SHARC：基于SHAP的机器学习风险模型可解释性在ICAAP和CCAR监管资本中的应用

采用非参数机器学习模型进行监管资本估算带来了一个根本性的治理挑战：无法以监管机构可审计的方式解释模型输出。尽管高斯过程回归（GPR）及相关机器学习架构在预测方面优于传统参数方法，但这一“黑箱”问题仍是其在ICAAP和CCAR工作流中应用的主要障碍。本文通过SHARC（SHAP for Regulatory Capital）这一针对混合GPR-HS架构及其压力测试扩展的可解释性框架来解决这一障碍。基于合作博弈论并满足局部准确性、缺失性、一致性和效率属性的SHapley Additive exPlanations（SHAP）被应用于三种宏观情景下的压力风险价值（SVaR）输出：西亚战争、气候风险和AI泡沫/监管负担。SHARC将SVaR分解为基线、均值驱动和波动率驱动三个组成部分，从而实现情景设计与资本结果之间的透明关联。研究得出两个发现。首先，SHARC始终将非线性SVaR输出与底层情景输入联系起来，确认了框架的保真度，并为资本驱动因素提供了可审计的追溯性。其次，在压力条件下，均值回报成分（方向性损失幅度）在决定资本水平方面主导方差成分（波动率基线），这对资本限额设定、头寸管理和对冲策略具有影响。研究结果确立了SHARC作为符合监管要求的可解释性层，使混合GPR-HS框架完全可审计，并符合FRTB、ICAAP第二支柱和CCAR透明度要求。