Генеральный директор Penenza Дмитрий Пангин рассказал экономическому научному журналу «Оценка инвестиций» о том, как крупнейшие мировые банки применяют методы искусственного интеллекта для оценки рисков инвестиций, и описал процесс разработки такой модели для скоринга заёмщиков на Penenza. Сегодня в традиционных банках и инвестфондах принятие решения об инвестиции, кредите занимает от трех до пяти недель. Методы инвестиционных прогнозов не обновлялись некоторыми полвека. При этом финтех-проекты перестроили модели, подключили к процессу искусственный интеллект (AI) и сократили время оценки до нескольких минут. Плюс подключили рекомендательную систему, когда AI сам за инвестора решает и распоряжается инвестициями. Практика внедрения AI в финансовую сферу более чем впечатляет. Согласно докладу McKinsey, когда ряд европейских банков заменил устаревшие оценки на модели, основанные на искусственном интеллекте и машинном обучении, то в некоторых случаях результаты превзошли самые смелые ожидания: +10% к продажам новых продуктов, −20% от капитальных затрат (capex), +20% к поступлениям средств и −20% от оттока. В США ведущие игроки рынка финансов давно сделали ставку на AI:
Deutsche Bank использует AI для более точного прогнозирования стоимости акций.
JPMorgan Chase разработал платформу Intelligence Contract, предназначенную для «анализа документов и извлечения важных данных».
В канадском TD Bank используется AI-движок Layer 6 для скоринга и кибербезопасности.
Wells Fargo создал собственную команду по AI для предоставления более персонализированных услуг клиентам.
Bank of America Merrill Lynch реализует решение HighRadius для ускорения согласования дебиторской задолженности для своих крупных корпоративных клиентов.
Что касается России, то и у нас есть примеры использования AI для инвестиций. В Сбербанке, по словам Германа Грефа, 30% решений о кредитовании юрлиц принимает искусственный интеллект. Наверняка у других банков из ТОП-100 тоже есть примеры применения AI в финансах и инвестициях. Но тогда возникает вопрос — почему AI внедряется так долго? Потому что нет удобных инструментов по сбору данных, предобработке данных, быстрой проверке гипотез, развертыванию таких моделей. Поэтому создание AI-моделей оценки может занимать многие месяцы. Внедрение же готовых моделей может занимать от полугода. В итоге, хотя все технологии есть, применить их получается только после долгих месяцев напряженной работы множества очень квалифицированных и высокооплачиваемых сотрудников. Плюс устаревшие IT-системы требуют больших капитальных вложений. Но это не значит, что этим не надо заниматься — это must have для выживания. Поэтому я делюсь собственной практикой построения оценки рисков на AI. В случае Penenza.ru для каждого типа займа мы разрабатываем отдельную методику оценки рисков. Разработка такой модели осуществляется в несколько этапов: 1) Анализ всевозможных последовательностей значимых событий, которые могут привести к потере средств инвестором. 2) «Дерево исходов» для инвестиций в конкретный тип вложений. Вот пример одного такого «дерева»: 3) Модель потерь. На этом этапе выявляются взаимосвязи: как сотни характеристик бизнеса влияют на банкротство и исполнение обязательств. И вот на этом этапе подключаются big data — базы данных о 6+ млн российских организаций. Это финансовая отчетность за несколько лет, информация о собственниках и руководителях, исполнительные производства, арбитражные разбирательства о банкротствах, участие в тендерах и госконтрактах, транзакции, недееспособность менеджмента, действительность документов и пр. Для обработки big data используются методы machine learning, которые строят более точные прогнозы по сравнению с классическими подходами. 4) Пилот. Новая модель обкатывается на собственных инвестициях, чтобы выявить неизвестные или неучтенные риски. По итогам пилота модель либо принимается, либо дорабатывается. 5) Обновление. Модель актуализируется на вновь полученных данных. В итоге всей этой работы (одна минута в реальности) инвестор на платформе видит риск-рейтинг от ААА до D. И уже сам решает, во что ему вложиться. Сейчас появляются работы на тему machine learning в качестве альтернативы математическому моделирования. Если просто говорить, то нейросеть не пытается решить уравнение, а как бы «угадывает» решение с очень хорошей точностью и очень быстро. Это похоже на интуицию хорошего инвестора — человек мгновенно угадывает, что вскоре произойдет, не проводя особо много расчетов. Такой новый подход к моделированию может дать совершенно неожиданные результаты в инвестировании. Одно можно сказать совершенно точно — основой революционных изменений в инвестициях являются именно технологии машинного обучения. Уже сейчас технологии могут заменить человека практически на всех рутинных, конвейерных производствах. Не хватает лишь интерфейсов, связывающих виртуальный мир вычислений с материальным миром — универсальных недорогих роботов-манипуляторов, средств малой автоматизации. И не хватает инструментов для работы обычных людей с этими алгоритмами. Но работы такие ведутся, и в ближайшие годы такие решения появятся.