💰 quantitative finance

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

本文介绍了 SHARC，这是一个基于 SHAP 的可解释性框架，它通过将压力 VaR 输出分解为可审计的组件，解决了非参数机器学习模型在监管资本评估中的“黑盒”障碍，从而确保符合 ICAAP 和 CCAR 的透明度要求。

原作者： Ujjwala Vadrevu

发布于 2026-07-08

📖 1 分钟阅读☕ 轻松阅读

原作者： Ujjwala Vadrevu

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你是一家银行，正试图弄清楚为了在金融灾难中生存，需要向安全金库中存放多少钱。在过去，银行使用简单、透明的数学公式来做这件事。每个人都能看清公式是如何运作的，就像看着一个透明的玻璃箱。

但最近，银行开始使用强大的、复杂的计算机大脑（机器学习）来预测灾难。它们更准确，但却像是一个个黑匣子：你输入一个问题，它输出一个数字，但没有人知道为什么计算机会做出那个特定的决定。监管机构（金融世界的“警察”）对此深恶痛绝。他们不允许银行使用这些黑匣子，因为他们无法审计其中的逻辑。

这篇论文介绍了一个名为 SHARC（用于监管资本的 SHAP）的解决方案。你可以把 SHARC 想象成一台神奇的 X 光机，它可以透视黑匣子内部，向你展示计算机究竟是如何做出决策的。

以下是作者如何利用简单的类比来拆解这篇论文的：

1. 问题所在：“黑匣子” vs. “玻璃箱”

旧方式（玻璃箱）： 想象一个食谱，你可以看到每一种原料以及具体使用了多少量。如果蛋糕味道不好，你知道是因为盐放多了。
新方式（黑匣子）： 想象一个机器人厨师，它能做出完美的蛋糕，但它混合原料的方式是人类无法理解的。监管机构说：“除非你能解释为什么这个蛋糕是这种味道，否则我们不能让你使用这个机器人。”
论文的目标： 作者想要证明他们先进的机器人厨师（称为高斯过程回归模型）可以通过 SHARC 进行解释，从而让监管机构最终允许银行使用它。

2. 解决方案：“神奇 X 光机”（SHARC）

作者使用了一个名为 SHAP（代表 SHapley Additive exPlanations，即沙普利加性解释）的工具。你可以把 SHAP 想象成一个来自博弈论桌游中的公正会计师。

想象一群朋友（数据输入）正在通力合作以赢得一份奖品（最终的风险数值）。
“公正的会计师”（SHAP）会观察朋友们所有可能的协作方式，并精确计算出每位朋友对赢得奖品贡献了多少。
SHARC 只是将这一套逻辑应用于银行资本规则。它将最终的“安全金库数值”拆解成微小的碎片，并说明：“这 1% 来自西亚战争，这 0.5% 来自气候变化担忧，而这 0.2% 来自 AI 泡沫。”

3. 实验：三种灾难情景

为了测试他们的 X 光机是否有效，作者模拟了三种不同的“末日”情景：

西亚战争： 一场导致市场崩盘的冲突。
气候风险： 冲击特定地区的环境灾难。
AI 泡沫： 一场 AI 公司价值缩水的科技业崩盘。

他们将这些情景输入到复杂的机器人模型中，然后使用 SHARC 来观察模型的思考逻辑。

4. 重大发现：“触发因素 vs. 阶段”

这篇论文最重要的发现是关于灾难期间驱动银行风险数值的因素，其结论令人惊讶。

旧观点： 人们认为在危机期间，波动率（市场摇晃和不可预测的程度）是风险的主要驱动力。这就像认为风暴的大小才是最吓人的。
SHARC 的发现： 论文发现，在真正的严重崩盘期间，方向性损失（市场实际下跌的幅度）才是主要驱动力。波动率只是背景噪音；下跌本身才是关键。
类比： 想象你正在坐过山车。
- 波动率是车厢摇晃和震动的程度。
- 方向性损失是车厢实际上正从悬崖上坠落。
- 论文指出：“当你正从悬崖坠落时，摇晃（波动率）并不如坠落（方向性损失）本身那么重要。”
- 为什么这很重要： 如果一家银行想要降低风险，它不应该仅仅试图平息摇晃（购买针对波动率的保险）；它需要离开过山车（减少正在下跌的头寸）。

5. 结果：一份清晰的成绩单

论文展示了 SHARC 如何将一个复杂且可怕的数字（例如“我们需要 22 亿美元的资本”）拆解成一份监管机构可以阅读的简单清单。

它证明了“黑匣子”并非真的漆黑一片；它只是在没有合适的眼镜时很难看清。
它表明该模型是诚实的：如果情景设定为“欧洲崩盘”，模型就会显示“欧洲崩盘”，而 SHARC 证明了这一点。
它创建了一个 力导向图（Force Plot）（一种可视化图表），充当了一张收据，显示了每一分钱的风险究竟来自哪里。

总结

这篇论文的核心观点是：“我们构建了一个超级聪明、复杂的计算机模型来预测金融灾难。监管机构曾因为无法理解它而感到恐惧。我们使用了一个名为 SHARC 的工具，对模型进行了 X 光检查。我们发现，该模型运作完美，遵循规则，并且告诉我们：在崩盘期间，跌幅的大小比摇晃的程度更重要。现在，监管机构可以看到其中的逻辑，银行也可以使用这个更智能的模型来维护金融系统的安全。”

技术摘要：SHARC —— 用于监管资本的基于 SHAP 的机器学习风险模型可解释性研究

1. 问题陈述

在监管资本估算（ICAAP 和 CCAR）中，采用非参数机器学习模型（特别是高斯过程回归，GPR）面临着一个根本性的治理障碍：即“黑箱”问题。尽管 GPR 及相关架构在预测能力上优于传统的参数化方法（如 GARCH、历史模拟法），但其输出缺乏分析上的可分解性。诸如 FRTB（交易账簿基本审查）、ICAOP 第二柱以及 CCAR 等监管框架要求模型必须是可审计的，这意味着资本估算必须能够分解为可供非技术性监管人员进行审视的基础风险驱动因素。传统模型通过构造本身满足了这一要求；而 GPR 则不然，因为其后验预测分布是对于可容许函数的积分，这使得将特定输入归因于输出变得既非平凡且具有非线性特征。本文旨在解决如何在不牺牲先进 ML 架构预测准确性的前提下，消除这一透明度障碍。

2. 方法论：SHARC 框架

本文引入了 SHARC（用于监管资本的 SHAP），这是一个将 SHAP（SHapley Additive exPlanations）应用于混合 GPR-HS 架构的结构化可解释性框架。

2.1 理论基础

SHARC 利用了源自合作博弈论的 SHAP（Shapley, 1953; Lundberg & Lee, 2017）。该框架依赖于四个直接映射到监管审计要求的公理化属性：

局部准确性（Local Accuracy）： SHAP 值的总和等于模型输出，确保了资本分解的完整性（不存在无法解释的“幻影”资本）。
缺失性（Missingness）： 特征为零输入时对输出的贡献也为零，防止了幻影归因。
一致性（Consistency）： 如果一个特征的边际贡献增加，其 SHAP 值不会减少，从而确保了单调性。
效率性（Efficiency）： 分解之和精确等于模型输出与基准值之间的差值，确保零残差。

2.2 在压力价值 l处风险（SVaR）中的应用

该框架应用于 压力价值 l处风险（SVaR） 而非基础情况下的 VaR，因为 SVaR 代表了监管层面的资本约束指标。该方法论将 SVaR 计算函数 $f(\mu, \sigma)$ 视为待解释的目标。

输入特征： 分析利用了源自 $N$ 个压力 GPR 模型的 $2N$ 个特征：即 $N$ 个预测条件均值 ( $\mu_i$ ) 和 $N$ 个预测条件标准差 ( $\sigma_i$ )，分别对应组合资产。
分解公式： SHARC 框架将分解形式化为：
$SVaR_{SHARC} = \phi_0 + \sum_{i} (\phi_{\mu_i} + \phi_{\sigma_i})$
其中 $\phi_0$ 是基准资本（压力前第 1 天的 SVaR）， $\phi_{\mu_i}$ 是方向性均值（损失幅度）的贡献， $\phi_{\sigma_i}$ 是方差（波动率）的贡献。
实现方式： 由于 Kernel SHAP 的模型无关特性，本文采用了 Kernel SHAP，将 GPR 后验分布视为黑箱，并通过对扰动后的输入集合进行加权线性回归来估计数值。分析侧重于局部解释（即 $T=252$ 时刻的点对点输出），以满足针对特定资本计算的监管要求，而非全局平均行为。

2.3 情景测试

该框架在三种不同的宏观压力情景下进行了验证：

西亚战争： 特点是对欧洲和香港市场造成深度冲击。
气候风险： 特点是异质性的地理冲击集中度。
AI 泡沫/监管负担： 特点是对美国科技板块（标普 500）造成深度冲击。

3. 关键结果

3.1 框架忠实度与可追溯性

SHARC 分解能够一致地将 SVaR 输出映射回底层情景设计。在西亚战争情景中，EURO STOXX 50 的均值组件（受 -40% 冲击驱动）成为主要驱动因素，而受中度冲击的指数（如 FTSE 100、Nikkei 225）则起到缓解作用。同样，在 AI 泡沫 情景中，由于标普 500 指数受到 -45% 的科技板块冲击，其均值组件占据了主导地位。这证实了混合 GPR-HS 架构能够忠实地通过其非线性结构传递情景输入，且 SHARC 使这种传递过程变得透明。

3.2 压力条件下均值对方差的主导地位

本文的主要分析发现是观察到的压力条件下的非线性风险分解模式：

常态条件： 方差（波动率）通常驱动 VaR/ES 计算，这与理论文献（McNeil et al., 2015）一致。
压力条件： 在强压力调节下（例如，强制要求 252 天内发生 -40% 的损失），均值回报组件（方向性损失幅度）在决定最终 SVaR 时始终优于方差组件。
机制： 当情景规定了极端的负向方向性损失时，隐含的日均回报会变得极深，从而成为资本约束的核心。虽然方差组件依然存在，但变得次要。

3.3 监管文档产出物

SHAP 力图（Force Plot） 被确定为关键的监管输出。它提供了一个特定的终端 SVaR（例如，西亚战争情景下的 -2.2231%）的视觉化、零余项分解，涵盖了基准、均值驱动和方差驱动组件。这使得监管机构能够立即识别哪些指数敞口驱动了资本要求，以及驱动程度如何，从而满足 FRTB 和 ICAAP 的文档标准。

4. 重要性与贡献

本文声称有四项主要贡献，解决了采用 GPR 的监管障碍：

公理化监管映射： 它正式将 SHAP 的四个公理映射到 FRTB、ICAAP 和 CCAR 的文档要求，确立了 SHAP 作为具有理论基础的监管可解释性的基石。
SHARC 框架： 它引入了一种将 SVaR 分解为基准、均值驱动和波动率驱动组件的结构化方法，实现了在混合 GPR-HS 架构内对资本驱动因素的透明解释。
经验验证： 它证明了 SHARC 在多种宏观情景下都能一致地将 SVaR 输出与情景设计对齐，证实了框架的忠实度并实现了可审计的可追溯性。
实践治理模板： 它将 SHARC 分解转化为可操作的风险治理规则，具体包括：
- 资本限额设定： 当均值组件对 SVaR 的贡献超过 80% 时（如在压力下观察到的情况），风险管理者应优先考虑减仓（Position Reduction），而非基于波动率的对冲（如期权），因为降低方差的对冲手段在应对方向性损失幅度时可能无效。
- 情景验证： SHAP 排名与输入冲击量之间的一致性偏差可以作为识别情景设计错误的信号。
- 报告： 力图可作为 ICAAP/CCAR 提交文件的直接附件。

5. 结论

本文得出结论，SHARC 将混合 GPR-HS 框架转化为一个完全可审计的资本引擎。通过解决“黑箱”问题，它允许金融机构在利用非参数 ML 模型卓越预测能力的同时，满足 FRTB、ICAAP 和 CCAR 严格的透明度和文档标准。研究结果表明，在压力条件下，资本要求更多是由方向性损失幅度而非波动率扩张驱动的，这一洞察对头寸管理和对冲策略具有直接影响。该框架不仅是一项学术练习，更是一个面向生产环境的风险治理工具。