English(EN) SHARC: SHAP-Based Interpretability in Machine Learning Risk Models for Regulatory Capital under ICAAP and CCAR

新的SHARC框架增强了金融领域机器学习风险模型的可解释性

作者 PulseAugur 编辑部 · [1 个来源] · 2026-07-08 04:00

一篇新的研究论文介绍了一种名为SHARC的可解释性框架，该框架专为用于监管资本估算的机器学习风险模型而设计。SHARC通过将SHapley Additive exPlanations (SHAP)应用于混合GPR-HS架构来解决“黑箱”问题，使其输出可由监管机构审计。该框架成功地将非线性风险输出与底层情景输入联系起来，并揭示了在压力下，平均回报成分对资本水平有显著影响，这对金融风险管理具有启示意义。 AI

影响增强了金融监管中机器学习模型的审计性和透明度，可能加速其采用。

排序理由该集群包含一篇研究论文，详细介绍了金融风险建模中机器学习可解释性的新框架。[lever_c_demoted from research: ic=1 ai=0.7]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Ujjwala Vadrevu · 2026-07-08 04:00

SHARC: SHAP-Based Interpretability in Machine Learning Risk Models for Regulatory Capital under ICAAP and CCAR

arXiv:2607.05484v1 Announce Type: cross Abstract: The adoption of non-parametric machine learning models for regulatory capital estimation introduces a fundamental governance challenge: the inability to explain model outputs in a manner auditable by supervisory bodies. This 'blac…

报道来源 [1]

SHARC: SHAP-Based Interpretability in Machine Learning Risk Models for Regulatory Capital under ICAAP and CCAR

相关实体

相关话题