Lần đầu tiên một ngân hàng Hoa Kỳ triển khai mô hình tín dụng được huấn luyện bằng gradient boosting, báo cáo thẩm định dài gấp bốn lần tài liệu mô hình. Tỷ lệ đó vẫn còn đúng. Vào năm 2026, xây dựng một mô hình định lượng cho thị trường tài chính Hoa Kỳ bao gồm khoảng 20 phần trăm mã, 30 phần trăm công việc dữ liệu, và 50 phần trăm thẩm định, tài liệu và đánh giá. Hướng dẫn này trình bày các cơ chế thực tế.
Hoa Kỳ là thị trường tài chính định lượng dày đặc nhất thế giới về vốn và nhân sự. Dữ liệu giám sát của Cục Dự trữ Liên bang cho thấy khoảng 4.000 ngân hàng được quản lý ở cấp liên bang, và 30 ngân hàng lớn nhất có hàng chục nghìn mô hình riêng biệt trong danh mục của họ. Các phương pháp bên dưới được chính thức hóa trong bản tin quản lý rủi ro mô hình SR 11-7 của OCC, mà toàn bộ ngành ngân hàng Hoa Kỳ đã chuẩn hóa.
Quy trình từ đầu đến cuối
Một quy trình định lượng hoạt động có sáu giai đoạn: thu thập dữ liệu, kỹ thuật đặc trưng, huấn luyện mô hình, kiểm tra ngược, thẩm định và giám sát sản xuất. Thu thập dữ liệu lấy dữ liệu lịch sử và trực tiếp từ các nguồn cấp thị trường, hệ thống giao dịch, cơ quan tín dụng và kho dữ liệu nội bộ. Kỹ thuật đặc trưng xây dựng các đầu vào mà mô hình sẽ thấy, bao gồm độ trễ, tỷ lệ và biến chỉ báo. Huấn luyện mô hình khớp mô hình trên một giai đoạn huấn luyện đã chọn. Kiểm tra ngược chạy mô hình trên dữ liệu ngoài mẫu để ước tính khả năng tổng quát hóa. Thẩm định được thực hiện bởi một nhóm riêng biệt và xác nhận mô hình đáp ứng chính sách. Giám sát sản xuất theo dõi hành vi của mô hình sau khi triển khai.
Mỗi giai đoạn có ngăn xếp phần mềm riêng. Dữ liệu nằm trong Snowflake, Databricks hoặc Amazon Redshift tại hầu hết các tổ chức Hoa Kỳ. Kỹ thuật đặc trưng chạy bằng Python pandas hoặc PySpark. Huấn luyện mô hình sử dụng scikit-learn, XGBoost, LightGBM hoặc PyTorch. Kiểm tra ngược chạy trong sổ ghi chép Python hoặc R. Báo cáo thẩm định tồn tại dưới dạng PDF và HTML trong kho tài liệu. Giám sát sản xuất chạy trên bảng điều khiển được xây dựng trong Splunk, Datadog hoặc các công cụ nội bộ.
Ba tuyến phòng thủ xung quanh mô hình ngân hàng Hoa Kỳ
Cấu trúc quản trị mô hình ngân hàng Hoa Kỳ tuân theo cách tiếp cận ba tuyến phòng thủ. Tuyến đầu tiên là đơn vị kinh doanh sở hữu mô hình và sử dụng đầu ra của nó. Tuyến thứ hai là chức năng quản lý rủi ro mô hình, độc lập thẩm định mô hình, thách thức các giả định và ký duyệt triển khai sản xuất. Tuyến thứ ba là kiểm toán nội bộ, xem xét cả hoạt động của tuyến thứ nhất và thứ hai. Cấu trúc này được yêu cầu đối với bất kỳ ngân hàng Hoa Kỳ nào có tài sản trên 10 tỷ đô la và được áp dụng rộng rãi dưới ngưỡng đó.
SR 11-7 là tài liệu kiểm soát. Nó định nghĩa rủi ro mô hình, yêu cầu danh mục mô hình, bắt buộc thẩm định bao gồm đánh giá tính hợp lý về khái niệm và giám sát liên tục, và chỉ định trách nhiệm giải trình rõ ràng. Các kỳ kiểm tra giám sát của Cục Dự trữ Liên bang truy ngược về SR 11-7 khi tìm thấy khiếm khuyết mô hình. Các ngân hàng không đáp ứng kỳ vọng của SR 11-7 phải đối mặt với các vấn đề cần chú ý, bồi thường và trong trường hợp nghiêm trọng là các hành động thực thi.
Các công cụ mà fintech và ngân hàng Hoa Kỳ thực sự sử dụng
Bộ công cụ được hợp nhất nhiều hơn những người ngoài cuộc nghĩ. Python là ngôn ngữ thống trị cho công việc định lượng mới tại các tổ chức Hoa Kỳ, với R giữ thị phần trong các vai trò báo cáo thống kê và tính toán. Các thư viện chạy sản xuất bao gồm NumPy và pandas cho xử lý dữ liệu, statsmodels cho kinh tế lượng, scikit-learn cho học máy tổng quát, XGBoost và LightGBM cho gradient boosting, PyTorch và TensorFlow cho học sâu, và CVXPY hoặc Gurobi cho tối ưu hóa. Ngăn xếp triển khai thường chạy trên Kubernetes, với MLflow hoặc Weights and Biases theo dõi thí nghiệm và SageMaker hoặc Vertex AI lưu trữ các mô hình sản xuất.
| Giai đoạn quy trình | Công cụ Hoa Kỳ điển hình | Chủ sở hữu |
|---|---|---|
| Thu thập dữ liệu | Snowflake, Databricks, Kafka | Kỹ thuật dữ liệu |
| Kỹ thuật đặc trưng | pandas, PySpark, Feast | Nhóm mô hình hóa |
| Huấn luyện mô hình | scikit-learn, XGBoost, PyTorch | Nhóm mô hình hóa |
| Kiểm tra ngược và thẩm định | Jupyter, MLflow, nội bộ | Rủi ro mô hình (tuyến thứ hai) |
| Triển khai sản xuất | SageMaker, Vertex AI, nội bộ | Kỹ thuật ML |
| Giám sát | Datadog, Splunk, Arize | ML ops + tuyến thứ nhất |
Nguồn: tiết lộ của nhà cung cấp, khuôn khổ OCC SR 11-7, tiết lộ công nghệ ngân hàng Hoa Kỳ 2024-2026.
Kỷ luật dữ liệu đằng sau một mô hình có thể sử dụng
Dữ liệu xấu phá hủy công việc định lượng nhanh hơn toán học xấu. Kỷ luật ngân hàng Hoa Kỳ xung quanh dữ liệu mô hình hóa đã được thắt chặt. Các mô hình được huấn luyện trên dữ liệu điểm thời gian, kiểm tra rò rỉ, giai đoạn giữ lại và cân bằng lớp hiện là kỳ vọng cơ bản. Kiểm tra ngược sử dụng sai chân trời, hoặc không tính đến những thay đổi trong quy định, sản phẩm hoặc phân phối, sẽ không vượt qua được đánh giá thẩm định. Hầu hết các tổ chức Hoa Kỳ hiện yêu cầu chủ sở hữu mô hình tài liệu hóa dòng dữ liệu từ đầu đến cuối trước khi mô hình có thể được thăng cấp.
Cách ngân hàng và fintech vận hành mô hình sau khi ra mắt
Giám sát sản xuất là nơi hầu hết các chương trình định lượng thất bại một cách âm thầm. Một mô hình hoạt động tốt trong kiểm tra ngược có thể suy giảm trong sản xuất vì nhiều lý do bao gồm thay đổi dân số, trôi đặc trưng và thay đổi trong dữ liệu thượng nguồn. Kỷ luật tại các tổ chức Hoa Kỳ hoạt động tốt là theo dõi phân phối đầu vào, phân phối đầu ra và kết quả kinh doanh hạ nguồn theo nhịp hàng ngày hoặc hàng tuần. Nếu bất kỳ điều nào trong số này trôi qua một ngưỡng, mô hình sẽ được huấn luyện lại hoặc tạm thời thay thế bằng một phương án dự phòng champion-challenger.
Các tổ chức coi trọng điều này trông giống nhau bên trong: một nhóm nhỏ các nhà phân tích định lượng kết hợp với người đánh giá rủi ro mô hình, một danh mục được tài liệu hóa, một lịch các sự kiện thẩm định và một bảng điều khiển hiển thị tình trạng của mọi mô hình sản xuất. Toán học bên dưới đôi khi đơn giản, đôi khi phức tạp. Quản trị xung quanh nó luôn luôn không thể thương lượng.
