Treść książki
Przejdź do opcji czytnikaPrzejdź do nawigacjiPrzejdź do informacjiPrzejdź do stopki
42
Rozdział1.Wprowadzeniedozagadnieńryzykabankowego
założeniaonormalnościzmianczynnikówryzyka).Podrugie,wykorzystywanymodel
możebyćwłaściwynp.codopostacifunkcyjnej,aleniezostałyuwzględnionepewne
istotneczynnikiryzyka(np.wpływzmiankursuwalutowegonawielkośćodpisówdla
portfelakredytówhipotecznychwPolsce).Potrzecie,dobórmodelu,jegopostacioraz
zmiennychbyłprawidłowy,alewprocesieszacowaniaparametrówpopełnionobłędy
(np.zastosowanoobciążonyestymatordooszacowaniaparametrówmodelu).Wreszcie,
właściwymodelmógłzostaćdobrzesparametryzowany,alewtrakciewdrażaniagodo
funkcjonowaniawdanymbankupopełnionobłędy,np.programistyczne,wwykorzy-
stującymdanymodelmoduleoprogramowaniabankowego.
Zmaterializowaniesięryzykamodelijestpotencjalniebardzoniebezpiecznedlain-
stytucjifinansowej,gdyżgrozipodejmowaniemdecyzjiprowadzącychdorosnącego
ryzykaponiesienianiekontrolowanychstrat-np.jeślimodelsugeruje,żebrakjest
narażaniaposiadanychpozycjinadanyrodzajryzyka,podczasgdywrzeczywistości
takienarażeniewystępuje.
Istniejewielesposobówograniczaniaryzykamodeli.Jednązpodstawowychzasad
jestdokonywanieniezależnejwalidacji(weryfikacji)stosowanychmodeli.Osoba
bądźosoby-wzależnościodskomplikowaniaprojektu-któreniebyłyzaangażo-
wanewprocesbudowydanegomodelu,przedrozpoczęciemjegowykorzystywania
powinnyzweryfikowaćprocesiwynikiopracowywaniategomodelu.Potembieżące
rezultatydziałaniamodelupowinnybyćmonitorowane(czynp.modelniedajewyni-
kówniezgodnychzintuicją).Wreszciemodele(wszczególnościwykorzystywanedo
szacowaniaryzyka)powinnybyćokresowopoddawaneprocedurzetzw.testowania
wstecznego(backtesting),czylistwierdzenia,nailewynikimodeluodbiegałyodrze-
czywistości.DlaprzykładuzbytwysokaliczbaprzekroczeńwielkościVaR(wstosunku
dozałożonegowmodeluVaRpoziomuprawdopodobieństwa)powinnaskutkować
przynajmniejanaliząprzyczyn,dlaktórychmodelzbytczęstodawałwynikiniezgodne
zfaktycznymprofilemryzyka.
Najnowszepostępypracwzakresierozwojumodeliwykorzystującychuczeniemaszy-
nowe(machinelearning–ML),anawetszerzej-szerokopojętychnarzędzisztucznej
inteligencji(artificialintelligence–AI)tworzązupełnienowąklasęwyzwańwanalizie
ryzykamodeli.Popierwsze,rośniezłożonośćmodeliiichnieliniowycharakter.Ozna-
czato,żenapodstawiesamejanalizyparametrówmodeluniemożemyłatwookreślić,
wjakisposóbdanewejściowewpływająnauzyskaniekonkretnegowynikumodelu.
Wcelurozwiązaniategoproblemucorazszerzejstosowanesąnarzędziawytłumaczal-
nejsztucznejinteligencji(explainableAI).Pozwalająoneprzedstawićwybraneaspekty
modeluwsposób,którybędziezrozumiałydlaczłowieka.
Innymwyzwaniemdlazarządzaniaryzykiemmodelujestwykorzystywaniemodeli
sztucznejinteligencjiwobszarachbezpośrednichkontaktówz(potencjalnym)klien-
tem-np.wformieczat-botówwspieranychprzezzaawansowanymodeljęzykowy.
TomaszChmielewski
