by Joe Rodriguez
この記事は、2023/06/29 に公開された「How to Manage Risk with Modern Data Architectures」の翻訳です。
シリコンバレー銀行 (SVB) 、シルバーゲート銀行、シグネチャー銀行、ファースト・リパブリック銀行など、最近の米国の地方銀行の破綻は複数の要因によって引き起こされました。米国の金融システムの安定性を確保するため、先進的な流動性リスクモデルの導入と、MI/AIを用いたストレステストは、保護措置として機能する可能性を持ちます。
もちろん、テクノロジーだけで銀行危機は防ぐことはできません。しかし、金融機関はいまだにテクノロジーを創造的に、賢く、コスト効率よく活用できていないというのも事実です。リスクをモデル化しよりよく管理するために、金融機関はデータ管理とデータガバナンスを最新化する必要があります。つまり、モダンデータアーキテクチャを導入することで、金融機関はレガシーデータのサイロ化を解消し、データ管理、ガバナンス、統合を簡素化し、コストを削減することができるのです。
流動性リスク管理の強化
これまで、技術的な制約から、金融機関が流動性リスクを正確に予測・管理することは困難でした。しかし、マシンインテリジェンスの成長と成熟のおかげで、金融機関は大量のデータを大規模に分析し、人工知能 (AI) を使って自動的に問題を特定し、事前に定義された改善策をリアルタイムに適用できる可能性が出てきました。
しかし、ほとんどの金融機関は、モダンデータアーキテクチャに対応しておらず、財務データの管理、統合、分析を迅速に行うことに苦労しています。最新化することで、流動性リスク管理やストレステストなどのプロセスに、機械学習 (ML) やAIに対して責任を持ってコスト効率よく適用し、あらゆるリスクを管理する能力を得られるように変革できます。
金融機関はMLやAIを活用し、次のことを実現できます：
- 流動性のモニタリングと予測をリアルタイムにサポート。SNSフィード、代替信用履歴 (公共料金や賃貸料の支払い) 、地理空間システム、IoTストリームなど、新しいソースからのデータを流動性リスクモデルに組み込む。例えば、流動性リスクエクスポージャーが高い金融機関は、預金流出入、ローン返済、取引量などの流動性指標と、ソーシャルメディアや金融関連のニュースやイベントを組み合わせて、顧客のセンチメントを監視することができる。それによって、流動性に影響を与えるようなトレンドを把握し、ポジションを管理するための先手を打つことができる。
- 新たなテクノロジーを日中流動性管理に適用する。例えば、日中流動性の監視、支払タイミングの最適化、支払遅延の削減、日中与信への依存度の低減などが考えられる。
- 取引相手のリスク評価を強化する。 予測分析とMLを使用して、重要な日中流動性管理指標を公式化し、流動性ポジションをリアルタイムで監視する。日中のキャッシュフローと流動性ニーズをより正確に予測するモデルを設計。決済システム、ノストロ・アカウント、内部取引、その他のソースからのデータを統合し、さまざまな関係者に適したリアルタイム分析ダッシュボードを提供する。
- ストレステストの変革。最近の地方銀行の破綻は、経済状況のモデル化においてストレステストが果たす役割の重要性も浮き彫りにした。金融機関は ML と AI を活用してストレステストを変革し、精度と効率を向上させ、弱点を特定し、従来の手法が見逃していた改善策を可能にすることができる。
ユースケースは以下の通りです：
- 財務データへの透明性のあるアクセスを可能にする。ローンのポートフォリオや投資ポートフォリオから、取引ポジション、顧客プロファイル、金融市場データに至るまで、すべてのコアプロセスとシステムにわたるデータを、包括的に把握できる最新のデータアーキテクチャを実装するところからスタートする。データの管理、統合、分析、統治が容易になり、効率が高まり、リスク管理が改善され、コンプライアンスが簡素化される。
- MLを使用して、ストレスシナリオをより現実的にモデル化し、シミュレーションを行う。さまざまな種類のストレスシナリオにおいて、既知の信用リスク、市場リスク、流動性リスクをシミュレーションするための予測モデルや ML モデルを作成し、既存のリスク管理プロセスに組み込む。データ入力、モデル実行、監視の自動化など、このライフサイクルを管理・統制するための自動化を設計し、リスクレベルが変化したり、事前に定義したしきい値を超えた場合に発動するアラートを設定する。
KYCとAMLも合理化する
KYC (Know Your Customer、顧客を知る) とAML (Anti-Money-Laundering、マネーローンダリング防止対策) のプロセスは、最近の金融破綻に関与しているわけではありません。しかし、金融機関は、最新のオープンデータアーキテクチャ、高度な分析、および KYC と AML を変革するためのマシンオートメーションの組み合わせを活用することもできます。
想定できる用途：
- 顧客リスクプロファイリングの改善。取引履歴、信用報告書、制裁リスト、評判スクリーニングレポート、SNSフィードなど、社内外のソースからデータを集約。このデータに予測分析と ML 技術を適用して、より正確なプロファイルを作成し、リスクの高い顧客を積極的に特定する。
- KYCおよびAMLコンプライアンスの自動化。既存の自動化を最適化し、手作業によるタッチポイントを減らし、効率を高めることで、KYC と AML を最新化しする。政治的影響力のある人 (PEPs) に対するスクリーニングなど、日常的なチェックを行うワークフローを自動化し、業務を効率化することを検討できる。
最後に
金融機関には、オンプレミス環境とクラウド環境を横断してデータを大規模に管理、統制、統合するための柔軟なデータアーキテクチャが必要です。このアーキテクチャによって、ML と AI を活用してリスク、特に流動性リスクとストレステストを管理するための安全な基盤を提供することができます。
Cloudera Data Platform (CDP) は、オンプレミスとクラウドのデータソースにまたがるデータの透明性のあるビューを容易にし、組み込みのメタデータ管理、データ品質モニタリング、およびデータリネージトラッキング機能により、データ管理、ガバナンス、および統合を簡素化します。CDP はまた、データおよびプラットフォームアーキテクト、データスチュワード、その他の専門家が、単一の場所からデータを管理・制御することを可能にします。
CDP は拡張可能なプラットフォームで、リスク管理を合理化し、回復力を最大化し、コストを削減し、競合他社に対する決定的な優位性を獲得するための基盤をご提供します。Cloudera によるリスク管理の詳細については、こちらをご覧ください。
