کاربرد هوش مصنوعی و یادگیری ماشین در بازارهای سرمایه/ از امنیت تا تصمیمسازی هوشمند
دکتر حمید اسکندری
کارشناس مسئول مدیریت تحقیق و توسعه بورس تهران
این شماره از ماهنامه «بورس» در ادامه انتشار مقاله پژوهشی مدیریت تحقیق و توسعه شرکت بورس تهران، به بررسی بخشی دیگر از این مطالعه میپردازد. در این بخش، ابعاد عمیقتر و کاربردهای پیشرفتهتری از فناوریهای هوش مصنوعی در بازار سرمایه مورد تحلیل قرار میگیرد؛ از جمله پردازش کلاندادهها، مدیریت شکایات با ابزارهای هوشمند، تشخیص تهدیدات سایبری، تحلیل دادههای ساختاریافته و غیرساختاریافته و توسعه الگوریتمهای پیشبینیگر در معاملات.
این مقاله نهتنها ترسیمگر آیندهای فناورانه در بازارهای مالی است، بلکه توجه ویژهای به الزامات نهادهای ناظر، ابزارهای جدید مدیریت ریسک و فرصتهای فناورانه در طراحی سیاستهای مالی دارد. اگر بخش نخست مقاله را در شماره قبل خواندهاید، این بخش به شما دیدی جامعتر و تخصصیتر نسبت به تحولات تکنولوژیک در بازار سرمایه ارائه خواهد کرد.
۱-۱- مشاور مالی خودکار ۱
مشاوران خودکار پلتفرمهای مبتنی بر فناوری هستند که با استفاده از الگوریتمهای پیشرفته و هوش مصنوعی، خدمات مشاوره مالی و مدیریت سرمایهگذاری را بهصورت خودکار و بدون نیاز به دخالت مستقیم مشاوران انسانی به مشتریان ارائه میدهند. این ابزارها بهویژه برای سرمایهگذاران خرد طراحی شدهاند که ممکن است به دلیل هزینههای بالای مشاوره سنتی یا کمبود دسترسی به کارشناسان مالی، نتوانند از خدمات حرفهای بهرهمند شوند. به این ترتیب، با تکمیل یک پرسشنامه ساده درباره اهداف مالی، میزان ریسکپذیری و افق سرمایهگذاری، مشاوران مالی پرتفویی متنوع و بهینه از داراییها مانند سهام، اوراق قرضه، یا صندوقهای سرمایهگذاری را پیشنهاد میدهند و بهصورت مداوم آن را مدیریت میکنند. کاربرد هوش مصنوعی و یادگیری ماشین در این حوزه بهعنوان ستون اصلی در عملکرد این پلتفرمها عمل میکند. به عنوان مثال، الگوریتمهای یادگیری ماشین با تحلیل کلان دادههای بازار، قادرند پیشبینیهایی از بازده سرمایهگذاریها ارائه دهند و پرتفوی را بهصورت پویا تعدیل کنند تا با شرایط متغیر بازار سازگار شود. شکل شماره۱ که نشاندهنده رشد داراییهای تحت مدیریت در ایالات متحده آمریکا است، به وضوح توسعه این حوزه را نشان میدهد. در این نمودار که توسط بانک جهانی تهیه شده، پیشبینی شده که دارایی تحت مدیریت مشاوران خودکار در آمریکا از حدود ۲۰۰ میلیارد دلار در سال ۲۰۱۷ به بیش از ۲۵۰۰ میلیارد دلار در سال ۲۰۲۷ برسد که بیانگر پذیرش گسترده این فناوری است که عمدتاً به لطف توانایی هوش مصنوعی در بهینهسازی تصمیمگیریها و کاهش هزینهها محقق شده است. یادگیری ماشین همچنین توانسته با شناسایی الگوهای رفتاری مشتریان، مانند ترجیحاتشان برای سرمایهگذاری در حوزههای خاص (مثلاً انرژی سبز)، پیشنهادات شخصیسازیشدهای ارائه دهد که تجربه کاربری را بهبود بخشد و وفاداری مشتریان را افزایش دهد. این فناوری با خودکارسازی فرآیندهایی مانند بازبینی ترکیب پرتفوی یا تخصیص مجدد داراییها بر اساس تغییرات بازار، نهتنها دقت را بالا میبرد، بلکه زمان و هزینههای مرتبط با مدیریت سرمایه را بهطور قابلتوجهی کاهش میدهد. توسعه مشاوران مالی خودکار به دلیل قابلیتهای یادشده شتاب گرفته است بهطوریکه شرکتهایی مانند بترمنت۲ و ولثفرانت۳ با استفاده از هوش مصنوعی، نهتنها خدمات ارزانتری نسبت به مشاوران انسانی ارائه میدهند، بلکه با ارائه تحلیلهای لحظهای و گزارشهای شفاف، اعتماد مشتریان را جلب کردهاند و سهم خود را در بازار مدیریت ثروت گسترش دادهاند. این پیشرفتها نشان میدهد که هوش مصنوعی و یادگیری ماشین، با ارائه راهحلهایی کارآمد و مقیاسپذیر، نقش محوری در تبدیل مشاوران مالی خودکار به یکی از پرکاربردترین ابزارهای مالی در عصر دیجیتال ایفا کردهاند و پیشبینی میشود با ادامه این روند، این فناوری بتواند حتی خدمات پیچیدهتری مانند مشاوره مالی برای بازنشستگی یا مدیریت مالیاتی را نیز خودکار کند.
۲-۱- صندوق قابل معامله مبتنی بر هوشمصنوعی
یکی از نوآورانهترین کاربردهای هوش مصنوعی و یادگیری ماشین در بازارهای سرمایه، صندوقهای قابل معامله مبتنی بر هوش مصنوعی۴ هستند که با بهرهگیری از الگوریتمهای پیشرفته، فرآیند تشکیل، مدیریت و بازنگری پرتفویهای سرمایهگذاری را خودکار میکنند و به سرمایهگذاران امکان میدهند تا با هزینه کمتر و شفافیت بیشتر به استراتژیهای سرمایهگذاری پیچیده دسترسی پیدا کنند. این صندوقها از هوش مصنوعی برای تحلیل کلان دادهها استفاده میکنند تا ترکیب بهینهای از داراییها (مانند سهام، اوراق قرضه، یا کالاها) را انتخاب کنند و پرتفوی را بهصورت پویا با شرایط متغیر بازار تطبیق دهند. برای مثال، چنانچه الگوریتم تشخیص دهد که صنعت فناوری به دلیل نوآوریهای جدید در حال رشد است، میتواند فوراً وزن سهام شرکتهای فناوری را در پرتفوی افزایش دهد و همزمان، داراییهای با عملکرد ضعیفتر را کاهش دهد. با این وجود، همانطور که در شکل شماره ۱ نشان داده شده است، این صندوقها هنوز در مراحل مقدماتی توسعه خود قرار دارند و دارایی تحت مدیریت صندوقهای قابل معامله مبتنی بر هوش مصنوعی در بازار سهام ایالات متحده از سال ۲۰۱۸ تا ۲۰۲۴ با رشد اندکی که داشته، همچنان به یک میلیارد دلار نرسیده است. نسبت دارایی تحت مدیریت این صندوقها به کل ارزش بازار سهام آمریکا نیز کمتر از ۰٫۰۳ درصد است که این موضوع نیز نشاندهنده نفوذ نسبتاً اندک این فناوری در بازار سرمایه است. به عنوان نمونهای از این صندوقها میتوان به صندوق AIEQ (یک ETF معروف مبتنی بر هوش مصنوعی که توسط IBM Watson پشتیبانی میشود) اشاره کرد که از این فناوری برای انتخاب سهام بر اساس تحلیلهای پیشبینانه استفاده میکند. شایان ذکر است که هوش مصنوعی همچنین با کاهش هزینههای مدیریت صندوق (به دلیل حذف نیاز به تحلیلگران انسانی متعدد) و افزایش شفافیت در تصمیمگیریها، این صندوقها را برای سرمایهگذاران خرد جذابتر کرده است. این فناوری همچنین با توانایی تحلیل سریع تغییرات بازار، میتواند ریسکهای پرتفوی را کاهش دهد و به مدیران سرمایهگذاری کمک کند تا در شرایط پرتلاطم بازار، تصمیمات بهتری بگیرند. با این حال، پذیرش گستردهتر این صندوقها نیازمند اعتماد بیشتر سرمایهگذاران به فناوری هوش مصنوعی، بهبود زیرساختهای دادهای و تنظیم مقررات مناسب برای مدیریت ریسکهای احتمالی است. بهطور کلی، صندوقهای قابل معامله مبتنی بر هوش مصنوعی، اگرچه هنوز در مراحل اولیه توسعه هستند، اما با پتانسیل بالای خود در تغییر چشمانداز مدیریت سرمایهگذاری، نشاندهنده شروع یک تحول عمیق در بازارهای مالی هستند که میتواند در آینده نقش بزرگتری ایفا کند.
۳-۱- فناوری نظارتی (Sup Tech)
این فناوری به مجموعهای از ابزارها و تکنیکهای نوین اطلاق میشود که نهادهای نظارتی مانند شرکتهای بورس و سازمانهای بورس از آن برای بهبود و تسهیل نظارت بر بازارهای مالی، کارگزاران، معاملهگران و سایر اشخاص تحت نظارت استفاده میکنند. این فناوری به ویژه با اتکا به هوش مصنوعی، امکان تحلیل دقیق و سریع کلان دادهها را فراهم میآورد و به نهادهای نظارتی این قابلیت را میدهد که ناهنجاریها و رفتارهای غیرمعمول را شناسایی کرده و به رصد و پیشبینی ریسکها بپردازند. بهطور خاص، الگوریتمهای پیشرفته یادگیری ماشین میتوانند الگوهای پیچیده و تغییرات ناگهانی در دادهها را شناسایی کنند که ممکن است نشاندهنده رفتارهای مشکوک یا خطرات بالقوه همچون دستکاری در بازار باشد. به این ترتیب، فناوری نظارتی نهتنها به شفافسازی و افزایش اعتماد عمومی به بازارهای مالی کمک میکند، بلکه با ارائه تحلیلهای بهموقع، نهادهای نظارتی را قادر میسازد تا بهسرعت واکنش نشان دهند و اقدامات پیشگیرانه لازم را انجام دهند. این نوآوریها، در عین حال که مزایای قابل توجهی دارند، چالشهایی را نیز به همراه دارند، ازجمله نیاز به دادههای با کیفیت و رعایت حریم خصوصی که باید به دقت مدیریت شوند. درنتیجه، فناوری نظارتی مجهز به هوش مصنوعی بهعنوان ابزاری کلیدی در ارتقاء کارایی و دقت نظارت بر بازارهای مالی به کار میرود که با سرعت قابلتوجهی در حال توسعه است.
۴-۱- فناوری مقرراتی (Reg Tech)
به مجموعهای از ابزارها و فناوریهای مبتنی بر هوش مصنوعی فناوری مقرراتی گفته میشود که به شرکتها، نهادها و مؤسسات مالی در صنعت مالی یاری میرساند تا الزامات قانونی و مقرراتی را بهصورت دقیقتر رعایت کنند. بهعنوان مثال، کارگزاران در بورسهای پیشرفته از این فناوری برای خودکارسازی فرآیندهای گزارشدهی مالی و اطمینان از انطباق با استانداردهای بینالمللی مانند IFRS استفاده میکنند. در این راستا هوش مصنوعی میتواند دادههای مالی را از منابع مختلف جمعآوری، تحلیل و در قالب گزارشهای استاندارد آماده کند، در حالی که هرگونه ناسازگاری یا خطا را بهسرعت شناسایی میکند. همچنین، این فناوری در پایش مداوم تغییرات مقرراتی کاربرد دارد؛ یعنی الگوریتمهای پیشرفته قادرند بهصورت خودکار بهروزرسانیهای قوانین و مقررات را رصد کنند و به شرکتها هشدار دهند تا سیاستها و رویههای خود را با قوانین جدید هماهنگ سازند. این ابزارها نهتنها دقت و سرعت فرآیندهای انطباق را افزایش میدهند، بلکه با کاهش نیاز به دخالت انسانی، هزینههای عملیاتی مرتبط با تطبیق مقرراتی را بهطور قابلتوجهی پایین میآورند. علاوهبراین، هوش مصنوعی میتواند با تحلیل دادههای تاریخی و الگوهای عملکرد شرکت، ریسکهای احتمالی عدم انطباق را پیشبینی کند و پیشنهاداتی برای بهبود فرآیندها ارائه دهد. این رویکرد نوین، با ایجاد شفافیت بیشتر و پاسخگویی سریعتر به الزامات نظارتی، به فعالان بازارهای مالی کمک میکند تا در محیطی پیچیده و متغیر، رقابتیتر عمل کنند و اعتماد نهادهای نظارتی و سرمایهگذاران را جلب نمایند.
۵-۱- خودکارسازی فرآیندها و پشتیبانی از عملیات ستادی۵
یکی از کاربردهای تحولآفرین هوش مصنوعی و یادگیری ماشین در بازارهای سرمایه، خودکارسازی فرآیندها و پشتیبانی از عملیات ستادی است که با خودکار کردن وظایف تکراری و پیچیده در بخشهای پشتیبانی، مانند تسویه و پایاپای معاملات، مدیریت دادهها، گزارشدهی مالی و انطباق با الزامات قانونی، کارایی عملیاتی مؤسسات مالی را بهطور قابلتوجهی بهبود میبخشد و هزینهها و خطاهای انسانی را کاهش میدهد. این فناوری با استفاده از الگوریتمهای پیشرفته، قادر است فرآیندهای زمانبر و پرزحمت پشتیبانی را خودکار کند. برای مثال در فرآیند تسویه معاملات، هوش مصنوعی میتواند تراکنشها را با سرعت بالا با سوابق بانکی تطبیق دهد، هرگونه مغایرت (مانند اشتباهات ثبت یا تراکنشهای از قلم افتاده) را شناسایی کند و بهصورت خودکار آنها را اصلاح کند که این کار زمان تسویه را به شدت کاهش میدهد. در حوزه گزارشدهی مالی، یادگیری ماشین میتواند دادههای مالی خام را از منابع مختلف جمعآوری کند، آنها را تحلیل کند و گزارشهای استاندارد منطبق با الزامات نظارتی (مانند گزارشهای IFRS) تولید کند. این فناوری هرگونه ناسازگاری در دادهها را بهصورت خودکار تشخیص میدهد و به تیمهای مالی هشدار میدهد تا از جریمههای احتمالی جلوگیری شود. بدین ترتیب فناوری یادشده میتواند در مدیریت انطباق با قوانین۶ نقش مهمی ایفا کند؛ بهعنوانمثال، با پایش مداوم تراکنشها و مقایسه آنها با مقررات پولشویی (AML)، فعالیتهای مشکوک را شناسایی کند و گزارشهای لازم را برای نهادهای نظارتی تولید کند که این کار نهتنها دقت را بالا میبرد، بلکه زمان و منابع موردنیاز برای انجام این وظایف را به حداقل میرساند. شرکتهایی مانند سیتیگروپ۷ از این فناوری برای خودکارسازی عملیات پشتیبانی خود استفاده میکنند و با پیادهسازی سیستمهای مبتنی بر هوش مصنوعی، نهتنها هزینههای عملیاتی خود را تا ۳۰ درصد کاهش دادهاند، بلکه توانستهاند با افزایش سرعت و شفافیت، اعتماد مشتریان و نهادهای نظارتی را جلب کنند. این سیستمها همچنین با ارائه تحلیلهای پیشبینانه، به مدیران کمک میکنند تا نیازهای آینده را پیشبینی کنند. مثلاً میتوانند پیشبینی کنند که چه زمانی ممکن است نقدینگی برای تسویه معاملات کاهش یابد و بر این اساس، اقدامات پیشگیرانهای انجام دهند. از طرف دیگر، هوش مصنوعی با یکپارچهسازی دادهها از سیستمهای مختلف، امکان ایجاد یک دید جامع از عملیات را فراهم میکند و به تیمهای پشتیبانی اجازه میدهد تا تصمیمات سریعتر و مؤثرتری بگیرند. بااینحال، چالشهایی مانند نیاز به یکپارچگی سیستمها، اطمینان از امنیت دادهها و آموزش کارکنان برای استفاده از این فناوریها، نیازمند سرمایهگذاری مداوم است. بهطورکلی، اتوماسیون فرآیندها و پشتیبانی از عملیات ستادی با استفاده از هوش مصنوعی، نهتنها کارایی و دقت را در بخشهای پشتیبانی بازارهای سرمایه افزایش داده، بلکه بهعنوان یک ابزار استراتژیک، به مؤسسات مالی کمک میکند تا در محیط رقابتی و نظارتی پیچیده امروزی، عملکرد بهتری داشته باشند.
۶-۱- شناسایی و تأیید مشتریان۸ (KYC) و کسبوکارها۹ (KYB)
شناسایی و تأیید مشتریان و کسبوکارها یکی از حوزههای حیاتی در بازارهای سرمایه است که با استفاده از هوش مصنوعی و یادگیری ماشین، فرآیندهای انطباق با قوانین و مقررات۱۰ را به سطحی جدید از دقت، کارایی و امنیت رسانده است. این فناوریها با تحلیل دادههای هویتی ازجمله اطلاعات تماس و حتی پردازش تصاویر، امکان تأیید هویت افراد و شرکتها را بهصورت خودکار و در لحظه فراهم میکنند. بهعنوانمثال، یک پلتفرم مالی میتواند با اسکن مدارک هویتی مانند پاسپورت یا گواهینامه رانندگی و مقایسه آن با پایگاههای داده رسمی، هویت مشتری را در عرض چند دقیقه تأیید کند. شرکتها با تحلیلهای مبتنی بر دادههای کلان مبتنی بر هوش مصنوعی، نهتنها سرعت تأیید هویت را افزایش دادهاند، بلکه هزینههای عملیاتی مرتبط با بررسی دستی اسناد را بهطور قابلتوجهی کاهش دادهاند. علاوه بر این، این سیستمها با پایش مداوم مشتریان و بهروزرسانی مداوم پروفایلهایشان، میتوانند تغییرات غیرعادی در رفتار مالی مانند پولشویی را شناسایی کنند. بهطورکلی، استفاده از هوش مصنوعی و یادگیری ماشین در این حوزه، نهتنها فرآیندهای تأیید هویت را کارآمدتر کرده، بلکه بهعنوان یک سپر دفاعی در برابر جرائم مالی، نقش محوری در پایداری و امنیت بازارهای سرمایه ایفا خواهد کرد.
۷-۱- رتبهسنجی اعتباری۱۱
با بهرهگیری از الگوریتمهای پیشرفته هوش مصنوعی و تکنیکهای یادگیری ماشین، فرآیند ارزیابی ریسک اعتباری یا رتبهسنجی اعتباری بهطور چشمگیری بهبود بخشیده شده و به مؤسسات مالی امکان داده تا تصمیمات وامدهی آگاهانهتر و دقیقتری اتخاذ کنند. این فناوری با تحلیل کلاندادههایی همچون سوابق مالی مشتریان، تاریخچه تراکنشها، رفتار پرداختها و حتی دادههای غیرسنتی مانند فعالیتهای آنلاین، الگوهای مصرف و اطلاعات شبکههای اجتماعی، میتواند پروفایل اعتباری افراد یا شرکتها را با دقت بالایی ارزیابی کند و احتمال نکول یا ناتوانی در بازپرداخت بدهی را پیشبینی کند. برای مثال، اگر یک مشتری بهطور مداوم قبضهای خود را دیر پرداخت کرده باشد اما الگوهای اخیر نشان دهد که درآمدش افزایش یافته و هزینههایش کاهش پیدا کرده، الگوریتمهای یادگیری ماشین میتوانند این تغییرات را در نظر بگیرند و رتبه اعتباری او را بهصورت پویا تعدیل کنند، چیزی که در روشهای سنتی رتبهسنجی که عمدتاً بر دادههای ثابت و محدود مانند گزارشهای اعتباری گذشته متکی هستند، بهسختی امکانپذیر است. این رویکرد نهتنها دقت ارزیابی را بالا میبرد، بلکه به مؤسسات مالی اجازه میدهد تا مشتریان بیشتری را تحت پوشش قرار دهند، ازجمله افرادی که ممکن است به دلیل کمبود سابقه اعتباری در سیستمهای سنتی رد شوند. بهعنوانمثال جوانانی که تازه وارد بازار کار شدهاند و هنوز تاریخچه مالی طولانی ندارند، اما دادههای جایگزین (مانند پرداخت منظم وامها یا قبضها) نشاندهنده قابلیت اطمینان آنها است. شرکتهایی مانند فیکو۱۲ و اکسپریان۱۳ از این فناوری برای توسعه مدلهای رتبهسنجی پیشرفتهتر استفاده میکنند و با ترکیب هوش مصنوعی با تحلیلهای پیشبینانه، نهتنها ریسک اعتباری را بهتر مدیریت میکنند، بلکه نرخ پذیرش وامها را نیز افزایش میدهند که این امر به گسترش دسترسی به خدمات مالی و رشد اقتصادی کمک میکند. علاوه بر این، هوش مصنوعی با خودکارسازی فرآیند رتبهسنجی، زمان لازم برای ارزیابی را از چند روز به چند دقیقه کاهش میدهد و هزینههای عملیاتی مؤسسات را بهطور قابلتوجهی پایین میآورد، درحالیکه با شناسایی الگوهای تقلب یا رفتارهای مشکوک (مانند درخواستهای وام متعدد در بازه زمانی کوتاه)، امنیت فرآیند وامدهی را نیز تقویت میکند. این سیستمها همچنین میتوانند با تحلیل دادههای کلان اقتصادی، مانند نرخ بیکاری یا تورم، تأثیر این عوامل را بر ریسک اعتباری پیشبینی کنند و به مؤسسات کمک کنند تا استراتژیهای وامدهی خود را در شرایط مختلف اقتصادی تنظیم کنند. برای مثال در زمان رکود اقتصادی، ممکن است معیارهای سختگیرانهتری برای وامدهی اعمال شود. بااینحال، استفاده از هوش مصنوعی در رتبهسنجی اعتباری چالشهایی مانند نگرانیهای مربوط به حریم خصوصی دادهها و احتمال وجود سوگیری۱۴ در الگوریتمها را نیز به همراه دارد که نیازمند نظارت و تنظیم دقیق است. بهطورکلی، این فناوری با ارائه ارزیابیهای دقیقتر، سریعتر و فراگیرتر، نقش مهمی در مدرنسازی فرآیندهای وامدهی ایفا کرده و به مؤسسات مالی کمک میکند تا با اطمینان بیشتری در بازار رقابتی عمل کنند.
۸-۱- فناوری بازنشستگی۱۵
در فناوری بازنشستگی از هوش مصنوعی برای بهبود مدیریت برنامههای بازنشستگی، برنامهریزی مالی بلندمدت و سادهسازی فرآیندها برای افراد و کارفرمایان استفاده شده است، بهگونهای که به افراد کمک میکند تا با اطمینان بیشتری برای آینده خود برنامهریزی کنند و کارفرمایان بتوانند طرحهای بازنشستگی کارمندان خود را بهطور مؤثر مدیریت کنند. این فناوری با بهرهگیری از الگوریتمهای هوش مصنوعی، دادههای گستردهای مانند سوابق پسانداز، درآمد فعلی، هزینههای زندگی، نرخ تورم و امید به زندگی را تحلیل میکند تا ابزارها و ماشینحسابهای خودکاری ارائه دهد که به افراد امکان میدهد درآمد بازنشستگی آینده خود را تخمین بزنند، اهداف پسانداز مشخصی تعیین کنند و کفایت پسانداز خود را برای تأمین نیازهای مالی در دوران بازنشستگی ارزیابی کنند. بهعنوانمثال، یک پلتفرم میتواند با تحلیل الگوهای خرج و درآمد یک فرد ۴۰ ساله، پیشنهاد دهد که ماهانه چه مقدار پسانداز کند تا در سن ۶۵ سالگی به درآمد کافی برسد و این پیشنهادات را با تغییرات بازار (مانند نرخ بازده سرمایهگذاری) بهصورت پویا بهروزرسانی کند. شرکتهایی مانند بترمنت و ولثفرانت از این فناوری برای ارائه خدمات بازنشستگی استفاده میکنند و با ترکیب هوش مصنوعی با مدلهای پیشبینانه، نهتنها دقت برنامهریزی را افزایش دادهاند، بلکه با ارائه رابطهای کاربرپسند، فرآیند پیچیده بازنشستگی را برای افراد عادی سادهتر کردهاند. به عنوان نمونه این پلتفرمها میتوانند با شبیهسازی سناریوهای مختلف (مانند بازنشستگی زودهنگام) به کاربران نشان دهند که چگونه تصمیمات فعلیشان بر آیندهشان اثر میگذارد. همچنین، برای کارفرمایان، این فناوری با خودکارسازی مدیریت طرحهای بازنشستگی (مانند (k)401 در ایالات متحده)، محاسبه مشارکتها و تولید گزارشهای انطباقی، هزینههای اداری را کاهش میدهد و دقت را بالا میبرد که این امر بهویژه برای شرکتهای کوچک که منابع محدودی دارند، بسیار ارزشمند است.
۹-۱- مدیریت ریسک هوشمند۱۶
با بهرهگیری از توانمندیهای هوش مصنوعی و یادگیری ماشین، مدیریت ریسک هوشمند به یک رویکرد تحولآفرین در بازارهای سرمایه تبدیل شده است که با تحلیل عمیق دادهها و پیشبینیهای پیشرفته، به مؤسسات مالی کمک میکند تا انواع متنوعی از ریسکها ازجمله ریسکهای بازار، عملیاتی و سیستمی را بهطور مؤثری شناسایی، ارزیابی و مدیریت کنند. درحالیکه باید توجه داشت که ریسکها در این حوزه بسیار گستردهتر از این موارد هستند و نمونههای ذکرشده تنها بخشی از آنها را نمایان میسازد. این فناوری با استفاده از الگوریتمهای پیشرفته، انبوه دادهها را پردازش میکند تا ریسکهای بالقوه را پیشبینی کند. بهعنوانمثال، میتواند با تحلیل دادههای کلان اقتصادی و روندهای بازار، احتمال وقوع یک ریسک سیستمی مانند سقوط ناگهانی بازار را پیشبینی کند و به مدیران پیشنهاد دهد که پرتفوی خود را با افزایش وزن داراییهای امن۱۷ تعدیل کنند. در حوزه ریسک بازار، هوش مصنوعی با شبیهسازی سناریوهای مختلف، تأثیر نوسانات نرخ ارز، نرخ بهره یا تغییرات قیمت کالاها را بر پرتفوی سرمایهگذاری ارزیابی میکند و به شرکتها کمک میکند تا استراتژیهای دفاعی مؤثری طراحی کنند. مثلاً اگر پیشبینی شود که افزایش نرخ بهره به کاهش ارزش اوراق قرضه منجر میشود، سیستم میتواند پیشنهاد فروش زودهنگام بدهد. همچنین، در مدیریت ریسک عملیاتی، این فناوری با پایش مداوم سیستمها، خطاها یا خرابیهای احتمالی (مانند تأخیر در پردازش تراکنشها) را شناسایی میکند و قبل از وقوع مشکل، اقدامات پیشگیرانهای انجام میدهد. بهعنوان نمونه، اگر سیستمی در فرآیند تسویه معاملات کند شود، هوش مصنوعی میتواند این را تشخیص دهد و به تیم پشتیبانی هشدار دهد تا از خسارات جلوگیری شود. شرکتهایی مانند جیپی مورگان چیس۱۸ از این فناوری برای مدیریت ریسکهای پرتفوی و عملیات خود استفاده میکنند و با مدلهای پیشبینانه، نهتنها ریسکهای بازار را کاهش دادهاند، بلکه توانستهاند با شناسایی زودهنگام ریسکهای سیستمی، آمادگی لازم را برای شرایط بحرانی ایجاد کنند. این فناوری همچنین با ارائه داشبوردهای تحلیلی مبتنی بر هوش مصنوعی، به مدیران ریسک امکان میدهد تا دید جامعی از همه ریسکهای موجود داشته باشند و تصمیمات سریعتری بگیرند، درحالیکه با شبیهسازی سناریوهای مختلف، آمادگی شرکت را در برابر رویدادهای غیرمنتظره افزایش میدهد.
پانویسها
۱- Robo advisor
۲- Betterment:
بترمنت یک شرکت مشاور مالی آمریکایی مستقر در نیویورک است که داراییهایی به ارزش ۵۶ میلیارد دلار را مدیریت میکند.
۳- Wealthfront:
ولثفرانت یک شرکت خدمات مالی در ایالات متحده آمریکا است که مدیریت دارایی بیش از یک میلیون مشتری با ارزشی حدود ۸۰ میلیارد دلار را بر عهده دارد.
۴- AI-based ETFs
۵- Process Automation and Support for Back-Office Operations
۶- Compliance
۷- Citigroup
۸- Know Your Customer
۹- Know Your Business
۱۰- Regulatory Compliance
۱۱- Credit Rating
۱۲- FICO
۱۳- Experian
۱۴- Bias
۱۵- Retirement Technology
۱۶- Intelligent Risk Management
۱۷- Safe-Haven Assets
۱۸- JPMorgan Chase
