💰 quantitative finance

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

यह शोध पत्र SHARC को प्रस्तुत करता है, जो एक SHAP-आधारित व्याख्यात्मकता ढांचा (explainability framework) है जो नियामक पूंजी अनुमान (regulatory capital estimation) के लिए गैर-पैरामीट्रिक मशीन लर्निंग मॉडलों हेतु "ब्लैक बॉक्स" बाधा को हल करता है, स्ट्रेस्ड वैल्यू-एट-रिस्क (stressed Value-at-Risk) आउटपुट को ऑडिट योग्य घटकों में विघटित करके, जिससे ICAAP और CCAR पारदर्शिता आवश्यकताओं का अनुपालन सुनिश्चित होता है।

मूल लेखक: Ujjwala Vadrevu

प्रकाशित 2026-07-08

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Ujjwala Vadrevu

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक बैंक हैं जो यह पता लगाने की कोशिश कर रहे हैं कि किसी वित्तीय आपदा से बचने के लिए आपको अपनी सुरक्षा तिजोरी में कितना पैसा रखना चाहिए। अतीत में, बैंक इस काम के लिए सरल, पारदर्शी गणितीय सूत्रों का उपयोग करते थे। हर कोई देख सकता था कि वह सूत्र वास्तव में कैसे काम करता है, जैसे कि एक स्पष्ट कांच के बक्से को देखना।

लेकिन हाल ही में, बैंकों ने आपदाओं की भविष्यवाणी करने के लिए शक्तिशाली, जटिल कंप्यूटर मस्तिष्क (मशीन लर्निंग) का उपयोग करना शुरू कर दिया है। ये अधिक सटीक हैं, लेकिन ये ब्लैक बॉक्स (काले डिब्बे) की तरह हैं: आप एक समस्या डालते हैं, और एक संख्या बाहर आती है, लेकिन कोई यह नहीं देख पाता कि कंप्यूटर ने उस विशिष्ट संख्या का निर्णय क्यों लिया। नियामक (वित्तीय दुनिया के "पुलिस") इसे नापसंद करते हैं। वे बैंकों को इन ब्लैक बॉक्सों का उपयोग करने की अनुमति नहीं देंगे क्योंकि वे इसके तर्क का ऑडिट (जांच) नहीं कर सकते।

यह शोध पत्र एक समाधान पेश करता है जिसे SHARC (रेगुलेटरी कैपिटल के लिए SHAP) कहा जाता है। SHARC को एक जादुई एक्स-रे मशीन के रूप में सोचें जो ब्लैक बॉक्स के अंदर देख सकती है और आपको ठीक से दिखा सकती है कि कंप्यूटर ने अपना निर्णय कैसे लिया।

यहाँ बताया गया है कि यह शोध पत्र इसे सरल उपमाओं का उपयोग करके कैसे समझाता है:

1. समस्या: "ब्लैक बॉक्स" बनाम "ग्लास बॉक्स"

पुराना तरीका (ग्लास बॉक्स): कल्पना कीजिए कि एक रेसिपी है जहाँ आप प्रत्येक सामग्री और उसका सटीक उपयोग देख सकते हैं। यदि केक का स्वाद खराब है, तो आप जानते हैं कि यह इसलिए है क्योंकि आपने इसमें बहुत अधिक नमक डाल दिया है।
नया तरीका (ब्लैक बॉक्स): कल्पना कीजिए कि एक रोबोट शेफ एक बेहतरीन केक बनाता है, लेकिन वह सामग्रियों को इस तरह से मिलाता है जिसे कोई इंसान समझ नहीं सकता। नियामक कहते हैं, "हम इस रोबोट का उपयोग तब तक नहीं कर सकते जब तक आप यह स्पष्ट न कर सकें कि केक का स्वाद ऐसा क्यों है।"
शोध पत्र का लक्ष्य: लेखक यह सिद्ध करना चाहते हैं कि उनका उन्नत रोबोट शेफ (जिसे गॉसियन प्रोसेस रिग्रेशन मॉडल कहा जाता है) को SHARC का उपयोग करके समझाया जा सकता है, ताकि नियामक अंततः बैंकों को इसका उपयोग करने की अनुमति दें।

2. समाधान: "जादुई एक्स-रे" (SHARC)

लेखक SHAP नामक एक उपकरण का उपयोग करते हैं (जिसका अर्थ है SHapley Additive exPlanations)। SHAP को गेम थ्योरी के बोर्ड गेम से एक निष्पक्ष लेखाकार (fair accountant) के रूप में सोचें।

कल्पना कीजिए कि दोस्तों का एक समूह (डेटा इनपुट) पुरस्कार (अंतिम जोखिम संख्या) जीतने के लिए मिलकर काम कर रहा है।
"निष्पक्ष लेखाकार" (SHSHAP) हर उस तरीके को देखता है जिससे दोस्तों ने मिलकर काम किया होगा और गणना करता है कि प्रत्येक मित्र का जीत में कितना योगदान था।
SHARC बस बैंकिंग पूंजी नियमों पर लागू किया गया यही लेखाकार है। यह अंतिम "सुरक्षा तिजोरी संख्या" को छोटे टुकड़ों में तोड़ देता है और कहता है: "यह 1% पश्चिम एशिया के युद्ध से आया, यह 0.5% जलवायु परिवर्तन के डर से आया, और यह 0.2% AI बुलबुले से आया।"

3. प्रयोग: तीन आपदा परिदृश्य

यह परीक्षण करने के लिए कि क्या उनका एक्स-रे काम करता है, लेखकों ने तीन अलग-अलग "प्रलय" परिदृश्यों का अनुकरण किया:

पश्चिम एशिया युद्ध: एक संघर्ष जिसके कारण बाजार गिर जाते हैं।
जलवायु जोखिम: विशिष्ट क्षेत्रों को प्रभावित करने वाली पर्यावरणीय आपदाएं।
AI बबल: एक तकनीकी संकट जहाँ AI कंपनियां अपना मूल्य खो देती हैं।

उन्होंने इन परिदृश्यों को अपने जटिल रोबोट मॉडल में डाला और फिर यह देखने के लिए SHARC का उपयोग किया कि मॉडल क्या सोच रहा है।

4. बड़ी खोज: "ट्रिगर बनाम स्टेज" (The Trigger vs. The Stage)

इस शोध पत्र की सबसे महत्वपूर्ण खोज एक आश्चर्यजनक बात है कि एक आपदा के दौरान बैंक के जोखिम नंबर को वास्तव में क्या संचालित करता है।

पुरानी धारणा: लोगों को लगता था कि संकट के दौरान, वोलैटिलिटी (Volatility - अस्थिरता) (बाजार कितना डगमगाता है और अनिश्चित है) जोखिम का मुख्य चालक है। यह ऐसा है जैसे यह सोचना कि तूफान का आकार ही वह मुख्य चीज़ है जिससे आप सबसे ज्यादा डरते हैं।
SHARC की खोज: शोध पत्र ने पाया कि एक वास्तविक, गंभीर गिरावट के दौरान, डायरेक्शनल लॉस (Directional Loss - दिशात्मक हानि) (बाजार वास्तव में कितनी दूर तक गिरता है) मुख्य चालक होता है। वोलैटिलिटी केवल बैकग्राउंड शोर है; गिरना ही वास्तव में मायने रखता है।
उपमा: कल्पना कीजिए कि आप एक रोलरकोस्टर पर हैं।
- वोलैटिलिटी वह है जिससे कार हिल रही है और खड़खड़ा रही है।
- डायरेक्शनल लॉस वह है जब कार वास्तव में एक खाई से नीचे गिर रही होती है।
- शोध पत्र कहता है: "जब आप एक खाई से नीचे गिर रहे होते हैं, तो हिलना (वोलैटिलिटी) उतना मायने नहीं रखता जितना कि आपका गिरना (डायरेक्शनल लॉस) मायने रखता है।"
- यह क्यों मायने रखता है: यदि कोई बैंक अपने जोखिम को कम करना चाहता है, तो उसे केवल हिलने-डुलने को शांत करने (अस्थिरता के खिलाफ बीमा खरीदना) की कोशिश नहीं करनी चाहिए; उसे रोलरकोस्टर से उतर जाना चाहिए (उस स्थिति को कम करना जो गिर रही है)।

5. परिणाम: एक स्पष्ट रिपोर्ट कार्ड

शोध पत्र दिखाता है कि SHARC एक जटिल, डरावनी संख्या (जैसे "हमें $2.2 बिलियन की पूंजी की आवश्यकता है") को एक सरल सूची में तोड़ सकता है जिसे एक नियामक पढ़ सके।

यह सिद्ध करता है कि "ब्लैक बॉक्स" वास्तव में काला नहीं है; यह बस सही चश्मे के बिना देखना कठिन है।
यह दिखाता है कि मॉडल ईमानदार है: यदि परिदृश्य कहता है "यूरोप क्रैश हुआ," तो मॉडल कहता है "यूरोप क्रैश हुआ," और SHARC यह सिद्ध करता है।
यह एक फोर्स प्लॉट (Force Plot) बनाता है (एक दृश्य चार्ट) जो एक रसीद की तरह कार्य करता है, जो दिखाता है कि जोखिम का हर एक पैसा कहाँ से आया।

सारांश

यह शोध पत्र कहता है: "हमने वित्तीय आपदाओं की भविष्यवाणी करने के लिए एक सुपर-स्मार्ट, जटिल कंप्यूटर मॉडल बनाया है। नियामक डरे हुए थे क्योंकि वे इसे समझ नहीं पा रहे थे। हमने मॉडल का एक्स-रे लेने के लिए SHARC नामक टूल का उपयोग किया। हमने पाया कि हमारा मॉडल पूरी तरह से काम करता है, यह नियमों का पालन करता है, और यह हमें बताता है कि एक क्रैश के दौरान, गिरने का आकार (size of the drop) हिलने-डुलने (shaking) से अधिक महत्वपूर्ण होता है। अब, नियामक तर्क को देख सकते हैं, और बैंक वित्तीय प्रणाली को सुरक्षित रखने के लिए इस स्मार्ट मॉडल का उपयोग कर सकते हैं।"

तकनीकी सारांश: SHARC – नियामक पूंजी के लिए मशीन लर्निंग जोखिम मॉडलों में SHAP-आधारित व्याख्यात्मकता

1. समस्या विवरण

नियामक पूंजी अनुमान (ICAAP और CCAR) में गैर-पैरामीट्रिक मशीन लर्निंग मॉडलों, विशेष रूप से गॉसियन प्रोसेस रिग्रेशन (GPR), को अपनाने में एक मौलिक गवर्नेंस बाधा है: "ब्लैक बॉक्स" की समस्या। जबकि GPR और संबंधित आर्किटेक्चर पारंपरिक पैरामीट्रिक दृष्टिकोणों (जैसे GARCH, ऐतिहासिक सिमुलेशन) की तुलना में भविष्य कहनेवाला श्रेष्ठता प्रदर्शित करते हैं, उनके आउटपुट विश्लेषणात्मक विखंडन (analytical decomposability) का अभाव रखते हैं। FRTB, ICAICAAP पिलर 2, और CCAR जैसे नियामक ढांचे यह मांग करते हैं कि मॉडल ऑडिट करने योग्य होने चाहिए, जिसका अर्थ है कि पूंजी अनुमानों को अंतर्निहित जोखिम चालकों में विघटित किया जा सकना चाहिए जिन्हें गैर-तकनीकी पर्यवेक्षक जांच सकें। पारंपरिक मॉडल इसे संरचनात्मक रूप से पूरा करते हैं; GPR नहीं करता है, क्योंकि इसका पोस्टीरियर प्रेडिक्टिव डिस्ट्रीब्यूशन स्वीकार्य फलनों (admissible functions) पर एक इंटीग्रल है, जिससे विशिष्ट इनपुट्स का आउटपुट के साथ संबंध जोड़ना जटिल और गैर-रेखीय हो जाता है। यह शोध पत्र उन्नत ML आर्किटेक्चर की भविष्य कहने वाली सटीकता से समझौता किए बिना इस पारदर्शिता बाधा को हल करने की आवश्यकता को संबोधित करता है।

2. कार्यप्रणाली: SHARC फ्रेमवर्क

यह शोध पत्र SHARC (नियामक पूंजी के लिए SHAP) पेश करता है, जो एक संरचित व्याख्यात्मकता ढांचा है जो हाइब्रिड GPR-HS आर्किटेक्चर पर SHAP (SHapley Additive exPlanations) लागू करता है।

2.1 सैद्धांतिक आधार

SHARC, सहकारी गेम थ्योरी (Shapley, 1953; Lundberg & Lee, 2017) से व्युत्पन्न एक मॉडल-अज्ञेय (model-agnostic) विधि, SHAP का उपयोग करता है। यह ढांचा चार अभिगृही (axiomatic) गुणों पर निर्भर करता है जो सीधे नियामक ऑडिट आवश्यकताओं से मेल खाते हैं:

स्थानीय सटीकता (Local Accuracy): SHAP मानों का योग मॉडल आउटपुट के बराबर होता है, जो पूर्ण विखंडन सुनिश्चित करता है (कोई भी अनस्पष्ट "फैंटम" पूंजी नहीं)।
लुप्तता (Missingness): शून्य इनपुट वाले फीचर्स आउटपुट में शून्य योगदान देते हैं, जिससे फैंटम एट्रिब्यूशन को रोका जा सकता है।
निरंतरता (Consistency): यदि किसी फीचर का मार्जिनल योगदान बढ़ता है, तो उसका SHAP मान घट नहीं सकता, जो कि मोनोटोनिसिटी (monotonicity) सुनिश्चित करता है।
दक्षता (Efficiency): विखंडन मॉडल आउटपुट और बेसलाइन के बीच के अंतर के ठीक बराबर होता है, जो शून्य अवशेष (zero residual) सुनिश्चित करता है।

2.2 स्ट्रेस्ड वैल्यू-एट-रिस्क (SVaR) पर अनुप्रयोग

इस फ्रेमवर्क को बेस-केस VaR के बजाय स्ट्रेस्ड वैल्यू-एट-रिस्क (SVaR) पर लागू किया गया है, क्योंकि SVaR एक पूंजी-बाध्यकारी नियामक माप है। कार्यप्रणाली SVaR गणना फलन $f(\mu, \sigma)$ को समझाने के लक्ष्य के रूप में कार्य करती है।

इनपुट फीचर्स: विश्लेषण में $N$ स्ट्रेस्ड GPR मॉडलों से प्राप्त $2N$ फीचर्स का उपयोग किया गया है: $N$ प्रेडिक्टेड कंडीशनल मीन्स ( $\mu_i$ ) और पोर्टफोलियो एसेट्स के लिए $N$ प्रेडिक्टेड कंडीशनल स्टैंडर्ड डेविेशंस ( $\sigma_i$ )।
विखंडन सूत्र (Decomposition Formula): SHARC फ्रेमवर्क विखंडन को इस प्रकार औपचारिक रूप देता है:
$SVaR_{SHARC} = \phi_0 + \sum_{i} (\phi_{\mu_i} + \phi_{\sigma_i})$
जहाँ $\phi_0$ बेसलाइन कैपिटल (प्री-स्ट्रेस डे 1 SVaR) है, $\phi_{\mu_i}$ दिशात्मक माध्य (हानि परिमाण) का योगदान है, और $\phi_{\sigma_i}$ वेरिएंस (अस्थिरता) का योगदान है।
कार्यान्वयन: कर्नेल SHAP का उपयोग किया गया है क्योंकि यह मॉडल-अज्ञेय प्रकृति का है, जो GPR पोस्टीरियर को एक ब्लैक बॉक्स के रूप में मानता है और विचलित इनपुट गठबंधन (perturbed input coalitions) पर भारित रैखिक प्रतिगमन (weighted linear regression) के माध्यम से मानों का अनुमान लगाता है। विश्लेषण नियामक आवश्यकताओं को पूरा करने के लिए विशिष्ट पूंजी गणनाओं के लिए स्थानीय व्याख्या (local interpretation) (समय $T=252$ पर पॉइंट-इन-टाइम आउटपुट) पर केंद्रित है, न कि वैश्विक औसत व्यवहार पर।

2.3 परिदृश्य परीक्षण (Scenario Testing)

फ्रेमवर्क को तीन अलग-अलग मैक्रो स्ट्रेस परिदृश्यों में मान्य किया गया है:

वेस्ट एशिया वॉर (West Asia War): यूरोपीय और हांगकांग बाजारों में गहरे झटकों द्वारा चिह्नित।
क्लाइमेट रिस्क (Climate Risk): विषम भौगोलिक झटकों के संकेंद्रण द्वारा चिह्नित।
AI बबल/रेगुलेटरी बर्डन (AI Bubble/Regulatory Burden): अमेरिकी प्रौद्योगिकी क्षेत्र (S&P 500) में गहरे झटकों द्वारा चिह्नित।

3. मुख्य परिणाम

3.1 फ्रेमवर्क फिडेलिटी और ट्रेसेबिलिटी

SHARC विखंडन लगातार SVaR आउटपुट को परिदृश्य डिजाइन के साथ मैप करता है। वेस्ट एशिया वॉर परिदृश्य में, EURO STOXX 50 मीन घटक (जो -40% के झटके से संचालित है) प्राथमिक चालक के रूप में उभरा, जबकि मध्यम झटकों वाले सूचकांक (FTSE 100, Nikkei 225) शमन (mitigating) घटकों के रूप में कार्य कर रहे थे। इसी तरह, AI बबल परिदृश्य में, S&P 500 मीन घटक (-45% टेक सेक्टर झटके के कारण) हावी रहा। यह पुष्टि करता है कि हाइब्रिड GPR-HS आर्किटेक्चर अपने गैर-रेखीय ढांचे के माध्यम से परिदृश्य इनपुट्स को निष्ठापूर्वक प्रसारित करता है, और SHARC इस प्रसारण को पारदर्शी बनाता है।

3.2 तनाव के तहत वेरिएंस पर मीन का प्रभुत्व

शोध पत्र का प्राथमिक विश्लेषणात्मक निष्कर्ष तनाव की स्थितियों के तहत देखा गया गैर-रेखीय जोखिम विखंडन पैटर्न है:

सामान्य स्थितियाँ: वेरिएंस (अस्थिरता) आमतौर पर VaR/ES गणनाओं को संचालित करती है, जो सैद्धांतिक साहित्य (McNeil et al., 2015) के अनुरूप है।
तनाव की स्थितियाँ: मजबूत स्ट्रेस कंडीशनिंग (जैसे, एक अनिवार्य -40% लॉस 252 दिनों में) के तहत, मीन रिटर्न घटक (दिशात्मक हानि का परिमाण) लगातार वेरिएंस घटक की तुलना में SVaR निर्धारित करने में हावी रहता है।
तंत्र (Mechanism): जब कोई परिदृश्य अत्यधिक नकारात्मक दिशात्मक हानियों का निर्देश देता है, तो निहित दैनिक माध्य रिटर्न गहराई से नकारात्मक हो जाता है, जो पूंजी के लिए बाइंडिंग कंस्ट्रेंट (binding constraint) के रूप में कार्य करता है। वेरिएंस घटक, हालांकि मौजूद है, गौण हो जाता है।

3.3 नियामक दस्तावेजीकरण आर्टिफैक्ट्स

SHAP फोर्स प्लॉट (SHAP Force Plot) को एक महत्वपूर्ण नियामक आउटपुट के रूप में पहचाना गया है। यह एक विशिष्ट टर्मिनल SVaR (उदाहरण के लिए, वेस्ट एशिया वॉर के लिए -2.2231%) को बेसलाइन, मीन-ड्रिवन और वेरिएंस-ड्रिवन घटकों में शून्य-अवशेष विखंडन के रूप में प्रदान करता है। यह नियामकों को तुरंत यह पहचानने की अनुमति देता है कि कौन से इंडेक्स एक्सपोजर पूंजी आवश्यकताओं को संचालित करते हैं और वे कितना योगदान देते हैं, जो FRTB और ICAAP दस्तावेजीकरण मानकों को पूरा करता है।

4. महत्व और योगदान

शोध पत्र दावा करता है कि इसके चार प्राथमिक योगदान हैं जो GPR अपनाने की नियामक बाधा को हल करते हैं:

अभिगृही नियामक मैपिंग (Axiomatic Regulatory Mapping): यह SHAP के चार अभिगृही गुणों को FRTB, ICAAP और CCAR दस्तावेजीकरण आवश्यकताओं के साथ औपचारिक रूप से मैप करता है, जिससे SHAP को नियामक व्याख्यात्मकता के लिए एक सैद्धांतिक रूप से स्थापित आधार के रूप में स्थापित किया जाता है।
SHARC फ्रेमवर्क: यह SVaR को बेसलाइन, मीन-ड्रिवन और वोलैटिलिटी-ड्रिवन घटकों में एक संरचित विखंडन पेश करता है, जिससे हाइब्रिड GPR-HS आर्किटेक्चर के भीतर पूंजी चालकों की पारदर्शी व्याख्या संभव होती है।
अनुभवजन्य सत्यापन (Empirical Validation): यह प्रदर्शित करता है कि SHARC विविध मैक्रो परिदृश्यों में SVaR आउटपुट को परिदृश्य डिजाइनों के साथ लगातार संरेखित करता है, जो फ्रेमवर्क फिडेलिटी की पुष्टि करता है और ऑडिट योग्य ट्रेसेबिलिटी सक्षम करता है।
व्यावहारिक गवर्नेंस टेम्पलेट: यह SHARC विखंडन को कार्रवाई योग्य जोखिम गवर्नेंस नियमों में अनुवादित करता है, विशेष रूप से:
- पूंजी सीमा निर्धारण (Capital Limit-Setting): जब मीन घटक SVaR में >80% योगदान देता है (जैसा कि स्ट्रेस में देखा गया), तो जोखिम प्रबंधकों को वोलैटिलिटी-आधारित हेजिंग (जैसे ऑप्शंस) के बजाय पोजीशन कम करने (position reduction) को प्राथमिकता देनी चाहिए, क्योंकि वेरिएंस-घटाने वाले हेज दिशात्मक हानि के परिमाण के खिलाफ अप्रभावी हो सकते हैं।
- परिदृश्य सत्यापन (Scenario Validation): SHAP रैंकिंग और इनपुट शॉक मैग्नीट्यूड के बीच विसंगतियां परिदृश्य डिजाइन त्रुटियों को चिह्नित कर सकती हैं।
- रिपोर्टिंग: फोर्स प्लॉट्स ICAAP/CCAR सबमिशन के लिए प्रत्यक्ष प्रदर्शनी (exhibits) के रूप में कार्य करते हैं।

5. निष्कर्ष

शोध पत्र निष्कर्ष निकालता है कि SHARC हाइब्रिड GPR-HS को एक पूर्णतः ऑडिट करने योग्य पूंजी इंजन में बदल देता है। "ब्लैक बॉक्स" की समस्या को हल करके, यह संस्थानों को FRTB, ICAICAAP और CCAR के सख्त पारदर्शिता और दस्तावेजीकरण मानकों को पूरा करते हुए उन्नत ML मॉडलों की भविष्य कहने वाली श्रेष्ठता का लाभ उठाने की अनुमति देता। निष्कर्ष बताते हैं कि तनाव के तहत, पूंजी आवश्यकताएं वोलैटिलिटी विस्तार की तुलना में दिशात्मक हानि के परिमाण द्वारा अधिक संचालित होती हैं, जो पोजीशन मैनेजमेंट और हेजिंग रणनीतियों के लिए सीधा प्रभाव डालने वाला एक अंतर्दृष्टि है। इस फ्रेमवर्क को केवल एक शैक्षणिक अभ्यास के रूप में नहीं, बल्कि उत्पादन-तैयार (production-ready) टूल के रूप में प्रस्तुत किया गया है।