Модельные риски в финансовой сфере в условиях использования искусственного интеллекта и машинного обучения

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

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

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

1. Основы риск-менеджмента / Р. М. Марк, Д. Галэй, М. Круи. Москва: Юрайт, 2015. 390 с.

2. Derman E. Model risk quantitative strategies research notes (April ed.). New York: Goldman Sachs & Co. 1996. 14 p.

3. Model risk of risk models / J. Danielsson, K. R. James, M. Valenzuela, I. Zer // Journal of financial stability. 23. 2016. Pp. 79–91.

4. Тимошенко Ф. С. Контролирование модельного риска: лучшие практики финансового моделирования в процессе бюджетирования // Государственный аудит. Право. Экономика. 2016. № 1. С. 37–42.

5. Бедрединов Р. Т. Управление операционными рисками банка. 1-е изд. Москва: Onebook.ru. 2014. 161 с.

6. Basel committee on banking supervision. International convergence of capital measurement and capital standards. A revised framework comprehensive version. June 2006. 347 p.

7. The Deloitte center for regulatory strategy. Model risk management. Building supervisory confidence. 2018. 24 p.

8. Model risk management of AI and machine learning systems / M. Dodgson, F. Ciais, K. D. Georgiev. PwC, 2020. 28 p.

9. 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.

10. Ni A. Model risk management. A sound practice for meeting current chalenges. KPMG. 2016. 9 p.

11. Morini. M. Understanding and Managing Model Risk: A Practical Guide for Quants, Traders and Validators. Wiley. 2011. 448 p.

12. Tunaru R. Model risk in financial markets: from financial engineering to risk management. World Scientific. 2015. 383 p.

13. Meyer Ch., Quell P. Risk Model Validation. Risk Books. 3rd edition. 2020.

14. Christodoulakis G., Satchell S. The Analytics of Risk Model Validation. Academic Press. 2007. 216 p.

15. Sheule H., Rösch D. Model Risk: Identification, Measurement and Management. Risk Books. 2010. 500 p.

16. Валидация / В. Битюцкий, О. Патратий, В. Перевицкая и др. Москва: Комитет по стандартам Базель II и управлению рисками, 2013.

17. 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.

18. Энциклопедия финансового риск-менеджмента / под ред. А. А. Лобанова, А. В. Чугунова. Москва: Альпина Паблишер, 2003. 785 с.

19. Нестеренок Г. Управление модельным риском // Банкаўскі веснік: информационно-аналитический и научно-практический журнал Национального банка Республики Беларусь. 2021. № 4 (693). С. 31–38.

20. 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.

21. 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.

22. 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.

23. 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.

24. Талеб Н. Н. Черный лебедь. Под знаком непредсказуемости. 2-е изд., доп. Москва: Азбука-Аттикус. 2012. 680 с.

25. 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.

26. Лапач С. Н., Радченко С. Г. Основные проблемы построения регрессионных моделей // Математичні машини і системи. 2012. № 4. С. 125–133.

27. Bag D. Model validation under Basel II // CRO. Finsight-Media. 2010. Pp. 10–15.

28. 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.

29. 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.

30. 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.

31. Замятин А. В. Интеллектуальный анализ данных: учеб. пособие. Томск: Издательский дом Томского государственного университета, 2020. 211 с.