تأثير ML في LGD/EAD على تحسين دقة توقع الخسائر المصرفية

لماذا هذا الموضوع مهم للمنشآت المطبِّقة لـ IFRS 9؟

معيار IFRS 9 يفرض قياسات دقيقة ومنهجية لـ ECL. تقديرات LGD (نسبة الخسارة عند التخلف) وEAD (التعرّض المتوقع عند التخلف) تمثل عناصر أساسية تؤثر مباشرة على قيمة المخصصات، الربحية المعلنة، ومتطلبات رأس المال.
استخدام تقنيات التعلم الآلي يمكن أن يقلل عدم اليقين في التقديرات بنسبة ملموسة — دراسات داخلية لجهات مالية أظهرت تحسناً في خطأ التقدير (RMSE) بنسبة 10–30% مقارنة بطرق الانحدار التقليدية عند توافر بيانات كافية ومعالجة سليمة.

لذلك، ML في LGD/EAD ليس ترفاً تقنياً بل أداة استراتيجية لتعزيز الامتثال، تقليل المفاجآت المحاسبية، وتحسين دقة تقارير لجنة المخاطر.

شرح المفهوم: ما هو ML في LGD/EAD وكيف يُطبّق؟

تعريفات أساسية

• LGD: نسبة الخسارة المتوقعة بعد حدوث التخلف، عادة معبر عنها كنسبة مئوية من التعرض.
• EAD: التعرّض المتوقع عند التخلف — المبلغ الذي يتوقع أن تكون المؤسسة معرضة له وقت التخلف.
• ML في LGD/EAD: تطبيق خوارزميات تعلم الآلة لبناء نماذج تتنبأ بهذه القيم بدقة أعلى من الأساليب الإحصائية التقليدية، مع استخدام ميزات (features) متنوِّعة مثل سلوك السداد، الخصائص الديموغرافية، مؤشرات السوق والاقتصاد الكلي.

مكوّنات نموذج ML نموذجي لـ LGD/EAD

1. جمع البيانات: محفظة قروض، معاملات سداد، عقود ضمان، مداخلات اقتصادية (GDP, سعر الفائدة)، وبيانات تحصيل.
2. المعالجة المسبقة: تنظيف، تحويل القيم المفقودة، إنشاء ميزات مركبة كالـ “time since default”.
3. اختيار النموذج: Random Forest, Gradient Boosting (XGBoost/LightGBM), Neural Networks (شبكات عميقة أو MLP)، أو مزيج (Ensemble).
4. تقييم النموذج: مؤشرات مثل AUC للتمييز، KS، RMSE للانحراف، ومقاييس معايرة (Calibration) مثل Brier Score.
5. اختبارات حساسية: قياس تغير النتائج عند سيناريوهات اقتصادية مختلفة لضمان توافق منهجية ECL مع اختبارات الحساسية المطلوبة تنظيمياً.
6. التحقق والحوكمة: توثيق القرار النموذجي، اختبار الاستقرار، ومراجعة داخلية/خارجية لضمان التحقق من صحة النماذج.

أمثلة تقنية مختصرة

– Random Forest: مناسب لتقليل التحيز مع ميزات غير خطية، قوي أمام القيم المفقودة الجزئية ويمكن تفسيره عن طريق أهمية الميزات.
– Neural Networks: مفيد عند وجود علاقات معقدة وغير خطية وكمية بيانات كبيرة؛ يتطلب تنظيم (regularization) وشرح إضافي لتلبية حوكمة نموذج المخاطر.
– Gradient Boosting (XGBoost/LightGBM): أداء ممتاز في العديد من مسارات LGD/EAD مع سرعة تدريب أعلى وتحكم جيد في الإفراط في التكيّف.

حالات استخدام وسيناريوهات عملية

سيناريو 1 — محفظة قروض الاستهلاك لبلد متوسط الحجم

مؤسسة لديها 120,000 حساب قروض استهلاكية. استخدمت Random Forest لتقدير EAD بناءً على سلوك السحب الائتماني في آخر 12 شهراً، مع ميزات تتضمن نسبة الائتمان المستخدمة، تأخرات سابقة، وتغير الدخل. النتيجة: خفض انحراف التقدير للـ EAD بنسبة تقريبية 18% مقارنة بالطريقة القائمة على المتوسط التاريخي، مع نفس مستوى الامتثال للمنهجية.

سيناريو 2 — محفظة قروض عقارية ذات ضمان عالي

في محفظة عقارية، LGD يتأثر بشكل كبير بقيمة الضمان وتقلبات سوق العقارات. استخدام شبكة عصبية (Neural Network) لالتقاط التفاعلات بين قيمة الضمان، العمر الافتراضي للعقار، وسيناريوهات السوق المحلّيّة أدى إلى معايرة أفضل للتوقعات عبر دورات السوق المختلفة. أهم خطوة كانت إضافة اختبارات الحساسية لسيناريو هبوط قيم العقارات بنسبة 20% وقياس أثرها على LGD.

سيناريو 3 — دمج ML مع منهجية ECL القائمة

بعض المؤسسات تبدأ بنموذج هجين: تستخدم ML للتنبؤ بمعاملات تحويل (conversion rates) والـ cure rates، بينما تحتفظ بمنهجيات احترازية تقليدية لحالات شاذة. هذا يقلل المخاطر التنظيمية ويُسهّل التحقق من صحة النماذج عند مراجعات لجنة المخاطر.

أثر تبنّي ML على القرارات والأداء المؤسسي

تبنّي ML في LGD/EAD يؤثر على عدة محاور عملية ومالية:

• التأثير المحاسبي على الربحية: تحسين دقة ECL يقلل من تقلب مخصصات الخسائر ويؤثر إيجاباً على ربحية الربع/العام، مع ضرورة الإفصاح عن منهجية ECL والتغييرات في التقديرات.
• الكفاءة التشغيلية: أتمتة المعالجة والتنبؤ تقلل أوقات إعداد التقارير من أسابيع إلى أيام، وتحرّر موارد التدقيق الداخلي للتركيز على الحوكمة.
• جودة اتخاذ القرار الائتماني: تقييم أفضل لـ LGD/EAD يمكّن من تسعير المخاطر بدقة أعلى وتعديل استراتيجيات التسليف.
• راحة لجنة المخاطر: تقارير مبنية على نماذج ML مع شواهد ثبوتية واختبارات حساسية واضحة تعزز ثقة اللجنة وتسهّل الموافقات.

أخطاء شائعة وكيفية تجنّبها

1. تجاهل اختبارات الحساسية

الخطر: اعتماد نموذج عالي الدقة تاريخياً دون اختبار تأثير سيناريوهات اقتصادية مختلفة. الحل: تضمين اختبارات الحساسية كجزء من منهجية ECL وإعادة معايرة النموذج على نتائج هذه الاختبارات.

2. تسريب البيانات (Data Leakage)

الخطر: استخدام ميزات تتضمن معلومات مستقبلية تؤدي إلى نتائج مضللة. الحل: تصميم إطار زمني صارم للميزات وفصل بيانات التدريب والاختبار حسب التوقيت.

3. الإفراط في التكيّف Overfitting

الخطر: نموذج يعكس الضوضاء بدل الإشارة الحقيقية. الحل: استخدام التحقق المتبادل (cross-validation)، تبسيط النموذج عند الحاجة، ومتابعة اختبارات الاستقرار.

4. ضعف التحقق من صحة النماذج

الخطر: عدم وجود فريق مستقل للتحقق أو غياب توثيق كافٍ. الحل: تنفيذ عملية التحقق من صحة النماذج مستقلّة (Model Validation)، توثيق المنهجية، وإشراك جهة مراجعة خارجية عند الضرورة.

5. قصور في الحوكمة

الخطر: غياب إجراءات موافقة واضحة أو تقارير لجنة المخاطر. الحل: وضع إطار حوكمة نموذج المخاطر يتضمن مصادقات، سياسات نشر، ومراقبة أداء مستمرة.

نصائح عملية قابلة للتنفيذ (Checklist)

1. جمع بيانات تاريخية لا تقل عن 3–5 سنوات مع فترات تغطي دورات اقتصادية مختلفة.
2. تصنيف المحفظة إلى شرائح متجانسة قبل بناء نموذج LGD/EAD (segmentation).
3. اختيار نموذج أولي (Proof of Concept) بـ 20–30% من المحفظة لاختبار الأداء قبل التوسع.
4. تضمين اختبارات الحساسية لثلاث سيناريوهات اقتصادية: أساسي، سلبياً، شديد السلبية.
5. تنفيذ عملية التحقق من صحة نموذج مستقل (Model Validation) تشمل backtesting وstability tests.
6. توثيق كافة معايير الاختيار، فرضيات الاقتصاد الكلي، وأي تغييرات في منهجية ECL.
7. دمج تقارير نموذجية لقسم المالية ولجنة المخاطر تتضمن تأثيرات محاسبية وتغيرات في الربحية المتوقعة.
8. ضمان قابلية التفسير (explainability) للنماذج باستخدام أدوات مثل SHAP أو LIME عند استخدام شبكات عصبية أو نماذج معقّدة.
9. وضع خطة نشر تدريجية مع مراقبة أداء على فترات شهرية وربع سنوية.

مؤشرات الأداء (KPIs) المقترحة

• دقة التنبؤ (RMSE أو MAE) للـ LGD وEAD.
• مؤشر التمييز (AUC/KS) إن تم تحويل المشكلة إلى تصنيف لبعض المتغيرات.
• مقياس المعايرة (Brier Score أو Calibration Curve) لضمان أن التوقعات غير منحازة.
• نسبة التغيير في مخصصات ECL بعد تطبيق النموذج (% تغيير مقارنة بالطريقة السابقة).
• زمن الإنتاج للتقارير (من تجميع البيانات حتى إصدار تقرير لجنة المخاطر).
• نتائج اختبارات الحساسية: التغير في إجمالي ECL تحت السيناريوهات الثلاثة.
• معدل قبول النموذج من قِبل لجنة المخاطر (مرات الموافقة بعد التعديلات).

أسئلة شائعة (FAQ)

مقالة مرجعية (Pillar Article)

هذا المقال جزء من سلسلة مقالات متعمقة حول التكنولوجيا ودورها في تطوير حساب الخسائر الائتمانية المتوقعة. للاطلاع على المقال الشامل المرجعي، راجع:

الدليل الشامل: التكنولوجيا ودورها في تطوير حساب الخسائر الائتمانية المتوقعة | لماذا لم تعد الطرق التقليدية كافية؟ | كيف تدعم الحلول التقنية متطلبات IFRS 9
.