Challenger-modellen voor modelschatting

De recente toename van de beschikbaarheid en opslagcapaciteit van gegevens, in combinatie met de toegenomen rekenkracht, creëert de mogelijkheid om machine learning toe te passen in kredietrisicomodellering.

De grootste uitdaging is dat machine learning-modellen (hierna "ML") complexer zijn, waardoor hun resultaten minder transparant zijn om te interpreteren, te rechtvaardigen en uit te leggen aan managementfuncties en supervisors. Daarom is de integratie van ML-modellen in het landschap van interne ratings (hierna: "IRB") beperkt gebleven.

Zoals aangegeven in de EBA ML-discussienota, zijn challenger-modellen een van de use cases voor ML in IRB-modellering. Challenger-modellen zijn modellen die parallel aan traditionele modellen worden toegepast om modelprestaties te benchmarken, alternatieve modelleringsaannames te verkennen en gegevenspatronen te identificeren die mogelijk niet door traditionele modellen worden vastgelegd.
Deze blogserie is bedoeld om inzicht te geven in hoe machine learning kan worden opgenomen als challenger-modellen in de context van IRB-modellering en modelschatting.

Download: Challenger-modellen - Selectie van risicodrijvers

Deze blog maakt deel uit van een blogserie over het gebruik van challenger-modellen in kredietrisicomodellering. In onze vorige blog beschreven we het gebruik van op Machine Learning gebaseerde challenger-modellen in het selectieproces van risicodrijvers. Download het rapport om meer te weten te komen!