Искусственный интеллект, машинное обучение и связанные с ними термины в наши дни стали модными словечками, и каждый разработчик финансовых технологий и технологий в финансовом мире утверждает, что освоил эту технологию.

Что такое искусственный интеллект и машинное обучение простыми словами?

Искусственный интеллект — это наука, которая помогает машинам или компьютерам имитировать логику или интеллект человеческого мозга в таких областях, как обучение, решение проблем и распознавание образов. У него много подполей, одно из которых — машинное обучение.

Машинное обучение — это алгоритм, основанный на статистических моделях, который помогает компьютерам постепенно развиваться в заданной задаче. Машина учится постепенно в течение определенного периода времени, поскольку она обрабатывает большие объемы данных. Алгоритм обучения для машинного обучения можно классифицировать как контролируемое, неконтролируемое или обучение с подкреплением. Машинное обучение имеет ряд применений в коммерческом кредитовании — от принятия сложных решений, таких как прогнозирование поведения потребителей, до оценки извлечения текста из PDF-файлов. Однако для целей этой статьи мы рассмотрим использование машинного обучения и технологий в целом для мониторинга ковенантов.

Мониторинг соглашения

Давайте сначала посмотрим на некоторые статистические данные. По данным Cerebro Capital, более 38% компаний среднего бизнеса нарушили кредитный договор и не знают об этом. Из них 23% нарушили неправильно рассчитанные финансовые ковенанты и 15% не выполнили ковенанты. Это еще не все: в своем техническом документе компания по управлению бизнес-процессами new gen предполагает, что 85% кредитов с кредитным плечом (450 млрд долларов США) были ковенант-лайт, т. е. кредиты не были в достаточной мере покрыты или защищены ковенантами.

Вот некоторые из проблем, с которыми сталкиваются банки и финансовые учреждения, поскольку они по-прежнему придерживаются традиционного подхода.

Традиционный способ мониторинга ковенантов обычно представляет собой предварительный расчет для подтверждения соблюдения ковенантов; немного более современная версия будет использовать лист Excel, обычно поддерживаемый менеджерами по связям или их группой поддержки.

Этот подход имеет три основных недостатка:

  • В случае сообщения о ковенантах напоминания Outlook может быть недостаточно. Outlook обычно загроможден собраниями и напоминаниями, и предупреждение о сроках выполнения соглашения может быть пропущено.
  • Предварительный расчет не может гарантировать, что ковенанты рассчитаны правильно, а цифры могут не совпадать с финансовыми отчетами компании.
  • Excel или другие рабочие листы обычно децентрализованы, и банки не могут определить ранние индикаторы, относящиеся к этим ковенантам, на уровне портфеля и не размещаются в озере данных.

Чтобы преодолеть эти проблемы, банки пытаются автоматизировать процесс мониторинга ковенантов, при этом аналитики сосредотачиваются на областях, требующих суждения, а технология фокусируется на сборе информации о ковенантах. Ключевые направления автоматизации процесса ковенант-мониторинга:

  • Автоматизированный мониторинг и проверка ковенантов
  • Автоматическое извлечение ковенанта (движок)
  • Смарт-контракты
  • Умные предложения при назначении ковенантов

В Acuity Knowledge Partners (Acuity) мы решаем эту проблему, используя первые два подхода.

Мы создали интерактивную платформу Covenant Pulse, которая помогает банку усилить управление кредитным риском не только за счет активного мониторинга ковенантов, причитающихся с заемщика, но и путем проверки расчетов финансовых ковенантов на основе финансовой отчетности на основе определения кредитных договоров. Платформа позволяет избежать дублирования усилий, повторно используя заполненные спреды для оценки риска. Он также собирает или централизует все данные и представляет их в виде информационной панели, помогая руководству банка принимать обоснованные решения. Он также генерирует предупреждение всякий раз, когда срок действия соглашения приближается, избегая любых промахов.

Второй подход — извлечение ковенантов из кредитных договоров на основе машинного обучения. После обучения платформы кредитным соглашениям банков инструмент автоматически извлечет определения ковенантов из кредитных соглашений за несколько кликов. Выход можно интегрировать с Covenant Pulse для получения умного решения по ковенант-мониторингу.

Алгоритм машинного обучения также можно использовать для дальнейшей классификации ковенантов как утвердительных, отрицательных или прецедентных. Он также может различать финансовый ковенант и нефинансовый.

Смарт-контракты используют цепочку блоков для создания самоподдерживающихся контрактов. Хотя банки будут более эффективно использовать смарт-контракты и цепочку блоков в своих процессах KYC и AML или типы кредитов, такие как синдицированные кредиты, ипотечные кредиты или финансирование запасов, это также повлияет на общий процесс мониторинга ковенант. . В будущем смарт-контракты помогут банкам выявлять несостоявшиеся ковенанты и взимать плату, как указано в контрактах.

Технологии также можно использовать, чтобы помочь банкам обеспечить оптимальные уровни ковенантов для каждого заемщика. Интеллектуальный инструмент должен быть в состоянии предложить оптимальные ковенанты и пороговые значения, основанные на изменениях в отрасли, правилах банка и рисках, связанных с заемщиком.

Каковы основные проблемы применения машинного обучения?

Ключевые проблемы при применении машинного обучения в процессе Covenant Monitoring и банковской отрасли в целом заключаются в точности данных и изменчивости данных. Финансовый мир, особенно банки, принимает решения, которые в значительной степени зависят от правильных данных. Если машина обеспечивает 60-процентную точность, менеджеру по связям с общественностью или аналитику все равно придется потратить значительное количество времени, чтобы сделать данные точными. Следовательно, модель управляемых услуг Acuity идеально сочетает в себе технологии и экспертов в предметной области, чтобы обеспечить 100% точность.

Еще одна проблема заключается в обеспечении идеального соответствия обучающих данных общему портфелю банка. Мы предлагаем двухэтапное решение этой проблемы. Шаг 1: мы предлагаем схему интерактивной доски, которая поможет нам в партнерстве с банком понять основную проблемную область, а затем решить ее. Шаг 2: мы предлагаем начать с двух-трехмесячного плана проверки концепции, где мы оцениваем точность платформы в отношении портфеля банка.

Мы рассмотрим больше вариантов использования в наших последующих блогах.

Первоначально опубликовано на https://www.acuitykp.com.

Об авторе

Аюш,помощник директора по коммерческому кредитованию,является частью группы стратегических инициатив, ответственной за создание продуктов BEAT. Он имеет более чем 12-летний опыт сопровождения инвестиционных и коммерческих банков. В Acuity он является владельцем продуктов для коммерческого кредитования и курирует разработку кредитных продуктов, таких как CovenantPulse и CreditReport Pulse. Ранее он работал с Ernst & Young.