Аналитика в сфере управления капиталом на базе искусственного интеллекта

Искусственный интеллект предоставляет управляющим активами доступ к большему объему данных, ускоряет их анализ и позволяет получать все более детальную картину клиентских портфелей. Однако его ценность не будет определяться объемом информации, которую он способен обрабатывать. Настоящим испытанием станет то, смогут ли компании превратить эту информацию в более эффективные решения, не ущемив при этом принципы подотчетности, безопасности и доверия клиентов.

Аналитика на базе искусственного интеллекта вышла далеко за рамки базовых рекомендаций по формированию портфеля, характерных для первого поколения робо-консультантов. Сегодня специалисты по управлению активами используют эту технологию для мониторинга рисков, обобщения финансовой информации, анализа рынков и выявления изменений в положении клиентов.

Масштабы этих перспектив весьма значительны. По оценкам PwC, к 2030 году искусственный интеллект может принести мировой экономике до 1,57 трлн долларов. Сектор финансовых услуг, вероятно, окажется в числе тех отраслей, на которые это повлияет в наибольшей степени, поскольку значительная часть его деятельности зависит от анализа данных, выявления закономерностей и принятия решений в условиях неопределенности.

Однако эта технология не устраняет неопределенность, связанную с инвестированием. Она лишь меняет скорость, с которой институциональные инвесторы могут ее анализировать.

От автоматизированных портфелей до аналитической инфраструктуры

Первоначальные применения искусственного интеллекта в сфере управления активами были относительно ограниченными. Робо-консультанты использовали алгоритмы для оценки рискоустойчивости, формирования портфелей и перебалансировки активов в соответствии с заранее заданными правилами.

Эти платформы снизили затраты на базовое управление инвестициями и сделали диверсифицированные портфели доступными для более широкого круга клиентов. Однако их аналитические возможности, как правило, ограничивались структурированной финансовой информацией и стандартизированными инвестиционными моделями.

Современные системы выполняют гораздо более широкий спектр задач. Они могут объединять данные портфеля с рыночными ценами, отчётами компаний, экономическими показателями, новостными материалами и другой внешней информацией. Обработка естественного языка позволяет им анализировать тексты, а модели машинного обучения выявляют взаимосвязи, которые трудно обнаружить с помощью традиционных методов анализа.

Это делает инвестиционный процесс более динамичным. Вместо того чтобы полагаться в основном на периодические обзоры портфеля, консультанты могут отслеживать риски и рисковые факторы по мере поступления новой информации.

Это различие имеет большое значение. ИИ уже не является просто автоматизированным каналом сбыта. Он становится частью аналитической инфраструктуры, лежащей в основе инвестиционных решений.

BlackRock наглядно демонстрирует масштабы этих изменений

Платформа Aladdin компании BlackRock часто приводится в качестве примера управления портфелем с использованием передовых технологий. Эта система объединяет инструменты для анализа портфеля, мониторинга рисков, торговли и операционной деятельности в единой среде.

Aladdin — это не просто продукт на базе искусственного интеллекта, и он не занимается самостоятельным прогнозированием рынка. Его значимость заключается в интеграции огромных объемов инвестиционных данных в единую аналитическую систему.

Управляющие портфелями могут использовать платформу для анализа того, как изменения процентных ставок, курсов валют или цен на активы могут повлиять на различные позиции в портфеле. Они могут моделировать различные сценарии, отслеживать концентрацию рисков и оценивать риски в портфелях, включающих несколько классов активов.

Машинное обучение может расширить эти возможности за счет выявления закономерностей в исторических данных и информации, поступающей в режиме реального времени. Полученные в результате анализа данные могут помочь инвестиционным командам своевременно выявлять уязвимые места или оценивать более широкий спектр возможных исходов.

Эта модель также показывает, почему масштаб имеет значение. Крупные компании по управлению активами имеют доступ к обширным массивам данных, специализированному персоналу и капиталу, необходимому для создания сложных систем. Мелкие компании по управлению частным капиталом чаще всего получают аналогичные возможности за счет привлечения внешних поставщиков технологий.

Больше данных, но не обязательно больше ясности

По данным Statista, в период с 2021 по 2025 год ожидается, что мировой рынок ИИ в финансовом секторе будет расти примерно на 231 млрд долларов в год. Такой рост обусловлен как технологическим прогрессом, так и стремлением финансовых учреждений извлекать больше пользы из имеющихся у них данных.

Системы искусственного интеллекта способны обрабатывать информацию из источников, которые ранее было сложно учесть при анализе портфеля. К ним могут относиться настроения в социальных сетях, геополитические события, спутниковые снимки и неструктурированная корпоративная отчетность.

Такие данные могут обогатить инвестиционные исследования. Они также могут вносить помехи.

Активность в социальных сетях может отражать скорее краткосрочные эмоции, чем фундаментальные изменения. Анализ новостей может привести к неверной интерпретации контекста. Геополитические события редко оказывают на рынки однозначное и предсказуемое влияние.

Поэтому способность обрабатывать больше информации не следует путать со способностью делать точные прогнозы. Модели могут выявлять взаимосвязи, которые теряют актуальность при изменении рыночной конъюнктуры. Кроме того, они могут давать точные численные результаты при использовании допущений, которые остаются весьма неопределенными.

Ценность искусственного интеллекта отчасти заключается в расширении сферы анализа. Ответственность за определение того, какая информация является значимой, по-прежнему лежит на специалисте по инвестициям.

Анализ в режиме реального времени меняет темп принятия решений

Традиционные процессы управления капиталом часто основываются на ежемесячной или ежеквартальной отчетности. В результате консультанты и клиенты могут работать с информацией, которая уже устарела.

Системы на базе искусственного интеллекта способны осуществлять непрерывный анализ портфелей. Изменения рыночных цен, волатильности или корреляций практически мгновенно находят отражение в оценках рисков.

Это может позволить компаниям быстрее реагировать на возникающие проблемы. Система может выявить, что несколько, казалось бы, не связанных между собой инвестиций подвержены одному и тому же риску изменения процентных ставок, валютному риску или риску ликвидности. Она также может обнаружить, что портфель клиента вышел за пределы согласованных лимитов после резкого колебания рынка.

Скорость — это хорошо, но она может создавать давление, заставляя действовать в тех случаях, когда лучше проявить сдержанность.

Долгосрочным инвесторам не нужно совершать сделки в ответ на каждое изменение рыночной конъюнктуры. Частые оповещения могут подтолкнуть к ненужным действиям и подорвать тщательно выработанную стратегию.

Поэтому специалистам по управлению капиталом необходимо проводить различие между информацией, требующей принятия мер, и информацией, которая лишь отражает краткосрочную волатильность.

Персонализация выходит за рамки анкет по оценке рисков

Один из главных аргументов в пользу ИИ заключается в том, что он способен предоставлять более персонализированные инвестиционные рекомендации.

При традиционном формировании портфеля клиентов часто разделяют на общие категории с учетом возраста, уровня благосостояния и готовности к риску. Системы искусственного интеллекта потенциально могут учитывать гораздо более широкий спектр переменных, включая доход, структуру расходов, потребности в ликвидности, налоговые обязательства и сроки будущих финансовых обязательств.

В результате можно получить портфель, который будет в большей степени соответствовать реальной ситуации клиента.

Для состоятельных семей персонализация может также включать в себя консолидацию сложных активов. Публичные ценные бумаги, частные компании, недвижимость, долговые обязательства и предметы коллекционирования могут быть распределены по нескольким банкам и юрисдикциям. Платформы на базе искусственного интеллекта могут помочь систематизировать эту информацию и выявить риски, которые не прослеживаются на уровне отдельных счетов.

Однако эффективность персонализации зависит от точности и актуальности данных. Если оценка частных активов проводится нерегулярно или цели клиента задокументированы ненадлежащим образом, результаты анализа могут создать ложное впечатление точности.

Система может производить расчеты исключительно на основе полученной информации. Она не в состоянии определить, утаил ли клиент какие-либо важные детали или соответствуют ли заявленные предпочтения его поведению в условиях рыночного кризиса.

Автоматизация меняет работу консультантов

ИИ позволяет сократить время, затрачиваемое на рутинные задачи, такие как сбор данных, подготовка отчетов по портфелю, классификация документов и подготовка к совещаниям.

Это дает консультантам больше возможностей для тех видов деятельности, которые сложно автоматизировать: обсуждение семейных приоритетов, разъяснение компромиссных решений и помощь клиентам в принятии решений в условиях эмоционального давления.

Этот переход может повысить производительность, особенно в тех компаниях, где высококвалифицированные консультанты по-прежнему тратят значительное время на сбор информации вручную.

Это также может повысить ожидания клиентов. Когда технологии позволяют практически мгновенно формировать сводки по портфелям и проводить анализ рынка, клиенты будут менее склонны платить повышенные комиссионные за административную работу.

Консультантам придётся доказывать свою ценность не столько доступом к информации, сколько умением её интерпретировать. Их роль будет всё больше заключаться в проверке выводов, сгенерированных искусственным интеллектом, их рассмотрении в контексте и объяснении, почему та или иная рекомендация подходит именно данному клиенту.

Для этого требуется иной набор навыков. Финансовые знания по-прежнему остаются необходимыми, но консультантам также необходимо понимать исходные допущения и ограничения систем, которыми они пользуются.

Модели обучаются на неполных исторических данных

Модели машинного обучения часто описывают как постоянно совершенствующиеся по мере обработки все большего объема данных. На практике же это совершенствование не является ни автоматическим, ни постоянным.

Финансовые рынки меняются. Пересматриваются нормативные акты, меняются денежно-кредитные режимы, а поведение инвесторов адаптируется к этим изменениям. Связь, которая казалась надежной на основе исторических данных, может ослабнуть или даже измениться на противоположную.

Модели также могут унаследовать предвзятость от информации, использовавшейся для их обучения. Если в прошлых решениях отражались ограниченные представления о поведении клиентов или рисках, система искусственного интеллекта может воспроизвести эти модели в более широком масштабе.

Это особенно важно при оценке соответствия требованиям и сегментации клиентов. Автоматизированные системы не должны исключать клиентов или ставить их в невыгодное положение на основании корреляций, которые компании не могут объяснить или обосновать.

Поэтому регулярное тестирование имеет решающее значение. Управляющие активами должны сравнивать результаты моделирования с фактическими данными, анализировать непредвиденные отклонения и определять, когда систему следует переобучить или вывести из эксплуатации.

Контроль со стороны человека не должен ограничиваться лишь утверждением рекомендаций после их подготовки. Он должен распространяться на разработку, тестирование и управление самим аналитическим процессом.

Регулирование будет осуществляться в соответствии с цепочкой принятия решений

По мере того как искусственный интеллект приобретает всё большее влияние, регулирующие органы, вероятно, будут уделять особое внимание тому, как результаты автоматизированных процессов сказываются на клиентах.

Наличие рекомендаций, основанных на алгоритмах, не снимает с компаний существующих обязательств. Компании по-прежнему должны обеспечивать соответствие рекомендаций интересам клиентов, ясность коммуникации и защиту информации о клиентах.

Кроме того, необходимо определить, кто несет ответственность в случае, если решение, принятое с помощью ИИ, приведет к причинению ущерба. Ответственность может быть распределена между управляющим активами, поставщиком программного обеспечения, поставщиком данных и сотрудниками, использующими систему.

Именно эта сложность делает документацию столь важной. Компании должны быть в состоянии объяснить, какие данные были использованы, как тот или иной результат повлиял на окончательную рекомендацию и на каком этапе в процесс вмешалось человеческое суждение.

В случае сложных моделей полная техническая прозрачность не всегда возможна. Однако специалист по управлению активами все равно должен быть в состоянии доступно объяснить, почему было принято то или иное решение.

Клиентам не нужно понимать каждую строку кода. Но им необходимо знать, на каких принципах осуществляется управление их средствами.

Соображения безопасности сдерживают стремление к экспериментам

Аналитика на основе искусственного интеллекта зависит от доступа к подробной финансовой и личной информации. Те же данные, которые делают сервис более полезным, одновременно делают его более уязвимым.

Управляющие активами должны учитывать, где хранится информация, какие системы имеют к ней доступ и используют ли сторонние поставщики ИИ данные клиентов для совершенствования своих собственных моделей.

Кибербезопасность — это лишь одна из составляющих проблемы. Компании также сталкиваются с рисками, связанными со случайной утечкой информации, неверными настройками прав доступа и вводом сотрудниками конфиденциальных данных в неподходящие инструменты.

Клиенты из сегмента частного капитала могут владеть долями в семейных компаниях, трастах и будущих сделках, которые не являются общеизвестными. Утечка данных может повлечь за собой коммерческие, юридические и личные последствия, значительно превышающие стоимость затронутого счета.

Поэтому организациям необходимо обеспечить строгий контроль над утвержденными системами и разрешенными сценариями использования. Эксперименты не должны ущемлять конфиденциальность.

Конкурентное преимущество зависит от эффективности реализации

По прогнозам Gartner, к 2026 году аналитика на основе искусственного интеллекта будет лежать в основе 75% инвестиционных стратегий. Точные цифры требуют подтверждения, но общая тенденция вполне вероятна: автоматизированный анализ становится все более распространенным явлением в сфере финансовых услуг.

По мере расширения доступа к инструментам искусственного интеллекта сама по себе эта технология будет все меньше служить фактором конкурентного преимущества. Конкурирующие компании могут использовать схожие модели, рыночные данные и внешние платформы.

Преимущество будет заключаться в практическом применении.

Управляющие активами, располагающие консолидированными данными, опытными консультантами и четкой системой управления, будут иметь больше возможностей для эффективного использования ИИ. Компании, работающие с разрозненными данными и плохо интегрированными системами, рискуют просто автоматизировать существующие слабые места.

Вряд ли наиболее успешные организации будут полностью передавать принятие инвестиционных решений машинам. Они также не будут рассматривать ИИ как чисто косметическое дополнение к традиционным услугам.

Они будут использовать эту технологию выборочно: для систематизации информации, проверки портфелей, мониторинга рисков и подготовки консультантов к более содержательным беседам с клиентами.

Аналитика на базе искусственного интеллекта может сделать управление капиталом более оперативным, гибким и точным. Однако она не способна определить, какие финансовые цели являются наиболее важными для семьи, или насколько клиент действительно готов мириться с неопределенностью.

Это по-прежнему вопросы, требующие субъективного суждения. Цель усовершенствованной аналитики заключается не в том, чтобы заменить это суждение, а в том, чтобы обеспечить ему более прочную основу.