عصر هوش مصنوعی و بانکداری
عصر هوش مصنوعی: لزوم توسعه فناوریهای مدرن در حوزه بانکداری
نویسنده: محمد سعید شریفان (مرکز نوآوری بانک رفاه) – شهریور 1403
مقدمه:
در سالیان اخیر، پیشرفت فناوری در حوزه های دیجیتال و هوشمند سازی فرآیندها و عملیاتهای دستی، باعث کاهش هزینه ها و تسریع در اقدامات و فرآیندها در نظام اداری و اجرایی شرکتها شده است. امروز بزرگترین دغدغه های بانکها در حوزه فناوری مبتنی بر سه عامل 1: امنیت داده ها 2.کاهش هزینه ها 3. مدیریت دارایی متمرکز است. این دقیقا عواملی هستند که فناوری هوش مصنوعی(AI[1]) سعی در بهبود آنها در نظام بانکداری دارد. هوش مصنوعی با ثبت و پردازش خودکار و غیر دستی داده ها و افزایش سرعت ثبت اطلاعات و دادهها، گام بزرگی برای دستیابی به اهداف افزایش بهره وری در نظام بانکی برداشته است.
امروزه انباشت اطلاعات قدیمی و جدید در دیتا سنتر[2] نظام بانکی باعث هزینهزایی بیهوده برای بانک ها در بخش های مختلف جمع آوری و تحلیل و پایش داده ها شده است. هوش مصنوعی یک راهکار مناسب برای کاهش ریسک عملیاتی و فرآیندی در بانکها است. البته پرواضح است که استفاده از پردازشگرهای کوانتومی یک نیاز ضروری برای دستیابی به فوایدی است که از هوش مصنوعی انتظار داریم و ما فعلا از آن صرف نظر می کنیم. در هر حال در ادامه این مقاله، به موارد کاربرد هوش مصنوعی در بهبود عملکرد و بهره وری نظام بانکی خواهیم پرداخت تا ما همانطور که در قبل گفته شد در دستیابی به اهداف افزایش بهره وری رهنمون سازد.
.1امنیت
هر روز تعداد زیادی عملیات بانکی که شامل: ایجاد حساب، واریز و برداشت پول و پرداخت صورتحسابها و .. در بانک انجام میشود. هوش مصنوعی با ردیابی تراکنش های تقلبی و مشکوک و پایش لحظه ای بر تراکنشها، از عملیاتهای ناامن و خطرزا جلوگیری کند. همچنین هوش مصنوعی به کمک یادگیری ماشینی(ML[3]) میتواند تمامی حسابها و تراکنش های آنها را به منظور جلوگیری از سوءاستفاده، پایش و رصد و آنالیز کند. این آنالیز و رصد باعث کاهش شدید هزینههای زیرساخت و امنیت شبکه به منظور جلوگیری از سوءاستفاده یا سرقت داده ها در مرکز پردازش داده نظام بانکی میشود.
.2کاهش هزینه ها
هوش مصنوعی بر سرعت فرآیندهای ناظر بر اعتبارسنجی و رتبه های اعتباری برای وامدهی تاثیر مستقیم دارد و سبب کاهش هزینهها و تسریع بخشی در عملیات مربوط به ثبت اطلاعات حسابها و تراکنشها، رتبه اعتباری، خطوط اعتباری و وامدهی در بانکها میشود. تکنولوژی یادگیری ماشین در هوش مصنوعی می تواند به صورت خودکار، نظارت و پایش تمامی فرآیندهای ساده تا پیچیده در نظام بانکی را انجام دهد.
3. مدیریت دارایی
یک تکنیک بهروز در مدیریت دارایی، استفاده از هوش مصنوعی و یادگیری ماشین برای تجارت الگوریتمی و بهینهسازی حسابهای پرشمار بانکی است. موارد استفاده از استفاده هوش مصنوعی و یادگیری ماشین در مدیریت دارایی شامل موارد زیر میشود:
الف. پیشبینی بازار: با استفاده از مدلهای هوش مصنوعی، مثل شبکههای عصبی[4] و یادگیری عمیق، میتوانیم دادههای زیادی از جمله اطلاعات بازار، اخبار و نظرات مردم را در شبکههای اجتماعی رو بررسی کنیم. این مدلها قادر به شناسایی وآنالیز الگوهای قیمتی هستند و روندهای بازار را پیش بینی میکند.. تکنیکهایی مثل پردازش زبان طبیعی به ماکمک میکنند تا دادههای متنی مثل مقالات خبری یا توییتها رو تحلیل کنیم و احساسات بازار را پیشبینی کنیم وفرصتهای تجاری و معاملاتی را شناسایی کنیم.
ب. بهینهسازی پورتفوی: الگوریتمهای یادگیری تقویتی برای مدیریت پورتفولیو از شبیهسازیهای مختلف بازار استفاده میکنند. این الگوریتمها با آزمون و خطا تخصیص داراییها رو تنظیم میکنند تا بیشترین سود رو همراه با کمترین ریسک بدست بیاورند. این الگوریتمها بهطور مداوم تخصیص داراییها رو بر اساس تغییرات بازار تغییر میدهند. برای مثال، تکنیکهایی مثل یادگیری شبکههای عمیق [5]کمک میکنند تا پورتفولیوهای انعطافپذیری بسازیم که واکنش سریع به تغییرات بازار نشان دهند.
ج. تجارت الگوریتمی: سیستمهای تجارت الگوریتمی که با هوش مصنوعی کار میکنند، از الگوریتمهای تجارت با فرکانس بالا [6]استفاده میکنند که قادر هستند تا معاملات رو در کسری از ثانیه بر اساس تحلیل دادههای لحظهای انجام دهند. این الگوریتمها از روشهایی مثل آربیتراژ آماری[7] و مدلهای یادگیری تحت نظارت برای پیدا کردن نوسانات کوتاهمدت قیمتها استفاده میکنند و سریعاً از این نوسانات برای شناسایی فرصت تجاری بهره میبرند. مدلهای هوش مصنوعی همچنین کمک میکنند تا هزینههای معامله مثل لغزش و اسپرد رو به حداقل برسانیم و کارایی معاملات رو بالا ببریم.
د. مدیریت ریسک[8]: با استفاده از هوش مصنوعی، میتوانیم دادههای تاریخی و لحظه ای بازار رو تحلیل کنیم و فاکتورهای ریسک رو با استفاده از مدلهای احتمالی مثل شبیهسازیهای مونت کارلو یا شبکههای بیزی پیشبینی کنیم. این تکنیکها به مدیران دارایی کمک میکنند تا ارزش در معرض ریسک[9] یا ارزش شرطی در معرض ریسک [10] رو بهطور دینامیک محاسبه کنند و استراتژیهای دقیقتری برای کاهش ریسک در شرایط نامشخص ارائه بدهند.
ر. مشاوره خودکار[11]: هوش مصنوعی همچنین در مشاوران خودکار استفاده میشود که با استفاده از الگوریتمهای خودکار، حسابها و پورتفویهای شخصی رو مدیریت میکنند. این مشاوران از بهینهسازی میانگین-واریانس و نظریه پورتفولیوی مارکویتز استفاده میکنند و ترجیحات و تحمل ریسک کاربران رو در نظر میگیرند تا پورتفویهای بهینهای را با کمترین دخالت انسانی ایجاد کنند.
ز. تحلیل احساسات و رفتار بازار: مدلهای یادگیری ماشین برای تحلیل احساسات و انتظارات در رسانههای اجتماعی، اخبار مالی و متون تماسهای درآمدی استفاده میشوند. این مدلها میتوانند احساسات عمومی بازار را ارزیابی کنند و بر اساس آن، استراتژیهای سرمایهگذاری را تنظیم کنند. مدلهای مالی رفتاری با استفاده از هوش مصنوعی میتوانند رفتارهای سرمایهگذاران (مثل واکنش بیش از حد به اخبار) رو پیشبینی کنند و استراتژیهایی برای بهرهبرداری از این الگوها تنظیم کنند. در کل، ترکیب هوش مصنوعی و یادگیری ماشین به مدیران دارایی کمک میکند تا بازدهی حساب و پورتفوی رو بهبود بخشند، ریسکها رو بهطور مؤثر مدیریت کنند و معاملات رو سریعتر و کاراتر انجام دهند. همچنین این تکنیکها امکان شخصیسازی و مقیاسپذیری بیشتری در مدیریت حسابها و پورتفویهای متنوع مشتریان را فراهم میکنند.
منابع :
- Abdul-Jabbar, Sani (2019): Four Ways Artificial Intelligence Will Transform Banking.
- Temenos, (2019), The Future of the Digital Banking Experience
- Marr, Bernard (2019): The 7 Biggest Technology Trends to Disrupt Banking & Financial Services in 2020
- European Central Bank (2019) Report: Artificial Intelligence in Financial Services