Asset & Liability Management (ALM) is een cruciaal onderdeel van de financiële sector. Met de komst van (Gen)AI zijn er tal van mogelijkheden om deze processen verder te optimaliseren.
Tijdens het AI en analytics event SAS Innovate on Tour Benelux, presenteerde Anshuman Choudhary, Partner in Risk Advisory bij Deloitte, zijn inzichten over hoe (Gen)AI en ESG de financiële sector van morgen beïnvloeden. Daarbij ging Choudhary onder andere in op hoe compliance-, risicobeheer- en fraudeprocessen efficiënter gemaakt kunnen worden door middel van automatisering en modernisering met behulp van Gen(AI).
AI-toepassing in balansbeheer
Een van de kerncomponenten binnen balansbeheer is het beheer van liquiditeit en rentetariefrisico’s. Dit omvat het risico dat voortvloeit uit veranderingen in rentetarieven (IRRBB - Interest Rate Risk in the Banking Book) en veranderingen in kredietspreads (CSRBB - Credit Spread Risk in the Banking Book).
Daarnaast is het essentieel om een geïntegreerde risicocapaciteit op te bouwen die ook kredietrisico's omvat. Dit betekent dat verschillende risicotypes samengevoegd en beheerd moeten worden binnen een holistisch systeem. Met behulp van AI is het mogelijk om complexe analyses uit te voeren en voorspellingen nog nauwkeuriger te maken.
Een andere belangrijke component van balansbeheer is de integratie van risicomodellen in de financiële planning. Door voorspellende modellen en financiële plannen te combineren, kan een nauwkeuriger en dynamischer beheer van activa en passiva worden bereikt.
Het is daarbij van groot belang om klimaatgerelateerde risico's en niet-financiële risicoparameters en modellen in het risicobeheer op te nemen. Deze integratie helpt bij het beter begrijpen en beheren van een breed scala aan risico's.
Impact AI op ALM
Door de componenten van balansbeheer te optimaliseren met AI, wordt het duidelijk dat de impact verder reikt dan enkel de basale risicobeheerfuncties. AI kan namelijk een aanzienlijke impact hebben op een aantal belangrijke onderdelen binnen ALM zoals:
- Data sourcing en kwaliteitsverbetering. AI kan helpen bij het verzamelen en verbeteren van de datakwaliteit, wat cruciaal is voor de nauwkeurigheid en betrouwbaarheid van modellen en analyses.
- Uitvoering van individuele modellen. AI ondersteunt bij een efficiënte verwerking en optimalisatie van complexe berekeningen.
- Integratie van modelresultaten op scenario-niveau, waardoor verschillende toekomstscenario’s beter kunnen worden geëvalueerd.
- Verklaar resultaten voor de business. AI helpt bij het verbeteren van de feedbackloop door de resultaten inzichtelijk te maken. AI kan complexe modelresultaten vertalen naar begrijpelijke en actiegerichte feedback voor business managers of niet-technische stakeholders, waardoor zij goed geïnformeerde beslissingen kunnen nemen.
- Het opstellen van regelgevende en interne rapporten. AI zorgt voor een consistente en nauwkeurige rapportage van risicobeheeractiviteiten. Geavanceerde AI-toepassingen, zoals AI-gestuurde integratie van ETL-processen met een glossarium, verrijking van gedragsmodellen aan de passivazijde en plausibele rente- en macro-voorspellingsanalyses, kunnen de ALM-processen verder verbeteren.
ALM-teams
Om deze voordelen van AI in ALM volledig te benutten, moeten ALM-teams echter wel specifieke aanpassingen doorvoeren. Zo is een belangrijk aspect het beheer en de integratie van datasets, waarbij zowel interne als externe databronnen worden gebruikt. Het opzetten van een uitgebreide databank helpt bij het organiseren en toegankelijk maken van alle beschikbare datasets voor AI-toepassingen, wat de kwaliteit en consistentie van de data waarborgt.
Daarnaast is het van belang om AI-modellen continu te blijven monitoren en onderhouden. Dit omvat het bijhouden van modelprestaties, regelmatige updates en validaties. Kennisdeling binnen teams is daarbij essentieel. Het delen van inzichten, bevindingen en best practices met betrekking tot AI en balansbeheer helpt bij het ontwikkelen van effectieve en toepasbare AI-oplossingen. Continue innovatie en het opleiden van mensen binnen ALM-teams is essentieel om het volledige potentieel van AI te benutten.
Een ander belangrijk punt is het verkennen van verschillende gebruiksscenario's waarbij AI kan worden toegepast om specifieke problemen of uitdagingen in balansbeheer aan te pakken. Dit helpt teams om praktische en relevante AI-oplossingen te ontwikkelen.
AI-innovatie kan worden gestimuleerd binnen ALM-teams door nieuwe technieken en technologieën te verkennen en toe te passen, inclusief experimenten met geavanceerde AI-modellen en -algoritmen. Het opstellen van een sterke business case voor AI-projecten, waarbij de waarde en potentiële voordelen van AI voor ALM worden gedemonstreerd, is namelijk cruciaal.
Randvoorwaarden
Nadat de teams vertrouwd zijn geraakt met de AI-integratie, moeten er ook enkele technische en procedurele randvoorwaarden worden opgesteld om een soepele werking te garanderen. Allereerst is het belangrijk om te zorgen voor schone en betrouwbare data. Dit omvat het uitvoeren van datakwaliteitscontroles en het aanpassen van deze controles op basis van historische significantie. Daarnaast moeten modelnetwerken worden beheerd en moet er actieve modelvalidatie worden uitgevoerd om de betrouwbaarheid en effectiviteit van AI-modellen te waarborgen.
De integratie van AI in ALM biedt enorme kansen voor het verbeteren van de financiële planning, het risicobeheer en de operationele efficiëntie. Door AI-technologieën te combineren met menselijke expertise, kunnen financiële instellingen een meer ‘forward looking’ benadering ontwikkelen voor het beheer van activa en passiva. Het is essentieel om een robuuste verbinding tussen data, modellen en menselijke expertise te behouden om zo de volledige potentie van AI in ALM te benutten.
Een artikel van Maurits Bakker, Risk Lead Benelux bij SAS.