rusjelRussian Journal of Economics and LawRussian Journal of Economics and Law2782-2923"TCE "Taglimat"" Ltd.10.21202/2782-2923.2022.1.40-50XEFPBErusjel-2215Research ArticleКРИПТОМИР И ЦИФРОВЫЕ ФИНАНСЫCRYPTO-WORLD AND DIGITAL FINANCEМодельные риски в финансовой сфере в условиях использования искусственного интеллекта и машинного обученияModel Risks in the Financial Sphere under the Conditions of the Use of Artificial Intelligence and Machine Learninghttps://orcid.org/0000-0002-8935-9241КирилюкИ. Л.KirilyukI. L.

Кирилюк Игорь Леонидович, научный сотрудник

Web of Science Researcher ID: http://www.researcherid.com/rid/T-6301-2017,

eLIBRARY ID: SPIN-код: 5931-1402,

AuthorID: 39374

г. Москва

Igor L. Kirilyuk, Researcher

Web of Science Researcher ID: http://www.researcherid.com/rid/T-6301-2017,

eLIBRARY ID: SPIN-код: 5931-1402,

AuthorID: 39374

Moscow

igokir@rambler.ruИнститут экономики Российской академии наукРоссияInstitute of Economics of the Russian Academy of SciencesRussian Federation2022180320221614050Copyright © Кирилюк И.Л., 20222022Кирилюк И.Л.Kirilyuk I.L.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.rusjel.ru/jour/article/view/2215Цель

Цель: в рамках технологий RegTech и SupTech оценка трансформации модельных рисков и способов их минимизации при возрастании роли применения методов искусственного интеллекта.

Методы

Методы: системный подход к анализу качества экономических моделей. Исторический, логический, статистический методы исследования.

Результаты

Результаты: рассмотрен российский и зарубежный опыт учета модельных рисков в финансовой отрасли. Изучены теоретические и практические исследования по вопросам регулирования и управления модельными рисками в деятельности организаций финансового сектора. Определено место технологий машинного обучения и искусственного интеллекта при решении современных задач в работе и регулировании работы финансовых организаций. Рассмотрены основные модельные риски, а также направления изменения их специфики в результате развития технологий искусственного интеллекта, в первую очередь машинного обучения, и увеличения возможностей хранения и передачи большого количества данных. Рассмотрены основные методы обработки данных и построения моделей а также их преимущества с точки зрения снижения модельных рисков. Определено, что уменьшение модельных рисков с использованием технологий RegTech и SupTech возможно за счет развития технологий искусственного интеллекта, что потребует в том числе проработки соответствующего правового поля.

Научная новизна

Научная новизна: особенностью статьи является разностороннее рассмотрение проблемы модельных рисков в финансовой отрасли и влияния на них технологий искусственного интеллекта в математическом, юридическом, экономическом аспектах, описание ситуации в этой области как за рубежом, так и в России.

Практическая значимость

Практическая значимость: изложенная в статье информация может быть использована регулирующими органами и коммерческими банками в задачах, связанных с минимизацией конкретных модельных рисков в их деятельности.

Objective

Objective: within the framework of RegTech and SupTech technologies, to assess the transformation of model risks and ways to minimize them under the increasing use of artificial intelligence methods.

Methods

Methods: a systematic approach to the analysis of the quality of economic models. Historical, logical, and statistical methods of research.

Results

Results: the Russian and foreign experience of accounting for model risks in the financial industry is considered. Theoretical and practical works on the regulation and management of model risks in the activities of financial sector organizations are studied. The role of machine learning and artificial intelligence technologies in solving the modern problems in the functioning and regulation of financial organizations is determined. The key model risks are considered, as well as the directions of changing their specifics as a result of the artificial intelligence technologies development, primarily machine learning, and increasing the capabilities for storage and transmission of a large amount of data. The main methods of data processing and model construction are considered, as well as their advantages in terms of reducing model risks. It is determined that the reduction of model risks using RegTech and SupTech technologies is possible due to the development of artificial intelligence technologies, which will require, among other things, the elaboration of the appropriate legal field.

Scientific novelty

Scientific novelty: the unique feature of the article is a comprehensive consideration of the problem of model risks in the finance industry and of the impact of artificial intelligence technologies on them in mathematical, legal, economic aspects, as well as the description of the situation in this area both abroad and in Russia.

Practical significance

Practical significance: the information presented in the article can be used by regulatory authorities and commercial banks in the tasks related to minimizing specific model risks in their activities.

RegTechSupTechмодельные рискиискусственный интеллектмашинное обучениеоблачные технологиибольшие данныефинансовый рыноккоммерческие банкиRegTechSupTechModel risksArtificial intelligenceMachine learningCloud technologiesBig DataFinancial marketCommercial banksРабота выполнена при финансовой поддержке РФФИ, грант № 20-510-00009 Бел_а «Трансформация системы монетарного регулирования России и Беларуси в условиях цифровизации экономики».Financial Support: The work was carried out with the financial support of RFBR, grant № 20-510-00009 Bel_a «Transformation of the monetary regulation system of Russia and Belarus under the economy digitalization».ReferencesОсновы риск-менеджмента / Р. М. Марк, Д. Галэй, М. Круи. Москва: Юрайт, 2015. 390 с.Mark, R., Galai, D., Crouhy, M. (2015). Bases of risk management. Moscow, Yurajt (in Russ.).Derman E. Model risk quantitative strategies research notes (April ed.). New York: Goldman Sachs & Co. 1996. 14 p.Derman, E. (1996). Model risk quantitative strategies research notes (April ed.). New York, Goldman Sachs & Co.Model risk of risk models / J. Danielsson, K. R. James, M. Valenzuela, I. Zer // Journal of financial stability. 23. 2016. Pp. 79–91.Danielsson, J., James, K. R., Valenzuela, M., Zer, I. (2016). Model risk of risk models, Journal of Financial Stability, 23, 79–91.Тимошенко Ф. С. Контролирование модельного риска: лучшие практики финансового моделирования в процессе бюджетирования // Государственный аудит. Право. Экономика. 2016. № 1. С. 37–42.Timoshenko, Ph. S. (2016). Controlling model risk: best practices in financial modeling in budgeting process, Gosudarstvennyj audit. Pravo. Ekonomika, 1, 37–42 (in Russ.).Бедрединов Р. Т. Управление операционными рисками банка. 1-е изд. Москва: Onebook.ru. 2014. 161 с.Bedredinov, R. T. (2014). Bank operational risk management (1 ed.). Moscow, Onebook.ru (in Russ.).Basel committee on banking supervision. International convergence of capital measurement and capital standards. A revised framework comprehensive version. June 2006. 347 p.Basel committee on banking supervision. (June 2006). International convergence of capital measurement and capital standards. A revised framework comprehensive version.The Deloitte center for regulatory strategy. Model risk management. Building supervisory confidence. 2018. 24 p.The Deloitte center for regulatory strategy. (2018). Model risk management. Building supervisory confidence.Model risk management of AI and machine learning systems / M. Dodgson, F. Ciais, K. D. Georgiev. PwC, 2020. 28 p.Dodgson, M., Ciais, F., Georgiev, K. D. (2020). Model risk management of AI and machine learning systems. PwC.Supervisory expectations and sound model risk management practices for artificial intelligence and machine learning / G. Agarwala, A. Latorre, S. Raffel et al. EY, 2020. 20 p.Agarwala, G., Latorre, A., Raffel, S., Mehta, R., Zhao, J., Nurullayev, A., Clark, B., Tang, R. (2020). Supervisory expectations and sound model risk management practices for artificial intelligence and machine learning. EY.Ni A. Model risk management. A sound practice for meeting current chalenges. KPMG. 2016. 9 p.Ni, A. (2016). Model risk management. A sound practice for meeting current chalenges, KPMG.Morini. M. Understanding and Managing Model Risk: A Practical Guide for Quants, Traders and Validators. Wiley. 2011. 448 p.Morini, M. (2011). Understanding and Managing Model Risk: A Practical Guide for Quants, Traders and Validators. Wiley.Tunaru R. Model risk in financial markets: from financial engineering to risk management. World Scientific. 2015. 383 p.Tunaru, R. (2015). Model risk in financial markets: from financial engineering to risk management. World Scientific.Meyer Ch., Quell P. Risk Model Validation. Risk Books. 3rd edition. 2020.Meyer, Ch., Quell, P. (2020). Risk Model Validation (3rd ed.).Christodoulakis G., Satchell S. The Analytics of Risk Model Validation. Academic Press. 2007. 216 p.Christodoulakis, G., Satchell, S. (2007). The Analytics of Risk Model Validation. Academic Press.Sheule H., Rösch D. Model Risk: Identification, Measurement and Management. Risk Books. 2010. 500 p.Sheule, H., Rösch, D. (2010). Model Risk: Identification, Measurement and Management. Risk Books.Валидация / В. Битюцкий, О. Патратий, В. Перевицкая и др. Москва: Комитет по стандартам Базель II и управлению рисками, 2013.Bityuckij, V., Patratij, O., Perevickaya, V., Pisarenko, V., CHernyshev, O. (2013). Validation. Moscow, Komitet po standartam Basel II i upravleniyu riskami (in Russ.).Анализ математических моделей Базель II / Ф. Т. Алескеров, И. К. Андриевская, Г. И. Пеникас, В. М. Солодков. 2-е изд., испр. Москва: ФИЗМАТЛИТ, 2013. 296 с.Aleskerov, F. T., Andrievskaya, I. K., Penikas, G. I., Solodkov, V. M. (2013). Analysis of mathematical models Bazel II (2nd ed.). Moscow, FIZMATLIT (in Russ.).Энциклопедия финансового риск-менеджмента / под ред. А. А. Лобанова, А. В. Чугунова. Москва: Альпина Паблишер, 2003. 785 с.Lobanov, A. A., Chugunov, A. V. (eds.) (2003). Encyclopedia of financial risk management. Moscow, Alpina Pablisher (in Russ.).Нестеренок Г. Управление модельным риском // Банкаўскі веснік: информационно-аналитический и научно-практический журнал Национального банка Республики Беларусь. 2021. № 4 (693). С. 31–38.Nesterenok, G. (2021). Managing the model risk, Bankauskі vesnik: informacionno-analiticheskij i nauchno-prakticheskij zhurnal Nacional'nogo banka Respubliki Belarus, 4 (693), 31–38 (in Russ.).Big data and machine learning in central banking / S. Doerr, L. Gambacorta, J. M. Serena // BIS Working Papers. March 2021. № 930. Bank for International Settlements. 26 p.Doerr, S., Gambacorta, L., Serena, J. M. (2021, March). Big data and machine learning in central banking, BIS Working Papers, 930. Bank for International Settlements.Выявление финансирования терроризма и отмывания доходов с помощью интеллектуального анализа данных / А. Г. Гасанова, А. Н. Медведев, Е. И. Комоцкий // XII Международная конференция «Российские регионы в фокусе перемен». Екатеринбург, 16–18 ноября 2017 г.: сборник докладов. Екатеринбург: Издательство УМЦ УПИ, 2018. Ч. 1. С. 154–166.Gasanova, A. G., Medvedev, A. N., Komockij, E. (2018). Revealing terrorism and money laundering funding with intellectual data analysis, XII International conference “Russian regions in the focus of changes”. Yekaterinburg, 16–18 November 2017: collection of works (pp. 154–166). Ekaterinburg, Izdatel'stvo UMC UPI, 2018, Ch. 1. (in Russ.).Кирилюк И. Л. Методы интеллектуального анализа данных и регулирование цифровой трансформации финансового сектора в России и в мире // Вестник Института экономики Российской академии наук. 2020. № 4. С. 152–165.Kirilyuk, I. L. (2020). Methods of intellectual data analysis and regulation of the digital transformation of the financial sector in Russia and the world, The Bulletin of the Institute of Economics of the Russian Academy of Sciences, 4, 152–165 (in Russ.).Горбань А. Н. Ошибки интеллекта, основанного на данных // Cборник статей по материалам Международной конференции «Интеллектуальные системы в науке и технике» и Шестой всероссийской научно-практической конференции «Искусственный интеллект в решении актуальных социальных и экономических проблем ХХI века» (г. Пермь, 12–18 октября 2020 г.). Пермь: Пермский государственный национальный исследовательский университет, 2020. 654 с.Gorban, A. N. (2020). Errors of a data-based intellect. In Collection of works of the International conference “Intellectual systems in science and technology” and the 6th All-Russia scientific-practical conference “Artificial intelligence in solving the topical social and economic problems of the 21st century” (Perm, 12–18 October 2020). Permskij gosudarstvennyj nacional'nyj issledovatel'skij universitet, Perm.Талеб Н. Н. Черный лебедь. Под знаком непредсказуемости. 2-е изд., доп. Москва: Азбука-Аттикус. 2012. 680 с.Taleb, N. N. (2012). The Black Swan. The Impact of the Highly Improbable (2d ed.). Moscow, Azbuka-Attikus (in Russ.).Кирилюк И. Л., Сенько О. В. Выбор моделей оптимальной сложности методами Монте-Карло (на примере моделей производственных функций регионов Российской Федерации) // Информатика и ее применения. 2020. Т. 14, Вып. 2. С. 111–118.Kirilyuk, I. L., Senko, O. V. (2020). Choosing the optimally complex models by Monte-Carlo methods (by the example of the production functions models of the Russian regios), Informatika i ee primeneniya, 14 (2), 111–118 (in Russ.).Лапач С. Н., Радченко С. Г. Основные проблемы построения регрессионных моделей // Математичні машини і системи. 2012. № 4. С. 125–133.Lapach, S. N., Radchenko, S. G. (2012). Main problems of constructing regression models, Matematichnі mashini і sistemi, 4, 125–133 (in Russ.).Bag D. Model validation under Basel II // CRO. Finsight-Media. 2010. Pp. 10–15.Bag, D. Model validation under Basel II. (2010). CRO. Finsight-Media (pp. 10–15).Reconciling modern machine-learning practice and the classical bias–variance trade-off / M. Belkin, D. Hsu, S. Ma, S. Mandal // Proc. Natl. Acad. Sci. 2019. № 32 (116). Pp. 15849–15854.Belkin, M., Hsu, D., Ma, S., Mandal, S. (2019). Reconciling modern machine-learning practice and the classical bias–variance trade-off, Proc. Natl. Acad. Sci. 32 (116), 15849–15854.Дедова М. С. Сравнение методов бутстрапа временных рядов для целей бэктестирования моделей оценки банковских рисков // Экономический журнал ВШЭ. 2018. Т. 22. № 1. С. 84–109.Dedova, M. (2018). A comparison of time-series bootstrap methods in terms of backtesting risk measurement models of banks, The HSE Economic Journal, 22 (1), 84–109 (in Russ.).MPP-challenge: моделирование прогноза качества модели / С. Афанасьев, Д. Котерева, К. Стародуб // Сборник профессиональных материалов для 9-й межотраслевой конференции Scoring Day. 2021, весна. С. 10–21.Afanas'ev, S., Kotereva, D., Starodub, K. (2021). MPP-challenge: modeling the model quality prognosis. In Collection of professional works of the 9th intersectoral conference Scoring Day (pp. 10–21) (in Russ.).Замятин А. В. Интеллектуальный анализ данных: учеб. пособие. Томск: Издательский дом Томского государственного университета, 2020. 211 с.Zamyatin, A. V. (2020). Intellectual data analysis, tutorial. Tomsk: Izdatel'skij dom Tomskogo gosudarstvennogo universiteta (in Russ.).

The authors declare that there are no conflicts of interest present.