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

З численних причин трапляються збої під час клірингу, зумовлені як ручними, так і системними факторами. Приклади таких збоїв можуть варіюватися від помилок у документації, розбіжностей у деталях, некоректної інформації щодо угоди, недостатніх коштів або технічних збоїв. Як слушно зазначив Чарифа Ель Отмані, директор стратегії капітальних ринків у Swift, рівні збоїв під час клірингу демонстрували історичну кореляцію з нестабільними ринковими умовами, що спостерігалося впродовж останніх років. Оскільки обсяги транзакцій суттєво зростають, неминуче збільшуватимуться й збої під час клірингу паралельно. Такі інциденти із збоєм є рідкісними на відносно стабільних ринках.

Суттєвий внесок у збої під час клірингу вносить людська помилка у фінансовій індустрії. Незважаючи на прогрес у технологіях, багато менших фінансових установ і надалі покладаються на ручні системи. Отже, не є незвичним, що працівники операційних підрозділів помилково вводять некоректні дані, наприклад, у разову інструкцію щодо клірингу. Ці помилки можуть мати глибокі наслідки для процесу клірингу, потенційно призводячи до невдалих транзакцій. З огляду на ручний характер таких систем ризик людської помилки залишається поширеним. Тому вирішення цієї проблеми стає критично важливим, щоб зменшити збої під час клірингу та підвищити операційну ефективність на капітальних ринках. Неефективний і нестабільний ринок часто порівнюють із явищем велосипеда, коли його негативні наслідки підтримують спадну спіраль, що призводить до тривалих наслідків і подальшого погіршення стану ринку. За словами доктора СанДжая Раджагопалана, головного стратегічного офіцера Vianai Systems, коли на ринку спостерігається висока частота збоїв, це підриває довіру учасників ринку, спонукаючи їх шукати альтернативні цінні папери, які забезпечують більшу ліквідність і стабільність. Така втрата довіри та подальший перехід інвестицій тягнуть за собою значні фінансові витрати для всіх залучених сторін.

Як видно з попередніх обговорень, критично важливо боротися зі збоєм під час безпекового клірингу, зокрема шляхом усунення ручних помилок. Запровадження штучного інтелекту (AI) постає як багатообіцяльне рішення в цьому контексті. Один із найефективніших підходів — використання генеративного AI, який має надзвичайний потенціал для вирішення цих проблем. Генеративний AI використовує машинне навчання та передові алгоритми, щоб пом’якшувати збої під час безпекового клірингу. Він автоматизує й оптимізує процеси, зменшуючи кількість ручних помилок, виявляючи аномалії, забезпечуючи точне зіставлення угод і підвищуючи операційну ефективність. Завдяки можливостям предиктивної аналітики генеративний AI дає уявлення про потенційні збої, дозволяючи вживати превентивних заходів. Загалом його застосування має великі перспективи для підвищення надійності, мінімізації ризиків і забезпечення безперешкодних транзакцій на капітальних ринках.

Наведена вище схематична діаграма ілюструє різні етапи, через які генеративний AI може ефективно вирішувати питання щодо безпекового клірингу. Тепер давайте детально розглянемо кожен етап, щоб отримати повне розуміння ціннісної пропозиції, яку він забезпечує.

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, із фокусом на контекстній обізнаності. Це передбачає 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 угод і оцінювати пов’язані з ними ризики в межах контекстно-пошукової рамки. Аналізуючи історичні патерни, ринкові тенденції та транзакційні дані, він виявляє потенційні відхилення, які можуть призводити до збоїв під час клірингу. Завдяки виявленню викидів генеративний AI ефективно виділяє угоди та рахунки з підвищеним ризиком, дозволяючи глибше дослідження та заходи з пом’якшення ризиків.

Оптимізація зіставлення угод

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

Обробка винятків

За допомогою генеративного моделювання, зокрема Generative Adversarial Networks (GANs), обробку винятків під час процесу клірингу можна покращити. Вона автономно ідентифікує та пріоритезує винятки залежно від їхньої складності, терміновості або впливу, спрощуючи робочі процеси розв’язання. Надаючи інтелектуальні рекомендації, такий підхід прискорює процес розв’язання та зменшує збої під час клірингу, спричинені винятками, які не були опрацьовані. DCGAN, відомий як Deep Convolutional GAN, визнаний одним із найвпливовіших і найефективніших впроваджень GAN, здобув значне визнання та широке поширення в цій сфері.

Предиктивна аналітика

Застосовуючи техніки генеративного моделювання, такі як Gaussian Mixture Models (GMMs), предиктивна аналітика, яку використовує генеративний AI, прогнозує збої під час клірингу та ефективно пом’якшує пов’язані ризики. Це добре відома модель (розподіл імовірностей) для генеративного неконтрольованого навчання або кластеризації   Під час аналізу історичних даних, ринкових умов і релевантних факторів виявляються патерни, що дають цінні уявлення про вразливі зони, пов’язані з торгівлею. Це дає змогу вживати превентивні дії, наприклад коригувати обсяги транзакцій, змінювати вимоги до застави або впроваджувати попередньо задані перевірки до початку клірингу, щоб запобігати збоям заздалегідь.

Регуляторна відповідність

У сфері формування регуляторної звітності Large Language Models (LLMs) виявляються вкрай корисними для збереження відповідності протягом усього процесу клірингу. LLMs аналізують дані угод за відповідними регуляторними рамками, виявляють потенційні проблеми невідповідності та генерують всеосяжні звіти, щоб виконати регуляторні вимоги. Завдяки проактивному вирішенню питань відповідності LLMs суттєво знижують ризик збоїв під час клірингу, спричинених порушеннями регуляторних норм, одночасно гарантуючи точну та повну звітність.

звірка

Спираючись на можливості Recurrent Neural Networks (RNNs), генеративний AI виконує пост-клірингові завдання аудиту та звірки, щоб забезпечити точність і повноту вже клірингових транзакцій. Порівнюючи дані щодо клірингових угод із відповідними точками даних від різних клірингових учасників, RNNs підсвічують розбіжності, спрощуючи процес звірки для швидкого розв’язання. Цей етап відіграє ключову роль у виявленні будь-яких пропущених або невдалих клірингових операцій, сприяючи своєчасному розв’язанню.

Безперервне навчання

Завдяки дослідницьким можливостям Generative AI адаптивні торгові системи переймають безперервне навчання на основі нових даних і пристосовуються до динамічних ринкових умов. Системи активно враховують зворотний зв’язок, моніторять продуктивність алгоритмів і вдосконалюють розгорнуті моделі машинного навчання, щоб підвищити точність і ефективність. Цей ітераційний процес навчання дає змогу цим системам проактивно виявляти та запобігати більш просунутим збоям під час клірингу, постійно покращуючи свої можливості з часом.

Моніторинг у реальному часі

Завдяки інтеграції Variational Autoencoders (VAEs), генеративний AI забезпечує безперервний моніторинг у реальному часі торговельних та клірингових активностей. VAEs аналізують потоки вхідних даних, порівнюють їх із заздалегідь визначеними правилами або порогами та запускають сповіщення щодо потенційних збоїв під час клірингу або розбіжностей. Ця можливість моніторингу в реальному часі полегшує своєчасне втручання та дає змогу ефективно виконувати коригувальні дії, щоб запобігти або зменшити вплив збоїв.

Інтелектуальне укладання контрактів

Завдяки використанню можливостей blockchain або технології розподіленого реєстру інтелектуальні контракти для безпекового клірингу впроваджуються безперешкодно. Ці контракти автоматизують виконання умов і положень, зменшуючи залежність від ручного втручання та пом’якшуючи збої під час клірингу, спричинені порушеннями умов контракту або затримками підтвердження угод.

Моніторинг продуктивності

Спираючись на Long Short-Term Memory (LSTM) Networks, генеративний AI підтримує повноцінний моніторинг продуктивності та звітування щодо процесів клірингу. LSTM Networks генерують ключові показники ефективності (KPIs), відстежують рівень успішності клірингу, виявляють тенденції та надають практичні інсайти для оптимізації процесу. Завдяки тісному моніторингу метрик продуктивності генеративний AI допомагає визначати можливості для покращення та зменшувати частоту збоїв під час клірингу.

Інтеграція в мережу

Завдяки використанню BERT (Bidirectional Encoder Representations from Transformers), генеративний AI сприяє плавній інтеграції та співпраці між учасниками ринку, включно з фінансовими установами, кастодіанами та кліринговими центрами. BERT забезпечує безпечний обмін даними, спрощує канали комунікації та автоматизує обмін інформацією, що призводить до зменшення кількості ручних помилок і підвищення ефективності клірингу в усій мережі.

Попереду відкриваються перспективи генеративного AI на капітальних ринках, і вони виглядають багатообіцяльними. У міру розвитку технології можна очікувати ще більших удосконалень у автоматизації процесів клірингу, виявленні аномалій та підвищенні регуляторної відповідності. Очікується, що впровадження генеративного AI спричинить радикальні зміни в операціях капітальних ринків, що приведе до зростання ефективності, зменшення помилок і покращення клієнтського досвіду.