Le recours à l’intelligence artificielle et à l’apprentissage automatique
Gérer efficacement les échecs potentiels de règlement des transactions, lorsque soit l’acheteur ne livre pas les fonds, soit le vendeur ne livre pas les titres sous une forme appropriée à la date de règlement – est un élément clé pour stimuler l’efficacité dans l’ensemble de l’écosystème du marché des valeurs mobilières.
Même si la plupart des opérations de négociation sont aujourd’hui pilotées par des processus STP automatiques et que de nombreuses banques ont investi massivement dans l’amélioration de l’efficacité des systèmes d’information, il reste souvent de gros volumes de transactions qui nécessitent une intervention humaine manuelle, ce qui prend du temps et est très sujet à l’erreur.
Heureusement, les technologies émergentes telles que l’intelligence artificielle (IA) et l’apprentissage automatique, ainsi qu’une puissance de calcul plus élevée, permettent aux banques d’exploiter de vastes quantités de données et de développer des systèmes qui rendent la gestion des échecs potentiels de règlement des transactions beaucoup plus efficace du point de vue des coûts, du temps et de la qualité.
Le guide pour développer un meilleur système d’échec de règlement
Analyser
Une première étape dans la gestion des échecs de règlement des transactions consiste à analyser de grandes quantités de données historiques pour identifier des modèles complexes. Ces modèles de données alimentent des algorithmes, qui sont ensuite utilisés pour élaborer des décisions plus précises fondées sur les données. Les ensembles de données comprennent des caractéristiques de transaction clés telles que la date de transaction, la date de règlement, la contrepartie, la devise, le titre, la catégorie de titres, le marché de cotation, le dépositaire, le dépositaire et les modèles historiques de règlement des échecs (y compris les données historiques glissantes sur six mois, qui sont désormais rafraîchies chaque mois, et les nouvelles données qui sont entrées dans le système depuis le rafraîchissement précédent).
Diagnostiquer
Puis, à la date de valeur -1 ou date de transaction, toutes les transactions ouvertes sont ajoutées à ce modèle d’apprentissage automatique pour identifier les transactions potentiellement problématiques et la probabilité respective d’échec de la transaction. Une fois que les transactions potentiellement rejetées sont identifiées, le modèle diagnostique les anomalies possibles, indique pourquoi une transaction a été rejetée et met en évidence les écarts applicables. Les diagnostics typiques peuvent, par exemple, inclure un problème d’appariement dû à une configuration incorrecte des données de réservation ou de référence, un problème de fonds ou une position de sécurité insuffisante.
Proposer
Enfin, lorsqu’ils sont entièrement construits, les modèles d’IA/apprentissage automatique pourraient non seulement prédire une défaillance potentielle et identifier le point d’erreur, mais aussi exploiter les connaissances des ensembles de données d’apprentissage pour proposer une solution.
En utilisant une telle approche, l’IA et l’apprentissage automatique peuvent améliorer la précision de la prédiction des échecs de règlement des transactions en apprenant continuellement tout en analysant, en capturant les tendances et en identifiant les modèles. Il s’agit d’un différenciateur clé pour l’utilisation de l’intelligence artificielle pour un tel problème industriel par rapport aux approches traditionnelles et l’auto-apprentissage peut être accompli avec un codage très mineur, voire aucun nouveau codage.
Dans nos propres exemples, nous avons constaté des résultats impressionnants. Nos algorithmes de prédiction et nos techniques d’échantillonnage des données renvoient des résultats très positifs : La précision de la prédiction des échecs va d’un modeste 83 % à un très précis 97 %, selon les échantillons de données et les techniques d’apprentissage utilisés.
Les opérations de back-office pourraient exploiter de tels outils prédictifs plusieurs fois dans la journée afin d’obtenir une validation supplémentaire et de prendre les mesures appropriées sur toute transaction défaillante potentielle bien à l’avance, accélérant ainsi l’efficacité de la gestion des échecs. Pour rationaliser davantage le flux de travail, nous avons ajouté un outil de visualisation interactif qui offre plusieurs vues, y compris une vue synthétique des marchés, des clients et des classes d’actifs critiques.
