AI 新兴市场信用模型：从预测提升到可融资治理

1. 从信贷决策和现金结果入手

对贷款人而言，AI模型只有在经批准的信贷策略下能够通过其决策改善风险调整后的现金结果时，才具有价值。准确率、曲线下面积、基尼系数、精确率或其他技术指标可以描述模型表现，而可融资性则取决于审批、定价、风险敞口、拖欠、回收、损失、流动性和借款人待遇。因此，尽职调查团队应从决策记录入手，并将其追溯至合同现金和已实现现金。

最低限度的记录将申请、借款人、产品、金额、期限、价格、模型版本、输入快照、评分、决策阈值、解释、人工干预、审批权限、放款、还款计划、已收现金、欠款、补救、重组、回收和核销关联起来。稳定标识符应连接模型平台、贷款管理系统、银行账户、征信机构报送和总账。样本应可从原始数据和代码或受控评分服务中复现。

贷款人应区分三个问题。模型对风险的排序是否优于已批准的基准？机构是否将该排序转化为合理的限额、定价和政策决策？这些决策产生的现金表现是否与授信情景一致？对第一个问题的肯定回答不能弥补政策或运营的薄弱。

初始尽职调查的输出应为一条从评分到现金的溯源链路。此后关于纳入范围、预测提升、资本效率或估值的每一项主张，都应与之勾稽一致。

该图是一个治理框架。各机构和各司法管辖区的角色、证据和审批都必须经过核实。

2. 在衡量模型表现之前界定可融资性

可融资的模型具有明确的用途、可问责的负责人、合法数据、受控实施、独立质疑、稳定监控、可解释的决策、运营后备方案，并已证明与组合现金的关联。贷款人应在审查总体表现之前界定这些属性。否则，一个强劲的统计指标可能主导讨论，而关键控制仍未得到检验。

该模型可支持筛选、审批、限额、定价、欺诈、催收或早期预警。每种用途具有不同的重要性和错误成本。作为高级信贷官一项输入使用的排序模型，不同于自动拒绝模型。支持小额、短期限垫款的模型，不同于设定多年期企业授信的模型。可融资性标准应取决于决策的影响和可逆性。

FSB拟议的2026年稳健实践将AI风险贯穿于治理以及开发、部署、网络、技术和第三方生命周期进行组织。[1] NIST的AI风险管理框架采用治理、映射、衡量和管理职能，并要求持续评估、记录局限性，以及制定在系统表现与预期用途不一致时停止使用该系统的程序。[19] 这些框架可为控制架构提供参考，但当地法律和审慎要求仍具有决定性。

可融资一词并不意味着模型完美无缺。它意味着剩余不确定性已被识别、衡量、治理，并反映在预付款率、准备金、契约、价格和贷款人权利中。

3. 界定模型、政策和系统边界

一家机构可以在一个评分背后运行多个模型。身份、欺诈、可负担性、信用、定价、限额和催收组件可为政策引擎提供输入。供应商评分可经过转换，或与规则和人工判断相结合。尽职调查范围应包括所有会改变借款人结果或贷款人损失的组件。

清单应记录用途、所有者、法律实体、司法管辖区、借款人细分、产品、决策角色、算法、模型版本、训练期、输入来源、供应商、验证日期、重要性、后备与退役计划。影子模型、冠军挑战者测试和电子表格调整应保持可见。任何未纳入正式清单的模型都属于治理发现，即使其技术表现看似良好。

UAE中央银行的《模型管理标准》将治理、数据管理、开发、实施、使用、绩效监控和独立验证列为核心组成部分。[11] 其赋能技术指引要求建立全企业范围的记录，并覆盖从设计到停用的全生命周期。[9] 这些原则支持的范围不仅涵盖代码，还延伸至政策、人员、数据和运营。

贷款人还应梳理由哪个实体拥有模型、哪个实体发起并服务贷款，以及哪个实体承担损失。公司间评分或服务安排可能影响交易或强制执行后的数据访问与业务连续性。

表1. 模型清单与风险层级证据映射

风险等级应反映决策影响、风险敞口、自主程度、复杂性和可替代性。

4. 确立数据权利、来源及持续可用性

替代数据可包括银行交易、移动支付流水、公用事业缴费、租金、平台销售、会计记录、设备信号、地理位置或行为信息。贷款机构应针对每个字段或衍生特征，核实法律依据、借款人通知、必要时的同意、合同许可、来源、准确性、留存、传输以及允许的模型用途。

数据访问可能是临时性的。平台合作方可能终止数据馈送、更改应用程序编程接口、缩小同意范围或更改字段定义。基于广泛数据训练的模型，在生产环境收到更小或更慢的数据集时可能性能下降。交易团队应比较开发与生产覆盖范围，并测试在每个重要数据源丢失情况下的回退方案。

印度储备银行（RBI）的数字借贷框架要求基于需求的催收、事先且明确的借款人同意、清晰的审计轨迹，以及受监管实体对服务提供商承担责任。[12][13] 肯尼亚的《数字信贷提供商条例》要求对客户信息保密，并向持牌征信机构及时提交完整、准确的信用信息。[14] 这些要求说明，数据权利和数据质量属于信贷问题，而非技术性事务。

贷款机构应要求建立与模型特征和借款人相关联的数据权利登记册。不支持的字段应删除或隔离，模型应重新测试，任何性能下降都应纳入信贷案例。

表2. 数据权利与证据登记册

适用要求取决于当地法律、产品、借款人和数据来源。

5. 一致定义目标变量和违约

模型表现取决于其预测的结果。目标可以是未付款、逾期30天、逾期90天、核销、欺诈、重组或在既定时间范围内的净现金损失。开发定义应与产品、政策和融资目标相匹配。短期限逾期目标可能对早期还款行为进行排序，却无法捕捉全生命周期损失。

目标窗口应留出足够时间让结果成熟。尚未经历完整表现期的近期贷款不能仅因其尚未违约就被标记为良好。恢复正常、重组、和解、延期偿还、出售和核销应得到一致处理。结果应与合同到期日、现金收款和会计记录相核对。

巴塞尔委员会《2025年信用风险管理原则》强调稳健的授信、信贷管理、计量、监测和控制。[7] CBUAE 验证指引要求审查违约定义、开发数据、模型设计、假设、稳定性、区分能力和校准。[10] 这些原则直接适用于目标变量背后的证据。

贷款机构应在替代定义下重新运行表现评估。如果当目标变量从早期拖欠变为净损失时预测提升消失，该模型可能有助于催收优先级排序，但不适合资本资格。

6. 构建能够揭示选择效应与账龄成熟度的队列

当来自相似时间段、借款人、商户或地点的记录同时出现在两个样本中时，随机训练集-测试集划分可能高估表现。可融资性要求进行跨时间和跨细分测试。队列应按照放款日期、产品、地理区域、渠道、借款人类型、单笔规模、期限、评分区间和模型版本，在相同在账月数下划分。

选择应可见。除非机构有被拒申请人的其他数据来源，否则模型仅观察到已批准贷款的结果。因此，审批政策可能造成样本选择偏差。基于既往批准样本训练的模型，在扩展至此前被拒或信用记录薄弱群体时可能表现不佳。受控试点和保守限额可以积累证据。

IFC 的 2026 年替代信贷研究指出，交易数据是常见输入，并且 AI 在服务于正式信用历史有限的借款人的各类模型中被选择性使用。[16] 这些证据既支持机会，也进一步说明需要评估背景、细分和落地实施。模型在某个国家、合作伙伴或产品上的成功并不确立其可迁移性。

队列资料包应说明观察窗口和表现窗口、排除项、缺失情况以及账户数量和敞口。小样本应被识别，并且只有在有可辩护理由时才合并。

7. 将预测提升转化为经济桥梁

预测提升描述相对于基准的改进。它可以意味着更高的区分能力、更好的校准、相同批准率下更低的损失，或相同损失下更高的批准率。贷款机构应要求基准反映实际决策替代方案，例如征信局评分、评分卡或政策规则，而不是人为设定的弱基准。

该桥梁应保持一项业务约束不变。在相同批准率下，比较已实现损失和贡献。在相同预期损失下，比较批准量和已放款敞口。分析应包括获客、数据、模型、核验、贷后服务、欺诈、资金和资本成本。较小的统计增益在扣除实施费用并考虑逆向选择后可能价值有限。

以下假设示例从 100 个单位的基准预期现金损失开始。排序改进使损失减少 18 个单位，而扩展至信用记录薄弱细分群体增加 7，政策宽松增加 5，数据与模型运营成本增加 4，回收较弱增加 3。净分析收益为 1 个单位。每项金额均为假设性分析假设，并应由经核验的账户级证据替代。

所有数值均为假设性分析假设，并不描述任何贷款机构、模型或市场预测。

8. 同时检验区分能力、校准和已实现损失

区分度衡量风险更高的借款人是否获得更差的评分。校准衡量预测概率是否与观察到的结果相对应。模型可能排序正确，却系统性低估损失。贷款机构需要这两类指标，因为资本和定价取决于风险水平，而不仅是排序。

验证应报告曲线下面积或基尼系数及置信区间，在相关时报告精确率和召回率，按评分区间报告校准情况，报告 Brier 分数或对数损失，以及实际与预期结果。分析应使用账户和敞口权重，并应显示现金损失，而不仅是违约数量。回收时间和成本对偿债很重要。

模型表现应按开发期、样本外时期、生产期和压力时期分别列示。EBA 关于内部评级模型中机器学习的报告强调，要在信用风险框架内审慎使用，并重视与数据保护和 AI 规则的相互作用。[20] CBUAE 验证标准要求对稳定性、区分能力、敏感性和校准进行定量审查。[10]

审批阈值应结合产能和流动性进行检验。一个允许更多借款人通过的模型可能改变资产池的构成，并使核验或催收不堪重负。因此，可融资性将技术测试与运营和资金联系起来。

9. 在不掩盖逆向选择的情况下评估薄档案群体纳入

AI 可以识别其现金活动未体现在传统档案中的借款人。国际清算银行（BIS）的分析指出，另类数据可以改善对服务不足群体的违约预测，并识别出传统评分信号较弱的借款人。[3] 国际金融公司（IFC）的研究还描述了使用移动货币、数字支付、平台记录和业务数据的模型。[16][17]

贷款机构应将纳入情况作为受控群体来衡量。信用新客或薄档案借款人应有明确定义，并分别报告审批、敞口、定价、逾期、损失和投诉情况，且在表现成熟前实行分阶段限额。比较时应调整金额、期限、地域、渠道和经济状况。

纳入主张应区分准入与结果。审批数量增加可能与不可负担的定价、反复再融资或借款人理解不足并存。应将现金表现、总成本、重复借款、投诉、困难情况和重组一并监测。

融资结构可对未成熟客群适用较低的预付率或较高的准备金，并在经核实的群体表现后释放。这使资本能够依据证据配置，同时不放弃纳入目标。

10. 在实际决策流程中衡量公平性和代理变量风险

历史数据可能固化不平等的准入、待遇和结果。替代变量可能充当受保护或弱势特征的代理变量。因此，公平性分析应覆盖数据、标签、模型输出、政策阈值、人工覆盖、定价、限额、贷后服务和催收。

机构应与法律顾问共同确定法律允许的比较群体。有用的检验可包括按群体划分的审批、错误率、校准、定价和损失，并考虑样本量和置信度。统计差异需要调查其机制、业务必要性、数据质量和潜在补救措施。单一对等性指标无法完成评估。

金融稳定理事会（FSB）警告称，历史数据和不透明的另类来源可能使偏见长期存在，并使借款人难以纠正错误。[2] G20 中小微企业融资行动计划指出，自动化信用评估可能引入扭曲，而不完整、缺乏代表性的数据可能影响服务不足群体。[18]

贷款机构应要求建立特征登记册、代理变量审查、公平性测试、投诉渠道和变更控制流程。在无法获得合法群体标签时，机构应记录该限制，并使用其他证据，如特征敏感性、地域结果、人工审查和借款人反馈。

11. 使解释对借款人、信贷人员和验证人员有用

解释应与受众相匹配。借款人需要清晰的主要理由，以及更正数据或申请复核的途径。信贷人员需要决策驱动因素、敏感性和政策背景。验证人员需要可复现的方法、稳定性和局限性。监管人员需要可追溯性和问责证据。

仅靠全局或局部特征重要性可能不足。相关变量可能会互换重要性，事后解释也可能有所不同。机构应检验保真性、稳定性和可操作性。理由应反映实际决策，并避免泄露敏感的安全或反欺诈控制措施。

BIS Noor项目正在开发可解释的AI方法，这些方法可帮助监管人员在保护隐私的同时评估透明度、公平性和稳健性。[5] 2026年BIS讲话指出，在信贷申请等高影响力决策中，机构仍须对可解释性和数据质量承担责任。[6] 这些举措在维护机构责任的同时支持实际可用的解释。

贷款机构应对照源数据、评分变化和政策决策对解释进行抽样检查。对于对借款人不利且无法得到一致解释的决策，不应具备自动化扩展或资本优惠的资格。

12. 将人工覆盖作为可衡量的模型组成部分进行治理

人工判断可以补充模型无法观测的信息。它也可能削弱纪律、偏向增长目标或掩盖正在恶化的细分群体。每次覆盖都应记录方向、理由、证据、审批权限、时间戳、模型评分、原始决策、最终条款和后续结果。

覆盖分析应区分模型覆盖、政策例外和数据更正。更正经核实的输入错误不同于批准不符合风险偏好的借款人。正向和负向覆盖应按人员、分支机构、渠道、产品、地理区域和评分区间分别跟踪。

假设分析应在相近的模型风险水平下，比较未覆盖批准、正向覆盖和负向覆盖的观测损失。覆盖频率过高可能表明模型拟合不佳或应用不足。覆盖权限集中会带来行为风险和操作风险。如果员工不加质疑地遵循不合适的模型，覆盖率过低也可能令人担忧。

CBUAE验证指引明确要求审查评级覆盖，以及主观输入的一致性和潜在偏差。[10] 贷款机构可设置报告触发条件、独立抽样审查和限额，并在覆盖表现显著超过核定损失时临时暂停。

频率和损失率为假设性分析假设，并不描述任何贷款机构或模型。

13. 监测数据、评分、决策和结果漂移

当生产环境与开发阶段或此前批准期间存在差异时，就会发生漂移。数据漂移会改变输入分布或覆盖范围。概念漂移会改变输入与违约之间的关系。政策漂移会改变阈值、规则或人工行为。结果漂移会改变拖欠、回收或损失。贷款机构应监测全部四种漂移，因为评分分布稳定可能与现金流恶化同时存在。

群体稳定性指数、特征稳定性、缺失情况、类别迁移和分布距离可支持数据监测。评分区间的批准、拒绝、定价和限额变化支持决策监测。实际损失与预期损失之比、滚动率、账龄曲线和回收支持结果监测。指标应按产品、群组、渠道、地理区域和重要数据源展示。

阈值需要有经批准的应对措施。警告可以触发调查和强化报告。突破阈值可以限制新增放款、提高准备金、降低放款比例、切换到后备方案，或要求重新校准和验证。应对措施应考虑样本量和季节性，而不是依赖某一项孤立统计量。

下面的仪表板使用假设值来演示治理。它不提供通用阈值。每家机构都应根据经核实的历史波动性、组合风险和监管要求来校准触发条件。

这些评分是假设性的分析设定，采用 1 至 5 级监测量表，并非通用限值。

14. 通过宏观经济和本地冲击检验表现

新兴市场信贷组合可能面临通胀、货币贬值、大宗商品价格、气候事件、冲突、政策变化、平台中断和本地就业冲击。模型开发数据中可比时期可能很少。模型可以在统计上保持稳定，而借款人的还款能力却会通过模型未观测到的变量发生变化。

压力测试应结合模型渠道和组合渠道。在存在可论证关系的地方，可以对输入进行冲击；政策阈值和现金结果也应直接测试。贷款机构可以按群组和地区应用更高的迁移率、更低的治愈率、回收延迟、收入下降、更高的再融资成本和数据中断。情景应包括相关效应和运营约束。

国际清算银行（BIS）关于 AI 与关系型贷款的研究发现，在研究的样本中，AI 投资在正常时期支持了信贷供给，但在新冠危机期间并未提供额外信贷或利率保护。[4] 该结果具有情境特定性，并说明为何不应假设正常时期的表现会在新的冲击下持续。

交易案例应将压力情景下的损失和流动性与资本、准备金及融资额度余量进行比较。当冲击超出开发经验范围时，模型置信度应降低而非提高。

15. 将模型监测与组合会计和现金进行核对

监测报告通常使用贷款系统内部生成的逾期或违约标签。贷款机构应将这些标签与合同还款计划、银行收款记录、总账、拨备、核销和回收进行核对。如果欠款在表现数据之外被重组、展期或核销，模型可能看起来已校准。

核对应保留原始和修订后的还款计划、核销总额和净核销额、结算、违约治愈、回收成本和回收时间。账户视图和风险敞口视图应同时展示。损失应归因于发起时生效的模型版本和政策，后续贷后服务操作应单独记录。

资本和融资额度模型可能使用预期损失、非预期损失、集中度或压力指标，而这些指标可能与模型的目标不同。衔接说明应列明每项定义，并展示评分区间如何影响违约概率、违约损失率、风险敞口、准备金或放款比例。缺乏支持的转换构成可融资性缺口。

数据调整应受到控制并予以报告。巴塞尔公司治理框架强调董事会对数据质量的责任，以及模型和外部输入的局限性。[8] 核对使这种问责具有可观察性。

16. 明确董事会、管理层和控制问责

治理机构应批准重大 AI 使用、风险偏好和问责安排。高级管理层应负责实施、资源、能力、监测和整改。信贷、风险、合规、数据、技术、安全、法律、内部审计和业务团队需要明确角色，并具备独立质疑机制。

模型负责人不应批准独立验证。模型委员会可审查开发、变更、表现、人工覆盖和退役。信贷委员会应保留对信贷政策和组合风险的权限。重大事项应通过既定阈值上报董事会或董事会风险委员会。

CBUAE 的赋能技术指南使治理机构和高级管理层对结果负责，并要求配备具备相应技能的技术和信贷专家。[9] 南非审慎管理局和金融部门行为监管局 2025 年报告建议实施全面的治理、数据治理、模型风险管理和董事会层面监督。[21]

贷款方应审查会议纪要、质疑、决策和问题关闭情况，而不是仅接受组织架构图。当权限能够改变行为、资金和部署时，治理才具备可融资性。

17. 要求以可复现证据开展独立验证

独立验证应审查概念合理性、数据、代码、实施、使用、表现、局限性和结果。独立性可通过组织安排实现，也可通过外部审查实现，前提是验证人员具备访问权限、胜任能力，并且不受开发激励影响。重要性应决定验证的深度和频率。

验证应复现样本、确认目标变量构建、检验数据泄漏、比较基准模型、审查调参和选择、运行跨时间测试和分群测试，并评估校准、公平性、可解释性、人工覆盖、压力、漂移和回退机制。实施验证应确认经批准的代码、转换、阈值和数据在生产环境中运行。

验证人员应说明发现、严重程度、补偿性控制和使用条件。存在未关闭关键发现的模型，不应获得与完全验证模型相同的资本或授信待遇。整改应由独立方重新测试。

CBUAE 标准将稳定性、区分能力、敏感性、校准、治理、人工覆盖、文档和数据列为验证领域。[10][11] 验证报告应在保密条款下提交给贷款方，并包含足以进行独立评估的详细信息。

表 3. 独立验证测试计划

范围和频率应取决于模型重要性、司法管辖区和组合风险。

18. 对供应商模型和集中技术依赖进行尽职调查

供应商可能提供评分、数据、特征、代码、托管或监控服务。即使知识产权属于外部方，受监管机构和贷款机构仍面临模型风险和业务连续性风险。尽职调查团队应识别合同项下存在哪些证据权、审计权、验证权和变更权。

协议应涵盖数据使用、所有权、保密性、安全性、模型变更、性能、服务水平、事件通知、分包、监管机构访问、必要时的贷款机构访问、终止、过渡和记录保留。黑箱服务可能限制机构解释决策或重现历史评分的能力。合同约定的访问权应结合实际供应商做法进行检验。

当许多贷款机构使用同一数据聚合商、云服务或模型时，可能产生集中度。一次共同的变更或中断可能同时影响多个组合。FSB 提出的稳健做法包括第三方风险、网络风险和技术风险。[1] NIST 也在整个生命周期中处理第三方软件、硬件和数据。[19]

融资方案应包括更换时间、数据可移植性、并行运行和后备方案。导致信贷审批无法进行的供应商终止应作为流动性和业务连续性情景。

19. 保护隐私、安全和借款人救济

信用模型可处理敏感的财务、行为和设备信息。机构应仅收集经批准目的所需的数据，保护这些数据，在合理期限内保留，并向借款人提供适用的访问、更正和审查权利。在依赖同意时，同意应具有实际意义，且不得掩盖不必要的收集。

安全尽职调查应梳理静态和传输中的数据、身份、特权访问、加密、密钥、日志、开发环境、模型产物、备份和供应商。模型提取、数据投毒、对抗性输入和未经授权的特征变更应纳入威胁模型。事件应与受影响的决策和借款人相关联。

世界银行关于负责任金融服务获取的指引强调数字金融中的消费者保护和基于风险的监管。[15] RBI 的框架要求明确的隐私政策、限制服务提供商存储以及受监管实体监督。[12][13] 肯尼亚的法规要求保密和投诉处理。[14]

贷款机构应要求就重大数据、安全或借款人待遇事件进行通知，并说明补救措施和财务影响。借款人救济既支持法律合规，也有助于信用数据质量，因为更正后的记录可改善未来决策。

20. 建立针对特定司法管辖区的监管矩阵

新兴市场在许可、消费者保护、自动化决策、数据本地化、征信机构报送、外包、模型标准和监管访问方面存在差异。区域平台不应假设同一模型和同意流程可以原样部署。应按国家、产品、借款人和实体梳理法律与运营边界。

UAE 已实施现行有效的模型管理与赋能技术标准，涵盖治理、数据、验证和生命周期控制。[9][10][11] 印度围绕服务提供商设定受监管实体责任、同意、审计轨迹和数字贷款控制要求。[12][13] 肯尼亚对数字信贷提供商发放牌照并实施监管，并规范信用信息使用和客户保护。[14] 尼日利亚的开放银行指引包括经董事会批准的数据治理以及对算法系统的考量。[22]

该矩阵应识别批准、通知、文件记录、解释、数据传输、保留、审计和投诉要求。变更应受版本控制并关联至系统配置。当地法律顾问和监管机构可能需要确认解释。

即使某司法辖区没有规定性的 AI 规则，仍要求遵守信贷、数据、行为、外包和治理方面的合规要求。贷款人应对不确定性定价并要求提供证据，而不应将监管沉默视为许可。

21. 将模型证据转化为资本资格门槛

资本资格是指，由于存在特定证据，贷款人或投资者敞口获得约定的可用性、垫款率、准备金、定价或投资组合处理。门槛不应依赖供应商标签或技术指标。它应结合法律、数据、模型、投资组合和运营控制。

第一道门槛确认权利、库存、治理和可复现性。第二道确认独立验证、基线提升和校准。第三道确认生产环境实施、解释、人工覆盖和监控。第四道确认成熟期已实现损失和压力表现。第五道确认持续合规、供应商访问、后备方案和契约报告。

模型可以通过选定门槛并获得有限处理。未成熟组合可适用较低垫款率或较高准备金。一旦发生违反，可停止新增资格，而现有敞口在受控服务下逐步摊还。恢复应要求经核实的补救和独立签署确认。

下方的假设性门槛图展示了渐进式资本获取。百分比为分析假设，不代表市场条款。实际处理取决于经核实的证据、法律结构和风险偏好。

垫款率为假设性分析假设，不代表贷款人条款或市场报价。

22. 将模型风险嵌入融资结构与契约

融资文件应界定合格贷款、模型版本、经批准产品、数据要求、集中度、账龄、欠款、重组、欺诈和文件记录。模型支持的资格可以以验证、监控和访问为条件。借款人不应在未按约定通知并在适当情况下获得批准的情况下更改重大模型、阈值或政策。

报告可包括评分分布、批准、人工覆盖、数据覆盖、漂移、观察损失与预期损失比、账龄批次表现、公平性或行为指标、事件和验证发现。触发条件应具有明确行动：强化报告、准备金、降低垫款率、暂停、补救或后备方案。重大性和补救期需要审慎起草。

现金控制仍然至关重要。模型不能替代应收账款所有权、可执行性、受控收款、借款基础对账、流动性和资本。融资安排应将模型风险与常规信贷架构相连接。

贷款人应获得足以检验证据的审计权与访问权，同时保护借款人数据和供应商知识产权。独立专家可在约定的保密安排下协助进行敏感审查。

表4. 模型风险契约与报告框架

条款仅为示意，需要针对具体交易的法律和监管建议。

23. 在交易和贷款人尽职调查中应用该框架

投资者或贷款人应索取模型清单、政策、数据映射、合同、开发文件、验证、生产日志、决策记录、投资组合数据文件、现金与会计对账、投诉、事件、监管机构往来函件和委员会会议纪要。管理层陈述应依据源记录和独立复现的样本进行核验。

尽职调查问题登记册应将每项发现与价值、信用结构、交割条件、契约、补救责任人和监控联系起来。一个能改善审批但缺乏持久数据权利的模型可能会降低价值。一个提升幅度有限但治理健全的模型可能支持受控资本。结论应说明机制和证据。

交易保护措施可包括验证条件、数据或供应商同意、补救、托管、赔偿和留存。估值应扣除所需投资，并使用经核实的贡献和损失。未来模型价值应通过里程碑确认，而不是依据无支撑的声明。

审查应包括机构在模型不可用时的运营能力。受控的人工流程或更简单的评分卡备用方案可在中断或质疑期间保护借款人、催收和贷款人现金。

24. 执行 100 天融资可行性计划

前 30 天应锁定模型清单、决策沿袭、数据权利、模型版本、验证发现、投资组合对账和关键事件。机构应冻结未经授权的变更，并建立治理、问题归属和贷款人报告。高风险或缺乏支持的客群可获得临时限额。

第 31 至 60 天应复现表现、在有正当理由时重新校准、测试解释和人工覆盖、弥合数据缺口、验证生产、建立漂移阈值并演练备用方案。法律、隐私、安全和供应商行动应在受控依赖关系下并行推进。

第 61 至 100 天应测试经补救的控制、让新客群经历完整周期、实施资本关口和契约、确认借款人追索权并取得独立鉴证。扩张应依据经核实的结果，而不是日历进度。

每项举措都需要明确负责人、证据、成本、决策关卡和已接受的剩余风险。该计划应在报告技术完成情况的同时，报告现金和借款人成效。

表5. 示意性100天模型可融资性计划

时机应取决于风险、投资组合成熟度、监管要求和运营准备情况。

25. 投资委员会的决策框架

投资委员会应获得对六个问题的连贯答案。机构是否有权使用并持续获取每一项重大输入？模型和决策是否可复现？业绩是否在样本外及按细分群体超过透明基准？概率是否按已实现现金损失进行校准？解释、人工覆盖、公平性、漂移和回退是否纳入治理？该融资安排是否将这些控制转化为可执行的资本门槛？

建议应区分经核实证据、未决事项和假设性分析假设。每项重大发现都应影响价值、放款比例、准备金、契约、条件、监控或终止决定。技术模型评分绝不应在投资结论中单独作为依据。

AI 信用模型可在正式记录薄弱的情况下拓展信息并支持普惠。当数据权利、验证、政策、运营和现金结果在整个生命周期内保持贯通时，其价值才会持久。可融资治理使借款方、管理层、监管机构和资本提供方都能看到这种贯通。

最有力的证据包具有可复现性。审阅人应能从融资安排或估值结果追溯到同类组表现、决策记录、模型版本、输入、同意、合同和已实现现金。该链条支持负责任地扩大规模，并在条件变化时保护资本。

参考文献

1. 金融稳定理事会，《负责任采用人工智能的稳健实践：咨询报告》，2026年6月10日， https://www.fsb.org/2026/06/fsb-consults-on-sound-practices-for-the-responsible-adoption-of-artificial-intelligence-ai/
2. 金融稳定理事会，《人工智能对金融稳定的影响》，2024年11月14日， https://www.fsb.org/2024/11/the-financial-stability-implications-of-artificial-intelligence/
3. 国际清算银行，《人工智能与经济：对中央银行的影响》，2024年年度经济报告， https://www.bis.org/publications/aer-2024/artificial-intelligence-economy-implications-central-banks
4. 国际清算银行，《人工智能与关系型贷款》，第1244号工作论文，2025年2月19日， https://www.bis.org/publications/working-paper-1244-artificial-intelligence-and-relationship-lending
5. 国际清算银行创新中心，Noor项目， https://www.bis.org/project/noor
6. 国际清算银行，人工智能时代的金融部门监管与监督，2026年5月20日， https://www.bis.org/speeches/20260520-regulation-and-supervision-financial-sector-age-artificial-intelligence
7. 巴塞尔银行监管委员会，信用风险管理原则，2025年， https://www.bis.org/bcbs/publ/d595.pdf
8. 巴塞尔银行监管委员会，银行公司治理原则，综合框架， https://www.bis.org/committees/bcbs/basel-consolidated-guidelines/module/cgo/10
9. UAE中央银行，金融机构采用赋能技术的指南：大数据分析与人工智能， https://rulebook.centralbank.ae/sites/default/files/en_net_file_store/CBUAE_EN_2413_VER1.pdf
10. UAE中央银行，模型管理标准：监测与验证， https://rulebook.centralbank.ae/en/rulebook/211-monitoring-and-validation
11. UAE 中央银行，《模型管理标准》， https://rulebook.centralbank.ae/en/rulebook/model-management-standards
12. 印度储备银行，数字借贷指南，2022年9月2日， https://systemhealth.rbi.org.in/Scripts/NotificationUser.aspx_Id%3D12382%26Mode%3D0.html
13. 印度储备银行，监管规定概览手册，2025年， https://website.rbi.org.in/documents/d/rbi/handbookg27022025d0f3f53f5d3c4310a6bb2f8ac2175d3a
14. 肯尼亚中央银行，2022年数字信贷提供商条例， https://www.centralbank.go.ke/wp-content/uploads/2022/03/L-.N.-No.-46-Central-Bank-of-Kenya-Digital-Credit-Providers-Regulations-2022.pdf
15. 世界银行，负责任金融准入与金融消费者保护资源， https://responsiblefinance.worldbank.org/en/responsible-finance
16. 国际金融公司，破解信贷密码：替代数据与AI促进金融普惠，2026年， https://www.ifc.org/en/insights-reports/2026/cracking-the-credit-code-alternative-data-and-ai-for-financial-inclusion
17. 国际金融公司，数字时代的中小微企业银行服务，2025年， https://www.ifc.org/content/dam/ifc/doc/2025/msme-banking-in-the-digital-era.pdf
18. 二十国集团全球普惠金融合作伙伴关系，中小微企业融资行动计划，2025年， https://www.ifc.org/content/dam/ifc/doc/2025/gpfi-action-plan-for-msme-financing.pdf
19. 美国国家标准与技术研究院，人工智能风险管理框架 1.0， https://nvlpubs.nist.gov/nistpubs/ai/NIST.AI.100-1.pdf
20. 欧洲银行管理局，关于机器学习在内部评级法模型中应用的后续报告，2023年8月4日， https://www.eba.europa.eu/publications-and-media/press-releases/eba-publishes-follow-report-use-machine-learning-internal
21. 南非储备银行与金融部门行为监管局，人工智能在南非金融部门的应用，2025年11月24日， https://www.resbank.co.za/content/dam/sarb/publications/media-releases/2025/sarbfsca-ai-report/Artificial%20Intelligence%20in%20the%20South%20African%20Financial%20Sector%20Final.pdf
22. 尼日利亚中央银行，《尼日利亚开放银行运营指南》， https://www.cbn.gov.ng/Out/2023/CCD/Operational%20Guidelines%20for%20Open%20Banking%20in%20Nigeria.pdf