XiaoMi-AI文件搜索系统
World File Search System信用风险
评估AI和区块链对减轻信用风险的影响：使用机器学习的预测分析方法
近年来，人工智能（AI），区块链技术和机器学习的整合已改变了金融行业的信用风险降低策略。本文探讨了这些技术在识别，评估和管理信用风险时的实际应用，并特别关注预测分析和分散框架。通过全面的文献综述和案例研究，研究表明了AI驱动算法，区块链的透明和不可变的分类帐系统以及机器学习模型如何提高了信用风险评估的精确性和效率。此外，该研究还研究了金融机构如何采用这些创新，以创建更准确的信用评分系统，减少欺诈并优化运营风险管理。尽管这些技术具有巨大的希望，但诸如数据隐私，法规合规性和实施成本等挑战仍然是重大障碍。本文以克服这些挑战的建议结束，并最大程度地发挥了AI，区块链和机器学习在降低信用风险中的潜力。
2023 年度报告已提交...
电话：+52 55 5366 4000 Orbia Advance Corporation, SAB de CV 证券在墨西哥证券交易所 (Bolsa Mexicana de Valores, SAB de CV) 上市。I. Orbia Advance Corporation, SAB de CV-（“Orbia”、“公司”或“发行人”）上市第一系列、“I”类和“II”类股票，分别代表其无撤回权的固定股本部分和可变股本部分。这些股票赋予其持有人相同的公司和财产权利。股票代码：ORBIA* ORBIA“*”系列股票（单只）在国家证券注册处（RNV - 西班牙语缩写）注册并在墨西哥证券交易所（SAB de CV）上市。它们在BMV和Bolsa Institucional de Valores, SA de CV交易。标准普尔给予ORBIA的全球信用风险评级为“BBB-”，长期和短期国家信用风险评级为“mxAA/mxA-1+”，展望为稳定。穆迪给予ORBIA的长期全球信用风险评级为“Baa3”，展望为稳定。惠誉给予ORBIA的长期全球信用风险评级为“BBB”，长期国家信用风险评级为“AAA(mex)”，短期国家信用风险评级为“F1+(mex)”，展望为稳定。 HR Ratings 的长期全国信用风险评级为“HR AAA”，展望稳定。在国家证券登记处登记并不意味着对证券质量、发行人的偿付能力或年度报告中所含信息的准确性或真实性的认证，也不意味着验证任何可能违反法律的行为。
利润敏感的机器学习分类，具有信用风险中的解释：在点对点贷款中的小型企业的情况
，我们为在财务上最复杂的小企业之一的P2P贷款中提出了一种全面的利润敏感方法。通过包括利润以及在建模过程的三个方面引入利润信息，我们超越了传统和成本敏感的方法：分类算法的学习功能（我们的情况下XGBOOST），超参数优化和决策功能。在小型企业案例中，通过授予大部分较低风险的低风险较低贷款，在分析的小企业案例中，利润敏感的方法比利益敏感的方法获得了更高的盈利能力。解释性工具可帮助我们发现此类贷款的关键特征。只要错误分类矩阵的细胞具有经济价值，我们的建议可以扩展到其他贷款市场或其他分类问题。
风险和资本管理 - Nykredit
◼ 集团 REA 的 86.4% 来自信用风险，主要与抵押贷款和银行贷款有关。信用风险按照信用政策进行管理，包括对单一名称、行业和地理区域的信用风险集中要求。截至 2023 年底，已计提 90 亿丹麦克朗的贷款损失准备。当年的贷款减值准备为负 2 亿丹麦克朗，相当于贷款的负 0.01%。信用风险敞口在集团的风险偏好范围内。◼ 市场风险主要与 Nykredit Markets 的活动和集团的投资职能有关。集团 REA 的 6.5% 来自市场风险。市场风险按照市场风险政策进行管理，包括董事会规定的各种市场风险的详细限额和指南。市场风险敞口在集团的风险偏好范围内。
利用快速消费品不同供应商的财务数据
在快速发展的快速消费品 (FMCG) 领域，宝洁、印度斯坦联合利华、Amul 和可口可乐等跨国公司 (MNC) 在管理供应商关系和有效评估信用风险方面面临重大挑战。本文旨在利用来自不同供应商的财务数据，利用先进的人工智能 (AI) 和机器学习 (ML) 方法分析信用风险。我们探索了一个全面的数据集，其中包括资产负债表、所得税申报表、订单簿、工厂设置和熟练人力的可用性等关键财务指标。此外，我们还结合运营数据、定性评估和产品特定信息，全面评估供应商稳定性并预测潜在的信用风险。
金融稳定报告 - Bqk-kos.org
5.1. 信用风险 ------------------------------------------------------------------------------------------------------------------ 55
金融服务领域 AI/ML 应用报告
2018 年 3 月，IIF 发布了《信用风险中的机器学习报告 1》，调查了全球 60 家公司在信用风险管理中应用机器学习技术的应用、动机、经验和挑战。次年再次进行了调查；第二版《信用风险中的机器学习，2019 2》于 2019 年 7 月发布。一项类似的研究——《反洗钱中的机器学习报告 3》——于 2018 年 10 月发布，调查了 59 家公司，其中大多数公司也接受了 2018 年信用风险报告的采访。通过发布机器学习专题系列，IIF 解决了使用机器学习进行信贷风险管理和反洗钱 (AML) 活动时遇到的常见挑战，包括出版物《预测模型中的可解释性 4》和《机器学习中的偏见和道德影响 5》。
重新定义风险管理：通过信贷、欺诈和合规融合推动金融服务增长
数据聚合的另一个特别有用的领域是区分信用损失和欺诈损失。目前，信用风险和欺诈风险职能的分离意味着用于识别这些问题的工具通常是各自为政的。因此，团队可能无法完全理解其他部门做出的信用或欺诈风险决策的结果。这种分离使得人们对业务挑战的真正性质产生了模糊性：这是信用风险问题还是欺诈风险问题？如果没有对数据和结果的统一看法，风险分类就会变成一种任意的报告活动。
2022 年偿付能力和财务状况报告 2023 年 4 月
第三大风险是信用风险，占 13%。由于与 Hiscox Insurance Company (Bermuda) Ltd. 签订了配额协议，HSA 固有的信用风险敞口很大。通过持有抵押品并根据再保险公司的信用评级限制其风险敞口，可以降低这种风险。剩下的类型是市场风险。2022 年，市场风险的分散前 SCR 为 12%。HSA 按照 Solvency II 谨慎人原则进行投资，以保护投资组合的安全性、质量、流动性和盈利能力，并确保公司能够根据需要以相关货币获得资产。所有风险类型都作为风险管理框架的一部分进行积极管理。尽管承保、市场和信用风险之间存在联系，但每个类别中最极端的损失不太可能同时发生。为了认识到这一点，HSA 的 SCR 小于每个风险的单个资本要求的总和，反映了这种分散化收益的影响。HSA 风险状况的更多详细信息，包括对 HSA 分散化资本标准公式 SCR 的分析，包含在本报告的 C 部分中。
在线支付中的 AI Deepfake 和欺诈检测......
摘要 — 供应链中的信用风险管理已成为一个重要的研究领域，因为它对运营稳定性和财务可持续性具有重要意义。供应链参与者之间错综复杂的相互依赖关系意味着信用风险可以跨网络传播，其影响因行业而异。本研究探讨了生成对抗网络 (GAN) 在增强供应链信用风险识别中的应用。GAN 能够生成合成信用风险场景，解决与数据稀缺和数据集不平衡相关的挑战。通过利用 GAN 生成的数据，该模型提高了预测准确性，同时有效地捕获了供应链数据中的动态和时间依赖关系。该研究重点关注三个代表性行业——制造业（钢铁）、分销业（制药）和服务业（电子商务），以评估特定行业的信用风险传染。实验结果表明，基于 GAN 的模型优于传统方法，包括逻辑回归、决策树和神经网络，实现了卓越的准确性、召回率和 F1 分数。研究结果强调了 GAN 在主动风险管理方面的潜力，为缓解供应链中的财务中断提供了强有力的工具。未来的研究可以通过纳入外部市场因素和供应商关系来扩展该模型，以进一步增强预测能力。