XiaoMi-AI文件搜索系统
World File Search System抵押
商业抵押贷款可持续性政策
MIM试图在我们的房地产贷款业务中维持行业领先的可持续性最佳实践。我们关注可持续性的原因有几个。首先，将财务物质的可持续性考虑因素纳入我们的投资决策过程中，以支持可持续的长期收益是我们对客户责任的重要组成部分，帮助他们实现其投资目标。第二，将财务物质的可持续性因素纳入我们的分析中支持我们的承诺作为负责投资原则（PRI）的签署。第三，我们的资产和借款人的可持续性绩效提供了有意义的信息，可以帮助我们更好地评估财务风险和机会。第四，我们致力于与利益相关者合作跟踪和减少贷款投资组合的环境影响。第四，我们致力于与利益相关者合作跟踪和减少贷款投资组合的环境影响。
2025 年 FCA 针对终身抵押贷款提供商的战略
最终，一些 LMP 可能会认为其业务模式不可持续，并选择退出某些活动和服务或考虑与其他公司合并。如果正在考虑采取此类措施，您应该仔细考虑您的合同安排以及有关通知的任何立法或监管要求。您还应该解决停止任何活动可能对您的客户产生的影响以及如何根据义务减轻任何损害。例如，在首次考虑出售或购买资产时，您应该在开始交易和必要的监管流程之前，根据义务和其他原则仔细考虑对客户的影响，包括服务提供的连续性。
2024 年 9 月 13 日 150-C2-5146 对抵押品报告的反应......
条件：参谋人员接到上级指挥部的命令或指挥官下达任务，要求参谋人员对附带损害事件报告作出反应。指挥官发布对附带损害事件报告作出反应的指导。混合威胁在所有领域（陆地、海上、空中、太空和网络空间）、所有三个维度（人力、物理和信息）和电磁频谱中威胁部队的目标。此外，指挥官保持与部队维持所有形式接触的能力（间接；非敌对；障碍；化学、生物、放射和核 (CBRN)；空中；视觉；电磁；和影响）。旅及以上级别存在且动态存在政治、军事、经济、社会、信息、基础设施、物理环境和时间 (PMESII-PT) 的所有作战变量；营及以下级别存在四个或更多变量。上级指挥部的命令包括所有叠加和/或图形、作战区域、边界、控制措施和后续战术行动的标准。指挥部与下属单位、相邻单位和上级总部有通信。指挥官组织了指挥和控制系统的四个组成部分，以支持决策、促进沟通和开展行动。这项任务不应在 MOPP 4 中进行培训。标准：参谋人员收到附带损害事件报告，并立即通知指挥官和上级总部，进行仓促任务分析，警告和部署快速反应部队，通知所有相关利益相关者，持续监测情况，并更新通用作战图。对附带损害事件报告的反应是根据 (IAW) FM 3-94、既定时间表、指挥官的意图、上级总部的命令、陆军道德和标准操作程序 (SOP) 进行的，同时严格遵守 GO / NO-GO 标准，不得出现错误。
调查抵押贷款率机器学习模型中的偏见
银行和金融科技贷方越来越多地依靠计算机辅助模型在贷款决策中。传统模型是可以解释的：决策是基于可观察的因素，例如借款人的信用评分是否高于阈值，并且可以用这些因素的组合来解释。相比之下，现代机器学习模型是不透明的且不可解剖的。他们对过去种族歧视的人工制品的不透明和依赖历史数据意味着这些新模型有可能嵌入并加剧这种歧视，即使贷方不打算歧视。我们使用公开可用的HMDA贷款数据和公开可用的Fannie Mae贷款绩效数据来校准两个随机的森林分类器。我们使用两种可解释的人工智能（XAI）模型，即石灰和塑形，以表征哪些功能驱动这些校准的ML贷款模型产生的决策。我们的初步发现表明，当模型访问此类信息时，各种种族因素在模型中的决策过程中产生了重大影响，如接受HMDA数据培训的模型所示。这些结果突出了需要进一步研究以深入了解和解决这些影响的必要性。
关于抵押贷款行业人工智能的误解和事实
关于抵押贷款行业 AI 的误解和事实 误解：AI 是抵押贷款行业最近采用的一项新技术。 事实：几十年来，抵押贷款行业一直在安全有效地使用 AI。 人工智能 (AI) 有很多种，但对于如何定义 AI 尚无共识。然而，一些州已经开始努力规范 AI，并将 AI 广泛定义为“任何基于机器的系统，为了任何明确或隐含的目标，从系统收到的输入中推断如何生成输出……可以影响物理或虚拟环境。” 1 此定义涵盖了最新形式的 AI，例如机器学习、大型语言模型和其他“生成性”AI（例如聊天 GPT），但它也涵盖了较旧的技术，例如基于计算机算法的工具。这个广义的定义包括许多已使用数十年的广为接受的技术。贷方依靠联邦政府和政府支持的企业 (GSE) 开发的 AI 来做出贷款决策或确定贷款是否有资格获得担保。这些自动承保系统 (AUS) 由联邦住房管理局、房利美和房地美开发和维护。例如，桌面承保人 (DU) 和贷款勘探顾问 (LPA) 由政府支持企业开发和控制，而退伍军人管理局 (VA) 和联邦住房管理局 (FHA) 的住房和城市发展部 (HUD) 有自己的要求和认证来批准供应商 AUS。此外，贷方依靠 FICO 制作的信用评分模型来为这些贷款决策和定价提供信息。误区：使用人工智能指导贷款决策将加剧住房不平等。事实：有法律保障措施可以防止算法歧视。与任何工具一样，人工智能的效果取决于用户如何开发和部署它。然而，在许多情况下，人工智能通过中立地评估借款人而不考虑受保护的特征来帮助减少住房系统中的偏见。消费者金融部颁布的《平等信贷机会法》(ECOA) 及其实施条例减轻了人工智能或算法歧视在消费者金融中的风险
抵押权人信函 2024-13
FHA 203(k) 康复抵押贷款保险计划为用于购买房屋或再融资现有抵押贷款的抵押贷款提供抵押贷款保险，其中包括用于支付标的物业维修或康复的资金。不幸的是，近年来 203(k) 计划的使用有所下降。为了找出这种下降的潜在原因和解决这些问题的机会，FHA 于 2023 年 2 月 14 日在《联邦公报》（第 88 卷，第 30 期）上发布了一份信息请求 (RFI)，寻求公众对限制抵押贷款人和消费者使用第 203(k) 条计划的障碍的意见。FHA 收到了来自各种评论者的 146 条评论，包括行业协会、贷方、消费者、203(k) 顾问、承包商、评估师、非营利组织、住房顾问和地方政府。该信息征询书提出了 15 个问题，旨在收集有关 203 (k) 计划的特点的信息，这些特点可能会限制该计划的发起，并获得有关 FHA 可以改进该计划的方法的建议，以增加其在促进单户住宅的保护、翻新和扩建方面的实用性。
革新房地产抵押评分
除了预测性能的问题之外，机器学习方法比通常的参数评分方法具有不可否认的优势，因为它们允许显着提高生产率。尤其是，机器学习算法使人可以在严格意义上减少建模阶段之前的数据管理和预处理阶段的时间（Milunovich，2019）1。当然，这并不意味着机器学习可以分配建筑和数据质量控制的工作，这仍然是必要的。为了充分理解这一点，让我们回到负责在大型银行风险部门内建立评分模型的统计学家的传统方法。他工作的第一步是将不同的治疗方法应用于培训数据。是处理缺失或外围值的处理，这需要实施检测，归纳和排除程序。其他治疗方法通常涉及离散解释变量的类别并分散连续变量。对于每个定性变量，将模式分组以减少类的数量并最大程度地提高变量的区分功能。所有连续的解释变量被离散化（Milunovich，2019）2。一方面是捕获潜在的非线性效应，另一方面是减少极值或未校正异常值的影响。根据这些相关性，专家根据简约的原理去除某些冗余变量。类别和离散阈值的数量是通过迭代算法确定的，该算法是为了在目标变量（默认值）和解释变量之间最大化Cramer的V类型关联或卡方统计量的测量。第二步是分析预测因子之间的相关性，以验证这些变量之间的相关性不太相关。第三步是选择分数模型的解释变量（Milunovich，2019）3。在给定的评分模型（例如逻辑回归）下，我们从所有重新加入的变量中选择最佳预测默认值。取决于可用的变量数量，可以手动进行此选择，也可以使用逐步进行自动方法。自动选择通常得到了业务专业知识和对模型的更精细分析（边际效果，优势比）。相反，使用分类树或基于树的算法（例如随机森林）使连续变量离散和分组类别过时。这些技术自主确定模式的最佳离散和分组（Stang等，2022）
C-ESG 风险圆桌会议抵押品工作流报告
银行和监管机构都认识到环境因素可能成为金融风险的一个来源，因此必须加大力度确保正确识别、理解、衡量、管理和监督此类风险。为实现这一目标，银行正在重新审视其内部系统、模型和流程，特别是与数据收集、风险管理和信贷审批流程相关的系统、模型和流程。由于银行投资组合的风险状况反映了其客户的风险状况，因此，为了降低风险，银行也在迅速加深与客户的接触，以了解他们的过渡计划并协助他们进行必要的业务转型。然而，尽管银行取得了切实的进步，但它们仍面临着众多运营和实施挑战，其中许多挑战既不是银行业本身的产物，也不是银行业固有的。虽然有些问题需要在单个组织层面解决，但其他问题将受益于银行、监管机构和监督者之间的协作方法和集体解决方案和讨论。
美国经济、住房和抵押贷款市场展望
美国经济：美国经济分析局 (BEA) 于 2024 年 5 月发布的美国经济增长第二次估计显示，2024 年第一季度 GDP 增长进一步放缓至 1.3% 的年化率，而第一次估计为 1.6%。消费者支出的下调是造成这一变化的最大因素，此外还有私人库存投资和联邦政府支出。第一季度消费支出年化增长率放缓至 2%，而 2023 年第四季度为 3.3%。消费支出对 GDP 增长的贡献为 1.3%，这意味着其他组成部分相互抵消——投资和政府支出的增加被净出口的减少所抵消。虽然第一季度 GDP 的下调引发了人们对未来增长的担忧，但自 2000 年以来，尽管经过了季节性调整，第一季度的增长通常仍低于其他季度。图 1 显示了 2000 年第一季度至 2024 年第一季度的季度增长率平均值。
EBA关于绿色贷款和抵押贷款的报告咨询文件 - 欧洲银行局气候压力测试，银行贷款以及向碳中性经济的过渡∗
∗我们非常感谢Andreas Beyer，Giorgia Barboni，Ricardo Correa，Ricardo Correa，Hans Degryse，Klaus Duellmann，Bill English，Ivan Ivanov，Tristaniov，Tristan Jourde，Moqi Groen-groen-Xu，Reint Gropp，Reint Gropp，Reint Gropp，Reint Gropp，Nadja grop，NadjaGunster，thomas thomas thoms @uns＆saver kings @ saver kings @ kids @ kids @ kids kings kids x. Koetter, Philipp Klein, Kai Li, Jose Lopez, Michala Marcussen, Christoph Meinerding, Ralf Meisenzahl, Louis Nguyen, Steven Ongena, Pia Pinger, Andreas Pfingsten, Martin Oehmke, Larissa Schaefer, Merih Sevilir, Christoph Schneider, Alexander Schulz, Zacharias Sautner, Ulrich瓦格纳（Wagner），夏（Shuo Xia）以及英格兰银行，CRC撤退，德意志联邦银行（Deutsche Bundesbank），欧洲央行银行监督研究会议，ECB-IMF宏观审慎政策与研究会议，欧洲央行 - IMF皇家银行的EFI网络会议，MACRONERISER of MACRO的FIN，EFI网络会议的EFI网络会议，欧洲央行 - IMF批评政策和研究会议的首届欧洲央行研究会议，欧洲央行 - IMF宏观审慎政策和研究会议，欧洲央行及以储备金的福特（Macro）的福特（MACRO）的fin，柏林DIW的经济历史，金融研讨会上的沃里克妇女，圣安德鲁斯大学，冲浪跨机构研讨会，穆斯特大学，诺丁汉大学和图宾根大学。通过德国研究基金会合作研究中心TR 224（项目A02）获得的财务支持非常感谢。†科隆大学‡哈勒经济研究所（IWH）和弗里德里希·席勒大学（Friedrich Schiller University