Documento de debate sobre Machine Learning en el enfoque IRB

En los últimos años, el Big Data ha surgido como resultado del aumento de la disponibilidad y la capacidad de almacenamiento y procesamiento de datos. Las técnicas de Machine Learning (ML) utilizan estos datos como la fuente de información necesaria para desarrollar y mejorar las características y las capacidades de los modelos. La Autoridad Bancaria Europea (EBA) publicó en 2020 un informe sobre big data y analítica avanzada, incluyendo ML, en el sector bancario. Además, en junio de 2021, la EBA publicó un informe sobre el panorama actual de RegTech en la EU. En este contexto, la EBA ha publicado un documento de debate sobre la aplicación de técnicas de ML para los modelos utilizados en el enfoque IRB.

Documento de debate sobre Machine Learning en el enfoque IRB

Ver vídeo

Resumen ejecutivo

La EBA ha publicado un documento de debate sobre la aplicación de técnicas de ML en la construcción y validación de los modelos utilizados en el enfoque IRB. El documento tiene como objetivo analizar la relevancia de los posibles obstáculos para la implementación de técnicas de ML en el ámbito del enfoque IRB, basándose en algunas cuestiones prácticas. El documento incluye asimismo los retos y los beneficios potenciales del uso del ML, y establece ciertos principios y recomendaciones.

Contenido principal

Esta Nota Técnica resume los principales aspectos del documento de debate:

• Definición, paradigmas de aprendizaje y uso actual del ML en la modelización del riesgo de crédito. Las técnicas de ML se caracterizan por un elevado número de parámetros y, por tanto, requieren un gran volumen de datos para su estimación, de forma que los modelos sean capaces de reflejar relaciones no lineales entre las variables. Más allá de esta definición general, se pueden utilizar varios paradigmas de aprendizaje para entrenar los modelos.
• Desafíos y beneficios potenciales de las técnicas de ML. La aplicación de técnicas de ML plantea una serie de desafíos y beneficios potenciales. Estos dependen del contexto de su uso, la complejidad y la interpretabilidad de modelos de ML. El uso de estas técnicas plantea algunos retos relacionados con el gobierno corporativo, el proceso de implementación, la categorización de los cambios del modelo, o el uso de datos no estructurados.
• Uso prudente de las técnicas ML. Las técnicas de ML son más complejas que las técnicas tradicionales y a veces menos transparentes. Entre las recomendaciones específicas para estos modelos se incluyen un conocimiento apropiado y la aplicación de técnicas de interpretabilidad de los modelos, tratar de mantener acotada la complejidad para su uso, y la aplicación de técnicas adecuadas de validación del modelo.

Management Solutions cuenta con un grupo de trabajo experto que apoya a sus clientes en el desarrollo e implantación de sus proyectos de con foco en la interpretabilidad de los resultados y la integración en el negocio, en cada una de las siguientes líneas de actividad definidas: i) infraestructura de datos e IT; ii)modelización; iii) validación; iv) interpretabilidad; v) regulación; y vi) otros.

Accede al documento completo haciendo clic aquí (documento solo disponible en inglés).