Zarządzanie ryzykiem oparte na sztucznej inteligencji w zarządzaniu majątkiem

Coraz trudniej jest przewidzieć wahania rynkowe. Rynki reagują szybciej, korelacje ulegają częściej zaburzeniom, a portfele klientów obejmują więcej klas aktywów, walut i jurysdykcji niż kiedykolwiek wcześniej. Dla doradców finansowych oznacza to, że zarządzanie ryzykiem stało się zarówno ważniejsze, jak i trudniejsze.

Sztuczna inteligencja wkracza w tę dziedzinę nie jako futurystyczny dodatek, ale jako praktyczna odpowiedź na złożoność. Dobrze wykorzystana sztuczna inteligencja może analizować ogromne ilości danych, wykrywać nietypowe wzorce, testować scenariusze i przyspieszać proces podejmowania decyzji. Źle wykorzystana może natomiast budować fałszywe poczucie bezpieczeństwa, tworzyć nieprzejrzyste modele i generować nowe ryzyka operacyjne.

Obietnica ta ma zatem duże znaczenie. Podobnie jak konieczna ostrożność.

Od modeli ilościowych do uczenia maszynowego

W branży finansowej modele oparte na danych stosuje się już od dziesięcioleci. Optymalizacja portfela, analiza czynnikowa, testy warunków skrajnych i handel algorytmiczny nie są niczym nowym. Zmieniła się natomiast skala danych, szybkość obliczeń oraz zdolność systemów uczenia maszynowego do wykrywania wzorców w rozproszonych informacjach.

Tradycyjne narzędzia do oceny ryzyka opierają się zazwyczaj na określonych założeniach: zmienności, historycznych korelacjach, spadkach wartości, limitach koncentracji oraz scenariuszy szoków. Narzędzia te nadal są przydatne. Mogą jednak nie sprawdzać się, gdy rynki wykraczają poza historyczne schematy lub gdy ryzyko wynika ze źródeł o mniej przewidywalnym charakterze, takich jak napływ wiadomości, napięcia geopolityczne, zakłócenia w łańcuchu dostaw czy zachowania klientów.

Sztuczna inteligencja poszerza zakres dostępnych narzędzi. Potrafi przetwarzać dane ustrukturyzowane i nieustrukturyzowane, porównywać aktualne sygnały rynkowe z sytuacjami z przeszłości, wykrywać anomalie oraz wspierać bardziej dynamiczne monitorowanie ryzyka. W zarządzaniu majątkiem, gdzie portfele często obejmują aktywa notowane na giełdzie, rynki prywatne, nieruchomości, środki pieniężne, instrumenty dłużne oraz inwestycje alternatywne, ta funkcja zyskuje na znaczeniu.

Dlaczego doradcy finansowi są tym zainteresowani

Nie chodzi tu wyłącznie o wydajność. Sztuczna inteligencja może pomóc doradcom finansowym w zrozumieniu ryzyka na bardziej szczegółowym poziomie.

Tradycyjny raport dotyczący portfela może przedstawiać ekspozycję według klas aktywów, regionów lub walut. System oparty na sztucznej inteligencji może pójść o krok dalej. Może on zidentyfikować ukryte koncentracje w poszczególnych sektorach, wykryć wrażliwość na zmiany stóp procentowych, zasygnalizować presję na płynność lub pokazać, jak portfel klienta może zareagować na konkretny wstrząs makroekonomiczny.

Ma to znaczenie, ponieważ zamożni klienci rzadko posiadają proste portfele. Aktywa mogą być rozproszone między różnymi bankami, podmiotami rodzinnymi, spółkami i jurysdykcjami. Niektóre pozycje są płynne i przejrzyste. Inne mają charakter prywatny, są niepłynne lub trudne do wyceny.

W takich warunkach głównym problemem nie zawsze jest brak danych. Chodzi raczej o niemożność ich terminowego połączenia.

Przykład firmy BlackRock

Platforma Aladdin firmy BlackRock jest często traktowana jako punkt odniesienia dla industrializacji zarządzania ryzykiem inwestycyjnym. Łączy ona w sobie funkcje analizy portfela, narzędzia do oceny ryzyka oraz infrastrukturę operacyjną, pomagając inwestorom instytucjonalnym w zrozumieniu ekspozycji w rozległych i złożonych portfelach.

Jego znaczenie wynika nie tyle z samego określenia “AI”, co z tego, co ono symbolizuje: przejście od fragmentarycznego raportowania ryzyka w kierunku zintegrowanej architektury ryzyka. Zarządzający majątkiem podążają obecnie podobnym kierunkiem, choć zazwyczaj na mniejszą skalę i w obliczu innych potrzeb klientów.

Klienci prywatni nie oczekują jedynie pulpitów nawigacyjnych w stylu instytucjonalnym. Chcą przejrzystości. Chcą wiedzieć, jakie aktywa posiadają, gdzie tkwią zagrożenia i jak szybko można podjąć działania w przypadku zmian na rynkach.

Lepsze decyzje, a nie decyzje podejmowane automatycznie

Najważniejszym argumentem przemawiającym za wykorzystaniem sztucznej inteligencji w zarządzaniu majątkiem jest wsparcie w podejmowaniu decyzji. Sztuczna inteligencja może pomóc doradcom w przygotowywaniu lepszych rekomendacji, weryfikowaniu założeń oraz bardziej ciągłym monitorowaniu portfeli. Nie eliminuje to jednak konieczności kierowania się własnym osądem.

To rozróżnienie jest istotne. Zarządzanie ryzykiem nie jest czysto matematycznym zadaniem. Uwzględnia ono cele klienta, horyzonty czasowe, potrzeby w zakresie płynności, kwestie podatkowe, sytuację rodzinną oraz emocjonalną tolerancję na straty.

Algorytm może zidentyfikować ryzyko związane z portfelem. Nie jest jednak w stanie zdecydować, czy dana rodzina powinna sprzedać aktywa, utrzymać je pomimo wahań cen, zwiększyć płynność czy też zaakceptować krótkoterminowe straty ze względów strategicznych w perspektywie długoterminowej. Decyzje te nadal wymagają ludzkiej oceny.

Najlepsze systemy będą zatem łączyć inteligencję maszynową z osądem doradcy. Sztuczna inteligencja może udoskonalić analizę. Nie powinna jednak zastępować odpowiedzialności.

W jakich obszarach sztuczna inteligencja wnosi największą wartość

Najbardziej oczywiste zastosowania mają charakter praktyczny.

Sztuczna inteligencja może usprawnić monitorowanie portfeli poprzez sygnalizowanie nietypowych zmian, ryzyka koncentracji lub zmian ekspozycji rynkowej. Może ona wspierać testy warunków skrajnych poprzez modelowanie potencjalnych zachowań portfeli w obliczu wstrząsów inflacyjnych, zmian stóp procentowych, wahań kursów walutowych lub wydarzeń geopolitycznych. Może ona pomóc w wykrywaniu ryzyka operacyjnego, w tym niespójności danych, błędów w sprawozdawczości lub nietypowych transakcji.

Rosnące możliwości wiążą się również z personalizacją usług dla klientów. Sztuczna inteligencja może pomóc doradcom w lepszym dostosowaniu profili ryzyka, formatów raportów i propozycji inwestycyjnych do indywidualnych potrzeb klientów. Ma to szczególne znaczenie w sektorze prywatnego zarządzania majątkiem, gdzie dwaj klienci posiadający podobne aktywa mogą mieć zupełnie odmienne priorytety.

Dla firm zarządzających majątkiem rodzinnym raportowanie oparte na sztucznej inteligencji może okazać się szczególnie cenne. Złożone struktury majątkowe często wymagają ręcznej konsolidacji danych i korzystania z arkuszy kalkulacyjnych. Lepsze narzędzia analityczne mogą skrócić opóźnienia, zwiększyć przejrzystość oraz zapewnić zleceniodawcom jaśniejszy obraz płynności, alokacji aktywów i ryzyka.

Problem z danymi nie zniknął

Sztuczna inteligencja jest tak przydatna, jak dane, na których się opiera. W zarządzaniu majątkiem stanowi to poważne ograniczenie.

Dane klientów są często rozproszone między różnymi podmiotami, takimi jak depozytariusze, banki, podmioty zarządzające aktywami, administratorzy i zewnętrzni doradcy. Wycena aktywów prywatnych może odbywać się rzadko. Dokumenty mogą być przechowywane w różnych formatach. Dane historyczne mogą być niekompletne. Nawet dane dotyczące rynków giełdowych mogą być niespójne, gdy portfele są raportowane w wielu różnych jurysdykcjach.

Niskiej jakości dane mogą sprawiać, że sztuczna inteligencja wydaje się bardziej precyzyjna, niż jest w rzeczywistości. Model może generować eleganckie wyniki na podstawie niekompletnych danych wejściowych. Jest to niebezpieczne w zarządzaniu ryzykiem, gdzie pewność siebie można pomylić z dokładnością.

Zanim firmy zaczną mówić o zaawansowanej sztucznej inteligencji, muszą rozwiązać bardziej podstawowe problemy: jakość danych, integrację, zarządzanie i bezpieczeństwo.

Przepisy będą miały wpływ na proces wdrażania

Zarządzanie majątkiem to działalność oparta na zaufaniu. To sprawia, że wdrażanie sztucznej inteligencji jest kwestią bardziej delikatną niż w wielu innych branżach.

Organy regulacyjne prawdopodobnie skupią się na kwestiach przejrzystości, adekwatności, ochrony danych, zarządzania modelami oraz odpowiedzialności. Firmy muszą być w stanie wyjaśnić, w jaki sposób wykorzystywane są narzędzia oparte na sztucznej inteligencji, na jakich danych się opierają, kto sprawuje nad nimi nadzór oraz w jaki sposób radzi się sobie z błędami.

Ma to szczególne znaczenie w sytuacji, gdy sztuczna inteligencja wpływa na doradztwo inwestycyjne. Klienci muszą wiedzieć, czy dana rekomendacja pochodzi od doradcy-człowieka, od zautomatyzowanego narzędzia, czy też jest wynikiem połączenia obu tych źródeł. Firmy muszą również zapewnić zabezpieczenia przed stronniczością, nadmiernym dopasowaniem i dryftem modelu.

Kierunek jest jasny: sztuczna inteligencja zostanie wdrożona, ale nie bez odpowiednich mechanizmów kontrolnych.

Przepaść między konkurentami

Większe firmy zarządzające majątkiem mogą mieć przewagę, ponieważ mogą inwestować we własne systemy, infrastrukturę danych i wyspecjalizowane zespoły. Mniejsze firmy mogą w większym stopniu polegać na zewnętrznych dostawcach technologii.

Nie oznacza to jednak, że korzyści odniosą wyłącznie najwięksi gracze. Niezależni doradcy i mniejsze firmy zarządzające majątkiem również mogą skutecznie wykorzystywać narzędzia oparte na sztucznej inteligencji, zwłaszcza jeśli skupiają się na obsłudze klienta, sprawozdawczości i przejrzystości ryzyka. Kluczową kwestią nie jest wielkość, lecz jakość wdrożenia.

Firma, która wdraża sztuczną inteligencję w ramach słabego modelu operacyjnego, może po prostu zautomatyzować chaos. Natomiast firma dysponująca uporządkowanymi danymi, przejrzystymi procesami i solidnym systemem zarządzania może wykorzystać sztuczną inteligencję do zwiększenia szybkości działania, spójności oraz lepszego zrozumienia potrzeb klientów.

Co firmy powinny teraz zrobić

Priorytetem powinno być zdyscyplinowane wdrażanie.

Po pierwsze, firmy powinny określić problem, który ma rozwiązać sztuczna inteligencja. Monitorowanie ryzyka, sprawozdawczość, zapewnienie zgodności z przepisami, analizy inwestycyjne i relacje z klientami wymagają różnych narzędzi.

Po drugie, przed rozpoczęciem korzystania z zaawansowanych narzędzi analitycznych powinni zmodernizować infrastrukturę danych. Bez wiarygodnych danych wejściowych sztuczna inteligencja nie zapewni wiarygodnych wyników.

Po trzecie, należy zapewnić odpowiedzialność osób fizycznych. Doradcy, specjaliści ds. ryzyka i komitety inwestycyjne muszą rozumieć ograniczenia systemu.

Po czwarte, firmy powinny jasno komunikować się z klientami. Sztuczna inteligencja powinna zwiększać przejrzystość zarządzania majątkiem, a nie je utrudniać.

Wreszcie, wyniki należy poddawać ciągłej ocenie. Modele wymagają testowania, weryfikacji i dostosowywania w miarę zmian na rynkach oraz w zachowaniach klientów.

Od opowieści o technologii do opowieści o zaufaniu

W ciągu najbliższych kilku lat zarządzanie ryzykiem oparte na sztucznej inteligencji będzie coraz bardziej zakorzenione w branży zarządzania majątkiem. Firmy, które odniosą największe korzyści, niekoniecznie będą tymi, które najmodniej mówią o innowacjach. Będą to te, które wykorzystują sztuczną inteligencję do rozwiązywania rzeczywistych problemów: rozproszonych danych, powolnego raportowania, ukrytych ekspozycji i niespójnego procesu decyzyjnego.

Technologia ta może przyspieszyć procesy. Może poszerzyć perspektywę analityczną. Może pomóc doradcom w szybszym dostrzeganiu zagrożeń. Nie jest jednak w stanie wyeliminować niepewności z rynków ani zastąpić obowiązków powierniczych zarządzających majątkiem.

Dlatego prawdziwym wyzwaniem nie jest to, czy firmy wdrażają sztuczną inteligencję. Większość z nich to zrobi. Trudniejsze pytanie brzmi: czy potrafią wykorzystać ją w sposób, który wzmacnia zdolność oceny sytuacji, zwiększa przejrzystość i pogłębia zaufanie klientów.