Hybrid GPR-HS

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

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。