1. 明确融资决策和还款来源
第一个问题不是贷方是否使用人工智能。资本提供者需要知道它正在为什么债务提供资金，哪些现金流偿还它，哪个实体控制这些现金流，以及承销如何影响还款的可能性和时间。非银行金融公司的仓库线、双边定期贷款、证券化投资、远期流动安排和公司债务使投资者面临不同的资产、控制和补救措施。尽职调查计划应从法律和经济结构开始。
绘制受监管的贷方、贷款服务提供商、数字应用程序、发起者、服务商、催收机构、数据提供商、账户聚合器连接、信用信息公司、支付轨道、信托或特殊用途工具、银行账户和安全包的地图。记录哪一方批准信贷、拥有应收账款、持有客户数据、与借款人沟通、收取现金和报告绩效。外包并不能免除受监管实体在印度储备银行数字借贷框架下的责任。[1][2] 因此，资本提供者应该测试受监管实体对每个关键外包步骤的控制。
使用观察到的合同和现金记录定义还款瀑布。贷款收款在到达资助者之前可能会通过运营账户、托管账户、信托或收款账户。确定抵销权、混合风险、服务费、税款、退款、退款、客户赔偿、首次损失支持、现金储备和高级索赔。使合同瀑布与银行对账单和服务系统保持一致。模型可以准确地对借款人进行排名，而现金控制薄弱仍然会损害偿债能力。
说明每个分析测试支持的决定。投资委员会可能需要决定是否贷款、预付多少、哪些应收账款符合资格、持有多少准备金、允许什么集中度、什么触发因素会减少可用性，以及模型或数据更改何时需要同意。这些决定需要不同的证据。一页的模型准确性演示无法取代投资组合磁带、历史分析、数据沿袭记录、信用政策历史和现金对账。
输出是融资决策图。它将拟议的工具与应收账款池、承保系统、服务流程、数据权利、契约、报告包和补救措施联系起来。它还确定了需要印度法律、监管、税务、会计、数据保护或消费者保护建议的专业问题。
管理框架。每支箭都需要证据来源、所有者、控制权和融资后果。
| 决定 | 需要证据 | 故障信号 | 融资应对 |
|---|---|---|---|
| 合格的应收账款 | 已执行的贷款记录、借款人身份、政策版本和付款状态 | 缺少决策历史记录或重复资产 | 排除直至协调 |
| 预付率 | 按年份划分的累计净损失、恢复时间、稀释度和波动性 | 最近的群体超出了历史范围 | 降低预付款或增加准备金 |
| 专注 | 产品、地理位置、渠道、雇主、数据源和风险等级 | 对某一收购或数据合作伙伴的隐性依赖 | 浓度限值和报告触发点 |
| 模型依赖 | 独立验证、挑战者、校准、稳定性和覆盖 | 没有可重复的决策或过时的结果 | 限制资格并要求补救 |
| 现金控制 | 银行对账单、瀑布流、服务文件和对账 | 混合或无法解释的现金滞后 | 受控账户和现金扫荡 |
| 变更控制 | 策略、模型、功能和供应商变更日志 | 未经批准或回测的材料变更 | 同意权和资格暂停 |
证据标准取决于工具、借款人类型和监管范围。
2. 将替代数据置于印度监管范围内
另类数据是一个广泛的商业标签。尽职调查团队应按来源、目的、法律依据、监管处理、决策使用和保留对每个数据元素进行分类。局数据、银行账户交易、商品和服务税申报、公用事业付款、工资记录、电子商务活动、设备信号、位置、联系人和行为变量不具有相同的相关性或风险。某些来源可能是承保所必需的；其他的可能是侵入性的、与还款关系较弱或难以解释的。
印度储备银行在《2025 年印度储备银行数字贷款方向》中整合了其数字贷款要求。[1] 该框架涉及受监管实体、贷款服务提供商、数字贷款应用程序、披露、数据收集、支付、还款、申诉处理、报告和违约损失保证。印度储备银行手册总结了基于需求的数据收集、清晰的审计跟踪、事先明确同意、借款人对特定数据的选择以及服务提供商存储限制的要求。[2] 交易的确切应用需要当前的法律审查。
印度储备银行 2025 年信用信息报告指令要求信贷机构向信用信息公司提交借款人信用信息，并每两周更新一次信息，但须遵守该指令的详细规定。[3] 更新的正式信用记录可以减少对弱代理的依赖。贷方应说明如何获取、匹配、更新、争议和更正局数据。资本提供者应测试报告延迟或标识符错误是否会扭曲重复贷款决策和投资组合监控。
印度 2023 年《数字个人数据保护法》建立了处理数字个人数据的法定框架。[4] 《2025 年数字个人数据保护规则》和已通知的启动框架增加了实施要求和分阶段日期。[5][6] 贷方应保留当前的适用性分析、通知、同意或其他适用的合法依据、处理者合同、安全保障措施、保留时间表、权利处理和违规响应。融资备忘录不应取代律师对实时义务的意见。
RBI FREE-AI 委员会 2025 年 8 月的报告为金融服务中的人工智能提供了详细的治理参考。[7] 其建议包括董事会批准的政策、生命周期治理、产品批准、公平性、偏见、可理解性、客户保护、监控、人工监督和独立保证。该报告记录，只有少数接受调查的用户在调查时保持了一定的可解释性、审计日志、消除偏见和定期审计实践。该证据支持对实施的严格审查，而不是行业采用证明控制成熟度的假设。
| 证据区 | 主要参考 | 勤奋神器 | 融资相关性 |
|---|---|---|---|
| 数字借贷 | 印度储备银行 (RBI) 2025 年数字贷款方向 | 受监管实体地图、LSP 协议、应用程序清单、KFS 和申诉日志 | 可执行性、行为和服务连续性 |
| 信用报告 | 印度储备银行 (RBI) 信用信息报告指南 2025 | CIC 提交、拒绝日志、更正流程和更新证据 | 债务、重复借款和资金池准确性 |
| 个人资料 | DPDP 法案和规则 | 数据清单、通知、权限、处理器条款和保留 | 合法使用、补救成本和中断风险 |
| AI 治理 | RBI FREE-AI 委员会报告 | 董事会政策、AI 库存、模型文件、批准和审计证据 | 模式变革、责任和声誉风险 |
| 外包技术 | RBI 外包和 IT 治理方向 | 供应商尽职调查、服务水平、审计权和退出计划 | 数据馈送、服务和运营连续性 |
| 消费者待遇 | KFS、定价、补救和恢复要求 | 提供屏幕、原因代码、投诉、解决方案和恢复脚本 | 现金收取、争议和监管风险 |
这是一份尽职调查图，而不是法律结论。合格的顾问应确认当前的适用性。
3. 在建立预测能力之前建立数据来源
可靠的模型始于数据契约。对于每个来源，记录提供者、系统、借款人许可或其他适用的合法依据、字段定义、单位、时间戳、刷新频率、覆盖范围、缺失值处理、验证规则、转换、保留期和允许的使用。保留原始值、转换后的特征、模型版本和决策结果。该记录应允许独立审查员使用当时存在的信息重现历史决策。
时间完整性是信用验证的核心。一项功能可能看起来具有预测性，因为它包含在批准、支付或拖欠后创建的信息。示例包括修订的局记录、支付后帐户余额、收款标签、后续设备事件或手动更正的雇主字段。冻结决策时间快照并测试功能可用性。任何泄漏都会使相关的回测无效并触发受控重建。
覆盖范围与准确性同样值得关注。银行交易功能可能仅适用于完成同意连接的申请人。工资变量可能有利于受薪工人。电子商务历史比依赖现金的借款人更能代表平台活跃客户。设备或语言模式可以与地理位置、收入、年龄或其他特征相关。贷方应按群体发布覆盖范围，并解释当来源不存在时适用什么模型或政策。
数据质量测试应包括完整性、有效性、重复性、范围、一致性、及时性、协调性和意外的分布变化。特定源阈值属于操作仪表板。在总体模型性能显示问题之前，缺失交易类别的突然增加、帐户历史记录的缩短或局匹配率的变化可能会改变批准和损失结果。
第三方提供商引入了合同和运营依赖性。审查审计权、数据所有权、分包商、服务水平、事件义务、可移植性、终止协助以及贷方在中断期间的运营能力。 BIS 金融稳定研究所将数据隐私、质量、安全、第三方依赖性和集中度视为金融机构采用 AI 的重要考虑因素。[8] 资本提供者应该将这些依赖性转化为报告和后备要求。
提议的控制架构。通过功能、版本、决策和结果，原始来源仍然可追溯。
| 现场组 | 所需记录 | 核心测试 | 停止条件 |
|---|---|---|---|
| 出处 | 提供商、系统、合同、许可和允许的目的 | 来源和使用权能否证明？ | 来源未记录或禁止使用 |
| 定时 | 事件时间、摄取时间、决策快照和刷新 | 在做出决定之前该值是否可用？ | 泄漏或追溯替代 |
| 转变 | 原始字段、代码、聚合窗口和特征版本 | 该功能可以重现吗？ | 未记录或不确定的转换 |
| 覆盖范围 | 按队列划分的合格人群、观察人群和缺失情况 | 当数据缺失时谁被排除在外？ | 材料不明选择效应 |
| 质量 | 有效性、完整性、重复、协调和漂移 | 饲料是否保持在批准的公差范围内？ | 严重违规且无后备措施 |
| 保留 | 存储、访问、加密、删除和归档证据 | 数据是否根据批准的规则保留和删除？ | 不受控制的副本或无法验证的删除 |
寄存器应保留源级详细信息和决策时可用性。
4. 将模型开发与信贷政策分开
统计模型根据定义的数据和假设来估计结果。信贷政策将估计转化为批准、限制、价格、期限、文件要求或拒绝。这种区别很重要，因为良好的排名模型与激进的截止、高贷款规模、较弱的承受能力测试或收购激励相结合可能会导致损失。勤奋应该重建这两层。
从目标变量开始。九十天拖欠、首付款违约、累计净损失、欺诈、预付款和收款成本回答了不同的问题。定义性能窗口和审查处理。最近的贷款还没有时间揭示长期损失，因此可以比较成熟的年份并显示发展曲线。根据书面政策排除或单独识别重组、和解、退款、已故借款人、操作错误和欺诈。
在接受复杂模型之前使用透明的基准。逻辑回归、记分卡或简单的规则集可以提供挑战者。比较辨别力、校准、稳定性和经济价值。接收者操作曲线下的面积或基尼系数衡量排名，而校准则测试预测概率是否与观察到的结果相对应。融资案例两者都需要。模型可以排名良好，但仍然低估绝对损失，削弱预付率和准备金。
验证应使用类似于实时部署的基于时间的分割。当申请人组合、获取渠道和数据供应商在训练和测试样本中保持稳定时，随机分割同一经济时期的记录可能会夸大表现。坚持后期年份、新渠道、地区和产品变化。强调数据缺失和提要质量下降。测试单调性和推理稳定性，如此小的、无关紧要的输入变化不会产生不稳定的决策。
记录每项政策叠加：最低收入、偿债门槛、贷款规模上限、地理排除、雇主规则、欺诈标志、手动拒绝和重复借款人处理。量化每个叠加删除或添加的批准和损失。然后，委员会可以区分模型创造的价值与政策、定价、服务和渠道选择创造的价值。
| 测试 | 问题 | 证据 | 融资用途 |
|---|---|---|---|
| 歧视 | 该模型是否将高风险借款人排在低风险借款人之上？ | 按群组划分的基尼系数、AUC、KS 和置信范围 | 资格和监测 |
| 校准 | 预测损失与观察到的损失相符吗？ | 校准曲线、预期与实际比率和尾部误差 | 准备金率和预付款率 |
| 稳定 | 随着时间的推移和组合的变化，性能是否会持续存在？ | 种群和特征稳定性、滚动指标 | 触发和报告频率 |
| 挑战者 | 复杂性会增加可重复的价值吗？ | 与简单模型的比较不合时宜 | 依赖和后备 |
| 灵敏度 | 微小的输入变化是否会导致不相称的决策？ | 扰动和边界测试 | 人工审核区 |
| 再现性 | 可以从保存的证据中重建历史结果吗？ | 代码、数据快照、功能版本和决策日志 | 审计权利和资格 |
没有任何单一指标可以证明其适用性。每个测试都会告知融资或控制决策。
5. 将年份视为现金流证据
私人信贷是通过现金偿还的，因此模型尽职调查必须与已实现的投资组合行为联系起来。使用起始日期建立每月或每季度的年份，并跟踪预定的本金、利息、费用、拖欠过渡、补救、预付款、和解、追偿、冲销、服务成本和净现金。将贷款磁带与总账、银行账户、监管报告和投资者报表进行核对。
按产品、期限、票据、风险范围、州或地区、获取渠道、重复状态、模型版本、保单版本、数据源覆盖范围和服务策略细分年份。目标是找出投资组合的经济状况与整体平均水平的差异。稳定的总损失率可以掩盖新渠道的疲软，而新渠道的疲软被老书的萎缩所抵消。当期限延长时，有利的早期付款曲线可以与后期损失共存。
使用拖欠滚动率和累积净损失曲线。首次付款违约可以识别欺诈、负担能力或原始质量问题。三十到六十和六十到九十的转变显示了服务和借款人的压力。即使寿命损失不变，治愈率、恢复时间和收集费用也会影响流动性。将预订收益率与冲销、退款、豁免、预付款和收款成本后的现金收益率进行比较。
储备银行强调了消费者信贷风险，并此前提高了某些无担保消费者风险敞口和银行对非银行金融公司风险敞口的风险权重。[9][10] 具体审慎处理随着时间的推移而发生变化，必须在交易日进行检查。因此，融资模型应使用现行监管和观察到的投资组合证据，并对融资成本、资本要求和风险偏好保持敏感。
复古成熟度控制可防止虚假的舒适感。说明每个队列中完成相关绩效窗口的百分比。仅在有稳定的历史关系支持时才使用发展因素，并在书籍、模型或经济发生变化时表现出敏感性。最近的增长不应被视为成熟的业绩。
百分比是建模假设，并不描述实际的贷方或投资组合。
6. 将公平性作为投资组合和控制问题进行测试
公平性测试询问模型或政策是否会在相关群体之间产生实质性不同的结果，以及这些差异是否可以通过合法的信用目标、数据质量和适用法律来证明合理。受保护或敏感群体测试的设计需要合格的印度法律和合规性输入。分析团队应避免在未经批准的基础上收集敏感属性。它可能需要在适当的治理下进行受控的、隐私保护的或基于代理的测试。
比较应用程序覆盖范围、批准、限制、价格、期限、原因代码、人工审核、假阳性和假阴性率、拖欠、治愈和投诉。没有任何一个公平指标是普遍正确的。人口平等、机会均等、赔率均等、校准和错误率平衡可能会发生冲突。根据决策、危害、法律背景和控制目标选择指标，然后记录选择。
交叉分析很重要，因为聚合测试可以隐藏集中效应。一个模型可能会根据地区和就业类型而显得稳定，同时以不同的方式对待较小的地区就业群体。最小样本规则、置信区间和多重测试控制减少了错误结论。小群体应该引发谨慎的调查，而不是自信的主张。
替代数据可以对间接代理进行编码。设备价格、操作系统、语言、交易地点、商家组合、联系结构和数字行为可能与社会经济或地理因素相关。删除缺乏可信还款关系或产生不可接受风险的变量。在保留某个功能的地方，记录其经济原理、增量预测价值、敏感性和解释。
部署后应继续进行公平性监控。即使模型代码保持不变，渠道组合、营销、数据覆盖范围和经济状况的变化也可能改变团队的结果。 FREE-AI 报告将公平性、问责制和可理解性置于拟议的生命周期框架内，并呼吁进行产品批准评估，包括数据质量、敏感属性排除、回溯测试和独立审查。[7] 资助者可以通过报告和审计权要求提供此过程的证据。
批准率和假阴性率是建模假设。差异需要调查、背景和法律审查。
| 测试区 | 措施 | 诊断问题 | 潜在行动 |
|---|---|---|---|
| 数据访问 | 来源覆盖率和缺失 | 某个群体是否会失去对一项关键功能的访问权限？ | 替代路径或更窄的特征使用 |
| 决定 | 批准、限额、价格和期限 | 经过相关风险控制后，结果是否存在重大差异？ | 政策审查和受控重新测试 |
| 错误 | 假阳性和假阴性率 | 谁承担了错误的批准或拒绝？ | 阈值或审查区域调整 |
| 解释 | 原因代码频率和稳定性 | 贷款人能否给出一致的实质性理由？ | 简化模型或改进原因映射 |
| 人工审核 | 转介、覆盖和周转 | 审查是否会纠正或扩大差距？ | 审稿人培训和双重控制 |
| 客户成果 | 犯罪、投诉、治疗和困难 | 批准后不良后果会集中吗？ | 产品、服务或负担能力变化 |
指标选择和合法测试设计需要受监管实体批准的治理流程。
7. 使解释具有可操作性
可解释性服务于多种受众。信贷官员需要了解推荐的驱动因素和限制。借款人需要适合产品和适用要求的明确信息和追索权。验证器需要特征行为、敏感性和原因映射。董事会和资本提供者需要汇总证据来证明该模型在批准的风险偏好范围内运行。
全局解释描述了模型的整体结构和特征影响。当地的解释确定了一项决策中的重要因素。如果两者不稳定、与信贷政策相关或脱节，它们都可能产生误导。比较代表性记录和政策截止点的解释方法。原因代码应对应于可操作且事实上受支持的驱动程序，而不是为演示而创建的通用标签。
为每笔资助的应收账款保留决策包：输入快照、缺失数据路径、特征版本、模型版本、分数、概率、策略规则、原因代码、人工操作、批准条款和时间戳。资本提供者不需要不受限制地访问个人数据。它需要足够的合同权利和隐私保护证据来测试控制环境、重现抽样决策并验证投资组合的资格。
客户纠纷是一个有价值的控制信号。将投诉、局更正、身份错误、适用情况下的同意撤回、欺诈案件、困难和赔偿纠纷与原始决定和数据源联系起来。按型号、供应商、渠道和群组划分的趋势重复原因。高投诉率可能表明技术上有效的模型通过较差的产品、界面或服务流程运行。
生成型 AI 不应在未经批准的控制措施的情况下发明批准原因或自主做出不利决定。国际清算银行指出，生成模型加剧了可解释性挑战，因为它们的复杂性和可变性使输入和输出更难以追踪。[11] 如果贷方使用语言模型来总结文件或起草解释，请将确定性信贷决策逻辑分开，将输出保存在保存的记录中，限制权限并要求人工审查以供后续使用。
8.围绕后果设计人类监督
人工审查应该有明确的目的。将每个申请发送给一个人会产生成本，但不一定会改善控制。让每个案例完全自动化可能会放大不良的反馈、策略或模型。使用不确定性、缺失数据、冲突信号、重大贷款规模、涉嫌欺诈、弱势客户指标、新群体和政策例外来定义审查区域。
审稿人需要证据、权威和时间。提供基础字段、源日期、型号范围、原因代码、政策限制和可比案例。记录审阅者、决定、理由、更改的条款和支持证据。禁止仅以自由文本形式存在的覆盖。对它们进行分类，以便贷款人可以测试人类行为是否改善或削弱了投资组合的表现。
分析两个方向的覆盖。批准越权可能会造成逆向选择；拒绝覆盖可能会减少访问和收入。按审核者、分支机构或数字渠道、产品和群组比较覆盖率、绩效和客户结果。持续推翻一组或原因代码的审阅者可能会暴露培训、激励或流程问题。控件所有者应在更改模型之前进行调查。
RBI FREE-AI 委员会指出，部署实体仍然负有责任，并建议对中高风险用途、模型文档、验证、监控、偏差检测和独立产品批准进行人工监督。[7] 资本提供者可以在先决条件和持续的信息权中体现这些原则。董事会批准应确定谁拥有模型、谁验证模型、谁可以更改模型、谁可以暂停模型以及谁与客户沟通。
后备是监督的一部分。如果局、账户聚合器、云服务或模型端点出现故障，贷方应该知道是否停止发起、使用挑战者、缩小产品范围、降低限制或将案例转至手动策略。通过操作演练来测试回退。没有执行证据的书面连续性计划提供的保护很弱。
9. 将模型不确定性转化为信用经济学
贷款人的单位经济效益应从从借款人收到的现金开始，扣除融资成本、预期信用损失、欺诈、服务、收款、客户赔偿、支付成本、收购费用和运营费用。由于提前还款、拖欠、冲销、放弃、退款和冲销，预定利息和费用收入可能与现金收益不同。将每座桥梁与历史记录进行核对。
将模型误差转化为损失和流动性范围。如果预测的违约概率被错误校准，所产生的损失取决于违约风险、回收、时间安排和催收成本。快速增长、高客单价或高预付率细分市场中的小错误可能比小规模成熟细分市场中的大错误更重要。通过融资风险和现金后果进行权重验证。
压力相关的变化。融资成本增加可能与借款人现金流疲软、批准率降低、收款速度放缓以及贷方流动性紧张同时发生。如果后备批准了不同的人群，数据提供商的中断可以减少起源并改变风险组合。策略响应可以限制数据使用或要求修复。融资案例应表明这些事件如何影响收款、超额利差、借贷基础可用性和契约净空。
价格不应弥补无限制的控制失败。较高的收益率不能使无法验证的资产符合资格。设定纳入的最低证据，然后使用预付率、准备金、从属关系和价格来吸收可衡量的风险。排除所有权缺失、重复融资、不可调和的余额、缺乏决策历史记录或禁止使用数据的记录，直至解决。
资本提供者应保持独立的基本情况。管理层的预测可能会假设持续的模型提升、良性的融资、稳定的收购和改善的收藏。使用观察到的成熟年份、保守的开发、当前的融资条件、实施成本和现实的现金时间来重建案例。显示哪些假设驱动溢价或杠杆能力。
| 寻找 | 现金或风险影响 | 潜在设施控制 | 公布证据 |
|---|---|---|---|
| 较弱的最近年份校准 | 损失准备金可能被低估 | 较低的预付款率和较高的动态准备金 | 两个成熟的队列在批准的耐受范围内 |
| 数据馈送浓度 | 起源和决策连续性风险 | 提供商集中度上限和经过测试的后备方案 | 成功的连续性演习和挑战者证据 |
| 缺失决策谱系 | 资格和审计不确定性 | 排除受影响的应收账款 | 可重复的抽样决策 |
| 不稳定的团体结果 | 行为、补救和损失风险 | 增强报告并限制模型更改 | 独立审查和批准的补救措施 |
| 高超控浓度 | 政策执行不一致 | 手动审核上限和审核者监控 | 按队列划分的稳定覆盖性能 |
| 无法解释的现金滞后 | 流动性和混合风险 | 受控账户、清扫和对账触发器 | 在规定时间内核对收款 |
条款是说明性的，必须针对实际文书和法律结构进行协商。
10. 建立借贷基础和契约包
资格标准应该客观、可观察并可通过贷款记录和法律文件进行检验。典型字段包括贷方所有权、借款人验证、已执行协议、支出、产品、司法管辖区、付款状态、最大拖欠率、剩余期限、贷款规模、集中度、保单版本、模型版本和无重复融资。实际标准取决于交易顾问、抵押法和工具结构。
预付款率应反映累计净损失、恢复时间、稀释、预付款、服务成本、现金波动性和数据信心。对实现绩效偏离批准基础的细分市场使用动态储备。模型风险储备可以应对校准漂移、决策记录丢失、数据中断或未经批准的更改。其公式应该透明，并避免重复计算其他地方捕获的风险。
绩效触发器应使用可以一致计算的度量。例子包括首次付款违约、三十多次和九十多次拖欠、累计净损失、预期实际损失、现金回收率、超额利差和借贷基础不足。在财务文件中定义分子、分母、队列、调味、治疗、恢复和报告滞后。当绩效下降时，模糊的定义就会引发争议。
模型和数据契约可以包括对材料特征、算法、截止、产品、供应商或数据源更改的通知或同意。为重要的变更设置定量阈值，并允许在记录的控制下进行日常维护。需要定期独立验证、审计日志、数据质量报告、覆盖分析、公平性证据和事件报告，同时尊重个人数据限制。
补救措施应与后果相匹配。轻微的报告延迟可能需要治愈。严重违反资格可能会停止新的资助。未经授权的模型变更、违反数据法、吊销许可证、欺诈或现金控制失败可能会导致根据协商文件采取更强硬的行动。操作手册应说明谁计算违规行为、谁验证违规行为、贷方如何应对以及受影响的借款人如何继续获得适当的服务。
比率是对说明性设施的建模假设。它们不是预测或提议的条款。
11. 一起监控投资组合和模型
月度资金报告应将抵押品、募集资金和契约计算与模型和数据指标进行核对。将合同贷款绩效与分析指标分开，以便财务记录保持受控。通过稳定的标识符、报告日期和记录的转换将它们链接起来。
投资组合指标包括发起、批准、平均票据、价格、期限、拖欠、补救、恢复、预付款、欺诈、投诉、现金回收和累计净损失。模型测量包括分数分布、校准、区分、稳定性、功能可用性、缺失、原因代码、覆盖和挑战者表现。数据度量包括提供商正常运行时间、摄取延迟、匹配率、架构更改、验证失败以及同意或权限事件（如果适用）。
设置警告、操作和停止阈值。警告提示调查。采取行动需要记录缓解措施，例如下限、额外审查或保留。 Stop 暂停受影响的发起或资助，直到有证据支持重新开放。委员会应在恶化发生之前批准阈值。未经独立批准，模型所有者不应在违规后重新定义指标。
经济变化可能会造成分配外风险。通货膨胀、就业冲击、利率变化、区域混乱、监管变化或新的获取渠道可能会使申请人的行为超出培训样本。监控输入分布和实现的结果。场景测试应该显示如果历史关系减弱会发生什么，而不是假设模型会自动适应。
独立验证应报告局限性、未解决的发现和补救日期。内部审计可以测试治理和证据。外部专家可能会审查高风险系统或专业知识有限的领域。资本提供者应收到重要调查结果和结案证据，并遵守适当的保密和数据保护措施。没有调查结果的清晰总结只能提供有限的保证。
| 领域 | 每月测量 | 升级示例 | 负责任的所有者 |
|---|---|---|---|
| 抵押品 | 合格余额、排除、预付款和不足 | 无法解释的不合格增长 | 财务和抵押品代理 |
| 现金 | 集合、计时、协调和瀑布 | 延迟或未对账的现金 | 财务和服务机构 |
| 信用 | 年份损失、滚动率、固化和恢复 | 最近的队列超出耐受范围 | 首席风险官 |
| 模型 | 校准、稳定性、挑战者和超越 | 材料漂移或挑战者表现不佳 | 模型所有者和验证 |
| 数据 | 可用性、覆盖范围、质量和事件 | 严重的 Feed 违规或架构更改 | 数据所有者和技术 |
| 消费者 | 投诉、原因代码、困难和补救 | 重复出现的问题集中在队列中 | 合规与运营 |
措施应在财务文件和操作程序中定义。
12. 通过假设的印度消费信贷机构开展工作
假设有一家印度非银行金融公司通过自己的应用程序和选定的分销合作伙伴发放无担保分期贷款。它寻求一项为期三年的担保贷款来为符合条件的应收账款提供资金。该模型使用局信息、同意的银行交易数据、应用领域和还款历史记录。本节中的所有数字都是方法演示的假设。
拟议的承诺贷款额为 30 亿印度卢比。开放的合格资金池为 24 亿印度卢比，总体预付款率为 75%，剩余资金和准备金由贷方提供。加权平均原期限为十二个月。合同投资组合收益率为 24%，假设服务和收集成本为 4%，总设施成本为 13%。观察到的成熟年份累计净损失范围为 5.2% 至 7.1%，而最近的两个年份的产量正在高于早期曲线。
贷方提出的模型在验证样本上的过时基尼系数为 43%，预期损失与实际损失之比为 0.94。对于最近通过数字方式获得的薄文件借款人来说，同样的比率上升至 1.18，这意味着观察到的损失超过了假设计算下该群体的模型估计值。银行交易覆盖率也从开发样本中的 72% 下降到最新季度的 54%。这些事实削弱了统一预付率的情况。
尽职调查团队重建了抽样决策，发现大多数记录都是重复的。少数使用供应商派生的功能，其定义在没有版本化模式的情况下发生变化。在贷方重建血统和验证之前，这些应收账款将被排除在外。资助者还将自动路径批准的贷款与手动覆盖分开，并为最近的薄文件数字收购设置了集中度上限。
协商的案例使用 70% 的期初预付款率、动态损失准备金、受影响群体的 10% 上限以及每月预期实际报告。如果最小调整后三个月的预期与实际比率超过 1.15，或者关键数据覆盖范围低于批准的下限，则触发。超过规定阈值的模型、截止日期、供应商和保单变更需要通知，对于重大变更，在新应收账款符合资格之前需要获得同意。
不利情况假设累计净亏损为 9%、融资成本为 15%、复苏速度较慢且批准率较低。随着储备的增加，可用性会收缩。在假设的情况下，借款人保留足够的股本和流动性以继续提供服务。如果下行突破了批准的现金覆盖下限，该工具将转向现金清扫并停止为新的应收账款融资。这些是说明性的机制，而不是推荐的术语。
该案例说明了为什么模型指标需要事务转换。信贷决策取决于队列损失、数据覆盖范围、可重复性、现金控制和贷款人的补救能力。整体基尼系数或支持率提升并不能决定杠杆作用。
13. 建立保留的实施和保证周期
设施应通过受控大门移动。第一道门确认法律结构、监管范围、资产所有权、现金控制和数据权利。第二扇门负责核对贷款磁带、财务记录、藏品和成熟年份。第三道门验证数据来源、模型、政策、公平性、解释、覆盖和后备。第四门记录了条款、资格、储备、触发因素、报告和补救措施。第五门在首次融资之前测试运营。
第一次操作测试应模拟完整的报告周期。加载抵押品文件、计算资格、应用浓度和储备、协调集合、生成契约计算、跟踪抽样决策并发布投资者报告。运行数据馈送中断和模型更改场景。记录异常情况、所有者和关闭证据。
交易结束后，保持季度审查，结合资金、投资组合、模型、数据、消费者和供应商证据。材料变更应返回相关登机口。新产品或分销渠道可能需要新的验证和设施批准。如果策略定义了较小的代码更正并且独立控制确认了分类，则较小的代码更正可以遵循较低风险的路径。
分配决策权。董事会或授权委员会批准风险偏好和政策。信贷拥有贷款决策。模型开发构建系统。独立验证对其提出了挑战。数据和技术控制输入和弹性。合规和法律监督适用的行为和权利。财务负责协调现金和报告。内部审计测试该框架。资本提供者根据商定的文件控制融资资格和补救措施。
顺序应适应工具、投资组合成熟度和监管要求。
14. 局限性和进一步研究
该框架无法确定特定数据元素是否可以合法收集或使用，贷款产品是否符合适用法规，或者拟议的担保权益是否可执行。这些结论需要当前的交易事实和合格的专业建议。 RBI 指示、DPDP 开始时间表和其他要求可能会发生变化，因此尽职调查应使用相关日期有效的规则。
观察到的模型性能并不能证明因果关系。申请人的选择、营销、政策、定价、欺诈控制、服务和经济条件都可能改变结果。替代数据的覆盖范围通常反映了自我选择。模型可能会显得更强大，因为它仅针对完成数据连接的申请人进行测试。拒绝推断和缺失标签也会使验证复杂化，因为无法观察到被拒绝的申请人的还款结果。
公平性分析具有法律、统计和操作方面的限制。敏感属性可能不可用或受到限制。代理方法可能会引入错误。公平的多种定义可能会发生冲突。小样本量扩大了不确定性。机构应记录其目标、经批准的数据、方法、限制和补救措施，并避免声称某一指标证明公平待遇。
假设的设施说明了机械原理，但不包含市场预测。预付利率、准备金、触发因素、价格和损失假设应来自具体的投资组合、法律结构、基金授权和谈判文件。进一步的实证研究可以比较印度消费者群体中银行交易、局和商业特征的稳定性；评估隐私保护公平方法；并在考虑选择和激励效应后衡量人工审查是否可以改善决策。
15. 结论
当另类数据产生从合法来源到变现现金的受控证据链时，它就变得可融资。贷方应该能够显示使用了哪些数据、数据何时可用、数据如何转换、应用了哪种模型和政策、决定改变贷款条款的原因、谁审查了例外情况以及结果组的表现如何。
资本提供者应测试四个相关风险：资产和现金控制；数据来源和连续性；模型和政策绩效；以及消费者和治理成果。基于时间的验证、年份分析、校准、公平性测试、原因代码、人工审查、回退和独立挑战为投资委员会提供了比标题准确性更全面的视图。
然后，融资条款使证据具有可操作性。资格、预付率、准备金、集中度限制、模型变更控制、报告、触发因素和补救措施应针对观察到的投资组合及其不确定性做出反应。当贷方无法重现决定或调节其现金时，受影响的资产在证据得到修复之前不应获得资金。
附录 A. 尽职调查数据请求。 A1。投资组合和现金
贷款级别的发放、付款、拖欠、补救、追偿、核销、预付款和现金回收记录。
产品、渠道、地域、收购、风险范围、模型版本、政策版本和服务领域。
总账、银行账户、信托、托管和投资者报告对账。
投诉、局纠正、困难、欺诈和追偿争议记录通过受控标识符链接。
附录 A. 尽职调查数据请求。 A2。数据模型和治理
数据清单、源合同、权限、模式版本、质量报告和事件历史记录。
特征定义、训练快照、代码、验证、挑战者、校准和稳定性结果。
信贷政策版本、截止日期、定价、限制、负担能力规则、优先权和批准分钟。
AI 库存、董事会政策、模型所有者、独立验证、审计结果、补救和后备测试。
附录 B. 设施控制清单。 B1。首次融资前
确认监管范围、资产所有权、安全、现金账户和服务连续性。
使用决策时数据、特征逻辑、模型和策略版本重现抽样决策。
将合格余额和收款与源记录和银行现金进行核对。
批准预付率、储备、浓度、模型变更控制、触发器和报告定义。
附录 B. 设施控制清单。 B2.设施期间
每个报告期对抵押品和现金进行核对。
审查成熟和发展中的年份、校准、稳定性、数据覆盖范围和覆盖。
升级重大投诉、事件、供应商故障、监管调查结果和模型变更。
根据谈判文件测试后备、服务转移和执行准备情况。
来源
- 印度储备银行。印度储备银行 2025 年数字贷款方向及相关官方材料。 阅读主要来源
- 印度储备银行。法规概览手册，2025 年 2 月。 阅读主要来源
- 印度储备银行。主方向 - 印度储备银行信用信息报告方向，2025 年。 阅读主要来源
- 印度政府。数字个人数据保护法，2023 年。 阅读主要来源
- 电子和信息技术部。数字个人数据保护规则，2025 年。 阅读主要来源
- 电子和信息技术部。 《数字个人数据保护法》的执行时间表，2025 年 11 月 14 日。 阅读主要来源
- 印度储备银行。 FREE-AI 委员会报告 - 负责任和道德的人工智能实现框架，2025 年 8 月 13 日。 阅读主要来源
- 金融稳定研究所。我们信任数据吗？ AI 金融服务中数据使用的新兴政策和监管方法，FSI Insights 73，2026 年 3 月 26 日。 阅读主要来源
- 印度储备银行。 2024-25 年度报告，监管、监督和金融稳定。 阅读主要来源
- 印度储备银行。关于发展和监管政策的声明，2024 年 8 月 8 日。 阅读主要来源
- 金融稳定研究所。金融部门监管 AI：最新进展和主要挑战，FSI Insights 63，2024 年 12 月 12 日。 阅读主要来源
- 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。 阅读主要来源
- 印度储备银行。数字借贷（包括通过在线平台和移动应用程序借贷）工作组的报告，2021 年 11 月。 阅读主要来源
- 印度储备银行。数字借贷指南，2022 年 9 月 2 日。 阅读主要来源
- 印度储备银行。贷款和垫款主要事实声明，2024 年 4 月 15 日。 阅读主要来源
- 印度储备银行。数字借贷中的违约损失保证，2023 年 6 月 8 日，通过官方常见问题解答更新。 阅读主要来源
- 印度储备银行。信息技术服务外包硕士方向，2023 年 4 月 10 日。 阅读主要来源
- 印度储备银行。信息技术治理、风险、控制和保证实践硕士方向，2023 年 11 月 7 日。 阅读主要来源
- 国家标准与技术研究所。人工智能风险管理框架1.0。 阅读主要来源
- 经济合作与发展组织。经合组织人工智能原则。 阅读主要来源
- 巴塞尔银行监管委员会。信用风险管理原则。 阅读主要来源
- 国际标准化组织。 ISO IEC 23894 人工智能风险管理指南。 阅读主要来源
