Не только расчеты…
Алгоритм управления рисками всегда был больше связан со сложными расчетами. Существуют различные модели, такие как биномиальная модель, VaR (Value at Risk), модель Блэк-Шоулза-Мортена. Эти модели помещаются в различные алгоритмы имитационного моделирования, такие как моделирование Монте-Карло, GARCH (1, 1), также известное как обобщенная авторегрессионная условная модель гетероскедастичности, EWMA, которые в настоящее время используются банками. CME (Chicago Mercantile Exchange) разработала алгоритмы управления рисками PC-SPAN для маржирования портфеля
- SPAN был рассмотрен и одобрен регуляторами рынка и участниками по всему миру.
- SPAN — это официальный механизм Performance Bond более чем 50 бирж и клиринговых организаций по всему миру, что делает его глобальным стандартом маржирования портфеля.
Управление рисками – это применение процесса управления рисками, которое состоит из:
Будущая задача по интеграции управления рисками во все области компании означает, что «операционное», «экономическое» и «стратегическое» управление рисками предприятия (ERM) будет необходимо для будущих процессов управления.
Последние разработки в области финансовых технологий, ориентированные на управление рисками, — это применение искусственного интеллекта в управлении финансовыми рисками.
Как различные методологии количественного анализа рисков для разработки формального управления рисками могут использовать искусственные нейронные сети
Что общего между инженером, контролирующим промышленный объект, и менеджером банковских операций, контролирующим обработку платежей? Оба имеют дело с операционными рисками, которые требуют немедленных действий при первых признаках проблемы. Процесс для обоих такой же, как описано на диаграмме ниже
Финансовые учреждения в первую очередь являются риск-менеджерами и управляют различными финансовыми рисками — рыночными, кредитными, операционными, валютными, ликвидности и другими. Для обеспечения надежного управления рисками банк должен убедиться, что он использует технологии, основанные на данных, которые применяются к следующим
Зачем нужен черный ящик?
Операции на основе данных
Операции на основе данных являются основой для повседневных операций. Какими бы сложными ни были системы сбора и обработки данных, ответственность за принятие важных решений лежит на обученном человеке. Менеджеры банковских операций могут выполнять обработку исключительных ситуаций и устранение ошибок на основе сообщений, генерируемых системой.
Любые аналитические приложения, которые определяют их решения, будут передавать свои результаты человеку для внесения любых изменений в операции. Причина, по которой операционным отделом управляют большие команды, перед которыми стоит задача постоянного повышения эффективности за счет улучшения процессов и использования новейших передовых технологий.
Отслеживание ложных тревог
Команды по управлению рисками используют экспертные системы, в основном основанные на правилах, для мониторинга операций и создания предупреждений. Экспертные менеджеры по управлению рисками устанавливают оповещения на основе правил, исторических пороговых значений, конкретных KPI, и настройка каждого из них с течением времени отнимает у экспертов много времени для поддержания баланса между подверженностью риску и эффективностью команды, и это имеет свои последствия.
Одной из самых больших проблем повышения эффективности являются ложные тревоги, вызываемые используемыми в настоящее время аналитическими технологиями. Недостаточная чувствительность означает, что подверженность риску выше, а слишком высокая чувствительность также означает, что операционная группа, находящаяся под большим давлением, преследует ложные тревоги.
Ни один алгоритм не полезен сам по себе, а скорее с точки зрения того, как он взаимодействует со своим окружением (выборка данных, фильтрация и сокращение), а также как он манипулирует или изменяет свое окружение. Следовательно, алгоритм зависит от понимания среды, а также способа управления средой.
Любые системы, основанные на правилах, ставят перед оператором серьезную дилемму, потому что: стоимость отсутствия фактического исключения, модели могут быть настроены очень консервативно. В результате это значительно увеличивает эксплуатационные расходы, но также создает «усталость от тревог», когда операторы ожидают ложных тревог до такой степени, что пропускают действительно положительную и допускают неправомерную транзакцию.
Гарри Хендерсон предложил модель ИИ, которая имеет как старую память правил, так и рабочую память, где модель интеллектуально учится в текущей среде, а система сопоставления правил быстро настраивает правила, чтобы избежать ложных тревог без потери исходных исключений.
Тренды и человеческая обработка (что в ЧЕРНОМ ЯЩИКЕ?)
Надежное управление рисками заключается в работе с транзакционными данными в режиме реального времени и историческими тенденциями/обучением; есть важный аспект времени, который влияет на то, как принимаются решения. В целом, люди хорошо интерпретируют простые тренды, глядя на наклоны и уровни, но у человека есть ограничения для описания сложных закономерностей. Решение проблемы заключается в том, смогут ли экспертные системы ИИ кодировать эти тенденции.
Проблема с системой ИИ заключается в том, что когда разные части информации не поступают в одно и то же время или с разной скоростью, включение тенденций в таких данных в любую систему ИИ может быть затруднено.
Например. В случае моделирования методом Монте-Карло входные данные могут быть фиксированными, но частота входных данных A, B, C и D может изменяться, что приводит к генерации случайных чисел Модель Монте-Карло (МКМ). Может не следовать кривой распределения вероятностей, которая является функцией (PDF), чтобы гарантировать, что различные риски были учтены, выходные данные MCM будут оцениваться и проверяться на предмет гипотезы с использованием нескольких регрессивных входных данных для проверки уровня достоверности модели.
Важным аспектом для специалиста по моделированию рисков является выбор соответствующей функции распределения в соответствии с доступными данными; он может следовать любой логарифмической функции, нормальному распределению, функции распределения хи-квадрат и т. д. Разработчик модели также должен понимать поведение данных на практике; обычно он основан на доступной исторической базе данных.
Модель моделирования Монте-Карло для оценки рисков
Эта проблема усугубляется в приложениях финансовых услуг, где тенденции формируются (и меняются) в течение нескольких дней, недель или даже лет. Нельзя ожидать, что оперативные пользователи смогут распознавать долгосрочные тенденции в поведении клиентов без помощи экспертной системы. Результатом таких трудностей является увеличение количества усилий, которые люди должны приложить для подтверждения сигналов тревоги путем интерпретации закономерностей.
Экспертныевместообучающихсистем (мысли в рамках)
Следующая проблема заключается в том, что экспертные системы не меняются сами по себе, поскольку они должны быть запрограммированы экспертами. Основное преимущество системы ИИ заключается в том, что весь процесс (обучение и тестирование) имитирует рассуждения человеческого мозга, поскольку обучение происходит в умах экспертов, которые затем применяют уроки своего обучения в следующих версиях базы правил.
В условиях быстро меняющегося финансового бизнеса и ландшафта данных операционные системы развивались недостаточно быстро. Это приводит к большему риску и менее оптимизированному использованию маржинальных денег.
Например — Игра в шахматы
Но тогда возникает вопрос: может ли машина когда-нибудь иметь механизм, позволяющий делать выводы, основанные только на здравом смысле, который находится за пределами логических рассуждений? Могут ли машины представить факты, выходящие за рамки математических формул? Могут ли машины сделать логический вывод из случаев, которые имеют самую редкую или редкую вероятность возникновения, чтобы обеспечить оптимальное использование времени и ресурсов?
Будет ли система ИИ в будущем положительной или отрицательной, покажет только время, поскольку коммерческое применение ИИ должно противостоять вызову разнообразия, поскольку разные банки, страховые компании, фонды и финансовые фирмы не говорят на одном языке. риск — язык. Тем не менее каждый из них проводит анализ затрат и результатов, анализ чувствительности, анализ сценариев, что позволяет проводить как количественный, так и качественный анализ.
Приятного чтения!!
Первоначально опубликовано на thoughtblotterr.wordpress.com
