Analizy w zakresie zarządzania majątkiem oparte na sztucznej inteligencji

Sztuczna inteligencja zapewnia doradcom finansowym dostęp do większej ilości danych, szybszą analizę oraz coraz bardziej szczegółowy wgląd w portfele klientów. Jej wartość nie będzie jednak mierzona ilością informacji, które jest w stanie przetworzyć. Prawdziwym sprawdzianem będzie to, czy firmy potrafią przekształcić te informacje w lepsze decyzje bez uszczerbku dla odpowiedzialności, bezpieczeństwa czy zaufania klientów.

Analizy oparte na sztucznej inteligencji wykroczyły już daleko poza podstawowe rekomendacje dotyczące portfela, które kojarzyły się z pierwszą generacją robo-doradców. Doradcy finansowi wykorzystują obecnie tę technologię do monitorowania ryzyka, konsolidacji informacji finansowych, analizy rynków oraz identyfikowania zmian w sytuacji klientów.

Skala tych możliwości jest ogromna. Firma PwC szacuje, że do 2030 roku sztuczna inteligencja może wnieść do światowej gospodarki nawet 15,7 biliona funtów. Usługi finansowe będą prawdopodobnie należeć do sektorów, na które wpływ ten będzie największy, ponieważ znaczna część ich działalności opiera się na analizowaniu danych, rozpoznawaniu wzorców i podejmowaniu decyzji w warunkach niepewności.

Jednak technologia ta nie eliminuje niepewności związanej z inwestowaniem. Zmienia jedynie tempo, w jakim instytucje mogą ją analizować.

Od zautomatyzowanych portfeli po infrastrukturę analityczną

Początkowe zastosowania sztucznej inteligencji w zarządzaniu majątkiem miały stosunkowo wąski zakres. Robo-doradcy wykorzystywali algorytmy do oceny tolerancji ryzyka, tworzenia portfeli oraz rebalansowania portfeli zgodnie z wcześniej ustalonymi zasadami.

Platformy te obniżyły koszty podstawowego zarządzania inwestycjami i sprawiły, że zdywersyfikowane portfele stały się dostępne dla szerszego grona klientów. Ich możliwości analityczne ograniczały się jednak zazwyczaj do ustrukturyzowanych informacji finansowych i standardowych modeli inwestycyjnych.

Dzisiejsze systemy obsługują znacznie szerszy zakres zadań. Potrafią łączyć dane dotyczące portfela z cenami rynkowymi, raportami spółek, wskaźnikami ekonomicznymi, wiadomościami i innymi informacjami zewnętrznymi. Dzięki przetwarzaniu języka naturalnego mogą analizować teksty, a modele uczenia maszynowego wyszukują zależności, które trudno byłoby wykryć przy pomocy tradycyjnych metod analizy.

Dzięki temu proces inwestycyjny staje się bardziej dynamiczny. Zamiast opierać się głównie na okresowych przeglądach portfela, doradcy mogą monitorować ekspozycje i czynniki ryzyka w miarę pojawiania się nowych informacji.

To rozróżnienie jest istotne. Sztuczna inteligencja nie jest już jedynie zautomatyzowanym kanałem dystrybucji. Staje się ona częścią infrastruktury analitycznej stanowiącej podstawę decyzji inwestycyjnych.

BlackRock pokazuje skalę tej zmiany

Platforma Aladdin firmy BlackRock jest często podawana jako przykład zarządzania portfelem opartego na technologii. System ten łączy w jednym środowisku narzędzia do analizy portfela, monitorowania ryzyka, zawierania transakcji oraz narzędzia operacyjne.

Aladdin nie jest zwykłym produktem opartym na sztucznej inteligencji i nie zajmuje się samodzielnym prognozowaniem rynków. Jego znaczenie polega na integracji ogromnych ilości danych inwestycyjnych w ramach jednej platformy analitycznej.

Zarządzający portfelami mogą korzystać z platformy, aby przeanalizować, w jaki sposób zmiany stóp procentowych, kursów walut lub cen aktywów mogą wpłynąć na poszczególne pozycje w portfelu. Mogą oni testować różne scenariusze, monitorować koncentrację aktywów oraz oceniać ryzyko w portfelach obejmujących wiele klas aktywów.

Uczenie maszynowe może poszerzyć te możliwości poprzez wykrywanie wzorców w danych historycznych i danych zbieranych w czasie rzeczywistym. Wyniki takiej analizy mogą pomóc zespołom inwestycyjnym w szybszym wykrywaniu słabych punktów lub w porównaniu szerszego zakresu możliwych scenariuszy.

Model ten pokazuje również, dlaczego skala ma znaczenie. Duże firmy zarządzające aktywami mają dostęp do obszernych zbiorów danych, wyspecjalizowanej kadry oraz kapitału niezbędnego do tworzenia zaawansowanych systemów. Mniejsze firmy zarządzające majątkiem częściej pozyskują podobne możliwości za pośrednictwem zewnętrznych dostawców technologii.

Więcej danych, ale niekoniecznie większa przejrzystość

Według serwisu Statista światowy rynek sztucznej inteligencji w sektorze finansowym miał rosnąć w latach 2021–2025 o około 231 mld dolarów rocznie. Wzrost ten wynika zarówno z postępu technologicznego, jak i z dążenia instytucji finansowych do czerpania większej wartości z posiadanych danych.

Systemy sztucznej inteligencji potrafią przetwarzać informacje pochodzące ze źródeł, które wcześniej trudno było uwzględnić w analizie portfela. Mogą to być między innymi nastroje w mediach społecznościowych, wydarzenia geopolityczne, zdjęcia satelitarne oraz nieustrukturyzowane informacje publikowane przez przedsiębiorstwa.

Takie dane mogą wzbogacić analizy inwestycyjne. Mogą jednak również wprowadzać zakłócenia.

Aktywność w mediach społecznościowych może odzwierciedlać raczej chwilowe emocje niż zasadnicze zmiany. Analiza wiadomości może prowadzić do błędnej interpretacji kontekstu. Wydarzenia geopolityczne rzadko mają jeden, przewidywalny wpływ na rynki.

Nie należy zatem mylić zdolności do przetwarzania większej ilości informacji ze zdolnością do trafnego prognozowania. Modele mogą wskazywać na zależności, które zanikają wraz ze zmianą warunków rynkowych. Mogą one również dostarczać precyzyjnych wyników liczbowych w odniesieniu do założeń, które pozostają w dużym stopniu niepewne.

Wartość sztucznej inteligencji polega między innymi na poszerzeniu zakresu analizy. Odpowiedzialność za ocenę, które informacje są istotne, spoczywa na specjalistach ds. inwestycji.

Analiza w czasie rzeczywistym zmienia tempo podejmowania decyzji

Tradycyjne procesy zarządzania majątkiem często opierają się na sprawozdaniach miesięcznych lub kwartalnych. W rezultacie doradcy i klienci mogą dysponować informacjami, które są już nieaktualne.

Systemy oparte na sztucznej inteligencji mogą na bieżąco analizować portfele. Zmiany cen rynkowych, zmienności lub korelacji mogą niemal natychmiast znaleźć odzwierciedlenie w ocenach ryzyka.

Może to umożliwić firmom szybsze reagowanie na pojawiające się problemy. System mógłby wykryć, że kilka pozornie niepowiązanych ze sobą inwestycji stało się narażonych na to samo ryzyko stopy procentowej, walutowe lub płynnościowe. Mógłby również wykryć, że portfel klienta wykroczył poza uzgodnione limity w wyniku gwałtownego ruchu na rynku.

Szybkość jest przydatna, ale może wywoływać presję, by działać w sytuacji, w której lepiej byłoby zachować powściągliwość.

Inwestorzy długoterminowi nie muszą podejmować działań handlowych w reakcji na każdą zmianę warunków rynkowych. Częste sygnały mogą skłaniać do niepotrzebnych interwencji i podważać starannie opracowaną strategię.

Dlatego też doradcy finansowi muszą odróżniać informacje, które wymagają podjęcia działań, od tych, które jedynie opisują krótkoterminowe wahania.

Personalizacja wykracza poza kwestionariusze dotyczące ryzyka

Jednym z najsilniejszych argumentów przemawiających za sztuczną inteligencją jest to, że może ona zapewnić bardziej spersonalizowane doradztwo inwestycyjne.

W tradycyjnym podejściu do tworzenia portfela inwestycyjnego klientów często dzieli się na szerokie kategorie w oparciu o wiek, stan majątkowy i tolerancję na straty. Systemy oparte na sztucznej inteligencji mogą potencjalnie uwzględniać znacznie szerszy zakres zmiennych, w tym dochody, wzorce wydatków, wymagania dotyczące płynności finansowej, obciążenia podatkowe oraz harmonogram przyszłych zobowiązań finansowych.

W rezultacie można uzyskać portfel, który będzie lepiej dostosowany do rzeczywistej sytuacji klienta.

W przypadku zamożnych rodzin personalizacja może również obejmować konsolidację złożonych aktywów. Papiery wartościowe notowane na giełdzie, spółki prywatne, nieruchomości, zobowiązania finansowe i przedmioty kolekcjonerskie mogą być rozproszone między kilkoma bankami i jurysdykcjami. Platformy oparte na sztucznej inteligencji mogą pomóc w uporządkowaniu tych informacji oraz zidentyfikowaniu ekspozycji, które nie są widoczne na poszczególnych rachunkach.

Jednak personalizacja zależy od dokładnych i aktualnych danych. Jeśli wartość majątku prywatnego jest wyceniana rzadko lub cele klienta są słabo udokumentowane, wynikająca z tego analiza może stwarzać fałszywe wrażenie dokładności.

System może dokonywać obliczeń wyłącznie na podstawie otrzymanych informacji. Nie jest w stanie ustalić, czy klient pominął jakieś istotne szczegóły, ani czy podane preferencje odzwierciedlają jego zachowanie w sytuacji kryzysu rynkowego.

Automatyzacja zmienia sposób pracy doradców

Sztuczna inteligencja pozwala skrócić czas poświęcany na rutynowe zadania, takie jak gromadzenie danych, sporządzanie raportów dotyczących portfela, klasyfikacja dokumentów oraz przygotowywanie spotkań.

Dzięki temu doradcy zyskują więcej czasu na zadania, które trudno zautomatyzować: omawianie priorytetów rodzinnych, wyjaśnianie kompromisów oraz pomaganie klientom w podejmowaniu decyzji w sytuacjach, gdy towarzyszy im silny stres emocjonalny.

Zmiana ta może przyczynić się do wzrostu wydajności, zwłaszcza w firmach, w których wysoko wykwalifikowani doradcy wciąż poświęcają sporo czasu na ręczne gromadzenie informacji.

Może to również podnieść oczekiwania klientów. Gdy technologia pozwoli na niemal natychmiastowe generowanie podsumowań portfeli i analiz rynkowych, klienci będą mniej skłonni do płacenia wyższych opłat za prace administracyjne.

Doradcy będą musieli wykazać swoją wartość poprzez interpretację, a nie tylko dostęp do informacji. Ich rola będzie w coraz większym stopniu polegać na weryfikowaniu wniosków generowanych przez sztuczną inteligencję, umieszczaniu ich w odpowiednim kontekście oraz wyjaśnianiu, dlaczego dana rekomendacja jest odpowiednia dla klienta.

Wymaga to innego zestawu umiejętności. Znajomość zagadnień finansowych pozostaje niezbędna, ale doradcy muszą również rozumieć założenia i ograniczenia systemów, z których korzystają.

Modele uczą się na podstawie niekompletnych danych historycznych

Modele uczenia maszynowego są często opisywane jako stale ulepszające się w miarę przetwarzania coraz większej ilości danych. W praktyce jednak poprawa ta nie następuje ani automatycznie, ani nie jest trwała.

Rynki finansowe ulegają zmianom. Przepisy są modyfikowane, systemy monetarne ulegają zmianom, a zachowania inwestorów dostosowują się do nowych warunków. Zależność, która wydawała się niezawodna w danych historycznych, może ulec osłabieniu lub odwróceniu.

Modele mogą również przejmować błędy wynikające z informacji wykorzystanych do ich szkolenia. Jeśli wcześniejsze decyzje opierały się na ograniczonych założeniach dotyczących zachowań klientów lub ryzyka, system oparty na sztucznej inteligencji może powielać te schematy na większą skalę.

Ma to szczególne znaczenie w przypadku oceny adekwatności oraz segmentacji klientów. Zautomatyzowane systemy nie powinny wykluczać klientów ani stawiać ich w niekorzystnej sytuacji na podstawie korelacji, których firmy nie są w stanie wyjaśnić ani uzasadnić.

Dlatego też niezbędne jest regularne testowanie. Doradcy finansowi muszą porównywać wyniki modeli z rzeczywistymi wynikami, analizować nieoczekiwane zachowania oraz określać, kiedy system należy ponownie przetrenować lub wycofać.

Nadzór ze strony ludzi nie powinien ograniczać się do zatwierdzania zaleceń po ich opracowaniu. Musi on obejmować również projektowanie, testowanie i zarządzanie samym procesem analitycznym.

Regulacja będzie zgodna z łańcuchem decyzyjnym

W miarę jak sztuczna inteligencja zyskuje na znaczeniu, organy regulacyjne będą prawdopodobnie zwracać większą uwagę na to, jak wyniki generowane przez systemy automatyczne wpływają na klientów.

Obowiązujące zobowiązania nie wygasają tylko dlatego, że zalecenie opiera się na algorytmie. Firmy nadal muszą zadbać o to, by doradztwo było odpowiednie, komunikacja była jasna, a dane klientów były chronione.

Muszą również ustalić, kto ponosi odpowiedzialność w przypadku, gdy decyzja podjęta przy pomocy sztucznej inteligencji spowoduje szkodę. Odpowiedzialność może spoczywać na doradcy finansowym, dostawcy oprogramowania, dostawcy danych oraz pracownikach korzystających z systemu.

Ta złożoność sprawia, że dokumentacja ma kluczowe znaczenie. Firmy powinny być w stanie wyjaśnić, jakie dane zostały wykorzystane, w jaki sposób wynik wpłynął na ostateczną rekomendację oraz w których momentach procesu uwzględniono ludzką ocenę.

W przypadku złożonych modeli pełna przejrzystość techniczna nie zawsze jest możliwa. Jednak doradca finansowy powinien mimo to być w stanie w zrozumiały sposób wyjaśnić, dlaczego podjęto daną decyzję.

Klienci nie muszą rozumieć każdego wiersza kodu. Muszą jednak wiedzieć, na jakich zasadach zarządzane są ich pieniądze.

Kwestie bezpieczeństwa ograniczają chęć do eksperymentowania

Analizy oparte na sztucznej inteligencji wymagają dostępu do szczegółowych danych finansowych i osobowych. Te same dane, które zwiększają użyteczność usługi, sprawiają jednocześnie, że staje się ona bardziej wrażliwa.

Osoby zarządzające majątkiem muszą rozważyć, gdzie przechowywane są informacje, które systemy mają do nich dostęp oraz czy zewnętrzni dostawcy rozwiązań opartych na sztucznej inteligencji wykorzystują dane klientów do udoskonalania własnych modeli.

Cyberbezpieczeństwo to tylko jeden z aspektów tego problemu. Firmy narażone są również na ryzyko związane z przypadkowym ujawnieniem danych, nieprawidłowymi uprawnieniami oraz wprowadzaniem przez pracowników poufnych informacji do nieodpowiednich narzędzi.

Klienci z segmentu prywatnego majątku mogą posiadać udziały w firmach rodzinnych, funduszach powierniczych oraz przyszłych transakcjach, o których opinia publiczna nie wie. Wyciek danych może pociągać za sobą konsekwencje handlowe, prawne i osobiste, znacznie wykraczające poza wartość danego konta.

Instytucje muszą zatem wprowadzić rygorystyczne kontrole zatwierdzonych systemów i dozwolonych przypadków użycia. Eksperymenty nie mogą odbywać się kosztem poufności.

Przewaga konkurencyjna zależy od realizacji

Firma Gartner prognozuje, że do 2026 r. 75% strategii inwestycyjnych będzie opierać się na analizach opartych na sztucznej inteligencji. Dokładna liczba wymaga weryfikacji, ale kierunek ten wydaje się prawdopodobny: zautomatyzowana analiza staje się coraz powszechniejsza w sektorze usług finansowych.

Wraz z upowszechnianiem się dostępu do narzędzi opartych na sztucznej inteligencji sama technologia będzie miała coraz mniejsze znaczenie jako czynnik wyróżniający. Konkurujące ze sobą firmy mogą korzystać z podobnych modeli, danych rynkowych i platform zewnętrznych.

Korzyść wynikać będzie z wdrożenia.

Podmioty zarządzające majątkiem, dysponujące skonsolidowanymi danymi, doświadczonymi doradcami i przejrzystym systemem zarządzania, będą miały lepsze warunki do skutecznego wykorzystania sztucznej inteligencji. Firmy działające w oparciu o nieuporządkowane dane i słabo zintegrowane systemy mogą po prostu zautomatyzować istniejące słabe punkty.

Najbardziej skuteczne instytucje raczej nie będą w całości przekazywać decyzji inwestycyjnych maszynom. Nie będą też traktować sztucznej inteligencji jako jedynie kosmetycznego dodatku do tradycyjnych usług.

Będą korzystać z tej technologii w sposób wybiórczy: do porządkowania informacji, sprawdzania portfeli, monitorowania ryzyka oraz przygotowywania doradców do bardziej merytorycznych rozmów z klientami.

Analizy oparte na sztucznej inteligencji mogą sprawić, że zarządzanie majątkiem stanie się szybsze, bardziej elastyczne i dokładniejsze. Nie są one jednak w stanie określić, które cele finansowe są dla danej rodziny najważniejsze ani na jaki poziom niepewności klient jest rzeczywiście gotowy się zgodzić.

To kwestie wymagające osądu. Celem lepszej analityki nie jest zastąpienie tego osądu, lecz zapewnienie mu solidniejszych podstaw.