آزمون‌های «فرابحران» برای مدیریت استراتژیک خزانه‌داری

در سال‌های پس از بحران مالی، وظیفه‌ی تطابق با الزامات روزافزون نظارتی بر عهده‌ی خزانه‌داری و بخش‌های مالی و ریسک بانک‌ها قرار داشته است. پیچیدگی مدیریت ریسک مالی به‌طرز قابل‌توجهی افزایش پیدا کرده و آزمون بحران در مرکز آن بوده است. نگاه استراتژیک خزانه‌داری به ریسک‌های سازمان برای مدیریت ارشد ارزش بسیاری دارد و عمل هزینه‌بر انطباق با قوانین را به یک مزیت تجاری درخور تبدیل کرده است.

با منابع وسیعی که صنعت مالی به جمع‌آوری، آماده‌سازی، مدل‌سازی و گزارش‌دهی داده اختصاص داده است، فرصت کارآمد‌تر شدن در این فرآیند و کسب خروجی‌های مفید استراتژیک تجاری بسیار بیشتر شده است. پیشرفت‌های فناوری به ما امکان می‌دهد از هوش مصنوعی (AI) و پیش‌بینی‌های تحلیلی در مقیاس و سرعتی استفاده کنیم که در گذشته امکان‌پذیر نبود.

در حال حاضر علم رباتیک و هوش مصنوعی در حال ایجاد تغییراتی وسیع در صنعت خدمات مالی هستند، برای مثال در زمینه‌ی مدیریت سرمایه‌گذاری و ثروت، مشاوران رباتیک جاگزین مشاوران سنتی شده‌اند. تغییراتی مشابه در زمینه‌ی خزانه‌داری، مالی و ریسک هم ناگزیر خواهد بود که این امر کارمندان را از شر وظایف روزمره‌ خلاص کرده و باعث می‌شود در مصرف منابع صرفه‌جویی شده و می‌توان از مجموعه‌داده‌های جمع‌آوری‌شده کسب ارزش کرد.

این مقاله به بررسی منافع بالقوه‌ی اضافه کردن شبیه‌سازی و پیش‌بینی تحلیلی به فرآیندهای بخش خزانه‌داری بانک می‌پردازد.

سرعت پیشرفت در ظرفیت پردازش و تحلیل در دهه‌ی اخیر فرصت‌های بسیاری پیش روی مدیران برای اتخاذ تصمیمات استراتژیک به روش‌های نوین قرار داده است.

چه اتفاقی روی داده است، چرا روی داده است، چه اتفاقی ممکن است بیفتد و چه اقداماتی می‌توان انجام داد تا موقعیت بانک به خطر نیفتد عواملی هستند که در شبیه‌سازی و پیش‌بینی تحلیلی مورد بررسی قرار می‌گیرند (شکل 1).

جاستین لیون، مؤسس و مدیر ارشد اجرایی شرکت سیموداین[1] می‌گوید: «می‌توان پیش‌بینی تحلیلی را به عنوان سه‌پایه‌ای درنظر گرفت. برای انجام درست آن باید سه اصل را رعایت کرد. اولی یادگیری ماشین است، رویکردی آماری که قصد دارد الگوهای داده‌ای را تشخیص دهد. دومی شبیه‌سازی محاسباتی است که شامل بازسازی دنیای واقعی در دنیایی مجازی و درک نحوه‌ی تعامل موجودیت‌ها با یکدیگر در این دنیا است. سوم، شبیه‌سازی شبکه است که شامل استفاده از نظریه‌ی گراف برای درک همبستگی‌ها در شبکه‌های پیچیده می‌شود.»

لیون اضافه می‌کند: «امروزه قدرت و منابع محاسباتی کافی برای استفاده از این تکنولوژی‌ها با سرعت و مقیاس مناسب آماده و با قیمت معقول در دسترس است. ظهور سرویس‌های محاسبات ابری در ترکیب با زیرساخت‌های محاسباتی خوشه‌ای متن‌باز بدین معنی است که پیش‌بینی‌های تحلیلی در مقیاس بالا در دسترس است. این نوع تحلیل به ما کمک می‌کند پیچیدگی را راحت‌تر درک کنیم. در دنیایی که روز‌به‌روز در‌هم‌پیچیده‌تر می‌شود، ضروری است که حلقه‌های بازخوردی را پیدا کرده و ریسک مسری که در سیستم‌های پیچیده‌مان پنهان است را پیدا کنیم.»

وظیفه‌ی قسمت‌های خزانه‌داری، مالی و ریسک مدیریت ریسک‌هایی است که به سلامت مالی سازمان مرتبط هستند. برای دستیابی به این مهم، مدل‌هایی برای ریسک‌های اعتباری، نقدینگی، وثایق و سپرده طراحی شده‌اند. این مدل‌ها مقدار قابل‌توجهی داده تولید می‌کنند که وقتی با داده‌های در سطح سازمان همچون توسعه‌ی محصول یا تحلیل مشتریان ترکیب می‌شوند، اطلاعاتی در مورد ریسک‌ها یا فرصت‌هایی ارائه می‌کنند که نه تنها بر مدیریت ریسک بلکه بر استراتژی سازمان هم تأثیر می‌گذارند (شکل 2).

در گذشته داده‌ای که در سطح سازمان قابل دسترس باشد صرفاً قسمتی کلیدی از انطباق با قوانین بود. اما امروزه که قادریم از داده برای اجرای شبیه‌سازی آینده استفاده کنیم می‌توانیم به فکر راه‌های جدیدی برای راهبری کسب‌وکارها باشیم و فقط مشغول انطباق با قوانین یا مدیریت ریسک‌های تجاری نباشیم. این برای بانک‌های فرصتی ایجاد کرده تا اصول مدیریت ریسک و چارچوب‌های نظارتی خود را به استراتژی‌های در سطح سازمان توسعه دهند.

بانک تسویه‌ی بین‌المللی (BIS) چهار کارکرد واسطه‌گری که بانک‌ها به آن مشغول هستند را به صورت زیر دسته‌بندی کرده است:

• تبدیل اعتبار
• تبدیل سررسید
• تبدیل نقدینگی
• تبدیل وثایق

به طور معمول، ریسک تا زمانی که اتفاق نیفتاده باشد شناسایی نمی‌شود و تأثیرات مرتبط یک پدیده می‌تواند تأثیرات سهمگینی بر یک شرکت داشته باشد. هر کدام از این حوزه‌های تبدیل ریسک مسیرهایی ایجاد می‌کند که از طریق آن بحران می‌تواند از بیرون به داخل بانک یا از قسمتی به قسمت دیگر بانک هدایت شود.

لیون می‌گوید: «بانک هنگام مدیریت ریسک خود و اتخاذ تصمیمات در خصوص آینده باید به چندین پرسش پاسخ دهد. اولین و مهم‌ترین سوال این است که به صورت تاریخی چه اتفاقاتی افتاده و دلایل آن‌ها چه بوده است؟ این سوال‌ها با روش‌های آماری استاندارد قابل پاسخ هستند. آمار توصیفی به شما می‌گوید چه اتفاقی افتاده است و ایده‌ای از دلیل وقوع آن ارائه می‌کند. گرچه، زمانی که می‌خواهید به سوالات دشوارتر مانند اینکه چه اتفاقی ممکن است بیفتد و ما باید چه کنیم پاسخ دهید، باید به شبیه‌سازی محاسباتی روی بیاورید. بسیاری از این روش‌ها به مسائلی بیشتر از روابط آماری اتکا می‌کنند.

همان‌طور که خودتان هم متوجه شده‌اید، گذشته همواره راهنمای خوبی برای آینده نیست. زمانی که غافلگیر می‌شویم، به‌وسیله‌ی اتفاقاتی است که در گذشته مانند آن‌ها روی نداده است. برای پیش‌بینی این وقایع، باید فیزیک آن‌ها را درک کنید. این به معنای این است که باید کل سیستمی که مشاهده می‌کنید را شبیه‌سازی و تمامی نقاط ارتباطی را بازسازی کنید، سپس کل سیستم را تحت آزمون بحران قرار دهید تا ببنید قسمت‌های محتلف چطور با هم تعامل می‌کنند. این به شما کمک می‌کند ریسک‌های بالقوه همچون ریسک اعتباری طرف قرارداد، ریسک‌های مسری یا تهدیدهای بازار را شناسایی کنید.»

عوامل به‌هم‌مرتبط کسب‌وکار بانک که فراتر از چهار حوزه‌ی انتقال ریسک BIS قرار دارند نیازمند یک چارچوب مدیریت ریسک وسیع‌تر هستند. روش‌هایی که در هر کدام از این حوزه‌ها اجرا می‌شوند معمولاً مرتبط با رویکردهای تجاری یا ریسک‌محور هستند، مفهومی که شکل قصد انتقال آن را دارد این است که تعدادی از ریسک‌های به‌هم‌مرتبط می‌تواند قابل جایگزینی باشند و این مسیرهای انتقال ریسک می‌توانند مدل‌سازی شوند.

مدل‌سازی عامل‌محور[2] طراحی شده تا بر روی طیف وسیعی از سناریوهای آزمون بحران که شامل تغییرات در الگوهای سپرده‌گذاری، تغییرات رتبه‌ی اعتباری یا شوک‌های وارده به دارایی و بدهی می‌شود، اجرا شود. این اقدام به مسئولان مدیریت دارایی و بدهی (ALM) امکان می‌دهد که حساسیت‌های ترازنامه را به‌صورت مؤثرتر درک کنند و به مدیران رده‌بالاتر اجازه می‌دهد الگوهای رفتاری محصولات و مشتریان مختلف را در جزئی‌ترین سطح مشاهده کنند. به همین منوال، این قضیه باعث می‌شود سازمان ریسک بانک بتواند آزمون‌های بحران اختصاصی‌تر طراحی کند، چرا که می‌تواند موقعیت‌هایی را که بر قسمت‌های خاصی از ترازنامه تأثیر می‌گذارند بازسازی و شبیه‌سازی کند.

در شرایط عادی کسب‌وکار[3] (BAU)، این ابزار به بانک‌ها کمک می‌کند به سمت یک مدیریت دارایی و بدهی استراتژیک واقعی حرکت کنند، زیرا 1) برای محصولات جدید یا مشتریان در حوزه‌های نو، تأثیر قابل انتظار بر خالص درآمد بهره‌ای (NII) و حاشیه‌ی خالص بهره (NIM) پیش‌بینی‌پذیرتر خواهد بود و 2) تأثیرات بر ترازنامه در اثر تغییرات در هر چیزی ناشی از عوامل مختلف داخلی و خارجی، مانند نرخ‌ها، نکول‌ها، بیکاری، تورم و غیره می‎‌تواند با وضوح بسیار بالا مدل‌سازی شود.

انعطاف‌پذیری رویکرد مدل‌سازی عامل‌محور برای اجرای آزمون بحران‌های خلاقانه ایده‌آل است. این رویکرد برای آن استفاده می‌شود که ضعیف‌ترین حلقه‌ی ارتباطی یا گلوگاه‌هایی که ممکن است به نقطه‌ی شکست سیستم در انتقال بحران به تمامی سازمان منجر شود را شناسایی کند. در حینی که نهادهای نظارتی توقعات خود از یک آزمون بحران استوار را بالاتر می‌برند، بانک‌ها باید بتوانند ریسک‌های در سطح سازمان را مدل‌سازی کرده و تأثیر آن‌ها در مواقع قبل و بعد از مدیریت بحران را شناسایی کنند (شکل 3).

ضروری است که بانک‌ها شبیه‌سازی‌های بزرگ‌مقیاس را اجرا کرده تا بتوانند پیش‌بینی‌های تحلیلی خود را به ثمر برسانند. با انجام این کار، آن‌ها کارایی گزارش‌دهی خود را افزایش داده و مدیریت ریسک استراتژیک خود را بهبود می‌بخشند.

اگر سازمانی رویکرد مدیریت ریسک در سطح سازمان را در پیش نگیرد با ریسک غافلگیرشدن مواجه است. در این حالت سازمان به جای آنکه در زمان بحران رویکردی هوشمند و سازمان‌یافته برای تصمیم‌گیری اجرایی خود در پیش بگیرد، تصمیماتی عجولانه و نادرست خواهد گرفت. بانک‌ها، شرکت‌های انرژی و نهادهای نظارتی در حال حاضر از این رویکردها استفاده می‌کنند.

با پیاده‌سازی این رویکردهای تحلیلی پیشرفته، مهندسان مالی و متخصصان علم داده سازمان در انطباق با درخواست‌های آنی نهادهای نظارتی بسیار کاراتر خواهند بود و حتی ممکن است شروع به همکاری با صاحبان ریسک برای اجرای شبیه‌سازی به‌منظور بررسی مسیرهای مختلف مدیریت ریسک، کاهش هزینه‌ی ترازنامه یا ساختاربندی کاراتر یک پایه‌ی مدیریتی وثیقه و سپرده‌پذیری نمایند (شکل 4).

در انتها، یک رویکرد خزانه‌داری استراتژیک نسبت به مدیریت دارایی و بدهی به ابزارهایی برای مدیریت ترازنامه، انطباق با قوانین و اشتهای ریسک و داشتن اطلاعات در مورد محیط پیچیده‌ای که در آن فعالیت داریم، نیاز دارد. داشتن این موارد امر انطباق با قوانین نظارتی را به یک مزیت تجاری با ارزش افزوده تبدیل می‌کند.

---

[1]  Simudyne

[2]  Agent-based modeling

[3]  Business as usual