當一家美國銀行首次推出使用梯度提升訓練的信用模型時，驗證報告的長度是模型文件的四倍。這個比例至今仍然成立。在2026年，為美國金融市場建立量化模型大約是20%的程式碼、30%的數據工作，以及50%的驗證、文件和審查。本指南將介紹實際的運作機制。
美國是全球資本和員工人數最密集的量化金融市場。聯邦儲備銀行的監管數據顯示，約有4,000家銀行在聯邦層級受到監管，其中最大的30家銀行在其庫存中擁有數萬個不同的模型。這些方法在OCC的SR 11-7模型風險管理公告中正式化，整個美國銀行業已將其標準化。
端到端流程
一個有效的量化流程包含六個階段：數據攝取、特徵工程、模型訓練、回測、驗證和生產監控。數據攝取從市場數據源、交易系統、信用機構和內部倉庫中提取歷史和即時數據。特徵工程構建模型將看到的輸入，包括滯後項、比率和指標變量。模型訓練在選定的訓練期間擬合模型。回測將模型應用於樣本外數據以估計泛化能力。驗證由獨立團隊執行，確認模型符合政策。生產監控追蹤模型部署後的行為。
每個階段都有其自己的軟體堆疊。在大多數美國機構中，數據存儲在Snowflake、Databricks或Amazon Redshift中。特徵工程使用Python pandas或PySpark運行。模型訓練使用scikit-learn、XGBoost、LightGBM或PyTorch。回測在Python或R筆記本中運行。驗證報告以PDF和HTML格式存儲在文件存儲庫中。生產監控在基於Splunk、Datadog或內部工具構建的儀表板上運行。
美國銀行模型的三道防線
美國銀行模型治理結構遵循三道防線方法。第一道防線是擁有模型並使用其輸出的業務單位。第二道防線是模型風險管理職能，獨立驗證模型、挑戰假設並批准生產部署。第三道防線是內部審計，審查第一道和第二道防線的活動。資產超過100億美元的美國銀行需要此結構，低於該門檻的銀行也廣泛採用。
SR 11-7是控制文件。它定義了模型風險，要求模型庫存，強制進行包括概念合理性審查和持續監控在內的驗證，並分配明確的責任。聯邦儲備銀行的監管檢查在發現模型缺陷時會追溯到SR 11-7。未能達到SR 11-7預期的銀行將面臨需要關注的事項、賠償，在極端情況下還會面臨執法行動。
美國金融科技公司和銀行實際使用的工具
工具包比外界想像的更為整合。Python是美國機構新量化工作的主導語言，R在精算和統計報告角色中佔有一席之地。生產中使用的庫包括用於數據處理的NumPy和pandas、用於計量經濟學的statsmodels、用於一般機器學習的scikit-learn、用於梯度提升的XGBoost和LightGBM、用於深度學習的PyTorch和TensorFlow，以及用於優化的CVXPY或Gurobi。部署堆疊通常在Kubernetes上運行，使用MLflow或Weights and Biases追蹤實驗，並使用SageMaker或Vertex AI託管生產模型。
| 流程階段 | 典型美國工具 | 負責人 |
|---|---|---|
| 數據攝取 | Snowflake, Databricks, Kafka | 數據工程 |
| 特徵工程 | pandas, PySpark, Feast | 建模團隊 |
| 模型訓練 | scikit-learn, XGBoost, PyTorch | 建模團隊 |
| 回測與驗證 | Jupyter, MLflow, 內部 | 模型風險（第二道防線） |
| 生產部署 | SageMaker, Vertex AI, 內部 | 機器學習工程 |
| 監控 | Datadog, Splunk, Arize | 機器學習運維 + 第一道防線 |
來源：供應商揭露、OCC SR 11-7框架、美國銀行技術揭露2024-2026。
可用模型背後的數據紀律
不良數據比不良數學更快破壞量化工作。美國銀行圍繞建模數據的紀律已經加強。基於時點數據訓練的模型、洩漏測試、保留期和類別平衡現在是基本期望。使用錯誤時間範圍或未能考慮法規、產品或分佈變化的回測將無法通過驗證審查。大多數美國機構現在要求模型所有者在模型可以推廣之前端到端記錄數據血緣。
銀行和金融科技公司如何在上線後運營模型
生產監控是大多數量化計劃悄然失敗的地方。在回測中表現良好的模型可能在生產中因多種原因而退化，包括群體偏移、特徵漂移和上游數據變化。運營良好的美國機構的紀律是每天或每週追蹤輸入分佈、輸出分佈和下游業務結果。如果任何一個超過閾值，模型將被重新訓練或暫時替換為冠軍-挑戰者備援。
認真對待此事的機構內部看起來相似：一小組量化分析師與模型風險審查員配對、有記錄的庫存、驗證事件日曆，以及顯示每個生產模型健康狀況的儀表板。底層的數學有時簡單，有時複雜。其治理始終是不可協商的。
