Verwendung kausaler Schlussfolgerungen zur Verbesserung der Erklärbarkeit im Finanzsektor – Financial institution Underground

Rhea Mirchandani und Steve Blaxland

Aufsichtsbehörden sind dafür verantwortlich, die Sicherheit und Solidität von Unternehmen zu gewährleisten und deren ungeordneten Zusammenbruch mit systemischen Folgen zu verhindern, während sie gleichzeitig die von ihnen übermittelten immer umfangreicheren Daten verwalten. Um dies zu erreichen, analysieren sie Kennzahlen wie Kapital, Liquidität und andere Risikoexpositionen für diese Organisationen. Plötzliche Spitzen oder Tiefststände dieser Kennzahlen können auf zugrunde liegende Probleme hinweisen oder eine fehlerhafte Berichterstattung widerspiegeln. Vorgesetzte untersuchen diese Anomalien, um ihre Grundursachen zu ermitteln und eine geeignete Vorgehensweise festzulegen. Das Aufkommen von Techniken der künstlichen Intelligenz, einschließlich Kausalinferenz, könnte als weiterentwickelter Ansatz zur Verbesserung der Erklärbarkeit und zur Durchführung von Ursachenanalysen dienen. In diesem Artikel untersuchen wir einen grafischen Ansatz zur kausalen Schlussfolgerung zur Verbesserung der Erklärbarkeit wichtiger Kennzahlen im Finanzsektor.

Diese Ergebnisse können auch als Frühwarnindikatoren dienen, die auf potenzielle Anzeichen von Stress bei diesen Banken und Versicherungsunternehmen hinweisen und so die finanzielle Stabilität unserer Wirtschaft schützen. Dies könnte auch zu einer erheblichen Reduzierung des Zeitaufwands der Vorgesetzten für die Wahrnehmung ihrer Aufgaben führen. Ein zusätzlicher Vorteil wäre, dass Vorgesetzte, nachdem sie ein datengestütztes Verständnis der Grundursachen gewonnen haben, dann detaillierte Anfragen an diese Unternehmen senden und so bessere Antworten mit größerer Relevanz erhalten könnten.

Eine Einführung in Directed Acylic Graph (DAG)-Ansätze für kausale Schlussfolgerungen

Kausaler Rückschluss ist für eine fundierte Entscheidungsfindung unerlässlich, insbesondere wenn es darum geht, zwischen Korrelationen und echten Kausalitäten zu unterscheiden. Vorhersagemodelle für maschinelles Lernen stützen sich stark auf korrelierte Variablen und sind nicht in der Lage, Ursache-Wirkungs-Beziehungen von rein numerischen Korrelationen zu unterscheiden. Beispielsweise besteht ein Zusammenhang zwischen dem Verzehr von Eiscreme und einem Sonnenbrand. Nicht weil ein Ereignis das andere verursacht, sondern weil beide Ereignisse durch etwas anderes verursacht werden – sonniges Wetter. Maschinelles Lernen berücksichtigt möglicherweise falsche Korrelationen und versteckte Störfaktoren nicht und verringert dadurch das Vertrauen in seine Fähigkeit, kausale Fragen zu beantworten. Um dieses Downside anzugehen, können kausale Rahmenwerke genutzt werden.

Die Grundlage von Kausalrahmen ist ein gerichteter azyklischer Graph (DAG), ein Ansatz für kausale Schlussfolgerungen, der häufig von Datenwissenschaftlern verwendet wird, von Ökonomen jedoch weniger häufig übernommen wird. Ein DAG ist eine grafische Struktur, die Knoten und Kanten enthält, wobei Kanten als Verbindungen zwischen Knoten dienen, die kausal miteinander verbunden sind. Diese DAG kann unter Verwendung vordefinierter Formeln, Domänenwissen oder kausaler Entdeckungsalgorithmen erstellt werden (Kausalzusammenhänge). Anhand einer bekannten DAG und beobachteter Daten können wir ein Kausalmodell daran anpassen und möglicherweise eine Vielzahl kausaler Fragen beantworten.

Verwendung eines grafischen Kausalitätsansatzes zur Verbesserung der Erklärbarkeit im Finanzsektor

Banken und Versicherungsunternehmen übermitteln der Financial institution of England regelmäßig regulatorische Daten, die Kennzahlen zu verschiedenen Aspekten von Kapital, Liquidität und Rentabilität umfassen. Vorgesetzte analysieren diese Kennzahlen, die mithilfe komplexer Formeln berechnet werden, die auf diese Daten angewendet werden. Dieser Prozess ermöglicht es uns, eine Abhängigkeitsstruktur zu erstellen, die die Vernetzung zwischen Metriken zeigt (Abbildung 1):

Abbildung 1: DAG basiert auf einer Teilmenge bankaufsichtsrechtlicher Daten

Die Komplexität des DAG verdeutlicht die Herausforderung, Metriken auf ihre granulare Ebene zu zerlegen, eine Aufgabe, die Vorgesetzte manuell durchgeführt haben. Ein DAG selbst verfügt als Diagramm über keine Informationen über den Datengenerierungsprozess. Wir nutzen die DAG und überlagern sie mit kausalen Mechanismen, um unter anderem Aufgaben wie die Ursachenanalyse von Anomalien, die Quantifizierung der Pfeilstärken der übergeordneten Knoten auf dem Zielknoten und den intrinsischen kausalen Einfluss auszuführen (Kausale Aufgaben). Um diese Analysen zu unterstützen, haben wir die genutzt Warum Bibliothek in Python.

Methodik und Durchführung ursächlicher Aufgaben

Ein Kausalmodell besteht aus einer DAG und einem Kausalmechanismus für jeden Knoten. Dieser kausale Mechanismus definiert die bedingte Verteilung einer Variablen angesichts ihrer Eltern (die Knoten, von denen sie stammt) im Diagramm, oder, im Fall von Wurzelknoten, einfach ihre Verteilung. Mit der DAG und den vorliegenden Daten können wir das Kausalmodell trainieren.

Abbildung 2: Auszug aus dem DAG in Abbildung 1 – „Gesamtrückstände einschließlich Darlehen der Stufe 1“

Die erste Anwendung, die wir untersucht haben, warfare „Direct Arrow Energy“, die die Stärke eines bestimmten Kausalzusammenhangs innerhalb der DAG quantifiziert, indem sie die Änderung der Verteilung misst, wenn eine Kante im Diagramm entfernt wird. Dies hilft uns bei der Beantwortung der Frage: „Wie stark ist der kausale Einfluss einer Ursache auf ihre direkte Wirkung?“. Wenn man dies auf die „Gesamtrückstände“ anwendet einschließlich Im Knoten „Darlehen der Stufe 1“ (Abbildung 2) sehen wir, dass die Pfeilstärke für den übergeordneten Knoten „Gesamtrückstände“ angezeigt wird ausschließlich „Darlehen der Stufe 1“ haben einen positiven Wert. Dies kann so interpretiert werden, dass das Entfernen des Pfeils vom übergeordneten Ziel zum Ziel dessen Varianz um denselben positiven Wert erhöht.

Ein zweiter untersuchter Aspekt ist der intrinsische kausale Beitrag, der den intrinsischen Beitrag eines Knotens unabhängig von den von seinen Vorfahren geerbten Einflüssen schätzt. Bei der Anwendung dieser Methode auf „Gesamtrückstände einschließlich „Darlehen der Stufe 1“ (Abbildung 2) ergeben sich folgende Ergebnisse:

Abbildung 3: Ergebnisse des intrinsischen Beitrags

Eine interessante Schlussfolgerung hier ist, dass „Gesamtrückstände ohne Darlehen der Stufe 1“, die oben die höchste direkte Pfeilstärke aufwiesen, tatsächlich einen sehr geringen intrinsischen Beitrag haben. Dies ist sinnvoll, da es als Funktion von „Vermögenswerte mit deutlich erhöhtem Kreditrisiko, aber nicht bonitätsgemindert (Stufe 2) <= 30 Tage“, „Vermögenswerte mit deutlich erhöhtem Kreditrisiko, aber nicht bonitätsgemindert (Stufe 2)“ berechnet wird ) > 30 <= 90 Tage“ und „Guthaben mit beeinträchtigter Bonität (Stufe 3) > 90 Tage“, die einen hohen intrinsischen Beitrag haben, wie in Abbildung 3 dargestellt, und die Stärke des direkten Pfeils für „Gesamtrückstände ohne Kredite der Stufe 1“ erhöhen ', das wir oben gesehen haben.

Ein weiterer Schwerpunkt eines Supervisors besteht darin, Anomalien den zugrunde liegenden Ursachen zuzuordnen, was bei der Beantwortung der Frage hilft: „Wie viel haben die Upstream-Knoten und der Zielknoten zu der beobachteten Anomalie beigetragen?“. Hier verwenden wir umkehrbare kausale Mechanismen, um das Rauschen, das zu einer bestimmten Beobachtung führt, zu rekonstruieren und zu modifizieren. Wir haben diese Methode für einen anomalen Wert der Liquidity Protection Ratio (LCR) evaluiert, die das Verhältnis des Liquiditätspuffers eines Kreditinstituts zu seinen Nettoliquiditätsabflüssen über einen Stresszeitraum von 30 Kalendertagen darstellt (Anhang XIV). Unsere Ergebnisse zeigten, dass die Anomalie in der LCR hauptsächlich auf den Liquiditätspuffer zurückzuführen ist (der in den Zähler der Quote einfließt) (Abbildung 4). Eine optimistic Bewertung bedeutet, dass der Knoten zur Anomalie beigetragen hat, während eine adverse Bewertung bedeutet, dass dadurch die Wahrscheinlichkeit der Anomalie verringert wird. Beim Zeichnen von Diagrammen für das Ziel und die zugeordneten Ursachen zeigten sie sehr ähnliche Traits, was bestätigte, dass die richtige Grundursache identifiziert worden warfare.

Abbildung 4: Ergebnisse der Anomalie-Zuordnung

Einschränkungen

Intestine funktionierende Kausalmodelle erfordern eine DAG, die die Beziehungen zwischen den zugrunde liegenden Variablen korrekt darstellt. Andernfalls erhalten wir möglicherweise verzerrte Ergebnisse und damit irreführende Schlussfolgerungen. Eine weitere wichtige Aufgabe besteht darin, den richtigen Granularitätsgrad für den für die Modellierung verwendeten Datensatz festzulegen. Dazu gehört auch die Entscheidung, ob separate Modelle auf die Daten jeder Organisation angepasst werden sollten oder ob ein allgemeinerer Datensatz bevorzugt wird. Letzteres könnte zu ungenauen Ergebnissen führen, da sich das Geschäftsmodell und die Vermögens-/Verbindlichkeitszusammensetzung jedes Unternehmens erheblich unterscheiden, was zu erheblichen Abweichungen bei den von jedem Knoten in den DAGs der verschiedenen Unternehmen dargestellten Werten führt, was eine Verallgemeinerung erschwert. Möglicherweise können wir ähnliche Unternehmen zusammenfassen, aber das ist ein Bereich, den wir noch erkunden müssen. Ein dritter Schwerpunkt liegt auf der Validierung der Ergebnisse aus Kausalrahmen. Wie bei wissenschaftlichen Theorien kann das Ergebnis einer Kausalanalyse nicht als richtig erwiesen werden, sondern kann Widerlegungstests unterzogen werden. Wir können einen Triangulationsvalidierungsansatz anwenden, um zu sehen, ob andere Methoden zu ähnlichen Schlussfolgerungen führen. Wir haben versucht, unsere Annahme über die Notwendigkeit kausaler Beziehungen in den Daten gegenüber bloßen Korrelationen weiter zu validieren, indem wir überwachte Lernalgorithmen verwendeten und die berechneten Gestalten Werte, um anhand der kausalen Schlussfolgerung zu sehen, ob die wichtigsten Merkmale von den identifizierten Treibern abweichen. Dieser Ansatz bekräftigte den grundlegenden Zweck der Kausalanalyse, da die Merkmale mit den höchsten SHAP-Werten diejenigen waren, die die höchsten Korrelationen mit dem Ziel aufwiesen, unabhängig davon, ob sie kausal miteinander verbunden waren. Wir beschäftigen uns jedoch mit der detaillierteren Untersuchung der Triangulationsvalidierung.

Schlussfolgerungen

Um ein wirkliches Verständnis realer Beziehungen zu erlangen, ist es entscheidend, über die korrelationsbasierte Analyse hinauszugehen. In diesem Artikel zeigen wir die Macht der kausalen Schlussfolgerung und wie sie zur Bereitstellung einer urteilsbasierten Aufsicht beitragen kann.

Wir diskutieren, wie kausale Rahmenwerke zur Durchführung einer Ursachenanalyse verwendet werden können, um die Haupttreiber für Anomalien zu identifizieren, die Anzeichen für Besorgnis für eine Organisation sein könnten. Dies könnte auch auf fehlerhafte Daten von Unternehmen hinweisen und Vorgesetzte können Wiedervorlagen beantragen und so die Datenqualität verbessern. Wir haben auch die Quantifizierung des kausalen Einflusses für interessierende Kennzahlen genutzt, um eine bessere Vorstellung von den Faktoren zu bekommen, die verschiedene Traits antreiben. Ein beeindruckendes Merkmal ist die Fähigkeit, die intrinsischen Beiträge von Variablen zu quantifizieren, nachdem die von ihren übergeordneten Knoten geerbten Effekte eliminiert wurden. Der Vorteil dieses Kausalrahmens besteht darin, dass er leicht skalierbar ist und auf alle Unternehmen in unserer Bevölkerung ausgeweitet werden kann. Es bestehen jedoch Bedenken hinsichtlich der Gültigkeit der Ergebnisse kausaler Algorithmen, da es keine einzelne Metrik (z. B. Genauigkeit) zur Messung der Leistung gibt.

Wir planen, eine Vielzahl von Anwendungen zu untersuchen, die durch diese Kausalmechanismen durchgeführt werden können, einschließlich der Simulation von Interventionen und der Berechnung von Kontrafakten. Da Organisationen wie unseres weiterhin mit ständig wachsenden Datenmengen zu kämpfen haben, versprechen kausale Rahmenwerke eine entscheidende Wende und ebnen den Weg für eine effizientere Entscheidungsfindung und eine optimale Nutzung der Zeit der Vorgesetzten.

Rhea Mirchandani und Steve Blaxland arbeiten in der RegTech-, Daten- und Innovationsabteilung der Financial institution.

Wenn Sie mit uns Kontakt aufnehmen möchten, senden Sie uns bitte eine E-Mail an bankunderground@bankofengland.co.uk oder hinterlassen Sie unten einen Kommentar.

Kommentare erscheinen erst nach Genehmigung durch einen Moderator und werden nur unter Angabe des vollständigen Namens veröffentlicht. Financial institution Underground ist ein Weblog für Mitarbeiter der Financial institution of England, um Ansichten auszutauschen, die die vorherrschenden politischen Orthodoxien in Frage stellen oder unterstützen. Die hier geäußerten Ansichten sind die der Autoren und nicht notwendigerweise die der Financial institution of England oder ihrer politischen Ausschüsse.