Оценка с использованием AI: от сравнительного анализа к сценарному моделированию

Введение

Оценка — это процесс работы с доказательствами и профессионального суждения. Сопоставимые сделки, торговые мультипликаторы, операционные прогнозы, ставки дисконтирования и сценарные допущения становятся полезными только тогда, когда они привязаны к определённому активу, дате оценки, единице учёта, цели и перспективе участников рынка. Искусственный интеллект может ускорить сбор доказательств, нормализацию, отбор сопоставимых данных, выполнение моделей, анализ чувствительности и подготовку описательной части. Он не может определить юридический периметр актива, сделать слабые доказательства надёжными, устранить рыночную неопределённость или принять на себя полномочия ответственного оценщика.

Эта статья адресована Оценка с использованием AI: от сравнительного анализа к сценарному моделированию для двух целевых аудиторий Matchpoint Partners. Инвестиционные директора семейных офисов и руководители направлений альтернативных инвестиций включают инвестиционных специалистов из семейных офисов, обслуживающих одну семью, многосемейных офисов, компаний по управлению частным капиталом, частных банков и внешних управляющих активами в GCC, Соединённом Королевстве, Швейцарии, Сингапуре и Европейском союзе. UAE/GCC Девелоперы недвижимости и финансовые спонсоры включают основателей, главных исполнительных директоров, финансовых директоров и команды рынков капитала, привлекающие долг, мезонинное финансирование или собственный капитал совместного предприятия и монетизирующие активы. Командам нужны согласованные решения по портфелю и сделкам на основе публичных и непубличных данных. Командам нужны обоснованные оценки для привлечения капитала, решений по девелопменту, рефинансирования, совместных предприятий и продажи активов.

Определяющий вопрос: как организация может кратно повысить производительность оценки и охват решений, сохраняя качество доказательств, неопределённость, профессиональное суждение и подотчётность? Ответ — управляемая система оценки. Она отделяет исходные доказательства от преобразований, отбор сопоставимых от корректировки, точечные оценки от сценарных распределений, выходные данные модели от полномочий по принятию решений, а измеренную производительность от атрибутированной коммерческой ценности.

IFRS 13 определяет справедливую стоимость как цену выхода в упорядоченной сделке между участниками рынка на дату оценки. Он требует применения методов оценки, соответствующих обстоятельствам, максимизации наблюдаемых входных данных и минимизации ненаблюдаемых входных данных [1]. Международные стандарты оценки, действующие с 31 января 2025 года, содержат отдельные стандарты по данным и входным данным, моделям оценки, документации и отчётности [2]. Руководство по оценке IPEV 2025 года применяет эту дисциплину справедливой стоимости к частному капиталу [3]. RICS описывает автоматизированные модели оценки как спектр, который может поддерживать процесс оценки или быть его частью, причём участие профессионала зависит от цели, рынка, данных и риска [4-5].

Эти требования поддерживают расширение возможностей при условии, что каждое существенное преобразование остаётся проверяемым. Механизм поиска сопоставимых объектов может быстро находить кандидатов. Оценщику по-прежнему необходимо установить, почему каждая сделка уместна, какие корректировки обоснованы и отражает ли полученный диапазон оцениваемый актив. Прогнозный механизм может рассчитать сотни сценариев. Лицу, принимающему решения, по-прежнему необходимо утвердить экономические состояния, зависимости, действия менеджмента и трактовку вероятностей. Языковая модель может подготовить проект меморандума. Ей по-прежнему нужны контролируемый пакет доказательств и одобрение человеком.

Региональная доказательная база расширяется. Земельный департамент Дубая предоставляет открытые данные о недвижимости, охватывающие сделки, аренду, проекты и оценки [11]. Сообщается о 60 303 сделках с недвижимостью стоимостью AED 252 billion в первом квартале 2026 года [12]. Эти данные повышают наблюдаемость рынка для отдельных вопросов. Они не делают каждый актив однородным, не устраняют эффекты связанных сторон, не выявляют все коммерческие условия и не устанавливают стоимость без корректировки.

Внедрение AI также меняет периметр контроля. Стандарты управления моделями Центрального банка UAE требуют управления, прослеживаемых данных, документированной разработки, утверждения, независимой валидации и постоянного мониторинга для моделей, используемых при принятии решений [6]. DFSA сообщила в 2025 году, что 52 процента из 661 авторизованной фирмы, ответившей на её опрос, активно использовали AI; зрелость управления различалась, при этом в отношении 21 процента сообщалось об отсутствии чёткой подотчётности [9]. Рамки управления рисками AI NIST структурируют контроли по функциям Govern, Map, Measure и Manage [7-8]. Пересмотренное руководство Федеральной резервной системы по модельным рискам от апреля 2026 года и надзорное заявление PRA от апреля 2026 года усиливают основанные на риске реестр, управление, разработку, валидацию, мониторинг и меры снижения риска в рамках их банковских сфер [14-15].

Вклад представляет собой практическую систему, которая обеспечивает:

• чётко определённый периметр оценки для принятия решений;
• реестр доказательств и прослеживаемость от источника до результата;
• протокол отбора сопоставимых объектов и корректировок;
• гибридная архитектура моделирования, сочетающая прозрачные методы с машинным обучением;
• управляемый сценарный механизм;
• контрольные точки валидации, неопределённости и отказа от вывода;
• два гипотетических иллюстративных примера;
• мостик «производительность — выручка», допускаемый только при наличии доказательств; и
• дорожная карта внедрения на девяносто дней.

В анализе рассматриваются первичные академические исследования, официальные стандарты, публикации регуляторов и официальные источники рыночных данных, доступные по 1 августа 2026 года включительно. Применимость регуляторных и бухгалтерских требований зависит от организации, юрисдикции, цели, клиента, актива и базы отчётности. Эмпирические исследования представлены в рамках изученных ими выборок. Для выручки, сокращения денежных затрат, сокращения убытков или альфы не было предоставлено ни утверждённых наблюдаемых Matchpoint, ни клиентских доказательств. Эти приписанные значения остаются USD 0.

Периметр оценки

Цель предшествует методу

Процесс оценки должен начинаться с подписанного задания на оценку, а не с выбора модели. В задании должны быть указаны предмет оценки, юридические и экономические права, единица учёта, дата оценки, валюта, цель, база стоимости, предполагаемые пользователи, ограничения, существенные допущения и стандарт отчётности. Доля участия, недвижимость, девелоперский проект, долговой инструмент, доля в фонде и действующий бизнес могут требовать разных доказательств, даже если дашборд представляет их в одном портфеле.

Механизм оценки справедливой стоимости по МСФО (IFRS) 13 применяется только к оценкам, требуемым или разрешённым другими стандартами МСФО [1]. Он не создаёт общего требования оценивать каждое решение по справедливой стоимости. Правило 2a-5 SEC касается добросовестного определения справедливой стоимости зарегистрированными инвестиционными компаниями и компаниями развития бизнеса в США [13]. Его механизм служит полезным сравнительным доказательством для оценки рисков, выбора методологии, тестирования, услуг ценообразования, надзора и ведения записей. Его юридическая применимость ограничена заявленной сферой действия.

Цена, стоимость и решение — отдельные результаты

Наблюдаемая цена фиксирует сделку на её фактических условиях. Оценка рассчитывает определённую базу оценки на дату. Инвестиционное решение сравнивает оценённое распределение исходов с мандатом, ликвидностью, риском, альтернативами и требуемой доходностью. Цена может быть допустимой точкой данных и неподходящим сопоставимым объектом. Оценка справедливой стоимости может быть обоснованной и непривлекательной для конкретного семейного офиса. Стоимость земли застройщика может различаться при допущении об упорядоченном участнике рынка и при стратегическом плане конкретного финансового спонсора.

Таким образом, система должна сохранять три результата:

1. Результат по подтверждающим данным: подтверждённые сделки, котировки, арендные ставки, затраты, ставки и операционные наблюдения.
2. Результат оценки: специфичные для метода индикаторы, диапазоны, веса, оверлеи и вывод.
3. Результат решения: утверждённое действие, лимиты, условия, сроки и ответственный владелец.

Такое разделение не позволяет модели незаметно превращать прогноз в инвестиционную рекомендацию или обязательство по финансированию.

и права на принятие решений

Консультант может структурировать доказательства, модели и варианты. Решение принимает уполномоченный орган клиента. В условиях договора об оказании услуг следует указывать цель оценки, доступ к данным, право полагаться на результаты, ограничения, конфликты интересов и порядок утверждения.

Что требуют действующие стандарты

Рыночные доказательства и откалиброванная методика

МСФО (IFRS) 13 признаёт рыночный, доходный и затратный подходы и допускает использование одной или нескольких методик [1]. Методика должна соответствовать обстоятельствам и подкрепляться достаточными данными. Входные данные должны в максимальной степени использовать релевантные наблюдаемые доказательства. Модель, используемая для оценки ненаблюдаемого входного параметра при первоначальном признании, должна быть откалибрована так, чтобы она соответствовала цене сделки, когда эта цена представляет собой справедливую стоимость. Методики следует применять последовательно, однако изменение может быть уместным, если оно обеспечивает оценку, в равной или большей степени отражающую справедливую стоимость.

Это формирует критерий проверки для использования AI. Большее число переменных, более быстрый расчёт или меньшая внутривыборочная ошибка не делают оценку более репрезентативной. Команде нужны доказательства того, что методика соответствует объекту оценки, рынку, дате и предполагаемому использованию.

Данные, модель, документация и отчётность

Международные стандарты оценки (IVS), действующие с 31 января 2025 года, ввели пересмотренную структуру общих стандартов, включая IVS 104 «Данные и входные параметры», IVS 105 «Модели оценки» и IVS 106 «Документация и отчётность» [2]. Эта структура поддерживает подход с точки зрения жизненного цикла:

• определить объём работ и основу оценки;
• получать и оценивать данные;
• выбирать и применять модели;
• применять профессиональное суждение;
• хранить существенную документацию; и
• сообщать вывод с указанием допущений и ограничений.

Руководство IPEV 2025 содержит актуальную передовую практику в области частного капитала [3]. Частные рынки часто требуют ненаблюдаемых входных данных, калибровки, учета показателей компании, рыночной информации и профессионального суждения. AI может повысить согласованность и охват. Непрозрачность модели или маркировка поставщика не отменяют требования понимать существенные факторы, определяющие заключение.

Автоматизированные модели оценки

RICS рассматривает AVM как спектр, а не как единый продукт [4]. На одном конце модель может выдавать автоматизированную оценку без профессионального вмешательства по конкретному случаю. На другом — аналитика поддерживает профессиональную оценку. Руководство RICS по банковскому кредитованию указывает, что AVM может быть уместна, если объект недвижимости достаточно однороден, рынки активны, а данные адекватны, при условии валидации и согласованного задания [5]. Уникальная, девелоперская, специализированная или низколиквидная недвижимость требует более тщательной проверки с учетом конкретного случая.

С точки зрения контроля это трехуровневая таксономия:

Маркетинговые материалы должны описывать фактический уровень. Меморандум, подготовленный с помощью AI, не должен представляться как независимая профессиональная оценка, если только задание, стандарт, компетенция и одобрение не подтверждают такое описание.

Реестр доказательств оценки

Объекты доказательств

Управляемый процесс хранит доказательства в виде структурированных объектов с датами. Число в электронной таблице должно сохранять свой источник, дату наблюдения, дату вступления в силу, валюту, единицу измерения, географию, атрибуты актива, статус сделки, статус взаимоотношений, уровень уверенности, преобразования и сведения о проверяющем.

Сервис открытых данных Земельного департамента Дубая является официальным источником для отдельных полей сделок, аренды, проектов и оценки [11]. Перед использованием набор данных следует профилировать: пропущенные поля, дубликаты, изменения в кодировании, тип сделки, соглашения о единицах измерения, география и временные задержки могут повлиять на результаты. Наличие поля не означает, что оно является полным или экономически сопоставимым.

Прослеживаемость от источника до результата

Каждый существенный результат должен воспроизводиться через пять звеньев:

1. исходный файл, запись или эндпоинт;
2. неизменяемый снимок загрузки;
3. код преобразования и версия;
4. версия модели и параметров; и
5. ячейка отчёта, график или абзац.

Реестр доказательств должен фиксировать ручные изменения отдельно от исходных значений. Если аналитик исключает сделку, изменяет ставку капитализации или применяет корректировку качества, система должна сохранять предыдущее значение, новое значение, ответственного и причину. Такая архитектура поддерживает проверку и позволяет будущему проверяющему восстановить набор информации, доступный на дату оценки.

AI граница извлечения

Языковые модели и модели документов могут извлекать даты договоров аренды, пересмотры арендной платы, ковенанты, таблицы капитализации, условия сделок и операционные показатели. Извлечённые данные следует рассматривать как предлагаемую структурированную запись, пока они не сверены с исходным фрагментом. Запись должна включать идентификатор документа, страницу или ячейку, извлечённый текст, нормализованное значение, версию модели, уверенность и решение проверяющего.

Система должна воздерживаться от вывода или требовать ручной проверки в случаях, когда:

• источник отсканирован, неполон или внутренне противоречив;
• у суммы отсутствует валюта или единица измерения;
• положение зависит от определений, приведённых в другом месте;
• таблица объединяет фактические, бюджетные и прогнозные периоды;
• стоимость сделки зависит от долга, выплат по earn-out или условного возмещения;
• характеристика объекта недвижимости противоречит официальным сведениям; или
• уверенность модели или валидация на основе правил оказывается ниже утверждённого порога.

Воздержание от вывода — это результат контроля. Оно направляет ограниченное время экспертов на те случаи, где автоматизация наименее надёжна.

Сравнительный анализ как контролируемый конвейер

Вопрос о сопоставимых объектах

Сопоставимый объект — это наблюдение, которое помогает оценить, как участники рынка назначили бы цену оцениваемому объекту после учёта соответствующих различий. Сходство названий, отраслей или почтовых индексов недостаточно. Конвейер должен определять экономическую связь между оцениваемым объектом и кандидатом.

Для предприятия параметры могут включать бизнес-модель, географию, качество выручки, рост, маржу, капиталоёмкость, долговую нагрузку, размер и дату сделки. Для недвижимости параметры могут включать субрынок, разрешённое использование, форму владения, размер, возраст, спецификацию, заполняемость, качество дохода, срок аренды, статус строительства и условия продажи. Для доли в фонде параметры могут включать стратегию, год создания, оставшийся срок жизни, невыбранное обязательство, концентрацию, дату NAV и ограничения на передачу.

Генерация кандидатов и проверка соответствия

Первый этап максимизирует охват в заданных границах. Поиск может использовать базы данных, реестры, семантический поиск по документам и структурированные фильтры. Второй этап применяет жёсткие правила допуска. Третий этап ранжирует релевантность. Четвёртый этап требует проверки аналитиком.

Исходная совокупность должна оставаться видимой. Итоговый отчет, показывающий только отобранные сделки, может скрывать систематическую ошибку отбора. Рецензентам нужны исключенные кандидаты и закодированные причины, такие как неправильный инструмент, другой рынок, финансовые трудности, связанная сторона, неполные условия, устаревшая дата или несовместимые права.

От прямого сопоставления к корректировке признаков

Гедонический анализ моделирует цену как функцию характеристик. Рамки Розена 1974 года установили экономическую основу для неявных цен в дифференцированных продуктах [17]. Современные системы сравнимых продаж могут расширить эту идею с помощью регуляризованной регрессии, ансамблей деревьев и других нелинейных методов. Случайные леса объединяют декоррелированные деревья и предоставляют гибкие инструменты прогнозирования и оценки важности переменных [18]. Градиентный бустинг строит аддитивную функцию через последовательную оптимизацию функции потерь [19].

Эти методы могут выявлять нелинейные связи и взаимодействия. Их использование по-прежнему требует контроля:

• целевая переменная должна соответствовать вопросу оценки;
• обучающие наблюдения должны предшествовать дате оценки или быть действительными на эту дату;
• утечка из будущих или производных полей результата должна быть устранена;
• конструирование признаков должно отражать экономически доступную информацию;
• кросс-валидация должна учитывать время, сущность и географию;
• об ошибке следует сообщать в разрезе соответствующего сегмента, а не только в совокупности;
• объекты вне распределения должны помечаться; и
• модель должна поддерживать анализ существенных факторов.

Фреймворк SHAP Лундберга и Ли относит вклады признаков к отдельным прогнозам в рамках класса аддитивных объяснений [20]. Объяснение показывает, как модель сформировала выход. Оно не доказывает причинно-следственный эффект, качество данных, справедливость или уместность оценки. Большой положительный вклад признака может выявить зависимость от переменной, которую следовало исключить.

Корректировки и диапазоны

Корректировка должна указывать направление, основание, величину и неопределённость. Сделка с недвижимостью шестимесячной давности может требовать временной корректировки, подкреплённой индексом или парными данными. Для менее крупной компании может потребоваться поправка на размер или ликвидность. Сделка с земельным участком под застройку может требовать корректировок на планирование, инфраструктуру и условия платежа. Сделка с частной компанией может требовать анализа обеспечительных прав и структуры капитала.

Результат должен быть распределением или диапазоном, а не искусственной точностью. Диапазон может объединять неопределённость модели, неопределённость исходных данных и неопределённость сценариев. Более широкие диапазоны должны требовать более глубокой проверки, более низкого доверия или явного решения воздержаться.

Гибридная архитектура оценки

Прозрачное ядро, машинная поддержка и утверждённые надстройки

Архитектура должна обеспечивать видимость экономического метода. Машинное обучение может поддерживать поиск подтверждающих данных, ранжирование сопоставимых объектов, нелинейную корректировку и выявление ошибок. Прозрачное ядро сохраняет рыночную, доходную и затратную логику, необходимую для проверки.

Минимальная архитектура включает:

• уровень источников: официальные данные, данные поставщиков, клиентов и рынка с контролем доступа;
• уровень подтверждающих данных: версионированные наблюдения, нормализация и флаги качества;
• уровень моделей: прямые аналоги, регрессия, древовидная модель, DCF, модели остаточной стоимости земли и модели затрат;
• уровень сценариев: состояния, зависимости, управленческие действия и учёт вероятностей;
• уровень контроля: реестр, утверждение, валидация, пороговые значения, переопределения и мониторинг;
• уровень принятия решений: отчёт, документ для комитета, условия и ответственное утверждение; и
• уровень обучения: фактические результаты, ошибки, исключения и меры по устранению.

Реестр моделей и предполагаемое использование

Стандарты управления моделями CBUAE определяют ожидания в отношении управления, данных, разработки, валидации, внедрения и использования [6]. SR 26-2 Федеральной резервной системы заменил SR 11-7 в апреле 2026 года и подчёркивает риск-ориентированный подход, адаптированный к профилю моделей организации, её размеру и сложности [14]. Действующий SS1/23 PRA устанавливает пять принципов, охватывающих идентификацию и классификацию, управление, разработку и использование, независимую валидацию и меры по снижению рисков в рамках заявленной банковской сферы [15].

Реестр оценки должен включать статистические, финансовые, основанные на правилах и генеративные компоненты. Алгоритм сравнительного ранжирования может существенно влиять на стоимость, даже если он не рассчитывает итоговую цифру. Таблица с макросами, основанными на экспертных суждениях, может быть моделью. Поставщик API остаётся в периметре управления пользователя.

Генеративный AI как интерфейсный слой

Генеративный AI может обращаться к реестру доказательств, составлять сводки по сопоставимым сделкам, объяснять различия между сценариями и создавать разделы материалов комитета. Он должен извлекать данные из контролируемых источников и ссылаться на исходную запись. Детерминированные расчёты должны выполняться в контролируемом коде или финансовых моделях. Языковая модель не должна быть единственным калькулятором для существенных величин, вероятностей или ковенантов.

Профиль NIST для генеративного AI выявляет такие риски, как конфабуляция, конфиденциальность данных, целостность информации и конфигурация взаимодействия человека и AI [8]. Безопасный дизайн ограничивает инструменты модели, домены данных, схему выходных данных и разрешения. Он регистрирует промпты, извлечённые доказательства и выходные данные, когда это юридически и операционно целесообразно. Существенные утверждения требуют проверки источников.

Сценарное моделирование

Сценарии — это согласованные состояния

Анализ чувствительности изменяет один входной параметр, сохраняя остальные постоянными. Сценарий описывает согласованное состояние, в котором несколько драйверов меняются одновременно и могут инициировать действия менеджмента. Распределение вероятностей описывает более широкий набор исходов в рамках заданной стохастической структуры. Эти инструменты отвечают на разные вопросы.

Для застройщика более медленный темп реализации может совпадать с более крупными стимулами, более низкими поступлениями денежных средств, более длительным финансированием строительства и более поздним выходом. Для семейного офиса более низкие мультипликаторы выхода могут совпадать с более слабой прибылью, отложенной ликвидностью и изменившейся валютной или процентной средой. Независимые однофакторные анализы чувствительности могут недооценивать эти зависимости.

Карта драйверов

Движок сценариев должен начинаться с причинно-следственных и договорных связей, которые руководство может проверить.

Модель должна предотвращать внутренне противоречивые комбинации, если только цель не состоит в проверке экстремальной рыночной разбалансировки. Сценарий ускоренной продажи с существенным снижением цен может быть допустимым. Для него требуется явное допущение об эластичности. Сценарий низких ставок с более высокой ставкой дисконтирования может быть допустимым, если премии за риск расширяются. Для него требуется декомпозиция.

Протокол построения сценариев

1. Определите решение, горизонт и дату оценки.
2. Выберите существенные экономические и договорные драйверы.
3. Сформируйте базовый сценарий на основе утверждённых данных.
4. Определите альтернативные состояния с согласованными изменениями драйверов.
5. Добавьте действия менеджмента с указанием полномочий, затрат и задержки.
6. Рассчитайте денежные потоки, финансирование, ковенанты и терминальные стоимости.
7. Сверьте результаты с рыночными данными и данными о затратах.
8. Присваивайте вероятности только там, где это подкреплено управленческими механизмами и данными.
9. Представляйте невзвешенные сценарии там, где вероятности создавали бы ложную точность.
10. Фиксируйте пороги действий, срабатывающие в каждом состоянии.

Генерация сценариев при поддержке AI

AI может анализировать официальные публикации, рыночные данные, операционные отчёты и договоры, чтобы предлагать драйверы риска. Он может кластеризовать исторические состояния и искать пропущенные зависимости. Он может генерировать варианты нарративов и оспаривать допущения. Сценарии-кандидаты остаются предложениями, пока ответственный владелец их не утвердит.

Система должна различать:

• наблюдаемое состояние: подкреплённый датированными доказательствами;
• сценарий менеджмента: утверждённый план или бюджет;
• сценарий участника рынка: допущения, согласующиеся с установленной основой;
• стресс-сценарий: намеренно жёсткий, но непротиворечивый;
• обратный стресс-сценарий: состояние, нарушающее порог стоимости, ликвидности или ковенанта; и
• исследовательский сценарий: слабо подтверждённая возможность, сохраняемая для стратегического обсуждения.

Вероятности не должны выводиться из беглости языковой модели. Они требуют заявленного статистического, рыночного или управленческого обоснования.

Валидация, неопределённость и воздержание от суждения

Валидация — это независимая критическая проверка

Валидация должна охватывать концепцию, данные, внедрение, эффективность, использование и отчётность. Независимость должна быть соразмерна существенности. Проверяющему нужны достаточные полномочия, компетенция и доступ, чтобы оспаривать модель и ограничивать её использование.

Метрики ошибок

Средняя абсолютная ошибка интерпретируема в денежных единицах. Медианная абсолютная процентная ошибка снижает влияние экстремальных процентных ошибок. Среднеквадратичная ошибка штрафует за крупные промахи. Ранговая корреляция может проверять эффективность скрининга. Калибровочные тесты проверяют, содержат ли заявленные интервалы реализованные исходы с ожидаемой частотой. Ни одной отдельной метрики недостаточно.

Кок, Копонен и Мартинес-Барбоса сообщили об абсолютной ошибке 9% для своей автоматизированной модели на определённой выборке многоквартирных активов США [22]. Этот результат является значимым свидетельством того, что AVM может превосходить отдельные бенчмарки оценки в определённых условиях. Его не следует переносить на проекты девелопмента GCC, частные компании или каждый сегмент недвижимости без новой валидации.

Интервалы прогноза

Точечные оценки скрывают неопределённость. Конформное прогнозирование может создавать не зависящие от распределения интервалы прогноза с маргинальным покрытием на конечной выборке при выполнении своих допущений, используя калибровочный набор для выбранной прогнозной модели [21]. Покрытие может ухудшаться при сдвиге распределения, а маргинальное покрытие не гарантирует одинаково сильного покрытия для каждой подгруппы или актива.

Институциональный отчёт должен показывать:

• центральный ориентир;
• утверждённый диапазон оценки;
• статистический интервал прогнозирования, если применимо;
• диапазон сценариев;
• существенные ненаблюдаемые исходные данные;
• разброс сопоставимых значений;
• статус выхода за пределы распределения; и
• порог принятия решения.

Матрица отказов

Движок должен вернуть требуется ручная оценка когда доказательная база или пригодность модели выходят за пределы утверждённой области.

Операционная модель «до и после»

Текущий фрагментированный рабочий процесс

Во многих процессах оценки работа распределена между электронной почтой, папками, электронными таблицами, PDF-отчётами и рыночными базами данных. Аналитики повторно вводят информацию, пересобирают таблицы сопоставимых показателей, вручную меняют даты и отслеживают цифры после вопроса рецензента. Та же работа повторяется для мониторинга, материалов комитета и документов для кредиторов. Контроль зависит от индивидуальной дисциплины работы с файлами.

Контролируемый целевой рабочий процесс

Целевой процесс перераспределяет время экспертов с поиска и переформатирования на решения по периметру, критическую проверку доказательств, корректировку, разработку сценариев и формулирование выводов. Это смещение следует измерять по принятым результатам, а не по исходным черновикам.

Два гипотетических иллюстративных примера

Сценарий A: решение о девелопменте

Иллюстративный пример Девелопер UAE/GCC оценивает многофункциональный проект. Все цифры, даты и результаты в этом подразделе представляют собой непроверенные допущения менеджмента, созданные для демонстрации методологии. Они не являются оценкой, прогнозом или рекомендацией по сделке.

Базовая валовая выручка от девелопмента составляет AED 1.125 billion до стимулирующих скидок, отмен, налогов, сборов и прочих корректировок. Негативный сценарий сочетает более низкую цену, более медленный темп продаж, рост затрат и более длительное финансирование. Позитивный сценарий сочетает более сильную цену, более быстрый темп продаж и меньшую продолжительность финансирования. Взаимозависимости не позволяют модели рассматривать каждый фактор как изолированную чувствительность.

Модуль сравнительного анализа ищет официальные и одобренные данные поставщиков по сделкам с землёй, юнитами и готовыми активами. Он сохраняет полную совокупность кандидатов, а затем фильтрует по местоположению, назначению, статусу, дате и типу сделки. Проверяющий утверждает корректировки по графику платежей, виду, спецификации, стадии завершения, праву собственности и условиям крупных пакетов. Затем модуль сценариев переводит цену и темп продаж в поступления, финансирование строительства, использование долга и потребность в собственном капитале.

Пороговые значения для принятия решений могут включать максимальный пиковый объём собственного капитала, минимальное покрытие процентов, запас по ковенантам и минимальную доходность в негативном сценарии. Модель должна показывать, какое допущение первым приводит к нарушению. AI может подготовить проект объяснения отклонений. Финансовые и инвестиционные органы утверждают сценарий, порядок финансирования и решение.

Сценарий B: решение по частному активу

Иллюстративный пример Семейный офис оценивает миноритарную инвестицию в частную операционную компанию. Все цифры, даты и результаты в этом подразделе являются непроверенными допущениями менеджмента. Они не являются оценкой, рекомендацией по распределению активов или ожидаемой доходностью.

Модуль сопоставимых сделок отбирает публичные и частные сделки по бизнес-модели, географии, росту, качеству выручки, марже, размеру, обеспечительным правам и дате. Он показывает эффект каждого исключения и корректировки. Доходный подход использует прогноз на основе драйверов. Сценарный модуль объединяет операционные результаты, потребность в капитале, размывание, срок выхода и рыночный мультипликатор.

Результат решения семейного офиса дополняется соответствием мандату, резервом ликвидности, концентрацией, правами корпоративного управления, правами на информацию и возможностью последующего финансирования. Обоснованная стоимость компании не подтверждает пригодность для портфеля. Инвестиционный комитет утверждает распределение и условия.

Граница доказательной базы сценариев

Входные данные сценария не имеют подтверждения наблюдениями. Их значения не должны появляться в маркетинговых материалах, маркетинговых заявлениях, кейсах или атрибуции результатов. Атрибутированные Matchpoint или клиентская выручка, сокращение денежных затрат, сокращение убытков и альфа от этих сценариев остаются USD 0.

Производительность и выручка

Единица производительности

Единицей производительности должен быть принятый результат, готовый для принятия решений. Черновой текст, найденные документы, сгенерированные сопоставимые данные и прогоны модели — это промежуточная работа. Более быстрый черновик, который создаёт дополнительные затраты на проверку или ошибки, не является приростом производительности.

Внешние данные о производительности

Бринйольфссон, Ли и Рэймонд изучили поэтапное внедрение у 5 172 агентов службы поддержки клиентов и сообщили о среднем увеличении числа решённых обращений в час на 15% при неоднородных эффектах [23]. Экспериментальное исследование задач профессионального письма Ной и Чжан выявило более короткое время выполнения и более высокое качество результатов в рамках его дизайна [24]. Делл’Аква и соавторы изучили 758 консультантов и сообщили о выигрыше для задач внутри протестированной границы возможностей AI, при более слабых результатах на задаче за пределами этой границы [25].

Эти исследования дают убедительные доказательства того, что генеративный AI может улучшать отдельные задачи интеллектуального труда. Они не устанавливают показатель производительности в области оценки. Оценка предполагает иные данные, профессиональные стандарты, модели, последствия и проверку. Производительность Matchpoint и клиента следует измерять в контролируемом пилотном проекте.

Непроверенный иллюстративный мост бизнес-кейса

Иллюстративный пример Предположим, команда завершает 20 принятых пакетов оценки или мониторинга в месяц. Предположим, контролируемый пилотный проект сокращает медианное время работы человека с 24 до 18 часов, при этом показатели приёмки, существенных исправлений и ошибок остаются в пределах утверждённых порогов. Иллюстративный объём высвобожденного времени составляет 120 часов в месяц. Это плановый расчёт, а не наблюдаемый результат Matchpoint или клиента.

Высвобожденные ресурсы можно использовать для большего охвата, более быстрых решений, более качественной критической проверки или работы с клиентами. Выручка возникает только если высвобожденные ресурсы обеспечивают подписанный мандат, принятый результат и полученное вознаграждение. Формулу выручки можно записать так:

Собранная выручка = принятые оплаченные результаты × утверждённая цена × коэффициент собираемости − возвраты и зачёты

Каждый компонент требует наблюдаемых доказательств. Пока эти доказательства не утверждены, отнесённая собранная выручка остаётся USD 0.

Структура выручки по аудиториям

Для девелоперов услуга может включать диагностику подтверждающих данных и оценки, пакет сценариев структуры капитала, кейс для кредитора или инвестора, устранение недостатков модели и обновление сценариев с мониторингом. Для семейных офисов она может включать обзор оценки частных активов, критическую проверку оценки портфеля, пакет сценариев ликвидности, андеррайтинг сделки и постоянный мониторинг. Коммерческие условия требуют отдельного утверждения и документации по мандату.

Сайт и научная статья должны описывать возможности и механизмы контроля. Утверждения о результатах для конкретного клиента требуют наблюдаемых доказательств, утверждения и надлежащего раскрытия.

Сценарии отказов и ответные меры контроля

Сбой данных

Устаревшие, дублированные, выборочно представленные или неверно нормализованные данные могут определять качество модели. Более мощная модель может более стабильно воспроизводить дефекты данных. Меры контроля включают приоритет источников, даты действия, проверки полноты, валидацию единиц, флаги взаимосвязей, обнаружение дубликатов, сверку и выборочную проверку рецензентами.

Сбой выбора сопоставимых объектов

Алгоритмы сходства могут выявлять прокси-переменные, которые выглядят статистически полезными, но экономически неприемлемы. Аналитики также могут предвзято выбирать сопоставимые объекты. Меры контроля включают письменно зафиксированную совокупность, жёсткие критерии допустимости, полный журнал исключений, обзор признаков, альтернативные методы ранжирования и результативность вне выборки.

Сбой прогнозирования и сценариев

Сценарии могут скрывать несогласованные зависимости, дважды учитывать риски, применять вероятности без подтверждения или игнорировать ограничения финансирования. Меры контроля включают граф драйверов, сверку учёта и денежных потоков, логику действий менеджмента, обратный стресс-тест и независимую проверку.

Склонность доверять автоматизации

Гладкое изложение и точные цифры могут повышать уверенность пользователей. Отчёт должен наглядно различать наблюдаемые доказательства, оценки модели, допущения менеджмента, корректировки и непроверенные сценарии. Рецензенты должны видеть расхождения модели и отсутствующие доказательства до вывода.

Дрейф модели

Рыночные режимы, покрытие данных, стимулы и структура активов меняются. Мониторинг должен проверять распределение входных данных, ошибку, покрытие интервалов, долю ручных переопределений, пропуски и показатели по сегментам. Превышение порога должно запускать ограничение, перекалибровку, переразработку или вывод из эксплуатации.

Кибербезопасность, конфиденциальность и отказ поставщика

Системы оценки могут содержать конфиденциальные финансовые данные, данные о собственности, имуществе и сделках. Меры контроля включают минимальные права доступа, шифрование, анализ региона размещения и сроков хранения, дью-дилидженс поставщика, реагирование на инциденты, разрешения для промптов и инструментов, фильтрацию выходных данных, возможность резервного копирования и экспорта. Сервис поставщика не должен становиться единственным хранилищем доказательств.

Управление и контрольные точки выпуска

Управление, картирование, измерение и менеджмент

RMF NIST AI организует работу с рисками AI в рамках четырёх функций [7]. Применительно к оценке:

• Управление: установить подотчётность, политику, инвентаризацию, аппетит к риску и эскалацию.
• Картирование: определить решение, пользователей, предмет, контекст, ущерб и зависимости.
• Измерение: тестировать данные, модель, неопределённость, безопасность, объяснимость и человеческое использование.
• Менеджмент: утверждать, ограничивать, мониторить, устранять недостатки, обеспечивать коммуникацию и выводить из эксплуатации.

ISO/IEC 42001 устанавливает требования к системе менеджмента AI и поддерживает более широкие организационные рамки для ответственной разработки и использования [16]. Внедрение или сертификация не должны представляться как доказательство правильности конкретной оценки.

Контрольные точки выпуска

Утверждение может ограничить модель рынком, типом активов, временным диапазоном, диапазоном суммы или вариантом использования. Успешный пилот подтверждает только протестированный периметр.

Дорожная карта внедрения на 90 дней

Дни 0–15: периметр и инвентаризация

• выберите один ограниченный вариант или сценарий использования;
• задокументируйте цель, основание, дату, пользователей и права на принятие решений;
• проведите инвентаризацию существующих данных, моделей, электронных таблиц и поставщиков;
• составить карту конфиденциальных данных и доступа;
• определить критерии приёмки, показатели ошибок и производительности; и
• зафиксировать текущий базовый уровень.

Контрольная точка: утверждённые инструкция, владелец, базовый уровень и план доступа к данным.

Дни 16–30: реестр доказательств

• создать иерархию источников и словарь данных;
• загрузить датированный снимок доказательств;
• создать поля происхождения, преобразования и исключения;
• проверить полноту, единицы измерения, дубликаты и утечку данных;
• определить AI проверку извлечения; и
• подготовить репрезентативный набор случаев.

Контрольная точка: доказательства можно проследить от источника до нормализованного поля.

Дни 31–45: прототип сопоставительного и сценарного анализа

• внедрить правила допуска и ранжирования;
• разработать прозрачные методики бенчмаркинга;
• добавить скорректированные по признакам альтернативы;
• построить граф сценарных драйверов;
• определить логику отказа от прогноза и переопределения; и
• подготовить черновые результаты со ссылками на источники.

Контрольная точка: каждый вывод можно воспроизвести и оспорить.

Дни 46–60: независимая валидация

• протестировать концепцию, данные, код и результаты;
• провести тесты качества с учётом времени и по сегментам;
• протестировать интервалы прогнозирования и флаги выхода за пределы распределения;
• проверить объяснения и неблагоприятные случаи;
• протестировать безопасность, права доступа и резервное переключение на поставщика; и
• устранить выявленные замечания.

Контрольная точка: нет критических открытых замечаний; утверждённые ограничения зафиксированы.

Дни 61–75: теневой режим

• запускать новые и текущие процессы параллельно;
• фиксировать данные о времени, приемке, корректировках и исключениях;
• сравнивать решения модели и проверяющего;
• фиксировать причину и результат переопределения решения;
• тестировать отчётность комитета; и
• уточнять пороговые значения.

Контрольная точка: доказательства подтверждают контролируемое использование в рамках заявленного периметра.

Дни 76–90: контролируемый выпуск

• утвердить модель, данные и разрешения пользователей;
• обучить пользователей и проверяющих;
• активировать мониторинг и процесс обработки инцидентов;
• определить процессы изменений и вывода из эксплуатации;
• выпускать только утверждённый сценарий использования; и
• запланировать пост-внедренческий обзор.

Контрольная точка: ответственный орган подписывает выпуск и ограничения.

Реестр утверждений и ограничения

Допустимые утверждения

Доказательства подтверждают следующие ограниченные утверждения:

• AI и машинное обучение могут поддерживать извлечение доказательств, анализ сопоставимых объектов, моделирование и формирование сценариев.
• Официальные стандарты оценки требуют определённого объёма задания, надлежащих данных, метода, профессионального суждения, документирования и отчётности [1-5].
• Методологии управления модельным риском уделяют особое внимание реестру моделей, управлению, валидации, мониторингу и контролю [6-8,14-16].
• Первичные исследования демонстрируют повышение производительности в отдельных задачах поддержки клиентов, написания текстов и консультирования [23-25].
• Исследование AVM для коммерческой недвижимости сообщило о благоприятных показателях ошибки в рамках его конкретной выборки многоквартирной недвижимости США [22].
• Официальные данные Дубая улучшают доступ к отдельным рыночным наблюдениям [11-12].

Неподтверждённые утверждения

Доказательства не устанавливают, что:

• результат AI является оценкой или инвестиционным решением;
• одна модель обеспечивает точность для всех GCC активов и режимов;
• больший объём данных устраняет необходимость в профессиональном суждении;
• объяснение доказывает причинно-следственную связь или справедливость;
• точечная оценка полезнее для принятия решений, чем диапазон;
• внешние показатели производительности в процентах применяются к оценке;
• более быстрое выполнение работ создаёт инкассированную выручку; или
• обеспечил Matchpoint или выручку от клиентов, экономию денежных средств, сокращение убытков или альфу.

Эмпирические ограничения

Не было предоставлено ни Matchpoint, ни пилотного набора данных клиента, ни фактических результатов оценки, ни хронометража, ни ряда ошибок, ни записи о приемке, ни подтверждения выручки. Иллюстративные материалы и сценарии не являются наблюдаемыми случаями. Поэтому статья предлагает систему и протокол тестирования. Она не сообщает о качестве работы развернутой модели.

Регуляторные и профессиональные ограничения

Бухгалтерский учет, оценка, ценные бумаги, кредитование, данные, AI и профессиональные требования различаются в зависимости от организации, актива, юрисдикции, поручения и даты. Упомянутые материалы SEC, Федеральной резервной системы и PRA имеют определенные институциональные сферы применения. Они используются как сравнительные контрольные данные за пределами этих сфер, а не как утверждения об универсальной юридической обязанности.

Технические ограничения

Качество работы модели зависит от покрытия источников, кодирования, проектирования признаков, режима, объекта и предполагаемого использования. Интервалы прогнозирования зависят от их метода и допущений. Генеративные модели могут создавать неподтвержденное содержание. Модели поставщиков могут меняться. Производственной системе нужны контроль версий, валидация, мониторинг, средства контроля доступа и резервный механизм.

Коммерческие ограничения

Ни один прогноз спроса, ценообразования, конверсии или инкассации не был утвержден. Упаковка услуг и вознаграждения требуют одобрения CK и условий договора с клиентом. Атрибутированная выручка, сокращение денежных затрат, сокращение убытков и альфа остаются USD 0.

Заключение

Оценку с расширением AI следует проектировать как систему перехода от доказательств к решению. Она начинается с цели, прав, базы оценки, даты и полномочий. Она хранит рыночные и операционные доказательства с указанием происхождения. Она сохраняет видимыми совокупность сопоставимых объектов, критерии допуска, ранжирование, корректировки и исключения. Она сочетает прозрачные методы оценки с ограниченной машинной поддержкой. Она моделирует согласованные сценарии и действия руководства. Она сообщает о неопределенности и воздерживается от выводов за пределами утвержденного периметра. Она передает окончательные полномочия подотчетным людям.

Для инвестиционных директоров семейных офисов и руководителей направлений альтернативных инвестиций система может повысить согласованность и охват решений по частным активам, сохраняя при этом анализ мандата, ликвидности и концентрации. Для UAE/GCC девелоперов недвижимости и финансовых спонсоров она может связать рыночные доказательства, допущения по развитию, структуру капитала и пороги принятия решений в одном управляемом процессе. В обоих случаях производительность следует измерять через принятые результаты, а атрибутированную ценность — через утвержденные наблюдаемые коммерческие доказательства.

Ключевой принцип внедрения — прослеживаемость. Проверяющий должен иметь возможность перейти от вывода к методу, допущению, преобразованию и датированному источнику. Комитет должен видеть неопределённость, зависимость от сценария и расхождения между моделями до утверждения действия. Будущий результат должен обновлять модель и запись контроля. Именно так AI может масштабировать аналитический охват, не затуманивая суждение об оценке.

Источники

[1] Фонд МСФО. IFRS 13 «Оценка справедливой стоимости». Опубликованные стандарты, редакция 2024 года. https://www.ifrs.org/issued-standards/list-of-standards/ifrs-13-fair-value-measurement/

[2] Совет по международным стандартам оценки. Опубликовано новое издание Международных стандартов оценки. 31 января 2024 г.; вступает в силу 31 января 2025 г. https://ivsc.org/new-edition-of-the-international-valuation-standards-ivs-published/

[3] Совет по оценке международных прямых инвестиций и венчурного капитала. Международные руководящие принципы оценки прямых инвестиций и венчурного капитала. 2025. https://www.privateequityvaluation.com/Valuation-Guidelines

[4] Королевский институт дипломированных оценщиков. Автоматизированные модели оценки. Аналитическая записка, 2022. https://www.rics.org/profession-standards/rics-standards-and-guidance/sector-standards/valuation-standards/automated-valuation-models

[5] Королевский институт дипломированных оценщиков. Оценки для банковского кредитования и стоимость ипотечного кредитования, 2-е издание. Декабрь 2025 г. https://www.rics.org/content/dam/ricsglobal/documents/standards/Bank-lending-valuations-and-MLV_2nd-edition_Dec2025.pdf

[6] Центральный банк UAE. Стандарты управления моделями. Уведомление 5052/2022. https://www.centralbank.ae/en/rulebook/banking/risk-management/risk-management/model-management-standards/

[7] Национальный институт стандартов и технологий. Рамки управления рисками искусственного интеллекта (AI RMF 1.0). NIST AI 100-1, январь 2023 г. https://www.nist.gov/itl/ai-risk-management-framework

[8] Национальный институт стандартов и технологий. Рамки управления рисками искусственного интеллекта: профиль генеративного искусственного интеллекта. NIST AI 600-1, июль 2024 г. https://nvlpubs.nist.gov/nistpubs/ai/NIST.AI.600-1.pdf

[9] Управление финансовых услуг Дубая. Новый обзор DFSA по AI: внедрение генеративного AI в DIFC почти утроилось; управление продолжает развиваться. 2025 г. https://www.dfsa.ae/news/new-dfsa-ai-survey-generative-ai-adoption-has-nearly-tripled-within-difc-last-12-months-governance-continues-develop

[10] Международная организация комиссий по ценным бумагам. Искусственный интеллект на рынках капитала: варианты использования, риски и проблемы. 2025. https://www.iosco.org/library/pubdocs/pdf/IOSCOPD788.pdf

[11] Земельный департамент Дубая. Данные о недвижимости: открытые данные. Дата обращения: 1 августа 2026 г. https://dubailand.gov.ae/en/open-data/real-estate-data/

[12] Земельный департамент Дубая. Объём сделок с недвижимостью в Дубае вырос на 31% и достиг AED 252 billion в I квартале 2026 года. 2026. https://dubailand.gov.ae/en/news-media/dubai-s-real-estate-transactions-surge-31-to-reach-aed-252-billion-in-q1-2026/

[13] Комиссия по ценным бумагам и биржам США. Добросовестное определение справедливой стоимости: руководство по соблюдению требований для малых организаций. 2020. https://www.sec.gov/resources-small-businesses/small-business-compliance-guides/good-faith-determinations-fair-value-small-entity-compliance-guide

[14] Совет управляющих Федеральной резервной системы. SR 26-2: Пересмотренное руководство по управлению модельным риском. 17 апреля 2026 г. https://www.federalreserve.gov/supervisionreg/srletters/SR2602.htm

[15] Банк Англии, Управление пруденциального регулирования. SS1/23: Принципы управления модельным риском для банков. Текущая версия, апрель 2026 г. https://www.bankofengland.co.uk/prudential-regulation/publication/2023/may/model-risk-management-principles-for-banks-ss

[16] Международная организация по стандартизации. ISO/IEC 42001:2023, Информационные технологии — Искусственный интеллект — Система менеджмента. 2023. https://www.iso.org/standard/42001

[17] Розен, С. Гедонические цены и неявные рынки: дифференциация продукта в условиях чистой конкуренции. Журнал политической экономии, 82(1), 34-55, 1974. https://doi.org/10.1086/260169

[18] Брейман, Л. Случайные леса. Машинное обучение, 45, 5-32, 2001. https://www.stat.berkeley.edu/~breiman/randomforest2001.pdf

[19] Фридман, Дж. Х. Жадная аппроксимация функций: машина градиентного бустинга. Анналы статистики, 29(5), 1189-1232, 2001. https://doi.org/10.1214/aos/1013203451

[20] Лундберг, С. М., и Ли, С.-И. Унифицированный подход к интерпретации прогнозов моделей. Успехи в системах обработки нейронной информации 30, 2017. https://arxiv.org/abs/1705.07874

[21] Angelopoulos, A. N. и Bates, S. Доступное введение в конформное предсказание и количественную оценку неопределенности без предположений о распределении. 2021. https://arxiv.org/abs/2107.07511

[22] Kok, N., Koponen, E.-L. и Martinez-Barbosa, C. A. Большие данные в недвижимости? От ручной оценки к автоматизированной оценке. Журнал управления портфелем, 43(6), 202-211, 2017. https://doi.org/10.3905/jpm.2017.43.6.202

[23] Brynjolfsson, E., Li, D. и Raymond, L. Генеративный AI на рабочем месте. Ежеквартальный журнал экономики, 140(2), 889-942, 2025. https://doi.org/10.1093/qje/qjae044

[24] Noy, S. и Zhang, W. Экспериментальные свидетельства о влиянии генеративного искусственного интеллекта на производительность. Science, 381(6654), 187-192, 2023. https://doi.org/10.1126/science.adh2586

[25] Dell'Acqua, F., McFowland, E. III, Mollick, E., Lifshitz-Assaf, H., Kellogg, K. C., Rajendran, S., Krayer, L., Candelon, F. и Lakhani, K. R. Навигация по неровному технологическому фронтиру: полевые экспериментальные данные о влиянии AI на производительность и качество работы специалистов интеллектуального труда. Organization Science, 2026. https://doi.org/10.1287/orsc.2025.21838

Приложение A. Минимальная запись доказательств оценки

Приложение B. Контрольный список проверки сопоставимых компаний

• Определены ли предмет оценки и единица учёта?
• Обеспечено ли соблюдение даты оценки в запросе к доказательствам?
• Сохранена ли полная совокупность кандидатов?
• Записаны ли жёсткие критерии допуска до ранжирования?
• У каждой исключённой сопоставимой компании есть закодированная причина?
• Нормализованы ли условия сделок и обеспечительные права?
• Подтверждены ли корректировки на время, размер, качество, права и финансирование?
• Избегает ли модель использования информации из будущего и утечки целевой переменной?
• Сообщаются ли ошибки в разрезе существенных сегментов и периодов времени?
• Находится ли предмет оценки в пределах валидированного распределения данных?
• Согласованы ли результаты методов, а не механически усреднены?
• Сохраняются ли корректировки рецензента, причины и предыдущие значения?
• Показывает ли отчёт разброс, неопределённость и ограничения?

Приложение C. Контрольный список сценариев и выпуска

• Определены ли решение и горизонт?
• Согласованы ли центральный, негативный, позитивный и обратный стресс-сценарии?
• Задокументированы ли зависимости между драйверами?
• Определены ли для управленческих действий полномочия, стоимость и задержка?
• Согласуются ли денежные, финансовые, налоговые и бухгалтерские потоки?
• Обоснованы ли вероятности или они опущены?
• Видимы ли пороги принятия решений и драйверы первого нарушения?
• Охватила ли независимая валидация данные, метод, код и использование?
• Утверждены ли доступ, конфиденциальность, журналирование и резервные механизмы поставщика?
• Действуют ли правила воздержания и ограничений?
• Обучены ли пользователи ограничениям моделей и склонности доверять автоматике?
• Активен ли мониторинг дрейфа, ошибок, ручных корректировок и инцидентов?
• Закреплено ли окончательное решение за уполномоченным человеком?

Приложение D. Глоссарий

Отказ от автоматического вывода: контролируемый исход, при котором автоматическое заключение не формируется, а случай передаётся на ручную проверку.

Автоматизированная модель оценки: математическая или статистическая система, которая оценивает стоимость на основе данных об объекте недвижимости или рыночных данных с заданной степенью автоматизации.

База стоимости: основополагающие допущения измерения, на основании которых оценивается стоимость.

Калибровка: корректировка модели таким образом, чтобы её результат согласовывался с релевантными наблюдаемыми данными, включая цену сделки, где это уместно.

Сопоставимый объект: наблюдаемая сделка, инструмент или актив, используемые для обоснования стоимости после анализа релевантности и различий.

Конформное прогнозирование: семейство методов, которые строят прогнозные наборы или интервалы с использованием калибровочных данных и заданных свойств покрытия.

Реестр доказательств: версионируемый реестр, связывающий каждый существенный входной параметр с его источником, датой, преобразованием, проверяющим и использованием в выходных данных.

Объяснимость: информация, описывающая, как входные данные повлияли на выход модели; сама по себе она не устанавливает корректность или причинно-следственную связь.

Риск модели: потенциальное неблагоприятное последствие решений, основанных на некорректных, неправильно используемых или слабо контролируемых моделях.

Вне распределения: объект или входные данные, существенно выходящие за пределы совокупности, представленной при разработке и валидации модели.

Интервал прогнозирования: диапазон, предназначенный для охвата будущего или ненаблюдаемого результата при заданном уровне покрытия в рамках допущений метода.

Сценарий: согласованный набор взаимосвязанных экономических, операционных и финансовых допущений, используемых для оценки результата или решения.

Чувствительность: влияние изменения одного или нескольких допущений, часто без описания полной картины мира.

Корректировка оценки: документированная корректировка, вносимая человеком в результат модели или метода для учёта доказательств или рисков, недостаточно отражённых в нём.