Lehman Brothers nie był upadkiem jednej firmy. A te można przewidzieć dzięki data science

Lehman Brothers nie był upadkiem jednej firmy. A te można przewidzieć dzięki data science

– W ocenie ryzyka finansowego wielki potencjał mają systemy do przetwarzania języka naturalnego. Firmy w branży są wprost zalewane tekstem w postaci informacji, artykułów, raportów czy zestawień. Technologia ta pozwala szybko odfiltrować dane i stworzyć system, który błyskawicznie uwypukli możliwe zagrożenia – podkreśla Katarzyna Kryńska, Risk Manager w Generali CEE Holding.

Katarzyna Kryńska jest finansistką i data scientistką, która na co dzień pełni funkcję Risk Manager w Generali CEE Holding, czyli jednego z największych globalnych dostawców usług ubezpieczeniowych i zarządzania aktywami. Zawodowo pasjonuje się finansami i nowymi technologiami. Połączenie tych zainteresowań przerodziło się w jej zamiłowanie do analizy danych i uczenia maszynowego. W obszarze data science w finansach szczególnie interesuje ją przewidywanie ryzyka wystąpienia tzw. efektu domina.

Czym zajmuje się risk manager w branży finansowej? W jaki sposób specjalista w obszarze zarządzania ryzykiem podejmuje decyzje na co dzień?

Departament ryzyka chroni interesy uczestników funduszy inwestycyjnych (tzw. TFI – towarzystwo funduszy inwestycyjnych). Jego głównym zadaniem jest zabezpieczanie wartości inwestycji, jakie mogą poczynić inwestorzy kupujący fundusze inwestycyjne. Poza limitami ustawowymi kontrolujemy także te dodatkowe, wewnętrzne. To szczególnie ważne przy wprowadzaniu nowych funduszy. W wielu TFI działy ryzyka zajmują się także ryzykiem operacyjnym, które występuje w każdej firmie. Większość zadań jest już zautomatyzowna dzięki robotyzacji, natomiast duża część naszej pracy odbywa się bez udziału rozwiązań sztucznej inteligencji.

Z czego to wynika?

Naszym głównym obowiązkiem jest monitorowanie limitów ustalonych przez ustawodawcę. Te limity zapisane są w Ustawie o funduszach inwestycyjnych i mają na celu zapewnienie bezpieczeństwa inwestycji. Są to na przykład ograniczenia zadłużania się funduszu (ekspozycji) lub koncentracji lokat. W takim silnie regulowanym środowisku wprowadzane innowacje mogą schodzić na drugi plan. Dlatego mamy jeszcze duży obszar do zagospodarowania jeśli chodzi o wykorzystanie np. algorytmów sztucznej inteligencji w obszarze ryzyka.

Myślę, że konieczna jest również zmiana mentalności niektórych risk managerów, aby szerzej korzystali z nowoczesnych rozwiązań. Wykorzystanie data science w finansach przynosi bowiem wymierne korzyści, choć niekiedy dopiero w długoterminowej perspektywie. Dlatego warto starać się o wsparcie na inwestycje w takie programy w ramach organizacji.

Myśli Pani, że będą to narzędzia wspierające automatyzację pracy, czy raczej autonomiczne wobec działań risk managera?

Na pewno będą dawać nam sygnały do podjęcia decyzji. Natomiast same ich nie podejmą. Nie pracujemy na rozwiązaniach, gdzie działanie algorytmu byłoby głównym wyznacznikiem. Jednak na końcu zawsze powinien być człowiek. Wynika to z bardzo ścisłych i konkretnych regulacji branży finansowej. Zawsze musimy w klarowny i transparentny sposób informować, dlaczego podjęliśmy taką decyzję, a nie inną.

To z kolei nie jest proste w przypadku rozwiązań z obszaru sztucznej inteligencji. Niektóre algorytmy mogą być traktowane bowiem jak czarna skrzynka (tzw. black box). Natomiast my musimy być w stanie wytłumaczyć swoje działania. Na szczęście pojawia się coraz więcej opracowań z obszaru explainable AI, co daje nadzieję na szersze wykorzystanie tej technologii, także w finansach.

A co ze skutecznością takich rozwiązań?

Na początku zawsze przeprowadzamy tzw. proof of concept i badamy, jak bardzo przydatne jest dane narzędzie, jaką wartość dodaną wnosi. Jeśli jest ona niska, to takie rozwiązanie nie zostanie zaimplementowane.

Jakie pomysły bazujące na algorytmach uczenia maszynowego czy data science w finansach kiełkują obecnie w zarządzaniu ryzykiem w tej branży?

W ocenie ryzyka finansowego wielki potencjał mają systemy do przetwarzania języka naturalnego (z ang. NLP – natural language processing). Firmy w branży są wprost zalewane tekstem w postaci informacji, artykułów, raportów czy zestawień. Technologia ta pozwala szybko odfiltrować dane i stworzyć system, który błyskawicznie uwypukli możliwe zagrożenia.

Przykładem niech będzie chiński gigant Evergrande i jego niewypłacalność. Firma była drugim największym deweloperem w Chinach. Pierwsze informacje dotyczące słabości finansowej pojawiały się w mediach branżowych już kilka miesięcy przed upadkiem. Korzystając z rozwiązań data science w finansach, można wychwytywać informacje wskazujące na niewidoczne dla wielu symptomy problemów finansowych, a także reagować dużo wcześniej i skuteczniej. Możemy też szybciej zauważyć negatywne wiadomości, przejrzeć nagłówki prasowe i już na tej podstawie podejmować pierwsze decyzje.

Innym zastosowaniem technologii NLP jest ustawianie w systemach danych z prospektów informacyjnych lub pochodzących z zawartych umów inwestycyjnych. Wyłapanie limitów inwestycyjnych z tekstu dla zarządzającego funduszem z pięcioma umowami nie stanowi większego problemu. Ale w przypadku korporacji, która ma np. 600 portfeli, to się wiąże z dużym nakładem pracy. Na szczęście są już rozwiązania na rynku, które pomagają człowiekowi zidentyfikować limity inwestycyjne w tekście i sugerują w jaki sposób je ustawić, co znacznie skraca czas pracy, jak i minimalizuje ryzyko błędów.

A co z rozwiązaniami dotyczącymi analizy samych liczb, danych finansowych? Czy tu także wykorzystywane są już zaawansowane algorytmy?

Na razie jest to technologia raczkująca w naszej branży. Są już systemu tego typu, chociaż często są to rozwiązania o dość wąskich zastosowaniach, np. tylko na rynku akcyjnym albo analizujące jedynie ryzyko kredytowe emitentów papierów dłużnych. Trzeba przyznać, że człowiek nie zawsze potrafi wyłapać takie zagrożenia z samych danych. Jeżeli na ich podstawie wiemy, że emitenci w naszym portfelu inwestycyjnym są narażeni na czynniki ryzyka, to możemy dobrać skład portfela w ten sposób, żeby je zminimalizować.

Czy poza narzędziami NLP i analizą danych istnieją jeszcze jakieś metody, gdzie wykorzystujemy rozwiązania data science w finansach?

Niezwykle ciekawą kwestią dla mnie jest także przewidywanie ryzyka wystąpienia „efektu domina”. Badamy tym samym powiązania pomiędzy emitentami, których mamy w portfelu i możemy sprawdzić, jak bardzo skorelowani są ze sobą. Dzięki temu można minimalizować ryzyko wysokiej straty na funduszu.

Proszę zauważyć, że w przypadku Lehman Brothers nie chodziło o krach jednej firmy, tylko wielu instytucji z nią powiązanych. Dzięki takiej analizie sieci można przewidzieć, którzy emitenci zostaną pociągnięci w dół.

Czyli wpływ innowacji na pracę risk managera można również oceniać pod kątem oszczędności czasu?

Niedawno przeprowadziliśmy ankietę wśród menedżerów ryzyka. Pytaliśmy ich o liczbę godzin spędzanych codziennie na czytaniu wiadomości finansowych. Okazało się, że zajmuje im to średnio ok. godziny. Dla mnie to bardzo czasochłonne zadanie, a przecież wiadomo, że nie każda informacja jest ważna czy użyteczna. Już sam taki system, który wybiera dla nas najbardziej znaczące wiadomości, jest niezwykle przydatny.

A czy widzi Pani jakieś zagrożenia związane we wdrażaniu innowacyjnych rozwiązań w zarządzaniu ryzykiem?

Odpowiem nieco przewrotnie – znamy zagrożenia technologiczne mające wpływ na społeczeństwo czy biznes. Pojawia się na ten temat wiele publikacji, zarówno w obszarze bezpieczeństwa danych, jak i prywatności. Natomiast dla branży finansowej niebezpieczne jest również niewdrażanie innowacji. Bo dzięki tym rozwiązaniom podmioty finansowe mogą skuteczniej i bezpieczniej zarządzać aktywami klientów, jak i oferować coraz lepsze produkty i niższe marże.

Poza tym każda zmiana niesie za sobą ryzyko. Właśnie dlatego uważam, że rola specjalistów zarządzających tym obszarem rośnie. Są w stanie zauważyć różne zagrożenia i zaproponować sposób, jak takie ryzyko zminimalizować. Jeżeli na bieżąco je identyfikujemy i eliminujemy, to jestem spokojna o przyszłość branży.

Porozmawiajmy chwilę o przykładach innowatorów. Czy jest organizacja, która uchodzi za pewien wzorzec w kontekście zaawansowania rozwiązań data science w finansach?

Środowisko data science jest znane z tego, że jest bardzo otwarte i chętnie chwali się swoimi osiągnięciami. Branża finansowa jest natomiast dość specyficzna, gdyż musimy zachowywać poufność, żeby chronić interes naszych klientów. W rezultacie jesteśmy środowiskiem znacznie bardziej zamkniętym, może w niektórych obszarach nawet na wyrost zamkniętym. Widzę, że to się powoli zmienia i jest coraz więcej graczy, którzy organizują swoje konferencje, podczas których demonstrują swoje rozwiązania. Wśród nich można wymienić chociażby JPMorgan. Eksperci tej korporacji chwalą się, że chcą wykorzystywać sztuczną inteligencję np. do przewidywania płynności na rynku. Co ciekawe, w JPM raporty nie są dziś „klejone ręcznie” przez pracowników, ale tworzone przez system, który pomaga wygenerować raport adekwatny do zapytania użytkownika.

Ale nie wszystkie rozwiązania data science w finansach są skuteczne. Wielu ekspertów mówi, ze czasem mamy do czynienia z wróżeniem z algorytmu. Podziela Pani ich opinię?

Nie ma się co dziwić, że wszyscy zachwalają swoje rozwiązania. Ale dopiero przy zastosowaniu wspomnianego wcześniej proof of concept mamy informację, jak bardzo to narzędzie jest wartościowe. Co nie oznacza, że już na starcie warto wszystkie takie firmy skreślać. Poznałam ostatnio dostawcę pewnej technologii, który obiecuje, że potrafi przewidzieć kondycję finansową konkretnych emitentów. Na podstawie algorytmu stwierdza, które akcje mogą zyskiwać na wartości, a które firmy będą sobie radzić gorzej. Efekt? Algorytm inwestujący w ten sposób może zdecydowanie przebić benchmark. Czyli w niektórych sytuacjach poradzi sobie lepiej niż „ślepe” inwestowanie w indeks giełdowy. Innym problemem jest to, że w przypadku szeregów czasowych (jak np. cena akcji) ocena przyszłej skuteczności algorytmu jest bardzo dyskusyjna.

Jak widzi Pani przyszłość branży, która przechodzi obecnie transformację cyfrową w wyniku korzystania z rozwiązań data science w finansach na coraz większą skalę? Jaką rolę w procesie przemian odgrywa obszar zarządzania ryzykiem?

Innowacji na rynku będzie przybywać, a ich wpływ na realizację bieżących zadań specjalistów będzie coraz większy. Wynikać to będzie z naturalnych ograniczeń zdolności człowieka. Nie jesteśmy w stanie przeanalizować tak dużej ilości informacji, jakie do nas trafiają. A już z pewnością nie tak dobrze, jak potrafi to robić maszyna.

Uważam, że jeszcze przez długi czas ostateczna decyzja co do oceny ryzyka i podjęcia działań będzie leżała w gestii osób zarządzających tym obszarem. Oczywiście jestem w stanie wyobrazić sobie jakiś fundusz hedgingowy, który bazuje tylko na sygnałach uzyskiwanych od maszyny. Natomiast takie fundusze wciąż mają znikomy udział w rynku.

Czyli obszarem w pracy menedżera ryzyka, który raczej nie będzie zautomatyzowany w pełni, jest podejmowanie decyzji?

Odpowiem tak: nigdy nie mów nigdy. Na razie nie widzę takiej możliwości, ale wszystko może się zmienić. W ciągu kilku lub kilkudziesięciu lat rozwiązania data science w finansach mogą tak bardzo wpłynąć na branżę, że prawdopodobieństwo wystąpienia takiego scenariusza – mimo że niskie – istnieje.

Ale nie obawia się Pani, że za kilka lat specjaliści ds. zarządzania ryzykiem zostaną zastąpieni przez algorytmy data science w finansach?

Menedżer ryzyka ma pracę zapewnioną na wiele, wiele lat. Potwierdzają to zarówno raporty branżowe, jak i różne narzędzia analityczne w sieci. Poza tym, nawet gdyby tak się stało, to posiadanie umiejętności z obszaru data science w finansach prawdopodobnie pozwoliłoby specjalistom wykonywać pracę w innym charakterze.

Zapewne w przeciwieństwie do zawodu dziennikarza, który może zniknąć bardzo szybko…

Dziś firmy tworzące rankingi funduszy inwestycyjnych w 20-30 proc. używają do tej pracy maszyn, które nie wymagają wsparcia analityków bądź redaktorów. W takim raporcie nie jest wskazywany wyłącznie rating funduszu, ale także opis ryzyka oraz główne czynniki decydujące o tej ocenie. Odbiorca raportu prawie nigdy się nie zorientuje, czy dany opis napisał człowiek, czy maszyna. Natomiast bardziej wyrafinowane materiały – wymagające dogłębnego zrozumienia tematu czy pracy badawczej – jeszcze przez długi czas będą pisane jedynie przez ludzi.

Czuje się Pani dziś bardziej data scientistką, czy jednak finansistką?

Proporcje oceniałbym jako pół na pół. Myślę, że wiedza i doświadczenie z obszaru finansów będą zawsze dominować w mojej pracy. Na tym stanowisku nadal potrzebna jest osoba, która dobrze orientuje się w świecie finansów. Zmieniają się jednak role przypisane temu stanowisku i zapotrzebowanie na specjalistów data science w finansach. A to jest dzisiaj ogromne jak nigdy wcześniej.

Udostępnij link

https://www.datasciencerobie.pl/data-science-w-finansach-przewidzi-upadki-firm/