美联储加息缩表！2022年给银行造成的模型风险挑战和机遇

市场构造巨大变化、机器学习技术和季节性危险性管理商议，将逐步从来年开始，为中央银行产生之前所未有的危险性管理阻碍，同时也可能会为中央银行产生极具挑战性的机可能会。

虽然时至今日的通胀率仍然远超低于20世纪70中期和80中期初的水平，但确实正在进入一个与过去五年所面临的相对来说有所不同的工商业环境。事实上，所有的信息都看成一个工商业时期的开始，时至今日的危险性总经理，在他们的两年里中都很少有经历过这种情况。

例如，高盛将开始制订加速加息的原先（同时减少其资产负债表），而同类型公布的美国客户价格指数显示12翌年去年同期快速增长7%——这是1982年以来的最高快速通货膨胀率。

在过去40多年里，一直生活在一个普遍下滑的债券环境中都，自1983年以来，通胀率平均为2.64%。这意味着主要用途评估债券危险性、假设债券和为借贷（以及其他固定盈利和衍生产品线）定价的基本概念，主要是基于物价和债券相对较低时期的历史数据。

2022年增加的审查，适主要用途机器学习（ML）和特别的危险性测量应用。尽管ML技术已经存在了几十年，但系统计算能力也的突飞猛进加速了这些基本概念的使用敏感度和构建空间。

ML基本概念考虑到了某些在国际标准参数基本概念中都不会被很好辨认的情况，以外固有的非线性和危险性主因密切关系的相互作用。事实上，大量的分析已经证明ML基本概念比国际标准统计基本概念更是强而有力。然而，虽然ML基本概念有一些优势，但我们决不能忽视商业和工商业直觉在基本概念建立联系过程中都的重要性。

但ML也可能会导致潜在的反面作用，它们很不易削弱危险性分析师长以外的不可忽视的技能：即对工商业和危险性主因与特别危险性结果密切关系的基本关联的直觉。

危险性数学模型团队不必继续探索将ML技术紧密结合到主流危险性管理应用中都的作法，同时保留使危险性数学模型者同时具有效益的表象。这也许是他们会见大型文档的技能，也是利用最高科技的软件程序，或制订同类型的博弈论来解决构建情况的能力也。相反，确实使危险性数学模型师长被选为危险性分析师长的是他们具现化一个可断言、可被一致意见的危险性故事的能力也，并以分析结果作为经验传承者、支持。

Clifford Rossi，马里兰大学Robert H. Smith商学院的教授。在加入学术界之之前，他在金融领域岗位了25年，是几家顶级金融机构的首席危险性执行官，又是联邦中央银行的监管者。他是花旗上市公司客户借贷上市公司的之前监事和首席执行官。