成功的CECL符合自动化机器学习

时间:2019-03-14 21:45:28 阅读:34次

  目前的预期信用损失(CECL)合规标准非常复杂,有许多移动部件。 CECL通过将未来预期亏损纳入资本储备来简化整个行业的信贷损失预期。最终,这将推动整个行业的预期损失估计和资本储备目标的更高可靠性。简而言之,CECL方法旨在捕捉您的投资组合的风险,而当前的会计准则只是捕捉您投资组合中的损失。

<! - more - >

  然而,成功实施CECL合规流程存在许多挑战。在本博客中,我将解释自动化机器学习如何优化您的CECL流程,为您的银行提供竞争优势,以及您的组织如何使用DataRobot有效利用监管变革作为推动切实业务价值的战略机遇。

  

  

使用自动机器学习构建符合CECL的模型

  无论机构选择何种估算预期寿命损失的方法,任何CECL就绪模型和流程都有共同的考虑因素。这些包括有效的数据管理和治理流程,足够的数据粒度(例如,合同生命,细分),合理和可支持的方法,预测,调整以及健全和可靠的文档。让我们深入了解自动化机器学习如何加速您的CECL计划,并帮助您的团队生成更准确的EL预测。

  不同的建模方法通常用于不同类型的贷款或资产以估计预期的信用损失,有时甚至将不同的模型组合在一种资产类型上使用。然而,不同类型的方法在方法和理论复杂性方面也各不相同。有一些简单的方法可用于估算预期损失,例如贴现现金流量(DCF),平均冲销,年份分析或静态池分析方法,但这些方法依赖于过于简单的假设,这大大降低了他们的能力。产生准确的估计并有效预测预期损??失。

  我将关注最复杂的方法之一 - 默认概率(PD),违约损失率(LGD)和违约风险暴露(EAD)方法 - 通常被称为整体预期损失(EL)方法。 EL只是损失频率乘以损失严重性,这意味着EL方法取所有可能损失的值之和,其中每个损失乘以发生损失的概率。

   EL方法很复杂,因为它需要开发和实现PD,LGD和EAD的几个相互依赖的监督机器学习模型。这些模型使用历史贷款级别投资组合数据进行培训,然后用于评估未用于培训的新数据。

  每个模型的目标变量会有所不同:

  •    PD模型将使用二元指标作为其目标,用于识别贷款是否在给定的时间范围内违约。因此,模型将返回给定贷款违约的可能性或概率。


  •    LGD通常按总实际损失除以默认的总潜在风险计算。 LGD模型将预测资产违约时损失的资产份额(1-LGD称为回收率,即资产违约时收回的贷款比例)。


  •    EAD是违约时的总风险敞口,等于固定风险敞口的当前未偿还余额,例如定期贷款。


  •   最终的EL投影是通过计算所有可能损失的值的总和来计算的,其中每个损失乘以发生损失的概率:EL = PD x LGD x EAD。


      估算PD的目标是二元,贷款违约或没有,这意味着应该使用二元分类算法来模拟和估计PD。但是,由于目标变量对于LGD和EAD是连续的,因此应使用回归算法来适当地建模和预测它们的值。但是,在开发EL模型时,实现模型和预处理步骤的可能性无穷无尽。你怎么能确定你决定使用最适合你的投资组合的那个?

      

      更智能的解决方案是战略性地实施技术,通过自动化加速这一过程,这将大大降低计算复杂性,同时提高透明度并支持您的预期损失预测。

      一种方法是让您的建模团队手动测试预处理和建模算法的每个组合。然而,即使这可以手动完成,手动过程也是低效的,不可扩展的,并且容易出现用户错误和偏差,这极大地增加了由不可靠的预测引起的操作风险。更智能的解决方案是战略性地实施技术,通过自动化加速这一过程,这将极大地降低计算复杂性,同时提高透明度并支持您的预期损失预测。

      此外,由于CECL需要在发起时估计预期损失,因此手动过程计算量太大并且要求成功实施和维护。因此,任何成功的CECL流程都必须将技术和自动化整合到流程的各个方面。

      

    自动化是关键

      与现有的贷款和租赁损失准备(ALLL)要求相比,CECL需要更复杂的建模输入,假设,分析和文档,从而可以选择自动化关键组件这个过程对许多机构来说更具吸引力。无论是自动化通过自动化机器学习,通过自动化文档实现文档流程,还是通过灵活,可扩展的部署选项实现生产化流程,都可以提高战略技术投资的价值,同时确保您的CECL流程是可维护和可扩展的。

      自动化和简化的减值流程将通过确保一致的流程驱动方法来降低审计和监管风险,从而消除手动流程带来的“即时更改”。这些流程自动化包括用于预期损失预测和分析的自动化机器学习,数据治理和保证计划自动化以及流程文档自动化。外部审计师将查看管理层在编制预期损失估计时使用的证据和文件,以确保它们基于合理和可支持的预测。

      实施技术以实现必要的合规流程自动化,例如自动化文档,备选基准模型,模型调优,独立模型验证和模型治理,模型反向测试和性能,持续模型性能监控等,将提供令人难以置信的价值对于一个提高效率,降低运营风险和降低成本的机构,从而在整个组织中推动价值。

      图1:使用自动化建立并维持有效的贷款损失减损流程。

      

       DataRobot通过完全自动化从数据摄取到计算和分析的建模过程,以及通过将模型估算提取到总帐(即部署)来简化您的CECL流程。此外,使用DataRobot的自动文档功能可自动记录整个建模过程,因此生成的过程是透明的,并且可由业务轻松解释。这还提供了足够详细的建模过程审计跟踪,满足审计和监管要求。

      通过利用行业领先的自动化,DataRobot使银行能够准确,快速地预测发起时的预期寿命损失,同时还提供模型及其预测的透明度,以确保您的预测既合理又可支持审计师和监管机构。最终结果是降低了模型风险,同时也大大提高了EL预测的运营效率和准确性。

      

      

  • 成功的CECL符合自动化机器学习所属专题:机器学习 《成功的CECL符合自动化机器学习》链接:http://www.zhouchuanxiong.net/1234

    成功的CECL符合自动化机器学习相关文章

  • 企业不能等待 - 了解自动化机器学习如何填补数据科学空白
  • 自动机器学习是真实的:托马斯达文波特和我的妈妈这么说
  • 使用DataRobot和Amazon SageMaker使数据科学团队能够应对机器学习的挑战
  • 用自动机器学习理解歌曲流行度
  • 什么是自动机器学习?
  • 面向开发人员的机器学习:谎言,真理和业务逻辑
  • 房地产AI:Ascendas-Singbridge如何使用自动机器学习
  • 制药业为何需要自动化机器学习
  • 自动机器学习是Wellen Capital的改变者
  • 如何自动化机器学习
  • 机器学习使MarkerStudy能够用更少的资源做更多事情
  • 机器学习如何帮助财富管理者深化客户关系
  • 机器学习的数据准备
  • 利用自动化机器学习来管理零售业的供需
  • 自动机器学习中需要注意的十大功能
  • DataRobot首次成为2019年Gartner数据科学和机器学习平台魔力象限中的“有远见者”
  • 利用机器学习窥视NFL教练的心理
  • 医疗保健中的自动化机器学习[信息图]
  • 爱自动机器学习的五个理由
  • 利物浦维多利亚民主党通过DataRobot实现机器学习
  • DataRobot和Qlik Partnership帮助机器学习民主化
  • 深度强化学习
  • 将机器学习应用于头部和头部的放射治疗计划颈癌
  • 使用无人监督的辅助任务进行强化学习
  • 在神经网络中实现持续学习
  • 提炼:传播机器学习的科学
  • 通过人工反馈学习
  • 超越平均水平进行强化学习
  • AlphaGo Zero:从零开始学习
  • 将机器学习应用于乳腺癌的乳腺X线摄影筛查