Финансовая сфера

Банковское обозрение


  • Драйверами автоматизации прогнозирования стали надзорные инициативы
29.06.2021 FinRetailАналитика
Драйверами автоматизации прогнозирования стали надзорные инициативы

О цифровом будущем прогнозирования и завоевании доверия банков к ИИ рассказал генеральный директор Intersoft Lab Валерий Чаусов


Валерий Чаусов, генеральный директор Intersoft Lab— Валерий, в пандемию банки стали интенсивнее использовать прогностические алгоритмы. Как это отразилось на автоматизации прогнозной функции?

— Прогнозирование — инструмент, способный устранить фактор внезапности. Он помогает подготовить и ускорить адаптацию бизнеса к изменениям. Понятно, почему в последний год банки стали обновлять прогнозы чаще.

Но раньше драйверами автоматизации прогнозирования стали надзорные инициативы: ВПОДК (внутренние процедуры оценки достаточности капитала), рекомендации о расчете величины процентного риска, требования к плану самооздоровления, стресс-тестированию — и не только они. Например, задолго до пандемии оформился запрос на модернизацию риск-ориентированного планирования. Потому что рентабельность традиционного бизнеса падала, в финансовую отрасль ринулись нефинансовые игроки. Банкам пришлось искать новые источники дохода и конкурентные стратегии, основанные на детальных прогнозах прибыльности и риск-потерь. Фундамент для IT-поддержки прогнозирования заложила цифровая перестройка банковских процессов, также стартовавшая до упомянутых событий.

Поэтому подходы к автоматизации прогнозной функции сложились заранее. Но опыт, полученный в кризисный период, помог банкам лучше осознать пользу от инвестиций в систему прогнозирования для решения самых разных задач: от соответствия требованиям регулятора до управления достижением целей.

— Что вы называете фундаментом прогнозирования?

— Данные. Полные, гранулярные, с большой исторической глубиной. Их наличие — необходимое условие для подготовки прогнозных моделей и расчета прогнозов. Активная «оцифровка» банковской деятельности положительно влияет на доступность и качество данных для прогнозирования, а это отражается на точности прогнозов.

— Расскажите о подходах к автоматизации прогнозной функции.

— Автоматизация прогнозной функции включает в себя три части: построение моделей и сценариев прогнозирования, сценарное прогнозирование состояния портфелей банка на основе денежных потоков, расчет состояния портфелей с учетом модельных сделок. На вход машина прогнозирования получает данные текущего состояния портфелей банка, модельные сделки и макроэкономические показатели — так называемые первичные факторы риска. Задача пользователя — настроить прогнозные модели, определиться с алгоритмами расчета вторичных риск-факторов и смоделировать сценарии для прогнозирования. Результат работы системы — будущие характеристики финансовых инструментов и денежных потоков, рассчитанные с учетом влияния рисков и потенциальных сделок для разных сценариев поведения рынка и клиентов. По сути, машина прогнозирования — это универсальный вычислительный механизм. Готовые прогнозы применимы для решения целого комплекса задач по управлению рисками и прибыльностью.

Например, в составе RCPM-платформы (Risk-based Corporate Performance Management, управление корпоративной эффективностью с учетом рисков) «Контур» машина прогнозирования появилась несколько лет назад для решения «классических» задач банковского менеджмента — прогнозирования состояния «старых» и моделирования «новых» портфелей банка при годовом планировании и скользящем прогнозировании исполнения планов. Это было естественным развитием традиционных компетенций Intersoft Lab в автоматизации риск-ориентированного управления эффективностью. Сегодня это решение эксплуатируется в банках, мы получаем самое ценное — обратную связь от заказчиков. Выяснилось, что пользу от скользящих прогнозов банки оценивают выше, чем от статических форм без скольжения, что для мониторинга тревожных сигналов прогнозирование востребовано больше, чем в бизнес-планировании, что прогнозирование риск-факторов — отдельная задача, решение которой дает новое качество прогнозов — аналитичность, детальность, вариативность (но не все к этому готовы), наконец, что ценность для банков имеют не просто инструменты расчета прогнозов, а сервисы для решения прикладных задач на их основе.

— Как планируется развивать решение для прогнозирования в составе платформы «Контур»?

— Недавно вышла обновленная версия приложения «Прогнозирование и моделирование» в составе платформы «Контур». Теперь вместе с машиной прогнозирования можно получить готовые шаблоны для наиболее интересных банкам задач, требующих данных о прогнозном состоянии портфелей. Шаблон включает набор прикладных показателей, характерных для группы связанных задач, алгоритмов их расчета и интерфейсов для представления результатов. Пользователю достаточно настроить машину прогнозирования, задать нужные показатели, назначить алгоритмы их вычисления и получать готовые решения. Все настройки выполняются «на языке» бизнес-пользователя и не требуют привлечения IT-специалистов.

Одна и та же система может использоваться разными заказчиками внутри банка. Например, риск-департаменту она полезна для расчета ГЭПа ликвидности и процентного ГЭПа, стресс-тестирования всех видов риска, прогнозирования нормативов достаточности капитала и ликвидности и прочего, а бухгалтерии — для подготовки риск-отчетности. Среди потенциальных потребителей обновленного приложения — финансовые службы, банковские казначейства и бизнес-подразделения. Скажу сразу, что ведется апробация приложения в нескольких банках.

— Решение для прогнозирования рисков на платформе «Контур» ориентировано на крупные банки? Как вы планируете конкурировать с иностранным ПО?

— На первый вопрос отвечу — не совсем. Действительно, практически все крупнейшие и крупные банки уже потратились на одну или даже несколько иностранных риск-систем со встроенными инструментами прогнозирования. Банки меньшего масштаба используют в основном собственные разработки. Решение от отечественного поставщика будет полезно и тем и другим.

Известные минусы западных систем — цена, длительное внедрение и отсутствие поддержки требований локального регулятора. Не секрет, что приобретение лицензий на иностранный софт не всегда заканчивается его запуском в эксплуатацию. Решения на базе электронных таблиц ограничены по количеству обсчитываемых сценариев прогнозирования, детальности прогнозов, набору применяемых методов прогнозирования и производительности расчетов. Например, в таблицах не используются методы прогнозирования на основе ИИ.

Приложение на основе хранилища данных, во-первых, лишено недостатков, присущих табличным технологиям. Во-вторых, такое решение разворачивается в обозримые сроки. В-третьих, в SLA отечественного поставщика входит обязательство по поддержке изменений в надзорных требованиях. Это позволяет нам конкурировать и с иностранными решениями, и с внутренними разработками банков.

— Как быть банкам, уже построившим хранилище данных и нуждающимся только в прикладных инструментах на основе прогнозирования и сценарного моделирования?

— Повторю, базис прогнозирования — данные. Основные инвестиции в проект направлены как раз на сбор и обеспечение качества данных. Поэтому, если в банке эта задача уже решена — отлично. Проект обойдется на 60–70% дешевле, а запустить решение можно будет за два-три месяца.

Что касается технической стороны, то приложение для прогнозирования обращается к модели «Контура» и использует инструменты нашей платформы. Поэтому будет достаточно «перелить» готовые данные из банковского хранилища в наши структуры, настроить приложение, и все заработает.

— Регуляторы разных стран признали ИИ перспективной технологией на стратегическом горизонте. Но даже эта оценка не способна убедить банкиров доверить ИИ финансовые вычисления. Не станет ли использование ИИ тормозом для продвижения решения?

— Не буду противоречить регуляторам разных стран. За ИИ — будущее прогнозирования. Но его настоящее — де-факто за статистическими методами, которым доверяют. Замена одних методов прогнозирования другими должна происходить эволюционно. Это позволит постепенно сформировать доверие к методам машинного обучения и нейронным сетям.

Поэтому мы встроили в машину прогнозирования и статистические методы, и методы на основе ИИ. Тем более что ИИ-инструменты, в частности нейронные сети, чувствительны к объему и плотности данных для прогнозирования, в отличие от статистических методов. Если статистика отработает на сотнях записей, то для обучения нейронной сети нужны десятки тысяч. Данные банка на первом этапе просто могут не соответствовать требованиям для применения ИИ. Со временем банк накопит данные и сможет сравнивать прогнозы, полученные с использованием разных методов, и осознанно сделает свой выбор.






Сейчас на главной

ПЕРЕЙТИ НА ГЛАВНУЮ