تصویر پیش‌بینی نسبت پوشش نقدینگی (LCR) به‌وسیله‌ی هوش مصنوعی
۴ آبان ۱۴۰۰

پیش‌بینی نسبت پوشش نقدینگی (LCR) به‌وسیله‌ی هوش مصنوعی

نسبت پوشش نقدینگی (LCR)، که در حال حاضر تنها الزام ستون ۱ در زمینه‌ی ریسک نقدینگی است، یکی از مهم‌ترین شاخص‌های نظارتی بانک‌هاست. نهاد نظارتی بانک‌داری اروپا نسبت پوشش نقدینگی LCR را در سال ۲۰۱۴ به این منظور معرفی کرد که بانک‌ها بتوانند در صورت وقوع یک بحران فراگیر مالی تا ۳۰ روز دوام بیاورند و زمان کافی برای مقابله با بحران را داشته باشند. به همین منظور، بانک‌ها ملزم بودند جریان‌های نقدی خروجی خود طی ۳۰ روز آینده را با دارایی‌های نقد باکیفیت پوشش دهند.

این مقاله بر پیش‌بینی نسبت پوشش نقدینگی LCR با استفاده از هوش مصنوعی (AI) تمرکز دارد. هوش مصنوعی کیفیت پیش‌بینی LCR را بهبود بخشیده و نتیجتاً کیفیت مدیریت نسبت پوشش نقدینگی LCR را افزایش می‌دهد.

اگر نیاز به آشنایی بیشتر با مفهوم نسبت پوشش نقدینگی دارید، پیشنهاد می‌شود اول مقاله‌ی نسبت پوشش نقدینگی یا LCR چیست را مطالعه بفرمایید.


سامانه‌ی مدیریت ریسک نقدینگی ساتراپ به مدیران ریسک امکان می‌دهد به راحتی با تعیین فیلترهای مد نظر خود روی داده‌های بانک، گزارش نسبت پوشش نقدینگی (LCR) را برای تاریخ‌های دلخواه خود برای گزارش به نهادهای نظارتی همچون بانک مرکزی استخراج کنند.


ایجاد تعادل میان الزامات نظارتی و کارایی اقتصادی

از ژانویه‌ی ۲۰۱۸، حداقل میزان نسبت پوشش نقدینگی روی ۱۰۰% تنظیم شده است. اما نگهداری دارایی‌های نقد باکیفیت تبعات اقتصادی آنی داشته است: بازده‌ی پایین‌تر این دارایی‌های فشاری مضاعف بر قدرت سودآوری موسسات مالی در این وضعیت نرخ بهره‌ی پایین‌ بازار داشته است. وضعیت تعادلی می‌تواند نگاه داشتن LCR در سطحی کمی پایین‌تر از کمینه‌ی نظارتی و حفظ این وضعیت در تمامی مواقع باشد.

در نتیجه مدیریت کارآمد LCR نیازمند نسبت پوشش نقدینگی است که تا جای ممکن پایدار و کیفیت پیش‌بینی آن بسیار بالا باشد. ارزیابی نوسان LCR باید تأثیرات درون‌ماهی را هم در نظر بگیرد که، طبق تحقیقات انجام‌شده، به‌خصوص در موسسات کوچک‌تر، تا حد بسیار کمی اجرا می‌شود. نوسانات طبیعی LCR به مدل کسب‌وکار هر موسسه و ساختار و طراحی محصولات بستگی دارد. گرچه در عمل، موسسات معمولاً پایه‌ای‌ترین حالت پیش‌بینی LCR را پیاده‌سازی کرده و گاهاً برخی موسسات از این کار هم دریغ کرده‌اند. اما حتی موسسات بزرگ‌تر هم در دستیابی به کیفیت مناسب در پیش‌بینی با مشکلات قابل‌توجهی روبرو هستند. پیش‌بینی LCR با هوش مصنوعی پیشرفت قابل توجهی در کیفیت پیش‌بینی LCR و نتیجتاً مدیریت LCR به وجود می‌آورد.

تأثیرات مثبت قابل‌توجه بر سود در اثر استفاده از هوش مصنوعی در پیش‌بینی LCR

استفاده از هوش مصنوعی در پیش‌بینی LCR سه مزیت عمده در بر دارد:

  1. مزیت اقتصادی

اصلی‌ترین مزیت اقتصادی ناشی از این موضوع است که پیش‌بینی دقیق‌تر LCR امکان تعیین مقدار پایین‌تری از LCR به عنوان هدف و حفظ انظباق با قوانین را به موسسه می‌دهد. کاهش سبد دارایی‌های باکیفیت LCR راه را برای کسب دارایی‌های با سودآوری بالاتر باز می‌کند. همچنین در گرفتن محدوده‌ی زمانی بیشتری برای برنامه‌ریزی، گستره‌ی ابزارهای در اختیار مدیریت را بیشتر کرده و در انتخاب و پیاده‌سازی راهکارها صرفه‌جویی بیشتری رخ می‌دهد.

۲. ارزیابی SREP و الزامات نظارتی

بر اساس دستورالعمل‌های بانک مرکزی اروپا، موسسات ملزم‌اند شرایط بحرانی نقدینگی را در مراحل اولیه‌ی وقوع آن تشخیص داده و روند توسعه‌ی آن را پیش‌بینی کنند. استفاده از هوش مصنوعی دقت پیش‌بینی‌های LCR را افزایش می‌دهد، که به موسسات امکان می‌دهد LCR را با توجه به حد داخلی LCR خود تنظیم کنند و در نتیجه نوسانات LCR را به حداقل برسانند.

۳. تجربه‌ی هوش مصنوعی به عنوان یک مزیت رقابتی در تحول دیجیتال

استفاده از هوش مصنوعی یکی از قسمت‌های اصلی فرآیند تحول دیجیتال صنعت بانکداری است. برای مثال بانک مرکزی آلمان (BaFin)، با توجه به تجریبات خود به این نتیجه رسیده است و به بانک‌های زیرمجموعه‌ی خود علاقه و اشتیاق خود را در این زمینه اعلام کرده است. در نتیجه بانک‌ها باید توسعه‌ی این راهکارها را در دستور کار خود قرار دهند و واضح است بانک‌هایی که زودتر از بقیه به این مهم دست پیدا کنند از مزیت رقابتی مهمی برخوردار خواهند بود.

مدل فرآیند به عنوان عاملی کلیدی در کاربردهای هوش مصنوعی

ساده‌ترین اشکال هوش مصنوعی به‌گونه‌ای طراحی شده‌اند که با کمک مدلی خاص (مانند مدل‌های رگرسیون) پارامترهایی از داده استخراج کنند، اما مدل‌های پیچیده‌تر یادگیری ماشین و یادگیری عمیق اصول خاصی ندارند و فقط داده‌ای که نتیجه‌ی نهایی است را ارائه می‌کنند و خود هوش مصنوعی مدل را تشخیص می‌دهد. همان‌طور که در شکل ۱ نمایش داده شده است، عبارت «هوش مصنوعی» شامل تمامی حالات یادگیری ماشین می‌شود که هدف‌شان شبیه‌سازی الگوهای فکری انسان می‌باشد. یادگیری ماشین و یادیگری عمیق می‌توانند به عنوان زیرمجموعه‌های هوش مصنوعی در نظر گرفته شوند.

شکل ۱. دسته‌بندی‌ الگوریتم‌های هوش مصنوعی

دسته‌بندی دقیق‌تر روش‌های هوش مصنوعی را می‌توان بر اساس طبیعت «یادگیری» آن‌ها دسته‌بندی کرد. هدف روش‌های یادگیری تحت نظارت این است که خروجی از پیش‌تعیین‌شده‌ای (مانند عدد، دسته‌بندی یا غیره) را بر اساس اصولی خاص از داده استخراج کنند، اما تمرکز روش‌های نظارت‌نشده (unsupervised) بر درک داده است. برای مثال، خوشه‌بندی در تعریف اول ما قرار نمی‌گیرد (مثال‌های بیشتر در شکل ۲ مشاهده کنید).

شکل ۲. دسته‌بندی الگوریتم‌های هوش مصنوعی بر اساس نوع یادگیری

مدل فرآیند در توسعه‌ی کاربردهای هوش مصنوعی ارزشمند واقع شده است و استفاده از آن نتایج مثبت آنی به دست می‌دهد. برای موفقیت این مدل باید محدوده‌ی اثر آن را محدود کرد. این مدل مفروضاتی بر تأثیر متغیرهای مختلف در مقدار آتی LCR را بررسی می‌کند. با توجه به چارچوب ساختاری، باید بررسی کرد که داده‌ی مورد نیاز در شکل مطلوب در دسترس هستند و از نظر قانونی استفاده از آن‌ها مشکلی نداشته باشد. بر اساس داده‌ی انتخاب‌شده، روش‌های مطلوب محدود می‌شوند و در نهایت نتایج آن‌ها با هم مقایسه می‌شود. مرجع مقایسه برای کیفیت پیش‌بینی یا داده‌های تاریخی هستند یا نتایج یک رویکرد فعلی. علاوه بر کیفیت پیش‌بینی، معیارهای همچون قابلیت ردگیری، امکان استفاده از مدل و دشواری پیاده‌سازی مدل نیز باید مد نظر قرار گیرند.

ارزیابی پیش‌بینی LCR

با در نظر گرفتن الزامات مختص بانک، طبیعت و پیچیدگی مدل کسب‌وکار و منابع موجود، سطوح مختلفی از پیش‌بینی LCR به‌وسیله‌ی هوش مصنوعی قابل دستیابی است. این سطوح بر اساس جزئیات داده و رویکرد مدل‌سازی مورد استفاده تعیین می‌شود. شکل ۳ طرحی کلی از سطوح مختلف پیش‌بینی LCR را نمایش می‌دهد، که طبق آن سطوح بالاتر شامل تحلیل داده از سطوح قبل خود می‌شود.

شکل ۳. سطح جزئیات داده‌های در دسترس برای پیش‌بینی LCR

سطح ۱: داده‌ی روزانه‌ی LCR

به عنوان یک اصل، موسسات در حال حاضر می‌توانند یک سطح پایه از پیش‌بینی LCR را بر اساس قالب‌های مشخص نهادهای نظارتی ارائه کنند. برای این کار باید اطلاعات مورد نیاز گزارش LCR را برای یک بازه‌ی طولانی، مثلاً سه سال، را در اختیار داشته باشند. می‌توان با افزودن داده‌های خرد تراکنش‌ها نیز کیفیت پیش‌بینی را افزایش داد.

تحلیل سری زمانی موقعیت‌های مختلف گزارش‌دهی می‌تواند الگوهای دوره‌ای را نمایان سازد. نوسانات فصلی ناشی از اتفاقات معمول هستند، مثلاً افزایش مصرف در زمان تعطیلی‌ها.

علاوه بر روش‌های سنتی، مانند رگرسیون‌های خطی، روش‌های تحلیل آماری مدرن نیز برای شناسایی روندها مورد استفاده قرار می‌گیرند. در مقایسه با مدل‌های قدیمی، مدل‌های مدرن در یافتن تاثیرات فصلی موفق‌تر عمل می‌کنند. گرچه، کیفیت پیش‌بینی ارتباط بالایی با داده‌ی ورودی دارد. از آن جایی که این داده‌ها فقط به صورت تجمعی در سطح ۱ وجود دارند، مزیت مدل‌های مدن در مقابل مدل‌های سنتی محدود است.

سطح ۲: بهبود توسط داده‌های مشتری‌ها، حساب‌ها و بازار

برای بهبود کیفیت پیش‌بینی LCR، داده‌های مشتری (سن، درآمد، امتیاز اعتباری و غیره)، حساب‌ (تراز، محدودیت اعتباری و غیره) و بازار (نرخ بهره، تولید ناخالص داخلی و غیره) نیز به تحلیل‌ها اضافه می‌شوند.

استفاده از اطلاعات مشتری و حساب به ما امکان می‌دهد وضعیت مشتریان را بر اساس مشخصات رفتاری تفکیک کرده و مشتریان را در خوشه‌های همگن قرار دهند. یادگیری رفتار معمول جریان‌های نقدی این خوشه‌ها می‌تواند دقت پیش‌بینی را به‌طرز قابل‌توجهی بهبود ببخشد. علاوه بر اطلاعات داخلی بانک، تحلیل می‌تواند شامل داده‌های خارجی بازار نیز باشد. برای مثال، سطح نرخ بهره، منحنی نرخ بازده یا حتی تولید ناخالص داخلی از جمله عوامل موثر هستند و کیفیت پیش‌بینی LCR را افزایش می‌دهند.

سطح ۳: بهبود توسط داده‌ی تراکنش‌ها

تحلیل سطح ۳ داده‌های تراکنش‌ها را نیز شامل می‌شود. اطلاعات، برای مثال درکانال تراکنش‌ها (کارت‌های اعتباری، کارت‌های بانکی، برداشت مستقیم و غیره)، دسته‌بندی پرداخت (دستمزدها/حقوق‌ها، وام مسکن، خرج‌کردهای مصرفی و غیره) یا حتی اطلاعات تماس مشتریان می‌توانند مورد توجه واقع شوند. با استفاده از یادگیری ماشین می‌توان داده‌های تراکنش‌ها را دسته‌بندی کرد (برای مثال بر اساس الگوهای پرداخت) که شناسایی و پیش‌بینی تغییرات در رفتار مشتری را امکان‌پذیر می‌کند. بر خلاف سطح ۲، مدل در سطح تک‌تک مشتریان آموزش داده می‌شود. این به تحلیلگر امکان می‌دهد جریان‌های نقد را برای تک‌تک حساب‌ها پیش‌بینی کرده و به بالاترین سطح کیفیت پیش‌بینی دست پیدا کند.

سطح ۳ نمی‌تواند به تنهایی بهینه‌ترین هدف پیش‌بینی LCR را ارائه کند. در عوض پیشنهاد می‌شود رویکردی ترکیبی اتخاذ شود که مزیت‌ها و مضرات سطوح مختلف را در حالتی بهینه یکسان کند. تا حد زیادی، سطح ریزدانگی داده‌ها توسط ویزگی‌های خاص هر شرکت و نوسانات و شدت موقعیت‌های LCR تعیین می‌شود.

مدیریت LCR به کمک پیش‌بینی بر اساس هوش مصنوعی مزیت‌های هزینه‌ای و رقابتی ایجاد می‌کند

پیش‌بینی LCR به‌وسیله‌ی هوش مصنوعی به بانک‌ها امکان می‌دهد توانایی‌های بالقوه‌ی سودآوری را شناسایی کنند و مدیریت ریسک را به‌طرز قابل‌توجهی بهبود بخشند. همچنین پیش‌بینی خودکار LCR بار را از دوش منابع مدیریت ریسک کم می‌کند و تا حد زیادی انعطاف‌پذیر است. علاوه بر یکپارچه‌سازی داده‌های تاریخی، پیش‌بینی LCR می‌تواند در ترکیب با تحلیل سناریو روندهای مشاهده‌نشده‌ی گذشته را شبیه‌سازی کند (فرضیات برنامه‌ریزی، وقایع قوی سیاه و غیره). موارد استفاده‌ی این چنینی هوش مصنوعی یکی از قسمت‌های اصلی تحول دیجیتال و پایه‌ای مهم در رقابت‌پذیری بانک است.

افزودن دیدگاه