論文の概要: Should Bank Stress Tests Be Fair?

• arxiv url: http://arxiv.org/abs/2207.13319v1
• Date: Wed, 27 Jul 2022 06:46:51 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-28 13:08:58.442107
• Title: Should Bank Stress Tests Be Fair?
• Title（参考訳）: 銀行のストレステストは公平か?
• Authors: Paul Glasserman and Mike Li
• Abstract要約: 銀行間でデータをプールすることは銀行を平等に扱うが、2つの欠陥があると主張する。 我々は、銀行間の差異を単に無視するよりも、中心的な銀行固定効果を推定し、破棄することを好んで論じる。
• 参考スコア（独自算出の注目度）: 1.370633147306388
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Regulatory stress tests have become the primary tool for setting capital requirements at the largest U.S. banks. The Federal Reserve uses confidential models to evaluate bank-specific outcomes for bank-specific portfolios in shared stress scenarios. As a matter of policy, the same models are used for all banks, despite considerable heterogeneity across institutions; individual banks have contended that some models are not suited to their businesses. Motivated by this debate, we ask, what is a fair aggregation of individually tailored models into a common model? We argue that simply pooling data across banks treats banks equally but is subject to two deficiencies: it may distort the impact of legitimate portfolio features, and it is vulnerable to implicit misdirection of legitimate information to infer bank identity. We compare various notions of regression fairness to address these deficiencies, considering both forecast accuracy and equal treatment. In the setting of linear models, we argue for estimating and then discarding centered bank fixed effects as preferable to simply ignoring differences across banks. We present evidence that the overall impact can be material. We also discuss extensions to nonlinear models.
• Abstract（参考訳）: 規制ストレステストは、米国最大の銀行で資本要件を設定するための主要なツールとなっている。 連邦準備制度理事会(FRB)は秘密モデルを用いて、銀行固有のポートフォリオを共有ストレスシナリオで評価する。 政策面では、金融機関間でかなりの異質性があるにもかかわらず、全ての銀行で同じモデルが使われているが、個々の銀行は、いくつかのモデルが事業に適さないと主張している。 この議論に動機づけられて、私たちは、個別に調整されたモデルのフェアアグリゲーションを共通のモデルにしたものは何でしょうか? 銀行にまたがるデータのプールは、銀行を平等に扱うが、2つの欠陥がある: 正当なポートフォリオ機能の影響を歪め、銀行のアイデンティティを推測するために正当な情報の暗黙の誤った指示に弱い。 予測精度と等価処理の両面から、回帰公正性の様々な概念を比較し、これらの欠陥に対処する。 線形モデルの設定においては、銀行間の差異を単に無視するよりも、中心となる固定効果を推定・破棄することが望ましいと論じる。 我々は、全体的な影響が物質的であることを示す。 非線形モデルの拡張についても論じる。

関連論文リスト

• Advanced User Credit Risk Prediction Model using LightGBM, XGBoost and Tabnet with SMOTEENN [8.225603728650478]
  研究対象として商業銀行が提供する4万件以上のレコードのデータセットを使用します。 実験では、LightGBMとPCAとSMOTEENNの技術を組み合わせることで、銀行が高品質な顧客を正確に予測できることを示した。
  論文  参考訳（メタデータ） (2024-08-07T01:37:10Z)
• On the Societal Impact of Open Foundation Models [93.67389739906561]
  ここでは、広く利用可能なモデルウェイトを持つものとして定義されている、オープンファンデーションモデルに重点を置いています。 オープンファンデーションモデルの5つの特徴を識別し,その利点とリスクを両立させる。
  論文  参考訳（メタデータ） (2024-02-27T16:49:53Z)
• Fairness Increases Adversarial Vulnerability [50.90773979394264]
  フェアネスとロバストネスの間に二分法が存在することを示し、フェアネスを達成するとモデルロバストネスを減少させる。 非線形モデルと異なるアーキテクチャの実験は、複数の視覚領域における理論的発見を検証する。 フェアネスとロバストネスの良好なトレードオフを達成するためのモデルを構築するための,シンプルで効果的なソリューションを提案する。
  論文  参考訳（メタデータ） (2022-11-21T19:55:35Z)
• Specifying and Testing $k$-Safety Properties for Machine-Learning Models [20.24045879238586]
  フォーマルなメソッドで使われる仕様からインスピレーションを得て、$k$の異なる実行、いわゆる$k$-safetyプロパティを表現します。 ここでは、機械学習モデルに対する$k$-safetyプロパティの幅広い適用性を示し、それらを表現するための最初の仕様言語を示す。 我々のフレームワークは、プロパティ違反を特定するのに有効であり、検出されたバグはより良いモデルのトレーニングに使用できる。
  論文  参考訳（メタデータ） (2022-06-13T11:35:55Z)
• Debiasing Credit Scoring using Evolutionary Algorithms [0.0]
  本稿では,リアルタイムな公開データを用いた信用決定モデルのトレーニングにおける機械学習の適用について検討する。 我々は、訓練されたモデルが与えられた個人のグループに対して差別的偏見を示すという要求を表現するために「バイアス客観的」という用語を用いる。
  論文  参考訳（メタデータ） (2021-10-25T12:09:10Z)
• On the Opportunities and Risks of Foundation Models [256.61956234436553]
  これらのモデルの基礎モデルは、批判的に中心的だが不完全な性格を根底から立証するものです。 本報告では,基礎モデルの可能性とリスクについて概説する。 これらの疑問に対処するためには、基礎モデルに関する重要な研究の多くは、深い学際的なコラボレーションが必要であると信じている。
  論文  参考訳（メタデータ） (2021-08-16T17:50:08Z)
• Inspecting the Process of Bank Credit Rating via Visual Analytics [34.55692862750793]
  銀行の信用格付けは、公開情報と内部情報に基づいて、銀行を異なるレベルに分類する。 我々は、さまざまな銀行信用格付けスキームを調査・比較する専門家を支援するため、RatingVisを提案する。
  論文  参考訳（メタデータ） (2021-08-06T09:08:00Z)
• Characterizing Fairness Over the Set of Good Models Under Selective Labels [69.64662540443162]
  同様の性能を実現するモデルセットに対して,予測公正性を特徴付けるフレームワークを開発する。 到達可能なグループレベルの予測格差の範囲を計算するためのトラクタブルアルゴリズムを提供します。 選択ラベル付きデータの実証的な課題に対処するために、我々のフレームワークを拡張します。
  論文  参考訳（メタデータ） (2021-01-02T02:11:37Z)
• Fairness Through Robustness: Investigating Robustness Disparity in Deep Learning [61.93730166203915]
  我々は、モデルが敵の攻撃に弱い場合、従来の公平性の概念では不十分であると主張する。 頑健性バイアスを測定することはDNNにとって難しい課題であり,この2つの方法を提案する。
  論文  参考訳（メタデータ） (2020-06-17T22:22:24Z)
• Super-App Behavioral Patterns in Credit Risk Models: Financial, Statistical and Regulatory Implications [110.54266632357673]
  従来の官僚データとは対照的に、アプリベースのマーケットプレースから派生した代替データが信用スコアモデルに与える影響を提示する。 2つの国にまたがって検証した結果、これらの新たなデータソースは、低体重者や若年者における金融行動を予測するのに特に有用であることが示された。
  論文  参考訳（メタデータ） (2020-05-09T01:32:03Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。