論文の概要: SHARC: SHAP-Based Interpretability in Machine Learning Risk Models for Regulatory Capital under ICAAP and CCAR

• arxiv url: http://arxiv.org/abs/2607.05484v1
• Date: Mon, 06 Jul 2026 16:45:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-08 21:24:51.27949
• Title: SHARC: SHAP-Based Interpretability in Machine Learning Risk Models for Regulatory Capital under ICAAP and CCAR
• Title（参考訳）: SHARC: ICAAPとCCARによる規制資本のマシンラーニングリスクモデルにおけるSHAPベースの解釈可能性
• Abstract要約: 本稿では,Hybrid GPR-HSアーキテクチャに関する説明可能性フレームワークとそのストレステスト拡張について述べる。 ストレストバリュー・アット・リスクをベースライン、平均駆動、ボラティリティ駆動のコンポーネントに分解することで、シナリオ設計と資本成果の透過的な結合を可能にします。 SHARCは、FRTB、ICAAP Pillar 2、CCARの透明性要件と完全に監査可能で一貫性のあるハイブリッドGPR-HSフレームワークである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The adoption of non-parametric machine learning models for regulatory capital estimation introduces a fundamental governance challenge: the inability to explain model outputs in a manner auditable by supervisory bodies. This 'black box' problem remains a major barrier to the adoption of Gaussian Process Regression (GPR) and related ML architectures in ICAAP and CCAR workflows despite their predictive advantages over traditional parametric approaches. This paper addresses this barrier through SHARC (SHAP for Regulatory Capital), an explainability framework for the Hybrid GPR-HS architecture and its stress-testing extension. SHapley Additive exPlanations (SHAP), derived from cooperative game theory and satisfying the properties of Local Accuracy, Missingness, Consistency, and Efficiency, are applied to Stressed Value-at-Risk (SVaR) outputs under three macro scenarios: West Asia War, Climate Risk, and AI Bubble/Regulatory Burden. SHARC decomposes SVaR into baseline, mean-driven, and volatility-driven components, enabling transparent linkage between scenario design and capital outcomes. Two findings emerge. First, SHARC consistently links non-linear SVaR outputs to underlying scenario inputs, confirming framework fidelity and providing auditable traceability of capital drivers. Second, under stress conditions, the mean return component (directional loss magnitude) dominates the variance component (volatility baseline) in determining capital levels, with implications for capital limit-setting, position management, and hedging strategy. The results establish SHARC as a regulator-aligned explainability layer that makes the Hybrid GPR-HS framework fully auditable and consistent with FRTB, ICAAP Pillar 2, and CCAR transparency requirements.
• Abstract（参考訳）: 規制資本推定のための非パラメトリック機械学習モデルの採用は、モデルアウトプットを監督機関が監査可能な方法で説明できないという、基本的なガバナンス上の課題を提起する。 この‘ブラックボックス’問題は、従来のパラメトリックアプローチよりも予測上の優位性があるにも関わらず、ICAAPおよびCCARワークフローにおけるガウスプロセス回帰(GPR)と関連するMLアーキテクチャの採用にとって、依然として大きな障壁である。 本稿では、Hybrid GPR-HSアーキテクチャとそのストレステスト拡張のための説明可能性フレームワークであるSHARC(SHAP for Regulatory Capital)を通じて、この障壁に対処する。 協力ゲーム理論から派生したSHAP(SHapley Additive ExPlanations)は、西アジア戦争、気候リスク、AIバブル/規制バーデンの3つのマクロシナリオ下でのストレスドバリュー・アット・リスク(SVaR)出力に適用される。 SHARCはSVaRをベースライン、平均駆動、ボラティリティ駆動のコンポーネントに分解し、シナリオ設計と資本成果の透過的な結合を可能にする。 2つの発見がある。 まず、SHARCは、非線形SVaR出力を基礎となるシナリオ入力に一貫してリンクし、フレームワークの忠実さを確認し、資本ドライバの監査可能なトレーサビリティを提供する。 第2に、ストレス条件下では、平均戻り成分(方向損失等級)が、資本水準決定における分散成分(ボラティリティ基準)を支配し、資本制限設定、位置管理、ヘッジ戦略に影響を及ぼす。 その結果、SHARCを規制に整合した説明可能性層として確立し、Hybrid GPR-HSフレームワークを完全に監査可能とし、FRTB、ICAAP Pillar 2、CCARの透明性要件と整合する。

関連論文リスト

• ARMOR: Stabilizing On-Policy LLM RL with Off-Policy Anchor Samples [65.74946647574696]
  強化学習(RL)は,大規模言語モデル(LLM)の推論能力を大幅に向上させた。 本研究では,この不安定性の重要源である過最適化について検討する。 我々は,このパラダイムを受動的ペナルティからアクティブ標本安定化に移行するフレームワークARMORを提案する。
  論文  参考訳（メタデータ） (2026-07-11T21:22:46Z)
• Forward-Looking Stress Testing Under Macro Scenarios: Stable SVaR Estimation Using a Hybrid GPR-HS Framework with SACS [0.0]
  本稿では,Hybrid Gaussian Process Regression Historical Simulation (GPR-HS) フレームワークを前向きのストレスシナリオに拡張する。 主要な貢献は、ストレス共分散を歴史的危機体制の重み付け集合として構成するシナリオ平均共分散安定化(SACS)フレームワークである。 その結果,SACS を用いた GPR-HS は SVaR と SES の推定を CCAR および ICAAP アプリケーションで行うための安定かつ規制の整ったアプローチとしてサポートした。
  論文  参考訳（メタデータ） (2026-05-26T18:02:45Z)
• SAGE: Shaping Anchors for Guided Exploration in RLVR of LLMs [55.46289074417954]
  検証可能な報酬(RLVR)による強化学習は、推論タスクのpass@1を確実に改善するが、pass@kでは同等の利得を得られないことが多い。 中心的な構造的制約は、トレーニングを安定させるが、本質的には基準分布にポリシーを固定する逆-KL正規化から生じる。 我々は,逆KLアンカー分布自体を再構成することで,制御可能な経験的サポート拡張を可能にする,原則化されたフレームワークであるSAGEを提案する。
  論文  参考訳（メタデータ） (2026-05-15T07:42:21Z)
• Interactive Critique-Revision Training for Reliable Structured LLM Generation [18.00222080273147]
  DPA-GRPOは,構成された検証器の介入による2人プレイヤジェネレータゲームのためのペアアクショントレーニング手法である。 我々は,非正規化ゲームを分析し,厳格に低いリワード介入やリビジョン行動に対する肯定的な確率が,一側偏差を生み出すことを示す。 TaxCalc TY24の実験では、DPA-GRPOはゼロショット生成とジェネレータのみのRLベースラインよりも構造化された決定精度を向上させる。
  論文  参考訳（メタデータ） (2026-05-08T17:00:38Z)
• Too Correct to Learn: Reinforcement Learning on Saturated Reasoning Data [55.84428098924793]
  構造保存探索を行うためのパラメータ自由復号法である Constrained Uniform Top-K Smpling (CUTS) を提案する。 グループ内の利点分散を増幅するために、エクスプロイトと探索的なロールアウトを相乗化するためのトレーニングフレームワークであるMixed-CUTSに統合する。 特にMixed-CUTSは、AIME25ベンチマークのPass@1の精度を標準のGRPOよりも15.1%向上している。
  論文  参考訳（メタデータ） (2026-04-20T16:43:28Z)
• Safer Reasoning Traces: Measuring and Mitigating Chain-of-Thought Leakage in LLMs [5.834576254792341]
  CoT(Chain-of-Thought)プロンプトは、個人識別可能な情報(PII)をプロンプトから推論トレースと出力に変換することで、プライバシーリスクを増大させる。 モデルに依存しないフレームワークを用いて, 直接的, 推論時のPIIリークについて検討する。
  論文  参考訳（メタデータ） (2026-03-05T19:20:44Z)
• Outcome-Grounded Advantage Reshaping for Fine-Grained Credit Assignment in Mathematical Reasoning [60.00161035836637]
  グループ相対政策最適化は、推論タスクのための有望な批判のない強化学習パラダイムとして登場した。 我々は,各トークンがモデルの最終回答にどの程度影響するかに基づいて,利益を再分配する,きめ細かい信用割当機構であるOutcome-grounded Advantage Reshaping (OAR)を紹介した。 OAR-Gは計算オーバーヘッドを無視して同等のゲインを達成し、どちらも強力なGRPOベースラインをはるかに上回っている。
  論文  参考訳（メタデータ） (2026-01-12T10:48:02Z)
• LLM-Generated Counterfactual Stress Scenarios for Portfolio Risk Simulation via Hybrid Prompt-RAG Pipeline [0.0]
  マクロ財務ストレステストのための透明で完全に監査可能なLCMベースのパイプラインを開発した。 このシステムは、GDPの成長、インフレ、政策金利をカバーするG7のための機械可読マクロ経済シナリオを生成する。 モデル、国、検索設定を越えて、LLMはコヒーレントで国固有のストレス物語を生成する。
  論文  参考訳（メタデータ） (2025-11-26T19:29:22Z)
• NDCG-Consistent Softmax Approximation with Accelerated Convergence [67.10365329542365]
  本稿では,ランキングの指標と直接一致した新たな損失定式化を提案する。 提案したRG損失を高効率な Alternating Least Squares (ALS) 最適化手法と統合する。 実世界のデータセットに対する実証的な評価は、我々のアプローチが同等または上位のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2025-06-11T06:59:17Z)
• Retrieval is Not Enough: Enhancing RAG Reasoning through Test-Time Critique and Optimization [58.390885294401066]
  Retrieval-augmented Generation (RAG) は知識基底型大規模言語モデル(LLM)を実現するためのパラダイムとして広く採用されている。 RAGパイプラインは、モデル推論が得られた証拠と整合性を維持するのに失敗することが多く、事実上の矛盾や否定的な結論につながる。 批判駆動アライメント(CDA)に基づく新しい反復的枠組みであるAlignRAGを提案する。 AlignRAG-autoは、動的に洗練を終了し、批判的な反復回数を事前に指定する必要がなくなる自律的な変種である。
  論文  参考訳（メタデータ） (2025-04-21T04:56:47Z)
• Adaptive Insurance Reserving with CVaR-Constrained Reinforcement Learning under Macroeconomic Regimes [0.0]
  本稿では、テールリスク感度、マクロ経済体制モデリング、規制コンプライアンスを統合した保険保留のための強化学習(RL)フレームワークを提案する。 このフレームワークは、固定ショックストレステストとシステマティック・ストラテライズド・アナリティクスに対応しており、不確実性の下での維持に原則的で原則化されたアプローチを提供する。
  論文  参考訳（メタデータ） (2025-04-13T01:43:25Z)

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。