美联储加息缩表！2022年给银行带来的模型风险挑战和机遇

市场结构变化、机器学习技术和气候风险管理提议，将逐步从今年开始，为银行带来前所未有的风险管理阻碍，同时也会为银行带来极具挑战性的机会。

虽然今天的通货膨胀率仍然远远低于20世纪70年代和80年代初的水平，但似乎正在进入一个与过去五年所面临的明显不同的经济环境。事实上，所有的信息都指向一个经济时期的开始，今天的风险经理，在他们的职业生涯中很少有经历过这种情况。

例如，美联储将开始实施加速加息的计划（同时减少其资产负债表），而最新公布的美国消费者价格指数显示12月同比增长7%——这是1982年以来的最高增长率。

在过去40多年里，一直生活在一个普遍下降的利率环境中，自1983年以来，通货膨胀率平均为2.64%。这意味着用于评估利率风险、预测利率和为贷款（以及其他固定收益和衍生产品）定价的模型，主要是基于通货膨胀和利率相对较低时期的历史数据。

2022年增加的审查，适用于机器学习（ML）和相关的风险测量应用。尽管ML技术已经存在了几十年，但系统计算能力的进步加速了这些模型的使用效果和改善空间。

ML模型考虑到了某些在标准参数模型中没有被很好识别的问题，包括固有的非线性和风险因素之间的相互作用。事实上，大量的分析已经证明了ML模型比标准统计模型更强大。然而，虽然ML模型有一些优势，但我们决不能忽视商业和经济直觉在模型建立过程中的重要性。

但ML也会导致潜在的反面作用，它们很容易削弱风险分析师拥有的最重要的技能：即对经济和风险因素与相关风险结果之间的基本关系的直觉。

风险建模团队必须继续探索将ML技术整合到主流风险管理应用中的方法，同时保留使风险建模者同时具有价值的本质。这不仅仅是他们访问大型数据库的技能，也是利用最先进的软件程序，或实施最新的遗传算法来解决优化问题的能力。相反，真正使风险建模师成为风险分析师的是他们具现化一个可解释、可被共识的风险故事的能力，并以分析结果作为经验传承、支持。

Clifford Rossi，马里兰大学Robert H. Smith商学院的教授。在加入学术界之前，他在金融领域工作了25年，是几家顶级金融机构的首席风险执行官，又是联邦银行的监管者。他是花旗集团消费者贷款集团的前常务董事和首席执行官。