💰 quantitative finance

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

Dit artikel introduceert SHARC, een op SHAP gebaseerd verklaarbaarheidsframework dat de "black box"-barrière voor niet-parametrische machine learning-modellen bij de schatting van het kapitaalgebruik door de outputs van gestreste Value-at-Risk te decomponeren in controleerbare componenten, waardoor naleving van de transparantievereisten van ICAAP en CCAR wordt gewaarborgd.

Oorspronkelijke auteurs: Ujjwala Vadrevu

Gepubliceerd 2026-07-08

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Ujjwala Vadrevu

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een bank bent die probeert uit te rekenen hoeveel geld er in een veiligheidskluis moet worden bewaard om een financiële ramp te overleven. In het verleden gebruikten banken eenvoudige, transparante wiskundige formules om dit te doen. Iedereen kon precies zien hoe de formule werkte, alsof je naar een glazen doos keek.

Onlangs zijn banken echter begonnen met het gebruik van krachtige, complexe computerbreinen (Machine Learning) om rampen te voorspellen. Deze zijn nauwkeuriger, maar ze zijn als black boxes: je stopt een probleem erin, en er komt een getal uit, maar niemand kan zien waarom de computer voor dat specifieke getal heeft gekozen. Toezichthouders (de "politie" van de financiële wereld) haten dit. Ze laten banken deze black boxes niet gebruiken omdat ze de logica niet kunnen controleren.

Dit artikel introduceert een oplossing genaamd SHARC (SHAP voor Regulatory Capital). Denk aan SHARC als een magische röntgenmachine die in de black box kan kijken en je precies kan laten zien hoe de computer zijn beslissing heeft genomen.

Hier is hoe het artikel dit uiteenzet, met behulp van eenvoudige analogieën:

1. Het Probleem: De "Black Box" versus de "Glass Box"

De Oude Manier (Glass Box): Stel je een recept voor waarbij je elk ingrediënt kunt zien en precies weet hoeveel er wordt gebruikt. Als de taart vies smaakt, weet je dat het komt doordat je te veel zout hebt toegevoegd.
De Nieuwe Manier (Black Box): Stel je een robotkok voor die een perfecte taart maakt, maar de ingrediënten mengt op een manier die voor een mens onbegrijpelijk is. De toezichthouders zeggen: "We kunnen deze robot niet gebruiken tenzij je kunt uitleggen waarom de taart zo smaakt als hij smaakt."
Het Doel van het Artikel: De auteurs willen bewijzen dat hun geavanceerde robotkok (een Gaussian Process Regression-model genoemd) verklaard kan worden met behulp van SHARC, zodat toezichthouders de banken er eindelijk toestemming voor geven.

2. De Oplossing: De "Magische Röntgenmachine" (SHARC)

De auteurs gebruiken een hulpmiddel genaamd SHAP (wat staat voor SHapley Additive exPlanations). Denk aan SHAP als een eerlijke accountant uit een bordspel met speltheorie.

Stel je een groep vrienden voor (de gegevensinputs) die samenwerken om een prijs te winnen (het uiteindelijke risiconummer).
De "eerlijke accountant" (SHAP) kijkt naar elke mogelijke manier waarop de vrienden samen hebben gewerkt en berekent precies hoeveel elke vriend heeft bijgedragen aan de overwinning.
SHARC is simpelweg deze accountant toegepast op de regels voor bankkapitaal. Het breekt het uiteindelijke "Veiligheidskluisgetal" af in kleine stukjes en zegt: "Deze 1% kwam door de oorlog in West-Azië, deze 0,5% kwam door angst voor klimaatverandering, en deze 0,2% kwam door de AI-bubbel."

3. Het Experiment: Drie Rampenscenario's

Om te testen of hun röntgenmachine werkt, simuleerden de auteurs drie verschillende "apocalyptische" scenario's:

West-Aziatische Oorlog: Een conflict dat markten doet crashen.
Klimaatrisico: Milieurampen die specifieke regio's treffen.
AI-bubbel: Een technologische crash waarbij AI-bedrijven in waarde dalen.

Ze stopten deze scenario's in hun complexe robotmodel en gebruikten vervolgens SHARC om te zien wat het model dacht.

4. De Grote Ontdekking: "De Trigger versus het Podium"

De belangrijkste bevinding van het artikel is een verrassing over wat de bankrisicocijfers tijdens een ramp daadwerkelijk aanstuurt.

De Oude Overtuiging: Mensen dachten dat tijdens een crisis de Volatiliteit (hoe schokkerig en onvoorspelbaar de markt is) de belangrijkste drijfveer van risico is. Het is alsof je denkt dat de omvang van de storm je het meest bang maakt.
De SHARC Bevinding: Het artikel vond dat tijdens een echte, ernstige crash de Directionele Verlies (hoe ver de markt daadwerkelijk valt) de belangrijkste drijfveer is. De volatiliteit is slechts de achtergrondruis; het vallen zelf is wat ertoe doet.
De Analogie: Stel je voor dat je in een achtbaan zit.
- Volatiliteit is hoeveel de kar schudt en rammelt.
- Directioneel Verlies is de auto die daadwerkelijk van een klif naar beneden stort.
- Het artikel zegt: "Wanneer je van een klif naar beneden stort, maakt het schudden (volatiliteit) minder uit dan het feit dat je valt (directioneel verlies)."
- Waarom dit belangrijk is: Als een bank het risico wil verlagen, moet ze niet alleen proberen het schudden te kalmeren (verzekeringen kopen tegen volatiliteit); ze moeten van de achtbaan af komen (de positie verminderen die naar beneden valt).

5. Het Resultaat: Een Duidend Rapportcijfer

Het artikel laat zien dat SHARC een complex, eng getal (zoals "We hebben 2,2 miljard dollar aan kapitaal nodig") kan omzetten in een eenvoudige lijst die een toezichthouder kan lezen.

Het bewijst dat de "Black Box" eigenlijk niet zwart is; het is alleen moeilijk te zien zonder de juiste bril.
Het laat zien dat het model eerlijk is: als het scenario zegt "Europa crasht", zegt het model "Europa is gecrasht", en SHARC bewijst dat.
Het creëert een Force Plot (een visuele grafiek) die fungeert als een bonnetje, waarop precies te zien is waar elke cent aan risico vandaan kwam.

Samenvatting

Dit artikel zegt: "We hebben een superintelligent, complex computermodel gebouwd om financiële rampen te voorspellen. Toezichthouders waren bang omdat ze het niet konden begrijpen. We hebben een hulpmiddel genaamd SHARC gebruikt om een röntgenfoto van het model te maken. We ontdekten dat ons model perfect werkt, de regels volgt en ons vertelt dat tijdens een crash de grootte van de daling belangrijker is dan het schudden. Nu kunnen de toezichthouders de logica zien, en kunnen banken dit intelligentere model gebruiken om het financiële systeem veilig te houden."

Technische Samenvatting: SHARC – SHAP-gebaseerde interpreteerbaarheid in machine learning-risicomodellen voor regulatoir kapitaal

1. Probleemstelling

De adoptie van niet-parametrische machine learning-modellen, specifiek Gaussian Process Regression (GPR), bij de schatting van regulatoir kapitaal (ICAAP en CCAR) staat voor een fundamentele governance-barrière: het "black box"-probleem. Hoewel GPR en gerelateerde architecturen een superieure voorspellende kracht vertonen ten opzichte van traditionele parametrische benaderingen (bijv. GARCH, Historical Simulation), ontbreekt het hun outputs aan analytische decomponeerbaarheid. Regulatieve kaders zoals de Fundamental Review of the Trading Book (FRTB), ICAAP Pillar 2 en CCAR vereisen dat modellen controleerbaar zijn, wat betekent dat kapitaalschattingen gedecomposeerd moeten kunnen worden in onderliggende risicodrivers die door niet-technische toezichthouders geïnterpreteerd kunnen worden. Traditionele modellen voldoen hierdoor door constructie; GPR doet dat niet, aangezien de posterior predictive distributie een integraal is over admissibele functies, waardoor de attributie van specifieke inputs aan outputs niet triviaal en niet-lineair is. Dit artikel behandelt de noodzaak om deze transparantiebarrière te doorbreken zonder op te offeren aan de voorspellende nauwkeurigheid van geavanceerde ML-architecturen.

2. Methodologie: Het SHARC-framework

Het artikel introduceert SHARC (SHAP for Regulatory Capital), een gestructureerd explainability-framework dat SHapley Additive exPlanations (SHAP) toepast op de Hybride GPR-HS architectuur.

2.1 Theoretische Fundering

SHARC maakt gebruik van SHAP, een model-agnostische methode afgeleid van coöperatieve speltheorie (Shapley, 1953; Lundberg & Lee, 2017). Het framework steunt op vier axiomatische eigenschappen die direct in overeenstemming zijn met regulatoire audit-eisen:

Lokale Nauwkeurigheid (Local Accuracy): De som van de SHAP-waarden is gelijk aan de modeloutput, wat volledige decompositie van kapitaal garandeert (geen onverklaard "phantom" kapitaal).
Ontbreken (Missingness): Kenmerken met een nul-input dragen nul bij aan de output, wat voorkomt dat er foutieve attributie plaatsvindt.
Consistentie (Consistency): Als de marginale bijdrage van een kenmerk toeneemt, kan de SHAP-waarde ervan niet afnemen, wat monotoniciteit waarborgt.
Efficiëntie (Efficiency): De decompositie komt exact overeen met het verschil tussen de modeloutput en de baseline, wat zorgt voor een nul-residue.

2.2 Toepassing op Stressed Value-at-Risk (SVaR)

Het framework wordt toegepast op Stressed Value-at-Risk (SVaR) in plaats van de base-case VaR, aangezien SVaR de kapitaalbindende regulatoire maatstaf vertegenwoordigt. De methodologie behandelt de SVaR-berekeningsfunctie $f(\mu, \sigma)$ als de doelvariabele die verklaard moet worden.

Input Kenmerken: De analyse maakt gebruik van $2N$ kenmerken afgeleid van $N$ stressed GPR-modellen: $N$ voorspelde conditionele gemiddelden ( $\mu_i$ ) en $N$ voorspelde conditionele standaarddeviaties ( $\sigma_i$ ) voor portfolio-assets.
Decompositieformule: Het SHARC-framework formaliseert de decompositie als:
$SVaR_{SHARC} = \phi_0 + \sum_{i} (\phi_{\mu_i} + \phi_{\sigma_i})$
Waarbij $\phi_0$ de baseline kapitaal (pre-stress Day 1 SVaR) is, $\phi_{\mu_i}$ de bijdrage van het directionele gemiddelde (verliesomvang) is, en $\phi_{\sigma_i}$ de bijdrage van de variantie (volatiliteit) is.
Implementatie: Kernel SHAP wordt gebruikt vanwege het model-agnostische karakter, waarbij de GPR-posterior als een black box wordt behandeld en waarden worden geschat via gewogen lineaire regressie over geperturbeerde input-coalities. De analyse richt zich op lokale interpretatie (point-in-time outputs op $T=252$ ) om te voldoen aan de regulatoire eisen voor specifieke kapitaalberekeningen, in plaats van globale gemiddelde gedragingen.

2.3 Scenario-testen

Het framework wordt gevalideerd over drie verschillende macro-stressscenario's:

West-Azië Oorlog: Gekenmerkt door diepe schokken in Europese en Hong Kong markten.
Klimaatrisico: Gekenmerkt door heterogene geografische concentraties van schokken.
AI-bubbel/Regulatoire Last: Gekenmerkt door diepe schokken in de Amerikaanse technologiesector (S&P 500).

3. Belangrijkste Resultaten

3.1 Framework Getrouwheid en Traceerbaarheid

De SHARC-decompositie brengt de SVaR-outputs consistent in kaart met het ontwerp van het scenario. In het scenario West-Azië Oorlog kwam het EURO STOXX 50 gemiddelde component (gedreven door een -40% schok) naar voren als de primaire driver, terwijl indices met gematigde schokken (FTSE 100, Nikkei 225) fungeerden als mitigerende componenten. Vergelijkbaar met het AI-bubbel scenario, domineerde de S&P 500 gemiddelde component door de -45% tech-sector schok. Dit bevestigt dat de Hybride GPR-HS architectuur de scenario-inputs getrouw doorgeeft via zijn niet-lineaire structuur, en dat SHARC deze transmissie transparant maakt.

3.2 De Dominantie van het Gemiddelde boven de Variantie onder Stress

De belangrijkste analytische bevinding van het artikel is het niet-lineaire risicodecompositiepatroon dat wordt waargenomen onder stresscondities:

Normale Condities: De variantie (volatiliteit) drijft doorgaans de VaR/ES-berekeningen aan, wat consistent is met de theoretische literatuur (McNeil et al., 2015).
Stress Condities: Onder sterke stress-conditionering (bijv. een verplichte -40% verlies over 252 dagen), domineert de component van het gemiddelde rendement (directionele verliesomvang) consistent over de variantiecomponent bij het bepalen van de uiteindelijke SVaR.
Mechanisme: Wanneer een scenario een extreme negatieve directionele verliezen dicteert, wordt het geïmpliceerde dagelijkse gemiddelde rendement diep negatief, wat fungeert als de bindende beperking op het kapitaal. De variantiecomponent, hoewel aanwezig, wordt secundair.

3.3 Regulatoire Documentatie-artefacten

De SHAP Force Plot wordt geïdentificeerd als een cruciaal regulatoir output. Het biedt een visuele, zero-remainder decompositie van een specifieke terminale SVaR (bijv. -2.2231% voor West-Azië Oorlog) in baseline, gemiddelde-gedreven en variantie-gedreven componenten. Dit stelt toezichthouders in staat om onmiddellijk te identificeren welke index-exposures de kapitaaleisen drijven en met hoeveel dat is, wat voldoet aan de FRTB en ICAAP documentatiestandaarden.

4. Betekenis en Bijdragen

Het artikel claimt vier primaire bijdragen die de regulatoire barrière voor GPR-adoptie oplossen:

Axiomatische Regulatoire Mapping: Het koppelt formeel de vier axioma's van SHAP aan FRTB, ICAAP en CCAR documentatie-eisen, waarmee SHAP wordt gevestigd als een theoretisch gefundeerde basis voor regulatoire verklaarbaarheid.
SHARC Framework: Het introduceert een gestructureerde decompositie van SVaR in baseline, gemiddelde-gedreven en volatiliteit-gedreven componenten, wat een transparante interpretatie van kapitaaldrivers mogelijk maakt binnen de Hybride GPR-HS architectuur.
Empirische Validatie: Het demonstreert dat SHARC de SVaR-outputs consistent afstemt op scenario-ontwerpen over diverse macro-scenario's, wat de getrouwheid van het framework bevestigt en auditeerbare traceerbaarheid mogelijk maakt.
Praktische Governance Template: Het vertaalt de SHARC-decompositie naar actiegericht risicogovernance-beleid, specifiek:
- Kapitaallimieten Instellen: Wanneer de gemiddelde component meer dan 80% van de SVaR bijdraagt (zoals waargenomen tijdens stress), moeten risicomanagers prioriteit geven aan positievermindering boven volatiliteitsgebaseerde hedging (bijv. opties), aangezien variantie-reducerende hedges ineffectief kunnen zijn tegen de directionele verliesomvang.
- Scenario Validatie: Inconsistenties tussen SHAP-rangschikkingen en input-schokomvang kunnen fouten in het scenario-ontwerp signaleren.
- Rapportage: Force plots dienen als directe bewijsstukken voor ICAAP/CCAR indieningen.

5. Conclusie

Het artikel concludeert dat SHARC de Hybride GPR-HS framework transformeert in een volledig controleerbare kapitaalmotor. Door het "black box"-probleem op te lossen, stelt het instellingen in staat om de voorspellende superioriteit van niet-parametrische ML-modellen te benutten terwijl zij voldoen aan de strikte transparantie- en documentatiestandaarden van FRTB, ICAAP en CCAR. De bevindingen suggereren dat onder stress kapitaaleisen meer worden gedreven door de directionele verliesomvang dan door de expansie van volatiliteit, een inzicht met directe implicaties voor positiebeheer en hedging-strategieën. Het framework wordt gepresenteerd als een niet louter academische oefening, maar als een productie-klaar instrument voor regulatoir risicobeheer.