💰 quantitative finance

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

本論文は、ストレス下でのバリュー・アット・リスク（VaR）の出力を監査可能な構成要素へと分解することで、ICAAPおよびCCARの透明性要件への準拠を確実にする、非パラメトリックな機械学習モデルにおける「ブラックボックス」の障壁を解消するSHAPベースの説明可能性フレームワークであるSHARCを紹介するものである。

原著者： Ujjwala Vadrevu

公開日 2026-07-08

📖 1 分で読めます☕ さくっと読める

CC BY 4.0

原著者： Ujjwala Vadrevu

原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 ✨ これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。免責事項の全文を読む

あなたは、金融崩壊に耐えられるよう、安全な金庫にいくらのお金を保管しておくべきかを判断しようとしている銀行の担当者だと想像してください。かつて、銀行はこれを行うために、シンプルで透明性の高い数学的公式を使用していました。誰もがその数式の仕組みを正確に理解でき、まるで透明なガラス箱の中を覗き込んでいるかのようでした。

しかし最近、銀行は災害を予測するために、強力で複雑なコンピューターの脳（機械学習）を使い始めました。これらはより正確ですが、「ブラックボックス」のようなものです。問題を入力すると数字が出力されますが、なぜコンピューターがその特定の数字を決定したのか、その理由を知ることはできません。規制当局（金融界の「警察」）はこれを嫌っています。彼らはロジックを監査できないため、銀行にこのブラックボックスを使用することを許可しません。

この論文は、SHARC（SHAP for Regulatory Capital）と呼ばれる解決策を紹介しています。SHARCを、ブラックボックスの中を透視し、コンピューターがどのように意思決定を行ったかを正確に示すことができる**「魔法のX線装置」**だと考えてください。

以下に、この論文の内容を簡単な比喩を用いて解説します。

1. 問題点：「ブラックボックス」対「ガラスボックス」

従来の方法（ガラスボックス）： すべての材料と、それがどれだけ使われているかが正確にわかるレシピを想像してください。もしケーキの味が悪ければ、塩を入れすぎたことが原因だと分かります。
新しい方法（ブラックボックス）： 人間には理解できない方法で材料を混ぜ合わせる、完璧なケーキを作るロボットシェフを想像してください。規制当局はこう言います。「なぜそのケーキがそのような味になるのかを説明できない限り、そのロボットを使うことは認められません。」
論文の目的： 著者たちは、自分たちの高度なロボットシェフ（ガウス過程回帰モデルと呼ばれるもの）がSHARCによって説明可能であることを証明したいと考えています。そうすることで、規制当局にようやくその使用を認めさせるのが狙いです。

2. 解決策：「魔法のX線」（SHARC）

著者たちは、SHAP（SHapley Additive exPlanationsの略）と呼ばれるツールを使用しています。SHAPを、ゲーム理論に基づいたボードゲームの**「公平な会計士」**だと考えてください。

友人たち（データの入力値）が協力して、賞品（最終的なリスク数値）を獲得する場面を想像してください。
「公平な会計士」（SHAP）は、友人たちがどのように協力し合えたのか、あらゆる可能性を検討し、各友人が勝利にどれだけ貢献したかを正確に算出します。
SHARCは、この会計士を銀行の資本規制に特化して適用したものです。これは、最終的な「安全金庫の数値」を細かな断片に分解し、「この1%は西アジアでの戦争によるものであり、この0%は気候変動への懸念によるものであり、この0.2%はAIバブルによるものである」といった具合に説明します。

3. 実験：3つの災害シナリオ

彼らのX線が機能するかどうかをテストするために、著者たちは3つの「黙示録的」なシナリオをシミュレートしました。

西アジアでの戦争： 市場の暴落を引き起こす紛争。
気候リスク： 特定の地域を襲う環境災害。
AIバブル： AI企業が価値を失うテッククラッシュ。

これらのシナリオを複雑なロボットモデルに投入し、次にSHARCを使用して、そのモデルが何を考えているのかを確認しました。

4. 大きな発見：「トリガー（引き金） vs ステージ（舞台）」

この論文の最も重要な発見は、災害発生時に何が銀行のリスク数値を実際に動かしているのかに関する驚きの事実です。

従来の信念： 人々は、危機の間はボラティリティ（市場がいかに不安定で予測不能か）がリスクの主な要因であると考えていました。それは、嵐の「大きさ」こそがあなたを怖がらせる主因だと考えているようなものです。
SHARCによる発見： 論文によると、実際の深刻な暴落が発生している間は、方向性のある損失（Directional Loss）（市場が実際にどれだけ下落したか）が主な要因となります。ボラティリティは単なる背景ノイズであり、**「下落していること自体」**が重要なのです。
比喩： あなたがジェットコースターに乗っているところを想像してください。
- ボラティリティは、乗り物がどれだけガタガタと揺れているかです。
- 方向性のある損失は、乗り物が実際に崖から落下している状態です。
- 論文はこう述べています。「崖から落下しているとき、揺れ（ボラティリティ）は、実際に落下している（方向性のある損失）という事実ほど重要ではありません。」
- なぜこれが重要なのか： もし銀行がリスクを下げたいのであれば、単に揺れを鎮めようとする（ボラティリティに対する保険を買う）のではなく、崖から降りる（下落しているポジションを減らす）必要があります。

5. 結果：明確な成績表

この論文は、SHARCがいかに複雑で恐ろしい数値（例：「22億ドルの資本が必要である」）を、規制当局が読めるシンプルなリストへと分解できるかを示しています。

これにより、「ブラックボックス」は実際には真っ暗ではなく、適切なメガネさえあれば見えるものであることが証明されました。
モデルが誠実であることも示されました。シナリオが「欧州が暴落した」と言えば、モデルも「欧州が暴落した」と答え、SHARCはその根拠を証明します。
また、フォースプロット（Force Plot）（視覚的なチャート）を作成しており、それがレシートのように、リスクの出所がどこにあるのかを正確に示します。

まとめ

この論文は次のように述べています。「私たちは、金融災害を予測するための非常に賢く複雑なコンピューターモデルを構築しました。規制当局は、そのロジックを理解できないため、これを恐れていました。私たちは、SHARCと呼ばれるツールを使用して、モデルのX線撮影を行いました。その結果、モデルは完璧に機能しており、ルールに従っており、そして暴落時には『揺れ』よりも『下落の幅』が重要であることを教えてくれることが分かりました。これで、規制当局はロジックを理解でき、銀行はこのよりスマートなモデルを使用して金融システムを安全に保つことができるようになります。」

技術要約：SHARC – 機械学習リスクモデルにおける規制資本のためのSHAPベースの解釈可能性

1. 問題提起

非パラメトリックな機械学習モデル、特にガウス過程回帰（GPR）を規制資本（ICAAPおよびCCAR）の算定に採用するにあたっては、根本的なガバナンス上の障壁である「ブラックボックス」問題に直面する。GPRおよび関連するアーキテクチャは、従来のパラメトリックな手法（例：GARCH、ヒストリカル・シミュレーション）に対して予測上の優位性を示す一方で、その出力には分析的な分解可能性が欠如している。FRTB（トレーディング勘定の基本レビュー）、ICAICAAP Pillar 2、およびCCARといった規制枠組みは、モデルが監査可能であることを求めている。つまり、資本算定額は、非技術的な監督官が検証可能な、基礎となるリスク・ドライバーへと分解可能でなければならない。従来のモデルは、構造上これを満たしているが、GPRはそうではない。なぜなら、その事後予測分布は許容される関数上の積分であり、特定の入力から出力への寄与を特定することが非自明かつ非線形であるためである。本論文は、高度なMLアーキテクチャの予測精度を損なうことなく、この透明性の障壁を解決する必要性に取り組むものである。

2. メソドロジー：SHARCフレームワーク

本論文では、ハイブリッドGPR-HSアーキテクチャにSHAP（SHapley Additive exPlanations）を適用した構造化された説明可能性フレームワークである**SHARC（SHAP for Regulatory Capital）**を導入する。

2.1 理論的基礎

SHARCは、協力ゲーム理論（Shapley, 1953; Lundberg & Lee, 2017）に由来するモデルに依存しない手法であるSHAPを活用している。本フレームワークは、規制上の監査要件に直接対応する4つの公理的特性に基づいている。

局所的な正確性（Local Accuracy）： SHAP値の合計がモデルの出力と一致すること。これにより、資本の完全な分解（説明不能な「幽霊資本」の不在）が保証される。
欠落性（Missingness）： 入力がゼロである特徴量は出力への寄与もゼロとなり、「幽霊の属性付け」を防ぐ。
一貫性（Consistency）： 特徴量の限界的な寄与が増加した場合、そのSHAP値が減少することはない。これにより単調性が保証される。
効率性（Efficiency）： 分解の合計がモデルの出力とベースラインとの差に正確に一致し、残差がゼロであることを保証する。

2.2 ストレスト・バリュー・アット・リスク（SVaR）への適用

本フレームワークは、ベースケースのVaRではなく、資本拘束的な規制指標である**ストレスト・バリュー・アット・リスク（SVaR）**に適用される。本メソドロジーは、SVaR計算関数 $f(\mu, \sigma)$ を説明対象のターゲットとして扱う。

入力特徴量： 分析には、 $N$ 個のストレスドGPRモデルから派生した $2N$ 個の特徴量を使用する。すなわち、 $N$ 個の予測条件付き平均（ $\mu_i$ ）と、 $N$ 個の予測条件付き標準偏差（ $\sigma_i$ ）である。
分解式： SHARCフレームワークは、以下の通り分解を定式化する：
$SVaR_{SHARC} = \phi_0 + \sum_{i} (\phi_{\mu_i} + \phi_{\sigma_i})$
ここで、 $\phi_0$ はベースライン資本（プレストレス Day 1 SVaR）、 $\phi_{\mu_i}$ は方向性のある平均（損失の大きさ）への寄与、 $\phi_{\sigma_i}$ は分散（ボラティリティ）への寄与である。
実装： Kernel SHAPは、モデルに依存しない性質を持つため採用されており、GPRの事後分布をブラックボックスとして扱い、摂動を加えた入力連合（coalitions）を用いた重み付き線形回帰を通じて値を推定する。分析は、特定の資本計算に関する規制要件を満たすため、グローバルな平均的挙動ではなく、局所的な解釈（ $T=252$ における時点ごとの出力）に焦点を当てる。

2.3 シナリオテスト

本フレームワークは、以下の3つの異なるマクロ・ストレス・シナリオにわたって検証される。

西アジア紛争： 欧州および香港市場への深いショックを特徴とする。
気候リスク： 地理的なショックの集中が不均一であることを特徴とする。
AIバブル／規制負担： 米国テクノロジーセクター（S&P 500）への深いショックを特徴とする。

3. 主要な結果

3.1 フレームワークの忠実度とトレーサビリティ

SHARCによる分解は、SVaRの出力を一貫してシナリオ設計にマッピングしている。西アジア紛争シナリオでは、EURO STOXX 50の平均成分（-40%のショックによる）が主要なドライバーとして浮上し、一方で中程度のショックを受けた指数（FTSE 100、日経225）は緩和成分として機能した。同様に、AIバブルシナリオでは、S&P 500の平均成分（テクノロジーセクターの-45%のショックによる）が支配的となった。これは、ハイブリッドGPR-HSアーキテクチャが、その非線形構造を通じてシナリオ入力を忠実に伝達していることを裏付けており、SHARCがその伝達を透明化していることを示している。

3.2 ストレス下における分散に対する平均の支配

本論文の主要な分析的知見は、ストレス条件下で観察される非線形なリスク分解パターンである。

通常時： ボラティリティ（分散）が通常、VaR/ESの計算を駆動する。これは既存の理論文献（McNeil et al., 2015）と一致する。
ストレス時： 強力なストレス条件（例：252日間で-40%の損失を強制するシナリオ）の下では、平均リターン成分（方向性のある損失の大きさ）が、分散成分よりも一貫して支配的となり、最終的なSVaRを決定する。
メカニズム： シナリオが極端な負の方向への損失を規定する場合、想定される日次平均リターンは深くマイナスとなり、それが資本決定の制約条件として機能する。分散成分も存在するが、二次的なものとなる。

3.3 規制文書のアティファクト

**SHAPフォースプロット（Force Plot）**は、重要な規制アウトプットとして特定されている。これは、特定の終末SVaR（例：西アジア紛争における-2.2231%）を、ベースライン、平均駆動、および分散駆動の成分へと、残差のない視覚的な分解を提供する。これにより、規制当局はどの指数のエクスポージャーが資本要件を駆動しているのか、そしてそれがどの程度なのかを即座に特定でき、FRTBおよびICAAPの文書化基準を満たすことができる。

4. 意義と貢献

本論文は、GPR採用への規制上の障壁を解消する、主に4つの貢献を主張している。

公理的規制マッピング： SHAPの4つの公理をFRTB、ICAAP、およびCCARの文書化要件に正式にマッピングし、SHAPを理論的に根拠のある説明可能性の基盤として確立した。
SHARCフレームワーク： SVaRをベースライン、平均駆動、およびボラティリティ駆動の成分へと構造的に分解することを導入し、ハイブリッドGPR-HSアーキテクチャ内における資本ドライバーの透明な解釈を可能にした。
実証的検証： SHARCが多様なマクロシナリオにおいてSVaR出力をシナリオ設計と一貫して整合させることを示し、フレームワークの忠実性と監査可能なトレーサビリティを証明した。
実践的なガバナンス・テンプレート： SHARCの分解を、以下のような実行可能なリスクガバナンス・ルールへと変換した。
- 資本制限の設定： 平均成分がSVaRの80%超を寄与する場合（ストレス時に観察される）、リスクマネージャーはボラティリティに基づくヘッジ（例：オプション）よりも、ポジションの削減を優先すべきである。なぜなら、分散を減少させるヘッジは、方向性のある損失の大きさに対しては効果的ではない可能性があるためである。
- シナリオ検証： SHAPによるランキングと入力ショックの大きさとの間の不一致は、シナリオ設計のエラーを検知するフラグとなる。
- 報告： フォースプロットは、ICAAP/CCAR提出のための直接的な証跡として機能する。

5. 結論

本論文は、SHARCがハイブリッドGPR-HSを完全に監査可能な資本エンジンへと変貌させるものであると結論付けている。これにより、「ブラックボックス」問題を解決することで、金融機関は非パラメトリックなMLモデルの予測的優位性を活用しながら、FRTB、ICAP、およびCCARの厳格な透明性と文書化基準を満たすことが可能となる。本研究の知見は、ストレス下では資本要件がボラティリティの拡大よりも方向性のある損失の大きさに 의해駆動されることを示唆しており、これはポジション管理やヘッジ戦略に対して直接的な示唆を与えるものである。本フレームワークは、単なる学術的な演習ではなく、規制リスクガバナンスのための実用的なツールとして提示されている。