Як ШІ насправді виявляє фінансові ризики

Що роблять моделі

Фінансові ризики розбиваються на чотири проблеми, для яких використовуються різні алгоритми. Ризик кредитоспроможності (чи ймовірний дефолт позичальника) зазвичай використовує логістичну регресію, машини опорного вектора або градієнтне бустингу на даних про позичальників: історію кредитів, доходи, зайнятість. Ризик ринку (наскільки може впасти позиція) спирається на рекурентні нейронні мережі для обробки часових рядів цін для прогнозування волатильності та ціноутворення опціонів. Операційний ризик – такі речі, як шахрайство чи порушення відповідності, замасковані в неструктурованому тексті, – використовує обробку природної мови внутрішніх звітів, новинних потоків і регуляторних документів.

Під цими трьома лежить однакова основна інструментарійка: регресія для прогнозування безперервних значень, таких як розмір кредиту, класифікація для сортування випадків у категорії ризику, кластеризація для групування схожих облікових записів і виявлення аномалій для позначення транзакцій, які не відповідають нормальним закономірностям – основний метод, що стоїть за більшістю спрацьовувань тривог про шахрайство.

Потік роботи, крок за кроком

Працює система на чотирьох етапах. По-перше, збір та очищення даних: історії транзакцій, ціни на ринках, макроекономічні показники, аналіз настроїв у новинах, видалені помилки та відсутні значення. По-друге, вибір алгоритму залежно від типу ризику, що розглядається. По-третє, навчання та валідація, де модель налаштовується на історичних даних і потім тестується на окремому наборі даних для оцінки точності, чутливості та повноти. По-четверте, розгортання з постійним моніторингом, оскільки точність моделі знижується з часом у зв’язку зі зміною базових закономірностей даних – явище, яке називається «зміщенням» (drift) – що вимагає періодичного перенавчання.

Архітектура системи стандартна: шар вжиму та підготовки даних, двигун запускає моделі, платформа оцінки ризиків інтегрується з існуючими робочими процесами, а шар звітності перетворює оцінки на дашборди.

Що було зроблено на практиці

JPMorgan Chase розгорнула систему виявлення шахрайства на основі ШІ, яка зменшила кількість хибно позитивних результатів на 40 відсотків. Barclays застосувала машинне навчання до своїх моделей оцінки кредитного ризику та повідомила про покращення продуктивності портфеля на 15 відсотків. HSBC використовував ШІ для моніторингу протимитного фінансування та виявив підозрілі транзакції, які не помітили аналітики-люди. Deutsche Bank створила систему обробки природної мови (NLP) для аналізу юридичних документів з метою забезпечення відповідності нормативним вимогам, що скоротило час, необхідний для проведення due diligence.

За межами банківської справи: Capital One використовує ШІ для виявлення шахрайства та автоматичного схвалення кредитів. Two Sigma реалізує свою інвестиційну стратегію на основі моделей торгівлі, керованих штучним інтелектом. Lemonade використовує розпізнавання зображень для оцінки страхових вимог та ризику страхування на місці, а не через ручне коригування.

Вартість та окупність

Початкова реалізація коштує від $500 000 до $2 мільйонів, включаючи витрати на інфраструктуру даних, ліцензії програмного забезпечення та консультаційні послуги. Постійні витрати на хмарні сервіси та ІТ становлять приблизно $10 000 – $50 000 на рік. Звітний ROI (повернення інвестицій) коливається від 1,5x до 3x протягом трьох років. Час досягнення результатів: від 3 до 6 місяців для налаштування та підготовки даних, ще 2-4 місяці пілотного тестування, 6-12 місяців повної розгортання, з вимірними результатами, які зазвичай видно вже через 6-9 місяців.

Де виникають проблеми

Дві основні причини невдач повторюються. Зміщення моделі: модель, навчена на даних одного періоду, поступово втрачає точність у міру зміни ринкових умов або поведінки позичальників, тому важливіше постійний моніторинг та конвеєр для безперервного навчання, а не вибір початкової моделі. І чорнововідзеркальне ризику: складні моделі, особливо глибоке навчання, можуть видавати точні оцінки без чіткого пояснення, що є проблемою, коли регулятор або відхилений заявник на кредит запитують, чому. Це аргумент на користь технік пояснюваного ШІ (XAI), які розкривають, які вхідні ознаки вплинули на дане передбачення, замість того, щоб розглядати модель як закритий ящик.

Система виявлення шахрайства на основі штучного інтелекту JPMorgan Chase зменшила кількість хибно позитивних результатів на 40 відсотків.

Часті запитання

Спробуйте наживо

Усе, що вище, працює прямо у вашому браузері — відкрийте the simulation і змінюйте параметри під час роботи. Нічого не встановлюється, нічого не завантажується на сервер, уся модель живе в одній вкладці.