💰 quantitative finance

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

Questo articolo introduce SHARC, un framework di spiegabilità basato su SHAP che risolve la barriera della "scatola nera" per i modelli di apprendimento automatico non parametrici nella stima del capitale regolamentare, scomponendo gli output del Value-at-Risk sotto stress in componenti auditabili, garantendo così la conformità ai requisiti di trasparenza ICAAP e CCAR.

Autori originali: Ujjwala Vadrevu

Pubblicato 2026-07-08

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Ujjwala Vadrevu

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina che tu sia una banca che cerca di capire quanto denaro deve tenere in un caveau di sicurezza per sopravvivere a un disastro finanziario. In passato, le banche usavano formule matematiche semplici e trasparenti per farlo. Tutti potevano vedere esattamente come funzionava la formula, come guardare dentro una scatola di vetro trasparente.

Recentemente, le banche hanno iniziato a usare potenti e complessi cervelli informatici (Machine Learning) per prevedere i disastri. Sono più accurati, ma sono come scatole nere: inserisci un problema e ne esce un numero, ma nessuno può vedere perché il computer abbia deciso proprio quel numero specifico. I regolatori (la "polizia" del mondo finanziario) odiano questo aspetto. Non permetteranno alle banche di usare queste scatole nere perché non possono audire la logica.

Questo articolo presenta una soluzione chiamata SHARC (SHAP per il Capitale Regolamentare). Pensa a SHARC come a una macchina per raggi X magica che può guardare dentro la scatola nera e mostrarti esattamente come il computer ha preso la sua decisione.

Ecco come l'articolo lo suddivide, utilizzando analogie semplici:

1. Il Problema: La "Scatola Nera" vs. La "Scatola di Vetro"

Il Vecchio Modo (Scatola di Vetro): Immagina una ricetta in cui puoi vedere ogni ingrediente e esattamente quanto ne viene usato. Se la torta ha un cattivo sapore, sai che è perché hai aggiunto troppo sale.
Il Nuovo Modo (Scatola Nera): Immagina uno chef robot che prepara una torta perfetta, ma mescola gli ingredienti in un modo che nessun essere umano può comprendere. I regolatori dicono: "Non possiamo lasciarti usare questo robot a meno che tu non possa spiegare perché la torta ha quel sapore".
L'Obiettivo dell'Articolo: Gli autori vogliono dimostrare che il loro avanzato chef robot (chiamato modello di Regressione dei Processi Gaussiani) può essere spiegato usando SHARC, in modo che i regolatori finalmente permettano alle banche di usarlo.

2. La Soluzione: La "Macchina a Raggi X Magica" (SHARC)

Gli autori utilizzano uno strumento chiamato SHAP (che sta per SHapley Additive exPlanations). Pensa a SHAP come a un contabile equo di un gioco da tavolo di teoria dei giochi.

Immagina un gruppo di amici (gli input dei dati) che lavorano insieme per vincere un premio (il numero finale del rischio).
Il "contabile equo" (SHAP) osserva ogni possibile modo in cui gli amici potrebbero aver collaborato e calcola esattamente quanto ogni amico abbia contribuito alla vittoria.
SHARC è semplicemente questo contabile applicato specificamente alle regole del capitale bancario. Scompone il numero finale della "Cifra del Caveau di Sicurezza" in piccoli pezzi e dice: "Questo 1% deriva dalla guerra in Medio Oriente, questo 0,5% dalle paure del cambiamento climatico e questo 0,2% dalla bolla dell'IA".

3. L'Esperimento: Tre Scenari di Disastro

Per testare se la loro macchina a raggi X funziona, gli autori hanno simulato tre diversi scenari di "apocalisse":

Guerra in Medio Oriente: Un conflitto che causa il crollo dei mercati.
Rischio Climatico: Disastri ambientali che colpiscono regioni specifiche.
Bolla dell'IA: Un crash tecnologico in cui le aziende di IA perdono valore.

Hanno inserito questi scenari nel loro complesso modello robotico e poi hanno usato SHARC per vedere cosa stava pensando il modello.

4. La Grande Scoperta: "Il Grilletto vs. Il Palcoscenico"

La scoperta più importante dell'articolo è una sorpresa su ciò che effettivamente guida il numero del rischio della banca durante un disastro.

La Vecchia Credenza: Le persone pensavano che durante una crisi la Volatilità (quanto il mercato è instabile e imprevedibile) sia il driver principale del rischio. È come pensare che la dimensione della tempesta sia ciò che ti spaventa di più.
La Scoperta di SHARC: L'articolo ha scoperto che durante un vero e severo crash, la Perdita Direzionale (quanto il mercato effettivamente cade) è il driver principale. La volatilità è solo il rumore di fondo; il cadere stesso è ciò che conta.
L'Analogia: Immagina di essere su una montagna russa.
- La Volatilità è quanto l'auto trema e scricchiola.
- La Perdita Direzionale è l'auto che effettivamente precipita giù da una scogliera.
- L'articolo dice: "Quando stai precipitando da una scogliera, il tremore (volatilità) non conta quanto il fatto che tu stia cadendo (perdita direzionale)".
- Perché questo è importante: Se una banca vuole ridurre il proprio rischio, non dovrebbe solo cercare di calmare il tremore (comprando assicurazioni contro la volatilità); deve scendere dalla montagna russa (ridurre la posizione che sta cadendo).

5. Il Risultato: Una Pagella Chiara

L'articolo mostra che SHARC può prendere un numero complesso e spaventoso (come "Abbiamo bisogno di 2,2 miliardi di dollari di capitale") e scomporlo in una lista semplice che un regolatore può leggere.

Dimostra che la "Scatola Nera" non è in realtà nera; è solo difficile da vedere senza gli occhiali giusti.
Mostra che il modello è onesto: se lo scenario dice "L'Europa crolla", il modello dice "L'Europa è crollata", e SHARC lo prova.
Crea un Force Plot (un grafico visivo) che funge da ricevuta, mostrando esattamente da dove proviene ogni centesimo di rischio.

Riassunto

Questo articolo dice: "Abbiamo costruito un modello informatico super intelligente e complesso per prevedere i disastri finanziari. I regolatori erano spaventati perché non riuscivano a capirlo. Abbiamo usato uno strumento chiamato SHARC per fare una radiografia al modello. Abbiamo scoperto che il modello funziona perfettamente, segue le regole e ci dice che durante un crash, la dimensione del crollo conta più del tremore. Ora, i regolatori possono vedere la logica, e le banche possono usare questo modello più intelligente per mantenere il sistema finanziario al sicuro".

Sintesi Tecnica: SHARC – Interpretabilità basata su SHAP nei modelli di rischio di Machine Learning per il capitale regolamentare

1. Definizione del Problema

L'adozione di modelli di machine learning non parametrici, specificamente la Regressione dei Processi Gaussiani (GPR), nella stima del capitale regolamentare (ICAAP e CCAR) affronta una barriera fondamentale di governance: il problema della "scatola nera" (black box). Sebbene la GPR e le architetture correlate dimostrino una superiorità predittiva rispetto agli approcci parametrici tradizionali (es. GARCH, Simulazione Storica), i loro output mancano di scomponibilità analitica. I quadri normativi come il FRTB (Fundamental Review of the Trading Book), l'ICAAP Pillar 2 e il CCAR richiedono che i modelli siano auditabili, il che significa che le stime di capitale devono essere scomponibili nei sottostanti driver di rischio affinché possano essere interrogati da supervisori non tecnici. I modelli tradizionali soddisfano questo requisito per costruzione; la GPR no, poiché la sua distribuzione predittiva a posteriori è un integrale su funzioni ammissibili, rendendo la attribuzione di specifici input agli output non banale e non lineare. Questo documento affronta la necessità di risolvere tale barriera di trasparenza senza sacrificare l'accuratezza predittiva delle avanzate architetture di ML.

2. Metodologia: Il Framework SHARC

Il documento introduce SHARC (SHAP for Regulatory Capital), un framework di spiegabilità strutturato che applica SHAP (SHapley Additive exPlanations) all'architettura ibrida GPR-HS.

2.1 Fondamento Teorico

SHARC sfrutta SHAP, un metodo agnostico rispetto al modello derivato dalla teoria dei giochi cooperativi (Shapley, 1953; Lundberg & Lee, 2017). Il framework si basa su quattro proprietà assiomatiche che si mappano direttamente sui requisiti di audit regolamentari:

Accuratezza Locale (Local Accuracy): La somma dei valori SHAP è uguale all'output del modello, garantendo una decomposizione completa del capitale (assenza di capitale "fantasma").
Mancanza (Missingness): Le caratteristiche con input nullo contribuiscono con zero all'output, prevenendo l'attribuzione fantasma.
Consistenza (Consistency): Se il contributo marginale di una caratteristica aumenta, il suo valore SHAP non può diminuire, garantendo la monotonicità.
Efficienza (Efficiency): La decomposizione somma esattamente la differenza tra l'output del modello e il baseline, garantendo un residuo nullo.

2.2 Applicazione allo Stressed Value-at-Risk (SVaR)

Il framework è applicato allo Stressed Value-at-Risk (SVaR) piuttosto che al VaR base, poiché lo SVaR rappresenta la misura di capitale vincolante dal punto di vista regolamentare. La metodologia tratta la funzione di calcolo dello SVaR $f(\mu, \sigma)$ come il target da spiegare.

Input Features: L'analisi utilizza $2N$ caratteristiche derivate da $N$ modelli GPR sotto stress: $N$ medie condizionali predette ( $\mu_i$ ) e $N$ deviazioni standard condizionali predette ( $\sigma_i$ ) per gli asset del portafoglio.
Formula di Decomposizione: Il framework SHARC formalizza la decomposizione come:
$SVaR_{SHARC} = \phi_0 + \sum_{i} (\phi_{\mu_i} + \phi_{\sigma_i})$
Dove $\phi_0$ è il capitale baseline (SVaR pre-stress al Giorno 1), $\phi_{\mu_i}$ è il contributo della media direzionale (entità della perdita) e $\phi_{\sigma_i}$ è il contributo della varianza (volatilità).
Implementazione: Viene utilizzato Kernel SHAP per la sua natura agnostica rispetto al modello, trattando la distribuzione a posteriori della GPR come una scatola nera ed estimando i valori tramite regressione lineare pesata su coalizioni di input perturbate. L'analisi si concentra sull'interpretazione locale (output puntuali al tempo $T=252$ ) per soddisfare i requisiti regolamentari per specifici calcoli di capitale, piuttosto che sul comportamento medio globale.

2.3 Test di Scenario

Il framework viene validato attraverso tre distinti scenari di stress macroeconomico:

Guerra in Medio Oriente: Caratterizzato da shock profondi ai mercati europei e di Hong Kong.
Rischio Climatico: Caratterizzato da concentrazioni di shock geografici eterogenei.
Bolla AI/Onere Regolamentare: Caratterizzato da shock profondi al settore tecnologico statunitense (S&P 500).

3. Risultati Chiave

3.1 Fedeltà del Framework e Tracciabilità

La decomposizione SHARC mappa costantemente gli output dello SVaR rispetto al design dello scenario. Nello scenario Guerra in Medio Oriente, la componente della media dello EURO STOXX 50 (guidata da uno shock del -40%) è emersa come il driver primario, mentre gli indici con shock moderati (FTSE 100, Nikkei 225) hanno agito come componenti mitiganti. Allo stesso modo, nello scenario Bolla AI, la componente della media dell'S&P 500 ha dominato a causa dello shock del -45% nel settore tecnologico. Ciò conferma che l'architettura ibrida GPR-HS trasmette fedelmente gli input dello scenario attraverso la sua struttura non lineare, e che SHARC rende questa trasmissione trasparente.

3.2 La Dominanza della Media sulla Varianza sotto Stress

La principale scoperta analitica del documento è il pattern di decomposizione del rischio non lineare osservato in condizioni di stress:

Condizioni Normali: La varianza (volatilità) tipicamente guida i calcoli di VaR/ES, in linea con la letteratura teorica (McNeil et al., 2015).
Condizioni di Stress: Sotto forte condizionamento da stress (ad esempio, uno shock imposto di -40% in 252 giorni), la componente del rendimento medio (entità della perdita direzionale) domina costantemente la componente della varianza nel determinare lo SVaR finale.
Meccanismo: Quando uno scenario impone perdite direzionali estreme, il rendimento medio giornaliero implicito diventa profondamente negativo, agendo come il vincolo determinante per il capitale. La componente della varianza, pur essendo presente, diventa secondaria.

3.3 Artefatti di Documentazione Regolamentare

Lo SHAP Force Plot è identificato come un output regolamentare critico. Esso fornisce una decomposizione visiva, a residuo zero, di uno specifico SVaR terminale (ad esempio, -2,2231% per la Guerra in Medio Oriente) in componenti baseline, guidate dalla media e guidate dalla varianza. Ciò consente ai regolatori di identificare immediatamente quali esposizioni agli indici guidano i requisiti di capitale e di quanto, soddisfacendo gli standard di documentazione FRTB e ICAAP.

4. Significato e Contributi

Il documento rivendica quattro contributi primari che risolvono la barriera regolamentare all'adozione della GPR:

Mappatura Assiomatica Regolamentare: Esso mappa formalmente i quattro assiomi di SHAP ai requisiti di documentazione FRTB, ICAAP e CCAR, stabilendo SHAP come fondamento teoricamente solido per l'esplicabilità regolamentare.
Framework SHARC: Introduce una decomposizione strutturata dello SVaR in componenti baseline, guidate dalla media e guidate dalla volatilità, consentendo un'interpretazione trasparente dei driver del capitale all'interno dell'architettura ibrida GPR-HS.
Validazione Empirica: Dimostra che SHARC allinea costantemente gli output dello SVaR con i design degli scenari attraverso diversi scenari macroeconomici, confermando la fedeltà del framework e consentendo una tracciabilità auditabile.
Template di Governance Pratica: Traduce la decomposizione SHARC in regole di gestione del rischio azionabili, specificamente:
- Impostazione dei Limiti di Capitale: Quando la componente della media contribuisce per oltre l'80% dello SVaR (come osservato in stress), i risk manager dovrebbero dare priorità alla riduzione delle posizioni rispetto alla copertura basata sulla volatilità (es. opzioni), poiché le coperture di riduzione della varianza potrebbero essere inefficaci contro l'entità della perdita direzionale.
- Validazione degli Scenari: Le incongruenze tra le classifiche SHAP e le magnitudo degli shock in input possono segnalare errori nel design dello scenario.
- Reporting: I force plot servono come prove dirette per le presentazioni ICAAP/CCAR.

5. Conclusione

Il documento conclude che SHARC trasforma il framework ibrido GPR-HS in un motore di capitale pienamente auditabile. Risolvendo il problema della "scatola nera", permette alle istituzioni di sfruttare la superiorità predittiva dei modelli di ML non parametrici pur rispettando i rigorosi standard di trasparenza e documentazione di FRTB, ICAAP e CCAR. Le conclusioni suggeriscono che, in condizioni di stress, i requisiti di capitale sono guidati più dall'entità della perdita direzionale che dall'espansione della volatilità, un insight con implicazioni dirette per la gestione delle posizioni e le strategie di copertura. Il framework è presentato non solo come un esercizio accademico, ma come uno strumento pronto per la produzione per la governance del rischio regolamentare.