Повышение эффективности на рынках капитала с помощью использования генеративного ИИ для преодоления сбоев в расчетах по ценным бумагам

Множественные причины способствуют сбоям расчетов, возникающим как из ручных, так и из системных факторов. Примеры таких сбоев могут варьироваться от ошибок в документации, расхождений в деталях, неверной информации по сделке, недостаточности средств или технических сбоев. Как справедливо отметилa Шарифа Эль Отмани, директор по стратегии рынков капитала в Swift, ставки сбоев расчетов демонстрируют историческую корреляцию с нестабильными рыночными условиями, что наблюдалось в последние годы. По мере того как объемы транзакций значительно растут, неизбежно, что сбои расчетов также будут увеличиваться параллельно. Такие инциденты с неудачными расчетами редки на относительно стабильных рынках.

Существенный вклад в сбои расчетов вносит человеческая ошибка в финансовой отрасли. Несмотря на достижения в технологиях, многие более мелкие финансовые институты продолжают полагаться на ручные системы. В результате не так уж редко, что люди на операционных должностях по ошибке вводят неверные данные, например, в постоянное (standing) распоряжение по расчетам. Эти ошибки могут иметь далеко идущие последствия для процесса расчетов, потенциально приводя к неудачным транзакциям. Поскольку системы имеют ручной характер, риск человеческой ошибки остается широко распространенным. Поэтому решение этой проблемы становится критически важным для снижения сбоев расчетов и повышения операционной эффективности на рынках капитала. Неэффективный и нестабильный рынок часто сравнивают с велосипедным феноменом, при котором его негативные эффекты поддерживают нисходящую спираль, приводя к длительным последствиям и дальнейшему ухудшению состояния рынка. По словам доктора Сан Джаeя Раджагопалана, главного стратега Vianai Systems, когда на площадке наблюдается высокая частота сбоев, это подрывает доверие участников рынка, побуждая их искать альтернативные ценные бумаги, предлагающие большую ликвидность и стабильность. Потеря доверия и последующий сдвиг в инвестициях влекут за собой значительные финансовые издержки для всех вовлеченных сторон.

Как видно из предшествующих обсуждений, крайне важно устранять сбои в расчетах по безопасности, особенно за счет решения проблем с ручными ошибками. В качестве перспективного решения в этом отношении выступает внедрение искусственного интеллекта (AI). Один из самых эффективных подходов — использование генеративного AI, который обладает огромным потенциалом для решения этих проблем. Генеративный AI использует машинное обучение и продвинутые алгоритмы, чтобы снижать сбои расчетов по безопасности. Он автоматизирует и оптимизирует процессы, уменьшая число ручных ошибок, выявляя аномалии, обеспечивая точное сопоставление сделок и повышая операционную эффективность. Благодаря возможностям предиктивной аналитики генеративный AI дает представление о потенциальных сбоях, позволяя принимать упреждающие меры. В целом его применение имеет большие перспективы для повышения надежности, минимизации рисков и обеспечения бесперебойных транзакций на рынках капитала.

Представленная выше схематическая диаграмма иллюстрирует различные этапы, с помощью которых генеративный AI может эффективно решать вопросы, связанные с расчетами по безопасности. Теперь давайте подробно рассмотрим каждый этап, чтобы получить полное представление о ценности этого подхода.

Интеграция данных

Генеративный AI начинает с интеграции и предварительной обработки различных источников данных, таких как записи сделок, информация по счетам, рыночные данные и требования регулирования, с фокусом на контекстную осведомленность. Это включает задачи вроде очистки данных, нормализации и обогащения, обеспечивая качество входных данных для дальнейшего анализа.

Обнаружение аномалий

Генеративный AI использует продвинутые методы машинного обучения для выявления аномалий в данных по сделкам и оценки связанных с ними рисков в рамках контекстно-поисковой модели. Анализируя исторические паттерны, рыночные тенденции и транзакционные данные, он обнаруживает потенциальные отклонения, которые могут приводить к сбоям расчетов. За счет выявления выбросов генеративный AI эффективно выделяет сделки и счета с повышенным риском, позволяя проводить более глубокую проверку и применять меры по снижению рисков.

Оптимизация сопоставления сделок

За счет применения продвинутых алгоритмов и выполнения анализа, основанного на контексте, процесс сопоставления сделок улучшается, чтобы минимизировать ошибки и расхождения. Благодаря применению сложных методов обучения сопоставлению обеспечивается точное сопоставление заявок на покупку и продажу, что существенно снижает риск сбоев расчетов, возникающих из-за несоответствия сделок. Этот этап включает интеллектуальные рабочие процессы, такие как алгоритмы сопоставления, которые учитывают ключевые параметры, включая тип безопасности, количество, цену, время сделки и идентификатор безопасности, в результате чего повышается эффективность.

Обработка исключений

Благодаря использованию генеративного моделирования, в частности Generative Adversarial Networks (GANs), обработку исключений в процессе расчетов можно улучшить. Она автономно идентифицирует и приоритизирует исключения в зависимости от степени тяжести, срочности или влияния, упорядочивая рабочие процессы разрешения. Предоставляя интеллектуальные рекомендации, этот подход ускоряет процесс разрешения и снижает сбои расчетов, возникающие из-за исключений, которые не были обработаны. DCGAN, известный как Deep Convolutional GAN, признанный одним из самых влиятельных и эффективных внедрений GAN, получил значительное признание и широко применяется в этой области.

Предиктивная аналитика

Применяя техники генеративного моделирования, такие как Gaussian Mixture Models (GMMs), предиктивная аналитика, используемая генеративным AI, прогнозирует сбои расчетов и эффективно снижает связанные с ними риски. Это хорошо известная модель (распределение вероятностей) для генеративного обучения без учителя (unsupervised learning) или кластеризации   Путем анализа исторических данных, рыночных условий и соответствующих факторов выявляются паттерны, которые дают ценные сведения об уязвимых областях, связанных с торговлей. Это позволяет заранее предпринимать действия, такие как корректировка объемов транзакций, изменение требований к обеспечению (collateral) или внедрение заранее заданных проверок перед расчетами, чтобы предотвращать сбои заранее.

Соблюдение нормативных требований

В контексте генерации отчетности по регулированию Large Language Models (LLMs) оказываются бесценными для поддержания соответствия на протяжении всего процесса расчетов. LLMs анализируют данные по сделкам относительно соответствующих нормативных рамок, выявляют потенциальные проблемы несоблюдения и формируют подробные отчеты для выполнения требований регулирования. Преактивно устраняя вопросы соблюдения требований, LLMs значительно снижают риск сбоев расчетов, вызванных нарушениями регуляторных норм, одновременно обеспечивая точную и полную отчетность.

Сверка

Используя возможности Recurrent Neural Networks (RNNs), генеративный AI выполняет пост-расчетный аудит и задачи сверки, чтобы обеспечить точность и полноту уже рассчитанных транзакций. Путем сравнения данных по сделкам после расчетов с соответствующими точками данных от различных клиринговых участников RNNs выявляют расхождения, упорядочивая процесс сверки для быстрого разрешения. Этот этап играет ключевую роль в выявлении любых пропущенных или неуспешных расчетов, способствуя своевременному разрешению.

Непрерывное обучение

Благодаря исследовательским возможностям Generative AI адаптивные торговые системы внедряют непрерывное обучение на новых данных и адаптируются к меняющимся рыночным условиям. Системы активно включают обратную связь, контролируют качество работы алгоритмов и дорабатывают развернутые ML-модели, чтобы повышать точность и эффективность. Этот итеративный процесс обучения позволяет этим системам упреждающе обнаруживать и предотвращать более продвинутые сбои расчетов, постоянно улучшая свои возможности со временем.

Мониторинг в реальном времени

За счет интеграции Variational Autoencoders (VAEs) генеративный AI обеспечивает непрерывный мониторинг в реальном времени торговой и расчетной деятельности. VAEs анализируют входящие потоки данных, сравнивая их с заранее заданными правилами или порогами, и запускают оповещения о потенциальных сбоях расчетов или расхождениях. Эта возможность мониторинга в реальном времени облегчает своевременное вмешательство и позволяет выполнять эффективные корректирующие действия, чтобы предотвратить или снизить влияние сбоев.

Смарт-контрактинг

Используя возможности блокчейна или технологии распределенного реестра, смарт-контракты для расчетов по безопасности реализуются бесшовно. Эти контракты автоматизируют исполнение условий и положений, снижая зависимость от ручного вмешательства и уменьшая сбои расчетов, вызванные нарушениями по договору или задержками подтверждения сделок.

Мониторинг производительности

Используя Long Short-Term Memory (LSTM) Networks, генеративный AI поддерживает комплексный мониторинг и отчетность о процессах расчетов. LSTM Networks генерируют ключевые показатели эффективности (KPIs), контролируют процент успешных расчетов, выявляют тенденции и предоставляют практические выводы для оптимизации процесса. При тщательном мониторинге метрик производительности генеративный AI помогает выявлять возможности для улучшения и уменьшать частоту сбоев расчетов.

Интеграция сети

За счет использования BERT (Bidirectional Encoder Representations from Transformers) генеративный AI способствует плавной интеграции и совместной работе между участниками рынка, включая финансовые организации, кастодианов и клиринговые палаты/клирингхаусы. BERT обеспечивает безопасный обмен данными, упорядочивает каналы коммуникации и автоматизирует обмен информацией, что приводит к снижению числа ручных ошибок и повышению эффективности расчетов по всей сети.

Перспективы генеративного AI на рынках капитала выглядят многообещающими. По мере развития технологии можно ожидать еще более значительные достижения в автоматизации процессов расчетов, выявлении аномалий и повышении соблюдения нормативных требований. Ожидается, что внедрение генеративного AI приведет к радикальным изменениям в операциях рынков капитала, обеспечивая рост эффективности, снижение ошибок и улучшение клиентского опыта.