Meningkatkan Efisiensi di Pasar Modal dengan Memanfaatkan AI Generatif untuk Mengatasi Kegagalan Penyelesaian Sekuritas

Berbagai alasan berkontribusi pada kegagalan penyelesaian (settlement), yang berasal dari faktor manual maupun faktor terkait sistem. Contoh kegagalan ini dapat berkisar dari kesalahan dokumentasi, ketidaksesuaian dalam detail, informasi perdagangan yang tidak benar, dana yang tidak mencukupi, atau gangguan teknis. Seperti yang tepat disampaikan oleh Charifa El Otmani, Direktur Strategi Pasar Modal di Swift, tingkat kegagalan penyelesaian telah menunjukkan korelasi historis dengan kondisi pasar yang tidak stabil, sebagaimana diamati dalam beberapa tahun terakhir. Ketika volume transaksi meningkat secara signifikan, tidak dapat dihindari bahwa kegagalan penyelesaian juga akan meningkat secara paralel. Insiden kegagalan seperti ini jarang terjadi di pasar yang relatif stabil.

Kesalahan manusia secara signifikan berkontribusi pada kegagalan penyelesaian dalam industri keuangan. Meskipun ada kemajuan dalam teknologi, banyak institusi keuangan yang lebih kecil masih terus mengandalkan sistem manual. Akibatnya, tidak jarang bagi individu dalam peran operasional untuk secara keliru memasukkan data yang tidak benar, seperti dalam instruksi penyelesaian berdiri (standing settlement instruction). Kesalahan-kesalahan ini dapat menimbulkan konsekuensi yang mendalam pada proses penyelesaian, yang berpotensi menyebabkan transaksi gagal. Karena sifat sistem yang manual, risiko kesalahan manusia tetap lazim. Oleh karena itu, penanganan isu ini menjadi krusial untuk mengurangi kegagalan penyelesaian dan meningkatkan efisiensi operasional dalam pasar modal. Pasar yang tidak efisien dan tidak stabil sering dianalogikan seperti fenomena sepeda, di mana dampak negatifnya terus-menerus memicu spiral ke bawah, yang mengarah pada implikasi jangka panjang dan kerusakan pasar yang makin memburuk. Menurut Dr. Sanjay Rajagopalan, chief strategy officer di Vianai Systems, ketika sebuah ruang pasar mengalami frekuensi kegagalan yang tinggi, hal itu mengikis kepercayaan para pelaku pasar, mendorong mereka mencari sekuritas alternatif yang menawarkan likuiditas dan stabilitas yang lebih besar. Kehilangan kepercayaan ini dan pergeseran investasi berikutnya menimbulkan biaya finansial yang signifikan bagi semua pihak yang terlibat.

Seperti terlihat dari pembahasan sebelumnya, penting untuk mengatasi kegagalan penyelesaian sekuritas, khususnya dengan menanggapi kesalahan manual. Memperkenalkan kecerdasan buatan (AI) muncul sebagai solusi yang menjanjikan dalam hal ini. Salah satu pendekatan paling efektif adalah memanfaatkan generative AI, yang memiliki potensi besar untuk mengatasi kekhawatiran tersebut. Generative AI memanfaatkan machine learning dan algoritma tingkat lanjut untuk mengurangi kegagalan penyelesaian sekuritas. Ia mengotomatiskan dan mengoptimalkan proses, mengurangi kesalahan manual, mendeteksi anomali, memastikan pencocokan perdagangan yang tepat, serta meningkatkan efisiensi operasional. Dengan kemampuan analitik prediktifnya, generative AI memberikan wawasan tentang potensi kegagalan, sehingga memungkinkan tindakan proaktif. Secara keseluruhan, penerapannya memiliki prospek besar untuk meningkatkan keandalan, meminimalkan risiko, dan memfasilitasi transaksi yang berjalan mulus di pasar modal.

Diagram skematik yang disajikan di atas menggambarkan berbagai tahap yang dapat diatasi dengan efektif oleh generative AI untuk menangani kekhawatiran penyelesaian sekuritas. Sekarang, mari kita bahas setiap tahap secara rinci untuk memperoleh pemahaman yang komprehensif tentang nilai proposisi yang ditawarkannya.

Integrasi Data

Generative AI dimulai dengan mengintegrasikan dan mempraproses beragam sumber data, seperti catatan perdagangan, informasi akun, data pasar, dan persyaratan regulatori, dengan fokus pada kesadaran konteks. Ini melibatkan tugas seperti pembersihan data, normalisasi, dan pengayaan, yang memastikan kualitas data masukan untuk analisis lebih lanjut.

Deteksi Anomali

Generative AI memanfaatkan metode machine learning yang canggih untuk mengidentifikasi anomali dalam data perdagangan dan mengevaluasi risiko yang terkait di dalam kerangka pencarian berbasis konteks. Dengan menganalisis pola historis, tren pasar, dan data transaksi, ia mendeteksi kemungkinan ketidakberaturan yang dapat mengakibatkan kegagalan penyelesaian. Melalui deteksi outlier, generative AI secara efektif menyoroti transaksi dan akun berisiko tinggi, sehingga memungkinkan pemeriksaan yang lebih mendalam dan langkah mitigasi risiko.

Optimalisasi Pencocokan Perdagangan

Dengan memanfaatkan algoritma tingkat lanjut dan melakukan analisis berbasis konteks, proses pencocokan perdagangan ditingkatkan untuk meminimalkan kesalahan dan ketidaksesuaian. Melalui penerapan teknik pembelajaran pencocokan yang canggih, pencocokan yang akurat antara order beli dan order jual dipastikan, sehingga secara signifikan mengurangi risiko kegagalan penyelesaian yang timbul dari ketidaksesuaian perdagangan. Tahap ini menggabungkan workflow cerdas seperti algoritma pencocokan yang mempertimbangkan parameter kunci, termasuk jenis sekuritas, kuantitas, harga, waktu perdagangan, dan pengidentifikasi sekuritas, yang menghasilkan peningkatan efisiensi.

Penanganan Pengecualian

Melalui penggunaan pemodelan generatif, khususnya Generative Adversarial Networks (GANs), penanganan pengecualian selama proses penyelesaian dapat ditingkatkan. Secara otonom ia mengidentifikasi dan memprioritaskan pengecualian berdasarkan tingkat keparahan, urgensi, atau dampak, sehingga menyederhanakan workflow penyelesaian. Dengan memberikan rekomendasi yang cerdas, pendekatan ini mempercepat proses penyelesaian dan mengurangi kegagalan penyelesaian yang disebabkan oleh pengecualian yang tidak tertangani. DCGAN, yang dikenal sebagai Deep Convolutional GAN, diakui sebagai salah satu implementasi GAN yang paling berpengaruh dan paling efektif, telah memperoleh pengakuan yang signifikan dan adopsi yang luas di bidang tersebut.

Analitik Prediktif

Dengan menerapkan teknik pemodelan generatif seperti Gaussian Mixture Models (GMMs), analitik prediktif yang digunakan oleh generative AI mengantisipasi kegagalan penyelesaian dan secara efektif memitigasi risiko yang terkait. Ini adalah model yang sudah dikenal baik (distribusi probabilitas) untuk generative unsupervised learning atau clustering   Melalui analisis data historis, kondisi pasar, dan faktor-faktor yang relevan, pola terdeteksi, menawarkan wawasan berharga tentang area yang rentan terkait perdagangan. Hal ini memungkinkan tindakan proaktif seperti menyesuaikan volume transaksi, memodifikasi persyaratan jaminan (collateral), atau menerapkan pemeriksaan pra-penyelesaian untuk mencegah kegagalan sejak awal.

Kepatuhan Regulasi

Dalam ranah pembuatan laporan regulatori, Large Language Models (LLMs) terbukti sangat berharga dalam menjaga kepatuhan di seluruh proses penyelesaian. LLMs menganalisis data perdagangan terhadap kerangka regulatori yang relevan, mengidentifikasi potensi masalah ketidakpatuhan, dan menghasilkan laporan yang komprehensif untuk memenuhi persyaratan regulatori. Dengan secara proaktif menanggapi kekhawatiran kepatuhan, LLMs secara signifikan mengurangi risiko kegagalan penyelesaian yang disebabkan oleh pelanggaran regulasi, sekaligus memastikan pelaporan yang akurat dan komprehensif.

Rekonsiliasi

Dengan memanfaatkan kemampuan Recurrent Neural Networks (RNNs), generative AI melakukan tugas audit pasca-penyelesaian dan rekonsiliasi untuk memastikan ketepatan serta kelengkapan transaksi yang telah diselesaikan. Dengan membandingkan data perdagangan yang telah diselesaikan dengan titik data yang sesuai dari anggota kliring yang berbeda, RNNs menyoroti ketidaksesuaian, sehingga menyederhanakan proses rekonsiliasi untuk penyelesaian yang cepat. Tahap ini memainkan peran penting dalam mengungkap setiap penyelesaian yang terlewat atau yang gagal, serta memfasilitasi penyelesaian yang tepat waktu.

Pembelajaran Berkelanjutan

Dengan kemampuan eksplorasi dari Generative AI, sistem perdagangan adaptif mengadopsi pembelajaran berkelanjutan dari data baru dan menyesuaikan diri dengan kondisi pasar yang dinamis. Sistem secara aktif menggabungkan umpan balik, memantau kinerja algoritma, dan menyempurnakan model ML yang diterapkan untuk meningkatkan akurasi dan efektivitas. Proses pembelajaran iteratif ini memungkinkan sistem-sistem tersebut secara proaktif mendeteksi dan mencegah kegagalan penyelesaian yang lebih lanjut, sehingga terus meningkatkan kapabilitasnya dari waktu ke waktu.

Pemantauan Waktu Nyata

Melalui integrasi Variational Autoencoders (VAEs), generative AI memastikan pemantauan waktu nyata yang berkelanjutan terhadap aktivitas perdagangan dan penyelesaian. VAEs menganalisis aliran data yang masuk, membandingkannya dengan aturan atau ambang batas (threshold) yang telah ditetapkan, dan memicu peringatan untuk potensi kegagalan penyelesaian atau ketidaksesuaian. Kemampuan pemantauan waktu nyata ini memfasilitasi intervensi yang tepat waktu dan memungkinkan tindakan korektif yang efisien untuk mencegah atau mengurangi dampak kegagalan.

Penyusunan Kontrak Pintar

Dengan memanfaatkan kekuatan blockchain atau distributed ledger technology, kontrak pintar untuk penyelesaian sekuritas diimplementasikan secara mulus. Kontrak-kontrak ini mengotomatisasi eksekusi ketentuan dan persyaratan, mengurangi ketergantungan pada intervensi manual, serta memitigasi kegagalan penyelesaian yang disebabkan oleh pelanggaran kontrak atau keterlambatan konfirmasi perdagangan.

Pemantauan Kinerja

Dengan memanfaatkan Long Short-Term Memory (LSTM) Networks, generative AI mendukung pemantauan dan pelaporan kinerja penyelesaian yang komprehensif. Jaringan LSTM menghasilkan Key Performance Indicators (KPIs), memantau tingkat keberhasilan penyelesaian, mengidentifikasi tren, dan memberikan wawasan yang dapat ditindaklanjuti untuk mengoptimalkan proses. Dengan memantau metrik kinerja secara dekat, generative AI membantu mengidentifikasi peluang peningkatan dan mengurangi terjadinya kegagalan penyelesaian.

Integrasi Jaringan

Melalui pemanfaatan BERT (Bidirectional Encoder Representations from Transformers), generative AI mendorong integrasi dan kolaborasi yang lancar di antara para pelaku pasar, termasuk institusi keuangan, kustodian, dan clearinghouses. BERT memastikan berbagi data yang aman, menyederhanakan saluran komunikasi, dan mengotomatisasi pertukaran informasi, yang menghasilkan berkurangnya kesalahan manual dan peningkatan efisiensi penyelesaian di seluruh jaringan.

Ke depan, prospek generative AI dalam pasar modal sangat menjanjikan. Seiring teknologi berkembang, kita dapat mengantisipasi kemajuan yang lebih besar dalam mengotomatisasi proses penyelesaian, mendeteksi anomali, dan meningkatkan kepatuhan regulatori. Adopsi generative AI diharapkan mendorong perubahan radikal dalam operasi pasar modal, yang mengarah pada peningkatan efisiensi, pengurangan kesalahan, dan peningkatan pengalaman pelanggan.