Підвищення ефективності капітальних ринків за допомогою використання генеративного ШІ для подолання проблем із невиконанням розрахунків цінних паперів

Кілька причин сприяють збоям розрахунків, зумовлених як ручними факторами, так і факторами, пов’язаними з системами. Приклади таких збоїв можуть варіюватися від помилок у документації, розбіжностей у деталях, неправильних відомостей щодо угоди, недостатності коштів або технічних збоїв. Як слушно зазначила Шарифа Ель Отмани, директор зі стратегії на ринках капіталу в Swift, показники збоїв розрахунків мають історичну кореляцію з нестабільними умовами ринку, що спостерігається в останні роки. У міру того як обсяги транзакцій суттєво зростають, неминуче зростатимуть і збої розрахунків паралельно. Такі інциденти збоїв рідкісні на відносно стабільних ринках.

Значну роль у збоях розрахунків у фінансовій індустрії відіграє людська помилка. Незважаючи на прогрес у технологіях, багато менших фінансових установ продовжують покладатися на ручні системи. Унаслідок цього не рідкість, коли люди, які працюють на операційних посадах, помилково вводять некоректні дані, наприклад у разі інструкції зі стоїчих (standing) розрахунків. Ці помилки можуть мати глибокі наслідки для процесу розрахунків, потенційно призводячи до невдалих транзакцій. Оскільки системи є ручними за своєю природою, ризик людської помилки залишається поширеним. Тому вирішення цієї проблеми стає критично важливим, щоб зменшити збої розрахунків і підвищити операційну ефективність на ринках капіталу. Неефективний і нестабільний ринок часто порівнюють із велосипедним явищем, де його негативні наслідки підтримують низхідну спіраль, що призводить до тривалих наслідків і подальшого погіршення стану ринку. За словами д-ра Санжая Раджагопалана, головного керівника зі стратегії в Vianai Systems, коли на ринку спостерігається висока частота збоїв, це руйнує довіру учасників ринку, спонукаючи їх шукати альтернативні цінні папери, які пропонують більшу ліквідність і стабільність. Втрата цієї довіри та подальший перехід інвестицій спричиняють значні фінансові витрати для всіх залучених сторін.

Як видно з попередніх обговорень, критично важливо усувати збої безпекових (security) розрахунків, зокрема шляхом усунення ручних помилок. Запровадження штучного інтелекту (AI) є перспективним рішенням у цьому контексті. Одним із найефективніших підходів є використання генеративного AI, який має надзвичайний потенціал для вирішення цих проблем. Генеративний AI використовує машинне навчання та передові алгоритми, щоб пом’якшувати збої безпекових розрахунків. Він автоматизує та оптимізує процеси, зменшуючи ручні помилки, виявляючи аномалії, забезпечуючи точне зіставлення угод і підвищуючи операційну ефективність. Завдяки своїм можливостям предиктивної аналітики генеративний AI дає уявлення про потенційні збої, дозволяючи вживати превентивних заходів. Загалом його застосування має великий потенціал для підвищення надійності, мінімізації ризиків і забезпечення безперебійних транзакцій на ринках капіталу.

Схематична діаграма, наведена вище, ілюструє різні етапи, за допомогою яких генеративний AI може ефективно вирішувати проблеми, пов’язані з безпековими розрахунками. Тепер давайте детально розглянемо кожен етап, щоб отримати всебічне розуміння ціннісної пропозиції, яку він надає.

Інтеграція даних

Генеративний AI починає з інтеграції та попередньої обробки різноманітних джерел даних, таких як записи угод, інформація про рахунки, ринкові дані та регуляторні вимоги, з фокусом на контекстну обізнаність. Це включає завдання на кшталт очищення даних, нормалізації та збагачення, забезпечуючи якість вхідних даних для подальшого аналізу.

Виявлення аномалій

Генеративний AI використовує досконалі методи машинного навчання, щоб виявляти аномалії в даних щодо угод і оцінювати пов’язані з ними ризики в межах контекстно-пошукового підходу. Аналізуючи історичні патерни, ринкові тенденції та транзакційні дані, він виявляє потенційні нерегулярності, які можуть призводити до збоїв розрахунків. Завдяки виявленню викидів (outliers) генеративний AI ефективно виділяє транзакції та рахунки з високим ризиком, дозволяючи проводити глибший аналіз і вживати заходів із пом’якшення ризиків.

Оптимізація зіставлення угод

Завдяки використанню передових алгоритмів і проведенню контекстно-орієнтованого аналізу процес зіставлення угод покращується, щоб мінімізувати помилки та розбіжності. Завдяки застосуванню складних технік навчання зіставленню забезпечується точне зіставлення заявок на купівлю та продаж, що суттєво знижує ризик збоїв розрахунків, спричинених невідповідністю угод. Цей етап включає інтелектуальні робочі процеси, такі як алгоритми зіставлення, які враховують ключові параметри, зокрема тип цінного паперу, кількість, ціну, час угоди та ідентифікатор цінного паперу, що забезпечує підвищену ефективність.

Обробка винятків

За допомогою генеративного моделювання, зокрема Generative Adversarial Networks (GANs), обробку винятків під час процесу розрахунків можна покращити. Вона автономно ідентифікує та пріоритезує винятки залежно від їхньої серйозності, терміновості або впливу, оптимізуючи робочі процеси вирішення проблем. Надаючи інтелектуальні рекомендації, цей підхід прискорює процес вирішення та пом’якшує збої розрахунків, що виникають через невжиті дії щодо непоправлених винятків. DCGAN, відомий як Deep Convolutional GAN, який визнають одним із найвпливовіших і найефективніших впроваджень GAN, здобув значне визнання та широке впровадження в цій сфері.

Предиктивна аналітика

Застосовуючи техніки генеративного моделювання, такі як Gaussian Mixture Models (GMMs), предиктивна аналітика, що використовується генеративним AI, прогнозує збої розрахунків і ефективно пом’якшує пов’язані з ними ризики. Це добре відома модель (ймовірнісний розподіл) для генеративного неконтрольованого навчання або кластеризації   Під час аналізу історичних даних, ринкових умов та релевантних факторів виявляються патерни, що дає цінні уявлення про вразливі зони, пов’язані з торгівлею. Це дозволяє вживати превентивних дій, таких як коригування обсягів транзакцій, зміна вимог до забезпечення (collateral) або впровадження попередньо заданих перевірок перед розрахунком, щоб запобігти збоям завчасно.

Регуляторна відповідність

У сфері генерації регуляторної звітності Large Language Models (LLMs) виявляються надзвичайно корисними для підтримання відповідності протягом усього процесу розрахунків. LLMs аналізують дані щодо угод за релевантними регуляторними рамками, виявляють потенційні проблеми з некоректністю відповідності (non-compliance) та генерують комплексні звіти, щоб виконати регуляторні вимоги. Превентивно усуваючи занепокоєння щодо відповідності, LLMs значно знижують ризик збоїв розрахунків, спричинених порушеннями регуляторних вимог, водночас забезпечуючи точне й повне звітування.

Звірка

Задіючи можливості Recurrent Neural Networks (RNNs), генеративний AI виконує пост-розрахункові аудиторські завдання та звірку, щоб забезпечити точність і повноту розрахованих транзакцій. Порівнюючи дані щодо завершених угод із відповідними точками даних від різних клірингових учасників, RNNs виявляють розбіжності, спрощуючи процес звірки для швидкого вирішення. Цей етап відіграє ключову роль у виявленні будь-яких пропущених або невдалих розрахунків, полегшуючи своєчасне вирішення проблем.

Безперервне навчання

Завдяки дослідницьким можливостям Generative AI адаптивні торгові системи впроваджують безперервне навчання на нових даних і пристосовуються до динамічних ринкових умов. Системи активно враховують зворотний зв’язок, моніторять продуктивність алгоритмів і вдосконалюють розгорнуті ML-моделі, щоб підвищити точність і ефективність. Цей ітеративний процес навчання дозволяє цим системам превентивно виявляти та запобігати більш просунутим збоям розрахунків, постійно покращуючи їхні можливості з часом.

Моніторинг у реальному часі

Завдяки інтеграції Variational Autoencoders (VAEs) генеративний AI забезпечує безперервний моніторинг у реальному часі торгових і розрахункових активностей. VAEs аналізують вхідні потоки даних, порівнюючи їх із заздалегідь визначеними правилами або порогами, та ініціюють сповіщення щодо потенційних збоїв розрахунків або розбіжностей. Ця здатність моніторингу в реальному часі полегшує своєчасне втручання та дає змогу вживати ефективних коригувальних дій, щоб запобігти або пом’якшити вплив збоїв.

Розумне контрактування

Завдяки використанню можливостей blockchain або технології розподіленого реєстру, розумні контракти для безпекових розрахунків реалізуються безшовно. Ці контракти автоматизують виконання умов і положень, зменшуючи залежність від ручного втручання та пом’якшуючи збої розрахунків, спричинені порушеннями умов договору або затримками підтвердження угод.

Моніторинг продуктивності

Завдяки використанню мереж Long Short-Term Memory (LSTM) генеративний AI підтримує комплексний моніторинг продуктивності та звітування щодо процесів розрахунків. Мережі LSTM генерують ключові показники ефективності (KPI), моніторять частки успішних розрахунків, виявляють тенденції та надають практичні висновки, щоб оптимізувати процес. Ретельно відстежуючи показники продуктивності, генеративний AI допомагає визначати можливості для покращення та зменшувати частоту збоїв розрахунків.

Інтеграція в мережу

Завдяки використанню BERT (Bidirectional Encoder Representations from Transformers) генеративний AI сприяє безперешкодній інтеграції та співпраці між учасниками ринку, зокрема фінансовими установами, кастодіанами (custodians) і кліринговими центрами (clearinghouses). BERT забезпечує безпечний обмін даними, оптимізує канали комунікації та автоматизує обмін інформацією, що призводить до зменшення ручних помилок і підвищення ефективності розрахунків у всій мережі.

Найближчими роками перспективи генеративного AI на ринках капіталу є багатообіцяючими. Оскільки технологія розвиватиметься, можна очікувати ще більших удосконалень у автоматизації процесів розрахунків, виявленні аномалій та підвищенні регуляторної відповідності. Очікується, що впровадження генеративного AI спричинить радикальні зміни в операціях ринків капіталу, що призведе до підвищення ефективності, зменшення помилок і покращення досвіду клієнтів.