AI 信贷监测与早期预警系统

引言

信用损失很少在付款逾期时才出现。恶化可能更早体现在催收、现金余额、契约余量、报告行为、客户集中度、供应商条款、库存变动、管理层更替、抵押品状况或外部事件中。实际难点在于及时汇集这些观察、区分信号与噪声、指派审查人，并将审查与获授权响应衔接起来。

本文面向 AI 信贷监测与早期预警系统 两类Matchpoint Partners目标受众。 私募信贷、直接贷款与特殊机会基金 是国际信贷与特殊机会投资者，在GCC实物资产和运营企业中寻求收益与复杂性。 GCC 中小企业与家族企业主 是所有者、董事总经理和下一代经营者，关注营运资金、贸易融资、传承、再融资与退出。监控资本与合同权利面临的风险。监控流动性、韧性以及建设性贷款人沟通所需的证据。各方可以使用相关信号，同时保留各自不同的激励、权限和决策权。

核心问题是： 人工智能如何在保留证据、人工判断、保密性和可问责干预的同时，提高信用监测的及时性和一致性？ 答案需要一个运营系统，而不仅仅是一个评分。该系统必须定义结果、保留事件时间、验证权利与质量、将透明规则与适当的统计模型相结合、校准概率、对警报排序、展示原因、记录质疑与推翻、分派行动，并从观察到的结果中学习。

巴塞尔委员会现行原则将信贷管理、计量和监测与稳健授信及适当控制并列[1]。巴塞尔核心原则18涉及问题敞口的早期识别与管理[2]。欧洲银行管理局的贷款发起与监测指引涵盖整个信贷生命周期内的监测[3]。IFRS 9要求评估信用风险自初始确认以来是否显著增加，并考虑合理且有依据的前瞻性信息[4]。UAE中央银行要求建立成文的信用风险框架，覆盖发起、监测、回收和拨备，包括早期识别损失以及可能导致恶化或违约的因素[5]。其标准将信用风险显著增加与预警指标及持续监督联系起来[6]。这些来源依机构、活动和司法辖区适用；它们为其他信贷投资者提供有用的控制参考。

信用预测已有悠久的实证研究历史。会计比率、市值模型、风险率方法和多期违约模型提供了看待财务困境的不同视角[9-18]。机器学习研究考察分类表现、类别不平衡结果、非线性关系和替代数据[19-27]。可解释性、校准、概念漂移和技术债务研究提供了工具，用于评估此类模型在开发后的行为[28-34]。当前监管与标准来源涉及基于风险的模型治理、AI风险管理、隐私、同意、破产情境以及资本市场AI控制[35-40]。

本文定义了一个 AI 信贷预警系统 作为一个受治理的流程，将经授权、带时间戳的证据转化为可供审查的恶化指标，将这些指标分派给可问责人员，并记录由此产生的决策、行动和结果。人工智能可以包括统计学习、生存模型、树集成、异常检测、文档抽取和自然语言辅助。该定义不包括自主信贷权限。

本文的贡献是一个实用框架。它提供：

• 一个……与决策边界；
• 一套信用事件与结果分类体系；
• 一套受控的数据源与特征架构；
• 一个覆盖合同、现金流、财务、运营、抵押品和外部证据的信号分类体系；
• 一个从透明基线开始的模型栈；
• 一个覆盖校准、提前期、警报负担、稳定性和可操作性的评估评分卡；
• 干预操作手册和升级记录；
• 用于投资组合和借款人用途的假设性示例；
• 一个以证据为门槛的生产率与损失桥接；以及
• 一份九十天实施路线图。

该分析回顾了截至 2026 年 8 月 1 日可获得的 40 个一手、权威且标注清晰的来源。学术研究结果在其研究情境中报告。监管要求取决于司法辖区、牌照和业务活动。未提供经批准的已观测 Matchpoint 或客户证据，用于收入、现金成本削减或损失减少。因此，这些归因值仍为 USD 0.

早期预警意味着从信号到干预

评分是一个中间对象

违约概率可以对风险敞口进行排序。它不能确定发生了什么、当时是否可获得数据、分析师是否应采取行动、存在哪项合同权利、应如何接触借款人，或干预是否改变了结果。早期预警系统必须将预测与经营决策连接起来。

该链条应允许弃权。缺失、过时、冲突或未经授权的证据可产生数据质量任务，而不是信用预警。模型可产生不确定性，使某笔风险敞口进入人工复核。低风险输出绝不应压制合同违约或强制复核。

预警时间范围与决策

预警是相对于决策而言的。在错过付款前两天到达的信号，对催收而言可能算早，对契约谈判而言则算晚。季度比率可能支持拨备，但提供的运营提前时间很少。应在模型开发之前定义该时间范围。

IFRS 9 区分 12 个月预期信用损失和整个存续期预期信用损失，并要求将报告日的违约风险与初始确认时的风险进行比较，以判断信用风险是否显著增加 [4]。CBUAE 标准要求定期评估并记录信用风险显著增加的情况，使用可获得的合理且有依据的信息，包括前瞻性信息 [6]。私募信贷基金可能采用不同的会计、监管或合同定义。其应记录监控结果、估值、准备金、观察名单状态与委员会权限之间的精确映射关系。

人工权限保持明确

系统可优先安排审查、计算比率、发现缺失报告、估计风险、检索契约文本或起草问题清单。负责的分析师应验证证据和背景。获授权的委员会或授权代表应决定豁免、修订、停止提款、准备金、强制执行或重组策略。借款人管理层保留对其经营决策的权限。法律、破产、会计和监管结论需要由承担相应责任的专业人士作出。

决策边界

私募信贷基金

团队可持有双边或俱乐部贷款、资产支持融资、夹层融资工具、优先结构及特殊情况敞口。监控可能涉及合同报告、借款基础计算、抵押品数据、现金控制、预算、董事会信息、发起人沟通和行业动态。敞口可能缺乏流动性，文件可能是定制化的，投资组合历史可能较短。这些特征提高了可追溯规则、专家审查和不确定性报告的重要性。

常见问题包括：

• 哪些借款人在发生付款违约之前就已显现恶化迹象？
• 哪些契约的缓冲空间因分母、定义或允许的调整而减少？
• 哪些数据包延迟、不一致或不完整？
• 哪些外部事件需要提出有针对性的信息请求？
• 哪些敞口同时存在流动性薄弱、抵押品不确定和发起人依赖？
• 哪些警报已被审查、被推翻或被允许过期？
• 采取了哪些干预措施，随后产生了什么结果？

GCC 中小企业和家族企业所有者

企业主常常将信用风险视为营运资金和经营问题。回款可能在月度账目反映影响之前就已放缓。大客户可能延迟验收。库存可能因需求减弱或管理层有意建立库存而上升。供应商账期可能缩短。家族交接、关键人员问题或治理纠纷可能影响信息质量和决策速度。企业主需要一种经营视图，以支持更早采取行动并与贷款人进行可信的沟通。

常见问题包括：

• 客户回款相对于合同约定和历史模式是否正在放缓？
• 已承诺义务是否能在当前和预测流动性范围内得到满足？
• 哪些客户、供应商或项目会产生集中度风险？
• 哪些报告、契约或保险事项需要在截止日期前采取行动？
• 哪项差异反映的是计划增长、季节性因素还是真实恶化？
• 应为与贷款人或投资者的讨论准备哪些证据？
• 采取了哪些运营行动，之后发生了什么变化？

共享证据，用途分离

同一银行交易数据流既可支持企业主的现金预测，也可支持贷款人的监控流程。同意、合同权利、保密性和目的限制决定了贷款人能否以及如何接收该数据流。CBUAE《开放金融条例》涵盖信贷和贷款产品，并在其适用范围内要求获得明确同意、安全通信和限定目的的处理 [7]。在该框架之外的私人合同数据流仍需要有效的法律和合同依据。

利益冲突与沟通控制

同时服务资金提供方和资金寻求方的顾问，应在整合数据之前确立委托范围、利益冲突处理流程、信息隔离墙和允许的输出。预警系统绝不应成为扩大任何一方访问权限的非正式渠道。每张预警卡都应标明来源权限、允许受众和沟通权限。

对象	核心问题	最低证据	责任负责人
源事件	发生了什么变化，以及何时能够知晓？	原始值、事件时间、可用时间、数据血缘	数据所有者
信号	为何该变化可能重要？	规则或模型版本、阈值、比较条件	信用分析
预警	为何该敞口现在需要复核？	严重程度、原因、证据链接、失效时间	投资组合监控
复核	该预警是否可信且重大？	分析师判断、借款人背景、质询	具名审核人
决策	已授权采取何种应对措施？	政策、契约、权限、理由	信贷审批权限
行动	采取了什么措施，由谁执行？	任务、负责人、日期、沟通记录	行动负责人
结果	之后发生了什么？	补救、恶化、违约、恢复、无变化	独立记录人

结果、标签与时间架构

在训练模型之前定义事件

违约可以指合同项下的违约事件、监管定义、会计阶段、评级迁移、重组事件或特定研究的标签。将这些含义不加区分地合并会造成标签泄漏并削弱治理。CBUAE 信用风险规则区分未付款与不太可能偿付，并要求记录在案的预警信号 [5]。UAE《金融与破产法》在其范围内界定正式程序和权利 [8]。不应将模型标签视为法律结论。

结果字典应包括定义、负责人、生效日期、证据、层级、允许用途以及与其他定义的关系。变更需要版本管理和影响分析。

三重时间机制防止价值漏损

每次观察至少需要三个时间点：

1. 事件时间： 底层事件发生的时间。
2. 可获得时间： 授权系统或人员最早可能知悉该事件的时间。
3. 行动时间： 审核人或决策者采取行动的时间。

年终财务报表可以描述12月的情况，但到4月才可获得。若将其当作12月已知的数据进行训练，会引入前视偏差。契约证书可能延迟提交。延迟本身就是一个信号；较晚的财务数值不能回溯计入较早的决策数据集。

观察单位与队列

观察单位可以是借款人-日、融资工具-月、契约测试、发票、账户或组合审查。它应与决策频率和数据可靠性相匹配。融资工具层面的特征可与债务人层面和集团层面的敞口相结合。关联方结构、担保人和抵押品关联需要显式实体，而不是文本匹配。

小型私募信贷组合可能无法支持复杂的监督学习模型。透明的规则基线、由外部证据支持的生存分析、专家分群和不确定性区间可能更经得起检验。模型开发记录应记录队列边界、排除项、缺失情况、结果发生率和违约风险暴露。

信号分类体系与数据契约

六大信号类别

预警系统应整合互补证据。Altman、Beaver 和 Ohlson 展示了会计比率的历史作用 [9-11]。Merton 运用资产价值与负债之间的期权理论关系 [12]。Shumway、Chava 和 Jarrow、Duffie 及合著者、Bharath 和 Shumway，以及 Campbell 及合著者使用风险率、市场和多期信息 [13-17]。Altman 和 Sabato 探讨了针对中小企业的专门建模 [18]。这些研究支持采用多种方法的组合，而非一个通用评分。

合同信号

合同监控应始于结构化的义务登记表。每项义务都需要载明条款、计算定义、频率、报告方、证据、宽限期、豁免状态和负责审核人。自然语言提取可辅助条款捕获。结构化义务在投入实际使用前应由人工批准。系统应保留确切的源文本段落。

预警逻辑应区分缺失输入、经计算确认的违约、法律解释问题和已批准的豁免。报告延迟可能是流程故障、运营干扰或正在显现的困境。系统应记录事实，并将解释工作转交给负责分析师。

现金流与交易信号

交易数据可以提高时效性。Khandani、Kim 和 Lo 在一项消费信贷研究中使用了消费者交易数据和征信机构数据 [22]。Berg 及其合著者表明，数字足迹变量在其研究情境中可以补充征信机构评分 [23]。Jagtiani 和 Lemieux 考察了金融科技贷款中的替代数据和机器学习 [24]。其样本总体和决策场景不同于 GCC 私募信贷与中小企业监测。他们在特定研究环境中确立了可行性；但并未确立经济性或可迁移性。

有用的现金信号可以包括滚动流入波动率、按付款方划分的集中度、发票与收款之间的天数、支付失败事件、余额缓冲天数、已承诺流出以及相对于经校验季节性基线的偏离。同意、账户覆盖范围、货币换算、公司间资金流和现金池安排都必须记录在案。

财务与经营信号

财务比率应保留分子、分母、期间、来源和调整政策。预测差异需要经批准的基线；否则，反复修订的预测可能会抹去恶化迹象。经营信号应与业务模式挂钩。库存增长可能表明扩张、销售放缓或供应链准备。订单簿下降可能反映计划项目的完成。预警卡片应展示来源序列和比较基准，而不是只提供一个不透明的标签。

抵押品与外部信号

抵押品监测可包括估值账龄、覆盖倍数、保险、位置、控制权、状况和现金转换。模型估算并不决定可执行性或可变现价值。外部来源可包括公司登记册、法院记录、制裁、商品价格、行业指标和经核实的新闻。实体解析、来源质量、司法辖区和许可必须记录在案。

最小数据契约

CBUAE 数据收集标准要求具备足够细粒度和频率的数据、按债务人分组统计的月度违约和回收事件、记录在案的职责、制单-复核审查、在适当情况下实现自动化，以及准确的单位、币种和时间戳 [6]。以下契约将这些原则适配到一项实施中。

运营工作流前后对比

改造前：定期数据包与手工对账

常见的基线是由月度或季度报告包提供数据的电子表格观察名单。分析师需要催要文件、重新计算比率、审阅邮件、比较预测并准备委员会材料。专家判断可能非常可靠。证据溯源、一致性和提前期可能取决于个人工作纪律。同一事件可能在多个地方被记录，且状态各不相同。

改造后：受治理队列与证据卡

目标工作流会在限定范围内自动完成收集与验证，应用规则和经批准的模型，对风险敞口进行排序以供人工复核，并记录决策。每个预警打开的是证据卡，而非结论。证据卡展示结果时间范围、源事件、特征值、对比项、模型与阈值版本、原因、不确定性、先前预警、当前义务、负责人、失效时间和允许的操作。

预警容量预算

告警数量是一个风险控制变量。模型可以通过将大量风险敞口提交复核来提高召回率。如果团队无法调查这些告警，真实警告可能会被淹没。设计应明确可用的复核人员工时、预期告警量、严重程度构成、服务级别目标，以及队列超出容量时的升级机制。

系统应衡量告警接受率、重复告警抑制、首次复核时间、决策时间、未解决时长和已过期告警。接受率低可能反映阈值过弱、证据呈现不佳、目标不合适或复核人员行为。这需要调查，而不是自动调参。

受控架构与工具栈

可分离层

架构应使来源、事件存储、特征计算、模型、告警、复核和决策记录保持可分离。分离使数据血缘、验证、替换和事件响应变得可行。供应商平台可以提供若干层。公司仍负责梳理供应商做什么、接收哪些证据以及如何处理故障。

先建立基线，再增加复杂性

开发顺序可以从义务、缺失数据规则、简单比率和透明的统计基线开始。逻辑回归、生存分析或受约束的树模型可以确定额外复杂性是否带来实质性收益。Lessmann 与合著者对多种分类算法进行了基准测试，并展示了广泛比较的重要性 [19]。Brown 和 Mues 研究了不平衡的信用评分数据 [20]。Barboza 与合著者比较了用于破产预测的机器学习模型 [21]。选择应取决于结果、群体、数据量、可解释性和运营成本。

Sadhwani 与合著者在一项使用超过 1.2 亿条美国抵押贷款记录的研究中展示了非线性多期抵押贷款建模 [25]。Fuster 与合著者考察了机器学习在信贷市场中的分布效应 [26]。这些是大型研究，且处于不同情境。一个小型 GCC 私募信贷组合不能声称具有同等证据。外部数据或迁移学习可能有助于开发；本地校准和验证仍然必要。

模型栈

自然语言辅助处于从属地位

语言模型可以提取契约表、总结借款人资料包或起草复核说明。输出应保留段落级引用和置信度。数值计算应在确定性代码中运行。合同解释、法律结论和最终信用判断仍由获授权专业人员负责。当证据冲突或超出已批准模式范围时，系统应拒绝作出判断。

安全与韧性

信用记录可能包含客户、员工、供应商、定价、账户和法律信息。最小权限、加密、租户隔离、数据驻留、机密管理、日志记录、备份、恢复和事件响应应纳入设计。供应商模型和托管服务需要数据使用限制、保留条款、子处理方审查和退出规划。NIST AI 风险管理框架提供自愿性治理、映射、测量和管理功能 [36]。IOSCO 的 AI 报告探讨资本市场中的用例和风险 [37]。这些来源根据适用性为治理提供依据。

评估：从准确率到可操作性

预测指标

信用恶化通常存在不平衡。当模型漏掉大多数稀有事件时，准确率仍可能保持较高。评估应报告预期时间范围内的区分度和校准度。当正事件稀少时，精确率-召回率曲线可能提供更多信息。阈值选择应考虑审核人员处理能力以及漏报或不必要警报的后果。

Niculescu-Mizil 和 Caruana 比较了监督模型的校准方法 [30]。Brier 提供了用于概率预测的二次评分 [31]。评估应尽可能包括整体校准、斜率、可靠性图、结果计数和不确定性区间。

可解释性与理由稳定性

Lundberg 和 Lee 使用 SHAP 提出了一种统一的特征归因方法 [28]。Ribeiro、Singh 和 Guestrin 提出了局部可解释的解释方法 [29]。这些解释描述了模型在既定假设下的行为。它们不能证明因果关系、数据质量或公平性。信用预警应将模型理由与来源证据、比较历史和政策背景结合起来。

理由稳定性很重要。微小、非实质性的输入变化不应产生相互矛盾的叙述。相关变量可能重新分配归因。解释应在不同版本、细分群体和扰动下进行测试。生成的叙述绝不应替代数值特征和源记录。

漂移与持续监控

Gama 与合著者综述了概念漂移适应 [32]。Sculley 与合著者描述了机器学习系统中隐藏的技术债务，包括数据依赖和反馈循环 [33]。漂移监控应区分：

• 数据漂移，即输入分布发生变化；
• 概念漂移，即输入与结果之间的关系发生变化；
• 政策漂移，即定义、阈值或操作发生变化；
• 客群漂移，即行业、地域、产品或借款人构成发生变化；
• 数据管道漂移，即采集或转换发生变化；以及
• 干预漂移，即措施改变了观察到的结果。

模型可能影响自身数据。早期干预可能防止违约，使有效预警显得像是误报。结果分析应保留干预与处置历史。因果论断需要具备能够支持其成立的设计。

公平性与分群表现

Hardt、Price 和 Srebro 将监督学习中的机会平等形式化 [34]。Fuster 与合著者考察了信贷市场机器学习的分布效应 [26]。系统应根据适用法律界定受保护属性和敏感属性，避免未经授权的使用，评估相关分群的错误与访问模式，并调查代理变量。公平性指标是一种分析视角。政策、法律、组合用途和人类问责共同决定何为适当决策。

发布评分卡

模型治理、隐私与监管控制

基于风险的模型治理

美联储、FDIC 和 OCC 于 2026 年 4 月发布了修订后的模型风险指引。该指引强调根据模型概况、规模和复杂度量身定制的基于风险的方法，并涵盖模型开发、实施、验证、治理和使用 [35]。其直接适用性取决于机构。这些原则为私募信贷监控系统提供了有用的参考，因为模型缺陷可能改变投资组合决策、估值、准备金和借款人处理方式。

模型清单应包括规则、统计模型、供应商评分、文档提取器和重要电子表格。每条记录应标明用途、负责人、用户、输入、输出、局限性、验证状态、变更历史、依赖关系和退役计划。重要的专家叠加调整应记录在案并接受测试。

验证应覆盖概念合理性、数据质量、流程验证、结果分析、持续监控和实施。供应商不透明并不能免除理解预期用途、局限性和性能的责任。无法提供足够证据的组件可被限制为低风险辅助用途或予以拒绝。

AI 风险管理

NIST AI 风险管理框架围绕治理、映射、衡量和管理来组织活动 [36]。控制映射可按如下方式使用这些功能：

• 治理： 分配信贷、数据、技术、隐私和验证责任。
• 映射： 界定用户、借款人、决策、危害、法律背景和依赖关系。
• 测量： 测试准确性、校准、漂移、安全性、隐私、细分群体和运营负担。
• 管理： 批准范围、监控、响应事件、回滚和退役。

该框架是自愿且通用的。它不能替代适用的金融服务、数据保护、合同或破产要求。

隐私、同意和目的

UAE 联邦数据保护框架为个人数据处理制定控制措施 [38]。DIFC 和 ADGM 为其辖区维持各自的数据保护制度 [39-40]。适当的制度取决于实体、设立地、处理活动和数据流。具体实施需要法律意见。

权利登记册应记录数据主体或企业来源、控制者和处理者角色、目的、合法依据或合同权利、允许的接收方、位置、保留、删除、子处理者以及事件处理流程。便利但非必要的个人数据不应进入特征存储。敏感数据需要具体的法律和政策分析。

CBUAE 开放金融在其范围内要求明示同意、安全通信和目的限制，并限制数据抓取 [7]。面向借款人的产品应将可选数据共享与基础融资关系分开，记录同意撤回，并维持降级模式流程。

破产与重组边界

UAE《金融与破产法》确立了正式的财务重组和破产机制 [8]。预警评分不能确定破产状态、申报义务、债权人权利、优先顺序、强制执行或董事义务。当警报显示财务困境时，操作手册应将事项转交具备适当资格的法律、重组和破产专业人士。

事件类别

干预行动手册与升级机制

预警要求采取有边界的行动

预警应映射到机构能够合法且依合同采取的行动。可能的应对措施包括验证数据、索取信息、加强监控、审查抵押品、测试契约、讨论补救方案、考虑豁免或修订、调整准备金、限制进一步提款、将风险敞口转移给专业团队或准备委员会文件。每项行动都取决于文件记录和授权。

应对措施可包括加速收款、核对有争议的发票、调整采购、保护关键供应商、减少可自由支配的现金使用、编制十三周现金流预测、审查契约余量、尽早与贷款人沟通、加强治理或寻求重组建议。提出建议需要针对借款人的专业判断。

本表中的阈值仅为类别，并非已批准政策。实际政策应界定定量和定性触发条件、节假日、宽限期、抑制、覆盖以及最长未解决时间。

最低预警记录

预警记录应包含：

1. 预警 ID、借款人、融资安排及投资组合；
2. 生成时间与到期时间；
3. 结果时间范围与严重程度；
4. 规则与模型版本；
5. 来源事件及可用时间；
6. 特征值、比较项与缺失情况；
7. 原因代码与不确定性；
8. 相关义务或政策依据；
9. 当前及既往预警状态；
10. 指定审核人及服务级别；
11. 审核人评估与证据质询；
12. 人工覆盖、抑制或升级的理由；
13. 决策权限与已批准行动；以及
14. 行动与结果时间戳。

借款人对话

系统应支持聚焦且公平的对话。贷款人可围绕事实模式询问背景信息，而不是直接给出机器结论。预警卡片应区分观察到的证据与模型解释及人工判断。沟通记录应显示请求了哪些信息、借款人提供了哪些信息，以及预警是否发生变化。

人工覆盖

人工覆盖也是信息。审核人可能了解模型未掌握的季节性因素、已完成的再融资、有争议的发票、公司行动或获准调整。系统应记录原因及后续结果。较高的人工覆盖率可能揭示数据薄弱、阈值分层不当或审核纪律无效。人工覆盖分析应与绩效激励保持分离，因为绩效激励可能抑制合理的质疑。

字段	所需内容	发布测试
来源身份	系统、所有者、记录键和原始链接	可追溯至经授权的原始件
权利	目的、受众、同意或合同依据、到期时间	在特征创建前测试访问权限
事件时间	基础生效时间	正确的时区和期间
可用时间	首次授权可用时间	无未来数据泄露
修订	版本、先前值、原因和最终性	修订记录已保留
单位	币种、数量级、计量单位和正负号	一致性测试通过
实体	借款人、融资工具、账户、担保人或抵押品	已解决并复核
质量	完整性、有效性、时效性和例外情况	阈值和负责人已定义
结果	标签、定义、证据和确认日期	独立于预测变量流程
留存	保留期限与删除规则	策略已映射

说明性示例

本节中的每项输入均为 假设性建模假设。这些情景展示工作流程与衡量方式。它们不描述 Matchpoint、客户、投资组合或已批准的业务案例。

情景 A：投资组合监控

示例。一位管理人拥有 40 个活跃借款人和一个由两名分析师组成的监控团队。每笔风险敞口产生月度财务数据、契约报告和选定的运营信息。试点整合义务登记册、报告状态以及一组有限的经校验现金和比率特征。

假设性建模假设。团队每月分配 80 个审核工时用于预警审查。试点阈值的设计目标是每月产生不超过 24 个新的黄色预警和 6 个高严重度警报。这些数字不是建议。它们为测试创造了容量约束。

示例计算。警报预算将消耗 `24 x 1.5 + 6 x 4 = 60` 个审查工时，剩余 20 小时用于队列管理、质疑和事件处理。该计算用于检验产能，并不证明生产率或人员节省。

影子试点将把当前观察名单决策与按时间校正的系统输出进行比较。它将记录已接受的警报、误报、漏报事件、中位提前期、审查人员投入、人工覆盖和干预。在正式上线关口获批前，信贷决策将继续按现有流程执行。

情景 B：借款人自我监测

示例说明。一家家族所有制分销商监测银行余额、每周回款、逾期应收账款、存货、最大客户集中度、供应商条款和融资义务。系统计算滚动流动性缓冲，并每天上午校验数据。

假设性建模假设。当经校验的现金缓冲降至不足以覆盖 21 天承诺流出的水平、回款时间超出其经季节性调整的区间，且契约预测显示可用空间收窄时，公司即定义管理审查信号。该阈值仅为示例。财务、董事会和贷款人文件将决定实际政策。

面向业主的证据卡将显示基础余额、预期收款、承诺流出、预测版本和契约计算。琥珀色信号可触发发票争议解决、修订现金预测以及与贷款人沟通的准备，但不会触发自主融资决策。

情景 C：监测运营分级处理

示例说明。数据质量模型发现借款基础证明提交延迟，以及两个文件中的货币单位不一致。系统抑制受影响的信用评分，创建数据事件并将事项转交运营部门。该问题在分析师评估信用恶化之前得到解决。

该情景说明了一项核心控制：数据质量不佳可能是首个预警，但仍应与借款人风险结论区分开来。

情景限制

这些情景未涵盖法律文件、税务、会计、抵押品可执行性、借款人同意、投资组合构建、估值、担保架构以及特定司法辖区的监管规定。它们不包含经批准的基准或已观察到的结果。它们无法支持有关节省、收入、损失预防或模型有效性的公开声明。

生产率、收入与损失归因

生产率以已验收任务为计量基础

系统可能提升一致性或控制，但并不释放现金或产生收入。释放出的时间会形成产能。收入需要已验收的工作、客户、合同、发票、回款以及可辩护的归因。损失减少需要可信的反事实，以及证据表明该预警促成了改变结果的干预。

预期损失桥接

组合可将预期损失作为一种分析性指标，使用违约概率、违约损失率和违约风险敞口进行计算。模型估计的变化并不能证明已实现损失减少。预警干预可影响违约概率、损失严重程度或敞口。应采用经批准的定义和适当的评估设计来衡量该效应。

示例公式。对于敞口 `i`，基本预期损失表达式为 `EL_i = PD_i x LGD_i x EAD_i`。干预分析可在保持模型版本和假设不变的情况下，比较行动前后的经批准预期损失。该比较仍取决于模型。归因损失减少需要实际观察到的回收和经批准的反事实。

受来源边界约束的外部证据

Khandani、Kim 和 Lo 在其消费信贷研究中报告了估计节省 [22]。该结果不得转移至私募信贷、GCC 中小企业、Matchpoint 或客户。Lessmann 及合著者、Brown 和 Mues、Barboza 及合著者、Berg 及合著者、Jagtiani 和 Lemieux、Sadhwani 及合著者，以及 Fuster 及合著者，在其各自样本内提供了关于模型和数据的证据 [19-27]。这些均未确立商业论证。

归因价值台账

仅当证据负责人批准基线、观察值、归因方法和结果后，这些数值才应变更。

90 天采用路线图

该路线图是一个设有阶段门控的试点。时间安排是一种实施结构，并不保证特定组织能够在规定期限内完成每个阶段。

第 0-15 天：成果与权限

• 选择一个投资组合或借款人监控用例。
• 批准成果定义和预警期限。
• 明确用户、审核人与决策权限。
• 记录法律、合同、隐私与利益冲突边界。
• 定义基准工作流、处理能力和成功标准。
• 在 USD 0. 建立附有归属价值的索赔登记册

阶段门 1： 业务负责人、信贷审批人和控制负责人批准预期用途和禁止用途。

第 16-30 天：数据与义务

• 创建义务与报告登记册。
• 盘点源系统、所有者、权利和保留期限。
• 保留事件时间与可用性时间。
• 定义实体、融资安排、货币和单位。
• 分析缺失情况、修订和历史覆盖范围。
• 独立于模型输入重建标签。

阶段门 2： 关键来源可追溯、已获授权并适合既定结果。

第 31-45 天：基准

• 落实数据质量与合同约定规则。
• 构建透明的统计基线。
• 建立队列、训练、验证和时间外样本划分。
• 衡量区分度、校准度、提前量和告警负担。
• 创建证据卡原型。
• 记录局限性和不确定性。

关卡 3： 除非能相对基线带来实质性且可解释的提升，否则暂缓增加复杂性。

第46–60天：独立验证

• 复现特征和评分。
• 质疑数据泄漏、队列选择和缺失性问题。
• 测试校准、阈值、分群和压力时期。
• 测试解释、原因稳定性和人工覆盖记录。
• 审查隐私、安全、数据驻留和供应商控制。
• 模拟数据源、模型和告警路由故障。

关卡 4： 重大发现已解决、在控制措施下被接受，或导致试点停止。

第61-75天：影子运行

• 在不改变现有信贷决策的情况下运行系统。
• 将预警与分析师及委员会的结果进行对比。
• 衡量队列规模、审查时间、接受率和前置时间。
• 记录借款人背景、人工覆盖和遗漏事件。
• 演练操作手册和事件处理流程。
• 审查证据卡是否支持适度对话。

关卡 5： 在约定范围内证明运营能力、权限和故障处理能力。

第 76–90 天：受控上线关口

• 批准模型、规则、阈值和监控计划。
• 界定上线范围、用户群体和禁止自动化的情形。
• 建立回滚、人工兜底和紧急停止开关。
• 培训审查人员和决策者。
• 启用结果与干预记录。
• 仅依据已观察到的证据批准公开及内部声明。

第 6 道关口： 具名主管机构批准受控的实际使用。系统仍需持续接受监控、验证和事件响应。

声明登记表与局限性

获准声明与未获支持的声明

实证局限性

私募信贷数据可能稀疏、异质且被选择性观测。合同条款各不相同。违约事件罕见且受干预措施影响。回收结果成熟缓慢。投资组合构建会随时间变化。在某一地区、行业或产品上训练的模型，在其他场景中可能表现不佳。外部研究可以支持方法与假设，但本地验证决定其是否适合使用。

运营局限性

该架构依赖于数据权利、数据源连续性、正确的实体映射、审核人员能力以及决策纪律。数据源缺失、单位错误或义务信息过时都可能扭曲结果。告警疲劳会削弱响应能力。人工覆盖可以修正上下文，也可能引入不一致性。治理必须同时衡量模型与人工流程。

法律与监管局限性

信贷、隐私、破产、消费者、雇佣、制裁、外包以及 AI 义务均取决于活动与司法辖区。本文不判定法律地位或监管边界。CBUAE、DIFC、ADGM、UAE 联邦、Basel、EBA、Federal Reserve、NIST 和 IOSCO 来源具有不同的权威性和适用性 [1-8,35-40]。

因果局限性

预测识别的是关联。干预可以改变结果以及后续的训练数据。要对已避免的损失进行归因，需要可信的反事实、干预记录和经批准的方法。更高的评分并不能证明应当采取某项具体行动。

治理角色	职责	独立性要求
业务负责人	界定决策、范围和运营能力	对使用负责
数据所有者	审批权限、质量及数据血缘	在可行情况下与模型调优分离
开发者	构建并记录该组件	不能批准自己的验证
验证者	对概念、数据、性能和实施提出质疑	独立且具备胜任能力
信贷审批权限	批准阈值和决策	保留判断权
技术所有者	负责安全、韧性和发布运营	隔离的生产访问权限
审计或保证	审查框架和证据	独立汇报线

结论

AI 在被嵌入受治理的“信号到干预”系统后，可使信用监测更及时、更一致。持久的能力在于从授权证据到事件时间、特征、规则、模型、预警、复核、权限、行动和结果的可追溯链条。

私募信贷基金可以利用该链条改进投资组合监控、契约管理、观察名单纪律和专家升级机制。GCC 中小企业和家族企业主可以利用相关信号更早地了解流动性、回款、集中度和义务。共享信号逻辑并不合并数据权利或决策权限。

实施顺序应从结果定义、合同义务、数据权利、时间准确的记录和透明基线开始。复杂模型应通过比较证据来证明其价值。发布关口应衡量校准、提前期、预警负担、稳定性、细分群体、解释、人工覆盖和可操作性。人工信贷权限和借款人权限仍需明确。

商业论证应遵循同样的证据纪律。释放出的时间在被使用之前只是产能。收入是在合同、回款和因果证据之后进行归因。损失减少是在经批准的反事实和已观察结果之后进行归因。对于 ，已归因的 Matchpoint 或客户收入、现金成本降低、损失减少和超额收益仍为 USD 0.

参考文献

[1] 巴塞尔银行监管委员会（2025）。 《信用风险管理原则》. 国际清算银行。https://www.bis.org/bcbs/publ/d595.htm

[2] 巴塞尔银行监管委员会（2024）。 《有效银行监管核心原则》第18条原则：问题资产、拨备和储备. 国际清算银行。https://www.bis.org/basel_framework/chapter/BCP/40.htm

[3] 欧洲银行管理局（2020）。 《贷款发放与监测指南》. EBA/GL/2020/06. https://www.eba.europa.eu/activities/single-rulebook/regulatory-activities/credit-risk/guidelines-loan-origination-and-monitoring

[4] 国际财务报告准则基金会（2024）。 《国际财务报告准则第9号——金融工具》. https://www.ifrs.org/issued-standards/list-of-standards/ifrs-9-financial-instruments/

[5] UAE中央银行（2024）。 《信用风险管理条例》第3条：信用风险管理框架. C 3/2024. https://rulebook.centralbank.ae/en/rulebook/article-3-credit-risk-management-framework

[6] UAE中央银行（2024）。 信用风险管理标准与数据收集要求. https://rulebook.centralbank.ae/en/rulebook/credit-risk-management-standards 和 https://rulebook.centralbank.ae/en/rulebook/53-data-collection

[7] UAE中央银行（2025）。 《开放金融条例》. C 03/2025. https://rulebook.centralbank.ae/en/rulebook/open-finance-regulation

[8] 阿拉伯联合酋长国（2023）。 颁布《财务与破产法》的2023年第51号联邦法令. https://uaelegislation.gov.ae/en/legislations/2190

[9] Altman, E. I.（1968）。财务比率、判别分析与企业破产预测。 《金融杂志》，23（4），589-609. https://doi.org/10.1111/j.1540-6261.1968.tb00843.x

[10] Beaver, W. H.（1966）。财务比率作为失败预测指标。 《会计研究杂志》，4，71-111. https://doi.org/10.2307/2490171

[11] Ohlson, J. A.（1980）。财务比率与破产的概率预测。 《会计研究杂志》，18（1），109-131. https://doi.org/10.2307/2490395

[12] Merton, R. C.（1974）。论公司债务定价：利率的风险结构。 《金融杂志》，29（2），449-470. https://doi.org/10.1111/j.1540-6261.1974.tb03058.x

[13] Shumway, T.（2001）。更准确地预测破产：一个简单的风险模型。 《商业杂志》，74（1），101-124. https://doi.org/10.1086/209665

[14] Chava, S. 与 Jarrow, R. A.（2004）。考虑行业效应的破产预测。 《金融学刊》，59(2), 537-569. https://doi.org/10.1111/j.1540-6261.2004.00682.x

[15] Duffie, D.、Saita, L. 与 Wang, K.（2007）。基于随机协变量的多期公司违约预测。 《金融经济学杂志》，83(3), 635-665. https://doi.org/10.1016/j.jfineco.2005.10.011

[16] Bharath, S. T. 与 Shumway, T.（2008）。基于 Merton 违约距离模型的违约预测。 《金融研究评论》，21(3), 1339-1369. https://doi.org/10.1093/rfs/hhn044

[17] Campbell, J. Y.、Hilscher, J. 与 Szilagyi, J.（2008）。探寻困境风险。 《金融学刊》，63(6), 2899-2939. https://doi.org/10.1111/j.1540-6261.2008.01416.x

[18] Altman, E. I. 与 Sabato, G.（2007）。中小企业信用风险建模：来自美国市场的证据。 《Abacus》，43(3), 332-357. https://doi.org/10.1111/j.1467-6281.2007.00234.x

[19] Lessmann, S., Baesens, B., Seow, H.-V., & Thomas, L. C. (2015). 信用评分中最先进分类算法的基准测试：研究更新。 《欧洲运筹学杂志》，247(1), 124-136. https://doi.org/10.1016/j.ejor.2015.05.030

[20] Brown, I., & Mues, C. (2012). 针对不平衡信用评分数据集的分类算法实验比较。 《专家系统与应用》，39(3), 3446-3453. https://doi.org/10.1016/j.eswa.2011.09.033

[21] Barboza, F., Kimura, H., & Altman, E. (2017). 机器学习模型与破产预测。 《专家系统与应用》，83, 405-417. https://doi.org/10.1016/j.eswa.2017.04.006

[22] Khandani, A. E., Kim, A. J., & Lo, A. W. (2010). 基于机器学习算法的消费者信用风险模型。 《银行与金融杂志》，34(11), 2767-2787. https://doi.org/10.1016/j.jbankfin.2010.06.001

[23] Berg, T., Burg, V., Gombovic, A., & Puri, M. (2020). 论金融科技公司的崛起：利用数字足迹进行信用评分。 《金融研究评论》，33(7), 2845-2897. https://doi.org/10.1093/rfs/hhz099

[24] Jagtiani, J., & Lemieux, C. (2018). 替代数据和机器学习在金融科技贷款中的作用：来自 LendingClub 消费者平台的证据. 费城联邦储备银行工作论文 18-15. https://doi.org/10.21799/frbp.wp.2018.15

[25] Sadhwani, A., Giesecke, K., & Sirignano, J. (2021). 用于抵押贷款风险的深度学习. 《金融计量经济学杂志》，19(2), 313-368. https://doi.org/10.1093/jjfinec/nbaa025

[26] Fuster, A., Goldsmith-Pinkham, P., Ramadorai, T., & Walther, A. (2022). 可预测的不平等？机器学习对信贷市场的影响. 《金融学杂志》，77(1), 5-47. https://doi.org/10.1111/jofi.13090

[27] Berg, T., Fuster, A., & Puri, M. (2022). 金融科技贷款. 《金融经济学年度评论》，14, 187-207. https://doi.org/10.1146/annurev-financial-101521-112042

[28] Lundberg, S. M., & Lee, S.-I. (2017). 解释模型预测的统一方法. 《神经信息处理系统进展 30》. https://proceedings.neurips.cc/paper/2017/hash/8a20a8621978632d76c43dfd28b67767-Abstract.html

[29] Ribeiro, M. T., Singh, S., & Guestrin, C. (2016). 我为什么要信任你？解释任意分类器的预测。 KDD 2016 会议论文集, 1135-1144. https://doi.org/10.1145/2939672.2939778

[30] Niculescu-Mizil, A., & Caruana, R. (2005). 使用监督学习预测良好概率。 ICML 2005 会议论文集, 625-632. https://doi.org/10.1145/1102351.1102430

[31] Brier, G. W. (1950). 对以概率形式表示的预测进行验证。 《月度天气评论》，78(1), 1-3. https://doi.org/10.1175/1520-0493(1950)078%3C0001:VOFITE%3E2.0.CO;2

[32] Gama, J., Zliobaite, I., Bifet, A., Pechenizkiy, M., & Bouchachia, A. (2014). 概念漂移适应综述。 《ACM 计算综述》，46(4), 第44篇文章. https://doi.org/10.1145/2523813

[33] Sculley, D., Holt, G., Golovin, D., Davydov, E., Phillips, T., Ebner, D., Chaudhary, V., Young, M., Crespo, J.-F., & Dennison, D. (2015). 机器学习系统中的隐藏技术债务。 《神经信息处理系统进展》28. https://proceedings.neurips.cc/paper/2015/hash/86df7dcfd896fcaf2674f757a2463eba-Abstract.html

[34] Hardt, M., Price, E., & Srebro, N. (2016). 监督学习中的机会平等。 《神经信息处理系统进展》第29卷. https://proceedings.neurips.cc/paper/2016/hash/9d2682367c3935defcb1f9e247a97c0d-Abstract.html

[35] 美国联邦储备系统理事会、联邦存款保险公司和货币监理署（2026）。 模型风险管理监管指引. SR 26-2. https://www.federalreserve.gov/supervisionreg/srletters/SR2602.htm

[36] 美国国家标准与技术研究院（2023）。 人工智能风险管理框架（AI RMF 1.0）. NIST AI 100-1. https://doi.org/10.6028/NIST.AI.100-1

[37] 国际证券委员会组织（2025）。 资本市场中的人工智能：应用场景、风险与挑战. https://www.iosco.org/library/pubdocs/pdf/IOSCOPD788.pdf

[38] UAE 政府（2021）。 2021年第45号关于个人数据保护的联邦法令. https://u.ae/en/about-the-uae/digital-uae/data/data-protection-laws

[39] 迪拜国际金融中心（2020）。 《数据保护法》，DIFC 2020年第5号法律. https://www.difc.com/business/laws-and-regulations/legal-database/difc-laws/data-protection-law-difc-law-no-5-2020

[40] 阿布扎比全球市场（2021）。 《2021年数据保护条例》及指南. https://www.adgm.com/operating-in-adgm/office-of-data-protection/resources

附录 A. 假设与证据登记册

附录 B：最小模型与评估集

1. 预期用途、用户、禁止用途与决策权限。
2. 结果定义、时间范围、队列与确认流程。
3. 来源权利、事件时间、可用时间、数据血缘与质量。
4. 特征定义、计算、缺失情况与修订。
5. 基线、候选模型与比较结果。
6. 训练、验证、时间外样本与压力期设计。
7. 区分度、精确率、召回率、校准度与不确定性。
8. 提前期、警报负担、审核人员容量与可操作性。
9. 分群、公平性、可解释性与理由稳定性测试。
10. 实施验证、安全性及韧性证据。
11. 持续监测漂移、结果、人工覆盖与事件。
12. 独立验证的发现、局限性及审批。

附录 C. 预警复核清单

• 确认借款人、融资工具、所属集团及数据来源的身份。
• 确认该来源在记录时点已获授权并可用。
• 检查缺失、已修订、存在冲突及过期的输入数据。
• 审查合同定义及当前豁免状态。
• 将当前值与原始值、上期、预算及季节性基线进行比较。
• 检查原因代码、不确定性及相关特征。
• 检查相关债务义务、抵押品、担保人及集中度。
• 记录借款人背景及支持性证据。
• 对预警提出质疑，并记录任何覆盖操作。
• 仅选择当前权限范围内的操作。
• 将法律、会计、重组或破产问题转交给专家。
• 记录决策、行动负责人、截止日期和沟通情况。
• 在结果窗口结束后重新审视该预警。

附录 D. 术语表

来源登记表

完整论文记录了适用于这些来源的范围、证据背景和局限性。

1. [1] 巴塞尔银行监管委员会。（2025）。*信用风险管理原则*。国际清算银行。 开源
2. [2] 巴塞尔银行监管委员会。（2024）。*有效银行监管核心原则，原则18：问题资产、拨备与储备*。国际清算银行。 开源
3. [3] 欧洲银行管理局。（2020）。*贷款发放与监测指南*。EBA/GL/2020/06。 开源
4. [4] 国际财务报告准则基金会。（2024）。*IFRS 9 金融工具*。 开源
5. [5] UAE中央银行。（2024）。*信用风险管理条例，第3条：信用风险管理框架*。C 3/2024。 开源
6. [6] UAE中央银行。（2024）。*信用风险管理标准与数据收集要求*。及 https://rulebook.centralbank.ae/en/rulebook/53-data-collection 开源
7. [7] UAE中央银行。（2025）。*开放金融条例*。C 03/2025。 开源
8. [8] 阿拉伯联合酋长国。（2023）。*2023年第51号联邦法令，颁布《金融与破产法》*。 开源
9. [9] Altman, E. I.（1968）。财务比率、判别分析与企业破产预测。*Journal of Finance, 23*(4)，589-609. 开源
10. [10] Beaver, W. H.（1966）。财务比率作为失败预测指标。*Journal of Accounting Research, 4*，71-111。 开源
11. [11] Ohlson, J. A.（1980）。财务比率与破产的概率预测。*Journal of Accounting Research, 18*(1)，109-131. 开源
12. [12] Merton, R. C.（1974）。论公司债务定价：利率的风险结构。*Journal of Finance, 29*(2)，449-470. 开源
13. [13] Shumway, T.（2001）。更准确地预测破产：一个简单的风险模型。*Journal of Business, 74*(1)，101-124. 开源
14. [14] Chava, S., & Jarrow, R. A.（2004）。考虑行业效应的破产预测。*Journal of Finance, 59*(2)，537-569. 开源
15. [15] Duffie, D., Saita, L., & Wang, K.（2007）。基于随机协变量的多期企业违约预测。*Journal of Financial Economics, 83*(3)，635-665. 开源
16. [16] Bharath, S. T., & Shumway, T. (2008). 使用默顿违约距离模型预测违约。*金融研究评论，21*(3)，1339-1369. 开源
17. [17] Campbell, J. Y., Hilscher, J., & Szilagyi, J. (2008). 探寻困境风险。*金融学杂志，63*(6)，2899-2939. 开源
18. [18] Altman, E. I., & Sabato, G. (2007). 为中小企业建模信用风险：来自美国市场的证据。*Abacus，43*(3)，332-357. 开源
19. [19] Lessmann, S., Baesens, B., Seow, H.-V., & Thomas, L. C. (2015). 信用评分中先进分类算法的基准测试：研究更新。*欧洲运筹学杂志，247*(1)，124-136. 开源
20. [20] Brown, I., & Mues, C. (2012). 面向不平衡信用评分数据集的分类算法实验比较。*专家系统与应用，39*(3)，3446-3453. 开源
21. [21] Barboza, F., Kimura, H., & Altman, E. (2017). 机器学习模型与破产预测。*专家系统与应用，83*，405-417. 开源
22. [22] Khandani, A. E., Kim, A. J., & Lo, A. W. (2010). 基于机器学习算法的消费者信用风险模型。*银行与金融杂志，34*(11)，2767-2787. 开源
23. [23] Berg, T., Burg, V., Gombovic, A., & Puri, M. (2020). 论金融科技公司的崛起：利用数字足迹进行信用评分。*金融研究评论，33*(7)，2845-2897. 开源
24. [24] Jagtiani, J., & Lemieux, C. (2018). *替代数据和机器学习在金融科技贷款中的作用：来自LendingClub消费者平台的证据*。费城联邦储备银行工作论文18-15。 开源
25. [25] Sadhwani, A., Giesecke, K., & Sirignano, J. (2021). 用于抵押贷款风险的深度学习。*金融计量经济学杂志，19*(2)，313-368. 开源
26. [26] Fuster, A., Goldsmith-Pinkham, P., Ramadorai, T., & Walther, A. (2022). 可预测的不平等？机器学习对信贷市场的影响。*金融学杂志，77*(1)，5-47。 开源
27. [27] Berg, T., Fuster, A., & Puri, M. (2022). 金融科技贷款。*金融经济学年度评论，14*，187-207. 开源
28. [28] Lundberg, S. M., & Lee, S.-I. (2017). 解释模型预测的统一方法。*神经信息处理系统进展30*。 开源
29. [29] Ribeiro, M. T., Singh, S., & Guestrin, C. (2016). 我为什么应该信任你？解释任意分类器的预测。*KDD 2016会议论文集*，1135-1144. 开源
30. [30] Niculescu-Mizil, A., & Caruana, R. (2005). 用监督学习预测良好概率。*ICML 2005会议论文集*，625-632. 开源
31. [31] Brier, G. W. (1950). 对以概率形式表述的预报的验证。《Monthly Weather Review》78(1)，1-3。 开源
32. [32] Gama, J., Zliobaite, I., Bifet, A., Pechenizkiy, M., & Bouchachia, A. (2014). 概念漂移适应综述。《ACM Computing Surveys》46(4)，第44篇。 开源
33. [33] Sculley, D., Holt, G., Golovin, D., Davydov, E., Phillips, T., Ebner, D., Chaudhary, V., Young, M., Crespo, J.-F., & Dennison, D. (2015). 机器学习系统中的隐藏技术债务。《Advances in Neural Information Processing Systems 28》。 开源
34. [34] Hardt, M., Price, E., & Srebro, N. (2016). 监督学习中的机会均等。《Advances in Neural Information Processing Systems 29》。 开源
35. [35] 美国联邦储备系统理事会、联邦存款保险公司与货币监理署。(2026).《模型风险管理监管指引》。SR 26-2。 开源
36. [36] 美国国家标准与技术研究院。(2023).《人工智能风险管理框架（AI RMF 1.0）》。NIST AI 100-1。 开源
37. [37] 国际证监会组织。(2025).《资本市场中的人工智能：用例、风险与挑战》。 开源
38. [38] UAE 政府。(2021).《2021 年第 45 号关于个人数据保护的联邦法令》。 开源
39. [39] 迪拜国际金融中心。(2020).《数据保护法，DIFC 2020 年第 5 号法》。 开源
40. [40] 阿布扎比全球市场。(2021).《2021 年数据保护条例及指引》。 开源

权利主张	证据状态	允许的措辞
AI 可整合多个带有时间戳的信用信号	有架构与文献支持	描述能力与控制措施
在某些已研究场景中，机器学习方法可改进预测	得到所引研究 [19-27] 的支持	保留人群与指标语境
在已研究场景中，另类数据可补充传统数据	得到所引研究 [22-24] 的支持	保留同意、人群与限制
	无获批证据	不得声称
	无获批证据	不得声称
Matchpoint 或客户节省了现金或创造了收入	无获批证据	未主张任何 Matchpoint 或客户财务成果。
系统自主做出信贷决策	超出预期用途	不得声称
单一模型即可满足所有 GCC 法律和监管义务	缺乏支持	需要分析活动与司法辖区