SR 11-7はモデルとそのリスクをどう定義するか
SR 11-7はモデルを広く定義します。統計学、経済学、金融、数学の理論を用いて入力データを定量的な推計値に変換する、あらゆる定量的手法、システム、アプローチです。これには信用スコアカード、評価モデル、資本およびストレステストのエンジン、ALMモデル、マネロン対策の取引モニタリング、そして次第に増えている機械学習モデルが含まれます。
モデルリスクとは、根本的な誤りを含むモデル、あるいは誤って使われたモデル、設計時に想定していない目的に使われたモデルから生じる不利益、すなわち金銭的損失、誤った判断、評判や規制上の不利益のリスクです。このガイダンスは明確に述べています。技術的に健全なモデルであっても、誤った文脈で適用されればリスクを生みます。
第一の柱：開発、実装、利用
健全なモデルリスク管理は開発から始まります。モデルは説明できる理論に基づき、適切なデータを用い、独立した第三者が理解し再現できる程度に十分に文書化されている必要があります。テストは本番稼働前に、モデルの挙動、限界、前提に対する感応度を検証すべきです。
SR 11-7は、文書化は官僚的な手続きではないと強調します。当初の開発者がいなくなった後も、モデルを保守し、レビューできるようにするのが文書だからです。「利用」も重要です。モデルの出力に依拠する人は、その前提と限界を理解していなければなりません。
第二の柱：検証と実効的なチャレンジ
検証とは、モデルが意図どおりに機能していることを確かめる一連の独立した活動です。SR 11-7は三つの中核要素を挙げます。概念的健全性の評価（設計と理論は健全か）、継続的なモニタリング（ベンチマーキングとプロセス検証を通じて、なお機能しているか）、そして結果の分析（バックテストを通じて、出力が現実と一致しているか）です。
これらすべてを支えるのが「実効的なチャレンジ」です。モデル開発から独立し、技術的に有能で、異議を唱えるだけの立場と動機を与えられた者による批判的分析を指します。検証は真に独立していなければなりません。モデルの所有者が自分のモデルを検証することはできません。検証の深さは、モデルの重要性と複雑さに応じて調整されるべきです。
第三の柱：ガバナンス、一覧、役割
第三の柱は組織としての仕組みです。取締役会と上級経営陣による監督、文書化された方針、定義された役割（所有者、開発者、検証者、統制部門）、そして中心にあるのが網羅的なモデル一覧です。一覧には、使用中のすべてのモデルについて、目的、所有者、検証の状況、限界、リスク区分が記録されます。
最新の一覧があってこそ、金融機関は検査官が尋ねる問いに答えられます。どのモデルが使用中か、最後に検証したのはいつか、未解決の指摘があるのはどれか、規制上の数値に影響しているのはどれか。これがなければ、規模が大きくなるほどモデルリスク管理は手に負えなくなります。
SR 11-7からAIガバナンスへ
SR 11-7は機械学習の波よりも前のものですが、その原則はよく通用します。概念的健全性、継続的モニタリング、結果の分析、独立したチャレンジ、そして生きた一覧は、規制当局が機械学習やAIのモデルの周囲に見たいと考える統制そのものです。これに、データドリフト、説明可能性、バイアスといった新しい論点が加わります。
実務上の難題は量と速さです。現代の金融機関は数百から数千のモデルを抱えることがあり、AIの開発は年次の検証サイクルより速く進みます。モデルの一覧、検証のワークフロー、モニタリング、証跡を、表計算とメールではなく統制された一つの基盤で運用することが、モデルの数が増えてもSR 11-7水準のガバナンスを持続可能にします。