Глобальный рост популярности аналитики в сфере управления активами на основе искусственного интеллекта
Искусственный интеллект становится неотъемлемой частью аналитической инфраструктуры в сфере управления активами. Компании используют его для обработки большего объема информации, мониторинга портфелей и подготовки индивидуальных рекомендаций для клиентов. PwC прогнозирует, что внедрение ИИ в сфере финансовых услуг будет расти на 30% в год. Однако успех этой технологии будет зависеть не столько от вычислительной мощности, сколько от качества данных, механизмов контроля и профессионального суждения специалистов.
В сфере управления капиталом традиционно сочетались исторические рыночные данные и опыт консультантов и портфельных менеджеров. Эта модель по-прежнему актуальна, однако она сталкивается с трудностями из-за огромного объема и высокой скорости поступления информации, доступной сегодня.
Инвестиционные команды должны отслеживать экономические показатели, отчетность компаний, рыночные цены, политические события и изменения в портфелях клиентов. Ни один аналитик не способен в режиме реального времени проанализировать все значимые сигналы.
Системы искусственного интеллекта обещают сократить этот разрыв. Модели машинного обучения способны обрабатывать большие массивы данных, выявлять необычные закономерности и корректировать свои оценки по мере поступления новой информации. Инструменты на основе анализа естественного языка позволяют анализировать отчеты компаний, новостные материалы и научные исследования, что раньше требовало значительных затрат на ручную проверку.
Результатом является не уверенность, а более широкая и оперативная основа для принятия решений.
От исторического анализа до постоянного мониторинга
Традиционный анализ портфеля часто носит ретроспективный характер. Управляющие анализируют прошлые доходности, корреляции и волатильность, чтобы понять, как инвестиции могут вести себя в различных условиях.
ИИ может усовершенствовать этот процесс за счет объединения исторических данных с текущей рыночной информацией. Портфели можно отслеживать на постоянной основе, а не оценивать только во время плановых проверок.
Это позволяет компаниям выявлять возникающие концентрации рисков или их изменения. Например, инвестиции, которые на первый взгляд кажутся диверсифицированными по классам активов, могут зависеть от одних и тех же факторов, таких как уровень процентных ставок, цены на сырьевые товары или географический рынок.
Модели машинного обучения способны выявлять такие взаимосвязи среди тысяч позиций. Кроме того, они могут помочь менеджерам проанализировать, как портфели могут реагировать на инфляцию, колебания валютных курсов или снижение ликвидности рынка.
Эти возможности, безусловно, ценны, но их не следует путать с надежными прогнозами. На финансовые рынки влияют поведение людей, политические решения и непредвиденные события. Модели, обученные на данных прошлых периодов, могут демонстрировать низкую эффективность при изменении условий.
ИИ может быстрее рассчитывать возможные исходы. Однако он не может устранить связанную с ними неопределенность.
BlackRock демонстрирует преимущества интеграции
Компанию BlackRock часто приводят в качестве примера инвестиционного управления, основанного на технологиях. Ее платформа Aladdin объединяет данные по портфелям, анализ рисков, торговые и операционные функции.
Значимость платформы заключается не в каком-то одном алгоритме прогнозирования, а в ее способности формировать единую картину инвестиционных рисков. Управляющие портфелями могут анализировать риски по различным классам активов, тестировать различные сценарии и отслеживать, как колебания рынка влияют на различные позиции.
Машинное обучение может усилить эти функции, выявляя закономерности или аномалии, которые могут ускользнуть от внимания при традиционном анализе.
Эта система также демонстрирует преимущества, которыми обладают крупные организации. BlackRock может опираться на обширные базы данных, команды специалистов и значительные инвестиции в технологии. Мелкие компании, занимающиеся управлением активами, вряд ли смогут создать внутри компании сопоставимую инфраструктуру.
Вместо этого они могут прибегать к услугам внешних платформ, предлагающих аналитику портфелей на базе искусственного интеллекта, инструменты обеспечения нормативно-правового соответствия и отчетность для клиентов. Это дает небольшим компаниям доступ к более сложным функциональным возможностям, но при этом усиливает их зависимость от сторонних поставщиков.
Таким образом, стратегический вопрос заключается не только в том, использует ли компания ИИ, но и в том, кто контролирует эту технологию и данные, от которых она зависит.
Робо-консультанты расширили рынок
Робо-консультанты стали одними из первых заметных примеров применения автоматизированной аналитики в сфере управления активами.
Такие компании, как Betterment и Wealthfront, использовали цифровые анкеты и алгоритмические модели для формирования диверсифицированных портфелей, перебалансировки инвестиций и управления операциями, связанными с налогообложением. Их услуги можно было предоставлять с меньшими затратами, чем при традиционном консультировании.
Эта модель сделала управление портфелем доступным для клиентов с небольшими инвестиционными средствами. Кроме того, она сформировала ожидания относительно быстрого открытия счета, прозрачной комиссии и постоянного доступа к цифровым сервисам.
Следующее поколение консультационных услуг на базе искусственного интеллекта, вероятно, будет более сложным. Вместо того чтобы распределять клиентов по общим категориям риска, системы, возможно, будут учитывать доходы, расходы, потребности в ликвидности, налоговые условия и долгосрочные финансовые обязательства.
Это открывает возможность разработки более индивидуализированных стратегий. Вменее, это требует сбора большего объема персональных данных и более тщательного анализа.
Портфель, сформированный исключительно на основе неполной или неточной информации, не является по-настоящему персонализированным. Он просто с большей уверенностью ошибочен.
Экономия средств привлекает учреждения
По оценкам Deloitte, аналитика на базе искусственного интеллекта позволила некоторым компаниям сократить операционные расходы на целых 301%.
Экономия достигается за счет нескольких факторов. Системы позволяют автоматизировать сбор данных, подготовку отчетности по портфелям и проверку документов. Инвестиционные команды могут анализировать более широкий спектр активов без необходимости увеличения штата сотрудников в той же пропорции. Консультантам может потребоваться меньше времени на подготовку рутинных аналитических материалов.
Это не означает, что внедрение ИИ обходится недорого.
Финансовые учреждения должны инвестировать в инфраструктуру данных, системную интеграцию, кибербезопасность и обучение сотрудников. Модели требуют тестирования и постоянного мониторинга. Внешние поставщики технологий влекут за собой расходы на лицензии и создают зависимость от них.
Экономическая целесообразность наиболее очевидна в тех случаях, когда ИИ заменяет рутинную работу или оптимизирует процессы, для которых уже имеются достоверные данные. Она становится менее очевидной, когда компании пытаются внедрить передовые аналитические инструменты в условиях разрозненных систем и несогласованных данных.
Само по себе подключение к технологиям не устраняет сложности эксплуатации.
Рынок стремительно растет
По прогнозам, к 2024 году объем мирового рынка ИИ в сфере финансовых услуг достигнет 1,4 трлн 26,67 млрд долларов. Около 701 из 3 трлн финансовых учреждений либо уже внедрили решения на базе ИИ, либо планировали это сделать.
Эти цифры свидетельствуют о широком интересе, однако внедрение может означать самые разные вещи.
Одно учреждение может использовать ИИ для классификации документов. Другое — для выявления мошенничества, сегментации клиентов или формирования портфеля. И пилотный проект, и полноценная аналитическая система считаются примерами внедрения ИИ, хотя их влияние на бизнес значительно различается.
Более полезно проводить различие между экспериментальным применением и практическим использованием.
ИИ приобретает стратегическое значение только в том случае, если он интегрирован в повседневный процесс принятия решений, опирается на достоверные данные и понятен сотрудникам, которым предстоит им пользоваться.
Многие финансовые компании находятся на промежуточном этапе. Они приобрели необходимые инструменты, но пока не перестроили свои процессы с учетом их использования.
Выявление мошенничества позволяет лучше разобраться в ситуации
ИИ уже доказал свою эффективность в выявлении подозрительной активности. Системы способны анализировать огромное количество транзакций, выявлять необычные закономерности и сравнивать поведение пользователей на разных счетах.
Некоторые компании, занимающиеся управлением активами, отмечают повышение эффективности выявления мошенничества на 50%.
Эта технология может помочь организациям выявлять изменения, которые могут ускользнуть от внимания при использовании традиционных правил. Транзакция может выглядеть законной, если рассматривать её в отдельности, но вызывать подозрения при сравнении с предыдущей активностью клиента или в контексте более широкой сети.
Ложные срабатывания по-прежнему остаются проблемой. Необычная транзакция не обязательно является мошеннической, особенно в сфере управления частным капиталом, где клиенты могут перемещать крупные суммы между компаниями, трастами и юрисдикциями.
Поэтому автоматизированные системы должны различать действия, которые можно быстро обработать, и случаи, требующие вмешательства человека.
Цель не должна заключаться в том, чтобы полностью исключить участие человека. Она должна заключаться в том, чтобы организовать эту работу более рационально.
Персонализация проверяет пределы возможностей данных
Рекомендации на основе искусственного интеллекта позволяют повысить уровень удовлетворенности клиентов на 40%.
Более актуальные рекомендации могут укрепить отношения с клиентом. Консультант, который понимает потребности клиента в ликвидности, степень его подверженности рискам и финансовые цели, может предложить услугу, которая будет восприниматься как более адаптированная к индивидуальным потребностям, чем стандартный типовой портфель.
ИИ может способствовать этому, обобщая информацию и выявляя изменения, которые в противном случае могли бы остаться незамеченными.
Система может сигнализировать о том, что денежные резервы клиента опустились ниже согласованного уровня, что портфель стал чрезмерно концентрированным или что предстоящее финансовое обязательство требует изменения структуры активов.
Чем личнее становится анализ, тем он точнее.
Компаниям необходимы четкие правила, определяющие, какие данные могут собираться и как они могут использоваться. Клиенты должны понимать, основаны ли рекомендации на информации, предоставленной ими напрямую, на наблюдаемом поведении или на предположениях, сгенерированных моделью.
Персонализация без прозрачности может восприниматься не как услуга, а скорее как слежка.
Консультантам требуется иной вид экспертных знаний
ИИ меняет представления о том, что должны делать специалисты по управлению капиталом.
Аналитикам необходимо понимать, как модели приходят к выводам и в чём заключаются их ограничения. Консультанты должны уметь преобразовывать результаты автоматизированных расчётов в понятные для клиентов рекомендации.
Это не означает, что каждый консультант должен стать специалистом по обработке данных. Однако это требует наличия достаточных технических знаний, чтобы уметь критически оценивать полученные результаты, а не просто принимать их на веру.
Роль человека приобретает особую важность в тех случаях, когда финансовые цели противоречат друг другу. Клиент может одновременно стремиться к высокой доходности, низкому риску, мгновенной ликвидности и длительному инвестиционному горизонту. Ни одна модель не способна учесть все эти предпочтения без установления приоритетов.
Консультантам также необходимо контролировать поведение клиентов в условиях волатильности рынка. Алгоритм может показать, что портфель по-прежнему остается оптимальным. Однако нервничающему клиенту, возможно, понадобится беседа, прежде чем он решится оставить свои инвестиции.
Ценность совета, данного человеком, заключается отчасти в интерпретации цифр, а отчасти — в понимании человека, стоящего за ними.
Модели могут усугубить существующие слабые места
Системы искусственного интеллекта обучаются на данных, полученных в результате предыдущих решений. Если эти решения содержат предвзятость, неполные допущения или неверные классификации, модель может воспроизвести их в более широком масштабе.
Это имеет значение для сегментации клиентов, оценки соответствия и выбора инвестиционных инструментов.
Система может сделать вывод, что клиенты с схожими демографическими или финансовыми характеристиками заинтересованы в аналогичных продуктах. Такие закономерности могут быть статистически обоснованными, но при этом не подходить конкретному человеку.
Инвестиционные модели сталкиваются с похожей проблемой. Исторические данные могут свидетельствовать в пользу стратегий, которые показывали хорошие результаты в условиях определенного денежно-кредитного или регуляторного режима. Когда этот режим меняется, такие выводы могут оказаться неверными.
Финансовым учреждениям необходимо тестировать модели в различных сценариях и проверять, можно ли обосновать полученные результаты. Кроме того, им следует отслеживать работу систем после внедрения, а не полагаться на то, что точность результатов повысится сама собой.
Непрерывное обучение имеет смысл только в том случае, если система обучается на основе релевантной информации.
Система управления определяет, станет ли масштаб источником риска
По мере того как искусственный интеллект приобретает все большее влияние, организациям необходимо четко определить ответственность за его использование.
Инвестиционные комитеты должны знать, какие решения принимаются при поддержке ИИ, а какие — автоматизированы. Отделам по обеспечению нормативно-правового соответствия необходим доступ к логике, лежащей в основе классификации клиентов и формирования предупреждений о рисках. Высшее руководство должно понимать, в каких случаях задействованы внешние поставщики.
Одних этических принципов недостаточно. Для обеспечения надлежащего управления необходимы практические меры контроля.
Компаниям необходимы процедуры утверждения моделей, проверки данных, фиксации изменений и принятия мер в случае непредвиденного поведения системы. Сотрудники должны знать, в каких случаях можно отклонить результаты автоматизированного расчета и как необходимо документировать такое решение.
Клиенты также должны иметь возможность обжаловать решения, затрагивающие их интересы.
Учреждение не может возложить фидуциарную или нормативную ответственность на алгоритм. Компания по-прежнему несет ответственность, даже если технология поставляется сторонней организацией.
Данные становятся основным конкурентным преимуществом
Финансовые учреждения часто называют модели искусственного интеллекта источником конкурентного преимущества. На практике же многие компании будут иметь доступ к аналогичным технологиям.
Более устойчивое преимущество, скорее всего, будет связано с данными.
Управляющий активами, располагающий полной, точной и четко структурированной информацией, может использовать ИИ для получения более релевантных аналитических данных. Конкурент, имеющий разрозненные данные, получит менее точные результаты при использовании той же модели.
Обеспечение качества данных представляет особую сложность в сфере управления частным капиталом. Активы могут находиться в ведении нескольких банков, компаний и юридических структур. Оценка частных инвестиций проводится нечасто. Информация может поступать в различных форматах и в разных валютах.
Прежде чем компании смогут предоставлять услуги в области углубленной аналитики, им необходимо решить базовую задачу формирования целостной картины состояния клиентов.
Эта работа не так заметна, как запуск ИИ-помощника. Но она гораздо важнее.
Значение может быть большим, но распределено неравномерно
По оценкам McKinsey, к 2028 году искусственный интеллект может принести мировой банковской отрасли дополнительную прибыль в размере до 1,41 трлн долларов.
Эта выгода не будет распределена равномерно. Крупные организации могут вкладывать значительные средства в собственные системы, базы данных и привлечение специалистов. Небольшие компании, возможно, смогут воспользоваться более доступными внешними платформами, но при этом будут иметь меньший контроль над своей технологической инфраструктурой.
Часть выгод проявится в виде снижения операционных затрат. Другие выгоды могут быть связаны с более эффективным управлением рисками, улучшением механизмов выявления мошенничества или возможностью обслуживать клиентов, которые ранее были убыточными.
Будут и неудачные инвестиции. Компании могут приобрести инструменты, которыми сотрудники не будут пользоваться, системы, которые невозможно интегрировать, или модели, результаты которых окажутся слишком ненадежными для принятия важных решений.
Поэтому расходы на ИИ следует оценивать так же, как и любые другие инвестиции. Учреждениям необходимы четко сформулированная задача, измеримые результаты и надежный план реализации.
Само по себе наличие ИИ не является доказательством инновационности.
Для более качественного анализа необходимы более эффективные решения
Искусственный интеллект будет и дальше проникать во все сферы управления активами на мировом рынке. Машинное обучение, обработка естественного языка и анализ данных в режиме реального времени станут стандартными функциями инвестиционных платформ.
По мере этого развитие самой технологии станет менее заметным.
Наиболее успешными станут те компании, которые смогут совместить оперативность анализа с дисциплинированным управлением и опытом принятия решений. Они будут использовать ИИ для выявления рисков, систематизации информации и перепроверки предположений, а не воспринимать его результаты как готовые инструкции.
Клиентам вряд ли будет интересно, какой алгоритм лежит в основе их портфеля. Им будет важно, понимает ли их консультант их ситуацию, обеспечивает ли он защиту их данных и принимает ли он решения, которые можно обосновать.
ИИ может повысить эффективность и оперативность управления активами. Он может расширить доступ к углубленному анализу и дать специалистам по инвестициям более четкое представление о сложных портфелях.
Она не может определить, для чего нужны сбережения, какие риски следует принимать на себя семье или как следует решать конфликт финансовых приоритетов.
Эти вопросы по-прежнему остаются человеческими. Усовершенствование технологий имеет значение только в том случае, если оно помогает найти на них более разумные ответы.
