Меню


Банковская индустрия

Европейский центральный банк выявляет уязвимости на уровне отдельных банков и стран еврозоны

Европейский центральный банк (ЕЦБ) использует модель раннего предупреждения банков (BEWM) от Silo.AI с 2014 года для выявления потенциальных проблем банков в еврозоне. Модель машинного обучения была обучена для мониторинга признаков и причин финансовой устойчивости банков как на уровне страны, так и на уровне всей еврозоны. Эта модель полезна для ЕЦБ для принятия более обоснованных решений и предотвращения будущих бедствий.

Мировой финансовый кризис поставил большое количество европейских банков на грань краха. Была очевидная необходимость в разработке модели раннего предупреждения для европейских банков, во-первых, чтобы избежать финансового кризиса.

Исторические данные свидетельствуют о том, что потери системного производства от системных банковских кризисов составляют в среднем около 20–25% ВВП. Во-вторых, банковский сектор еврозоны имеет решающее значение для стабильности всего Европейского валютного союза. Наконец, банковский сектор играет важную роль в предоставлении средств частному сектору, особенно малым и средним предприятиям, что влияет на экономику стран-членов и всей еврозоны, а также на жизнь и благосостояние каждого гражданина Европы.

Наличие модели для выявления уязвимостей на ранней стадии позволяет разработчикам политики формулировать микро- и макропруденциальную политику для предотвращения и смягчения реального экономического воздействия банковских бедствий.

Модель, которую разработали Silo.AI для ЕЦБ, называется моделью раннего предупреждения банка (BEWM). Она может быть использована для выявления не только уязвимостей в отдельных, системно значимых банках, но также и уязвимостей, которые накапливаются одновременно в ряде банков на уровне страны или еврозоны. Кроме того, она предоставляет средства для разложения выходных данных модели на факторы, способствующие интерпретации модели, а также позволяет агрегировать выходные данные модели для оценки роста уязвимости банковского сектора на страновом или региональном уровне.

Техническое решение, встроенное в более крупную среду моделирования, представляет собой довольно простой классификатор на основе LASSO, основанный на богатом и уникальном источнике данных о банковских, банковских и макро-финансовых показателях и исторических событиях проблем.

Очевидная проблема заключается в том, что в целом вспышки банковских или финансовых кризисов по своей природе трудно предсказать. Мы считаем, что кризисы часто бывают вызваны различными, даже непредсказуемыми потрясениями, но нарастание широко распространенных дисбалансов можно определить. Следовательно, мы сосредоточены на выявлении основных уязвимостей и нахождении общих схем, предшествующих финансовым кризисам, а не на прогнозировании точных сроков и шоков или других спусковых механизмов, вызывающих кризис.

Еще одна проблема, с которой мы столкнулись, связана с так называемыми моделями «черного ящика», поскольку инструменты политики и принятия решений для центральных банков должны быть прозрачными и четко определены подотчетность. ЕЦБ не может устанавливать политику, используя непрозрачные модели, практически не понимая причинно-следственные или даже статистические выводы. Эта конкретная модель должна была быть не только полностью интерпретируемой, но и знакомой существующим способам интерпретации статистических моделей.
Результат
Результат не публиковался
Подпишись на новые кейсы
Оставь свой e-mail и раз в неделю мы будем высылать полезные кейсы тебе на почту
Мы не передаем данные третьим лицам, а храним их согласно №152-ФЗ
Cookies helfen uns bei der Bereitstellung unserer Inhalte und Dienste. Durch die weitere Nutzung unserer Webseite stimmst du der Verwendung von Cookies zu.
Okay
Close
Made on
Tilda