SHARC: Interpretabilitat SHAP en capital regulador ICAAP i CCAR

En l’àmbit de la supervisió bancària, els marcs normatius com ICAAP i CCAR exigeixen una transparència total en l’estimació del capital regulador. No obstant, l’adopció de models avançats de machine learning, com la regressió per processos gaussians (GPR), topa amb el conegut problema de la caixa negra: tot i que la seva precisió predictiva supera els mètodes paramètrics tradicionals, la seva manca d’interpretabilitat dificulta l’auditoria per part dels supervisors. Per resoldre aquest repte, sorgeix SHARC, un marc d’explicabilitat basat en valors SHAP que descompon el Valor en Risc en estrès (SVaR) en components lligats a la mitjana i la volatilitat, permetent un vincle auditable entre els escenaris macro —com guerres, riscos climàtics o bombolles tecnològiques— i els requeriments de capital. Aquest enfocament no només satisfà els criteris de precisió local, consistència i eficiència de la teoria de jocs cooperatius, sinó que també demostra que, sota condicions extremes, la magnitud direccional de les pèrdues (component de rendiment mitjà) pesa més que la volatilitat base, orientant així les estratègies de cobertura i fixació de límits de capital. Per a les entitats que busquen implementar solucions d’aquest tipus, és clau comptar amb un soci tecnològic que ofereixi intel·ligència artificial per a empreses amb un enfocament ètic i auditable. A Q2BSTUDIO desenvolupem programari a mida que integra models explicables, aprofitant a més els nostres serveis cloud AWS i Azure per escalar infraestructures de càlcul intensiu. La nostra oferta inclou també agents IA personalitzats, serveis d’intel·ligència de negoci amb Power BI per visualitzar els factors de risc, i ciberseguretat per protegir les dades reguladores. Així, combinem aplicacions a mida, intel·ligència artificial i experiència en cloud perquè les institucions financeres compleixin amb els estàndards FRTB, ICAAP Pillar 2 i CCAR sense renunciar a la innovació.