时代的风险建模同其他行业的公司类似，目前银行正在两方面进行数字转型：通过自动化实现效率的阶梯式提升；充分利用数据获得竞争优势。例如，各个公司正通过实现一般流程自动化来提高效率，并充分利用大数据的新鲜资源挖掘新洞察，积极创新，令

2、业务脱颖而出。目前，风险建模是银行业的主流，在接下来的几年里，它必将变得更普遍、更复杂，并创造海量的机会。面对不断增长的市场需求和监管压力，银行需要采用更为复杂、透明的风险建模实践，同时还需要满足需求，进行大规模及最细粒度分析的风险计算。与此同时，人工智能(AI)和机器学习(ML)为新型风险模型赋能，为提高准确度和效率提供了汹涌的转型潜力，帮助银行主动检测压力信号。例如，风险建模的创新有潜力实现以下事项：为考虑风险级别和智能资本金分配的高度定制化客户服务提供自动化交付。加速形成风险洞察，在制定实时决策时（例如交易前的风险评估），评估风险影响。通过提升算法（例如，通过将现有模型同 AI 和 ML

3、 赋能的模型和审核模型相比较），让模型更准确。持续学习数据，反映最新客户和市场动态。揭示隐藏在数据背后的复杂关系，做出更好的预测和风险优化。这些优点不是噱头。创新风险模型能为业务赋予强大的能力和海量的机会。然而，正如这篇文章中探讨的那样：能力越大，责任越大。这句话不仅适用于您的业务，同时还适用于监管机构和客户。正如下面这些问题揭示的那样，使用和拓展新一代风险模型，尤其是 AI 和 ML 赋能的模型，是一个复杂的问题，其中既有绝佳的机会，同时还蕴藏着巨大的风险。世界各地的监管机构还在遭受上次全球金融危机的影响，他们了解依赖复杂模型带来的巨大风险。因此，如果您的银行部署复杂、互联的风险模型，您将会

4、面临全世界的密集监管，并将需要满足模型可解释性、准确性、数据保护、伦理行为、客户处理等方面的期望。12您的建模部署、决策系统与流程能否胜任这一任务？为了评估您当前风险建模方案的风险，请回答下列问题：您是否信任用于模型训练的数据质量?模型中运行的数据是否确实适用于该模型？您是否能集中并清理数据，需要数据的人是否能够随时访问正确的数据？您是否可以有效监管您的数据，让数据完全可追溯，使监管机构可以验证数据使用符合规定？对于业务和监管机构来说，您的模型是否具备可解释性和解释能力？您是否拥有人才和工具，可以有效构建并管理不断增长的模型主体？您是否能够将复杂模型拓展为成千个，同时保证合规性并避免模型生态系

5、统不断增长过程中的传染风险？在训练数据过期或业务需要消失前，您是否可以快速（甚至在一天内）开发并部署模型？您是否可以使用最新开源工具对模型进行开发，同时对知识资本维持控制并保证模型可理解并且可审计？您是否可以赋予您的风险模型从任意源头（包括传统和非传统数据源）提取数据的能力？您是否可以有信心地验证，模型不会无意中使用受保护特征（例如种族、性别和其他数据）从而导致结果偏见？您是否可以将模型插入整个企业的决策流中，实现自动化决策，并持续了解模型的使用位置、掌握模型退化时间、并在模型退化和做出错误决策前升级模型？您当前的模型开发和管理流程是否能应对新型风险的出现，例如模型传染及网络风险？正如这些问题

6、所揭示的那样，随着传统和创新风险模型的广泛部署，您将遭受挑战：在赋能新型模型进行快速开发和部署、安全拓展模型激增并充分发挥模型潜力的过程中，您需要了解如何去除风险建模中的风险。3您将如何去除风险建模中的风险？要想达到这个目的，需要的不仅仅是传统意义上零散的捆绑式模型开发和管理工具，以及从不同业务线使用的“可信来源”中借来的 IP（查看工具栏，“传统方法和风险”）。历史一再证明，即使是最顶尖的技术，如此零散的活动和东拼西凑的 IT 资源将忽视模型开发和流程中重要的步骤和细节。原因是什么？是因为他们无法提供真正的端到端流程，像高效、集成的平台那样运作。这样的集成平台能提供：选择，通过灵活数据访问和