محمد سعید شریفان

۲۴ شهریور ۰۳ ، ۲۰:۰۳

عصر هوش مصنوعی و بانکداری

تجربه مشتری در عصر هوش مصنوعی | مشاوران تعالی سازان

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 :

  1. Abdul-Jabbar, Sani (2019): Four Ways Artificial Intelligence Will Transform Banking.
  2. Temenos, (2019), The Future of the Digital Banking Experience
  3. Marr, Bernard (2019): The 7 Biggest Technology Trends to Disrupt Banking & Financial Services in 2020
  4. European Central Bank (2019) Report:  Artificial Intelligence in Financial Services
 

[1] Artificial Intelligence

[2] Data Center

[3] Machine Learning

[4] Neural Network

[5]  DQN: Deep Q-Network

[6] HFT: High Frequency Trading

[7] Statistics Arbitrage

[8] Risk Management

[9] VAR: Value After Risk

[10]CVAR: Conditional Value After Risk

[11]  Robo-Advisory

موافقین ۰ مخالفین ۰ ۰۳/۰۶/۲۴
محمد سعید شریفان

نظرات  (۰)

هیچ نظری هنوز ثبت نشده است

ارسال نظر

ارسال نظر آزاد است، اما اگر قبلا در بیان ثبت نام کرده اید می توانید ابتدا وارد شوید.
شما میتوانید از این تگهای html استفاده کنید:
<b> یا <strong>، <em> یا <i>، <u>، <strike> یا <s>، <sup>، <sub>، <blockquote>، <code>، <pre>، <hr>، <br>، <p>، <a href="" title="">، <span style="">، <div align="">
تجدید کد امنیتی