Добавил:
ivanov666
Опубликованный материал нарушает ваши авторские права? Сообщите нам.
Вуз:
Предмет:
Файл:Проблемы финансового моделирования с позиций экономической безопасности. Монография
.pdf
111
представить в виде процесса, в ходе которого создаются (1) новые финансовые
инструменты, включая продукты и услуги; (2) новые финансовые технологии и
процессы; (3) новые институты и (4) новые финансовые рынки. В последнее
время появились разнообразные финансовые инновации, включая хедж-фонды,
частные акции, погодные деривативы, продукты с розничной структурой,
биржевые и индексные фонды, исламские облигации (сукук), криптовалюта,
децентрализованные финансовые системы и др.
Обычно выделяют три категории инноваций: институциональные,
продуктовые и процессные. Иногда, правда, выделяют также регуляционные и
комплексные инновации. В соответствии с таким подходом происходит
моделирование поведения финансовых посредников в условиях инновационных
преобразований.
Институциональные инновации связаны с созданием новых типов
финансовых компаний, таких как специализированные фирмы по выпуску
кредитных карт, электронные торговые платформы.
Продуктовые инновации связаны с новыми продуктами, такими как
деривативы, секьюритизированные продукты, ипотечные пакетированные
займы в иностранной валюте и др.
Процессные инновации связаны с новыми способами ведения финансового
бизнеса, включая онлайн-банкинг, телефонный банкинг, блокчейн-технологии.
Некоторые виды финансовых инноваций обусловлены
совершенствованием компьютерных и телекоммуникационных технологий.
Другие типы финансовых инноваций, влияющих на платежную систему,
включают кредитные и дебетовые карты и системы онлайн-платежей, такие как
PayPal.
Параметризация изменений на финансовых рынках
Финансовые инновации в экономическом измерении имеют
основополагающее значение для лучшего понимания того, как и для кого
работает меняющийся финансовый рынок. Конференция ESCoE по
экономическим измерениям стала важным форумом для продвижения
исследований по экономическим измерениям в целом, включая измерения в
финансовой сфере и учет инновационного развития финансов как фактора роста
ВВП [131]. В Kin’s College, London, 8–10 мая 2019 г. определили перспективные
направления развития моделирования инновационных измерений, включая
параметризации инновационных преобразований финансового рынка и их
воздействия на изменения ВВП.
112
Изменения в моделях, связанных с измерениями ВВП, с учетом
финансиализации хозяйства
Прежде всего выявлены недостатки показателей ВВП как
основополагающих для характеристики экономического роста вообще и
связанного с финансовыми изменениями. Показатель ВВП был разработан в
сочетании с системой национальной бухгалтерии в 1930-х и 1940-х годах. Так,
недостатки ВВП как показателя благосостояния известны достаточно давно.
Однако ими долгое время пренебрегали. В последнее время вновь возник интерес
к ним в связи, в том числе, с ростом финансового сектора и финансиализацией
хозяйства. В 2009 году в докладе «Неправильное измерение нашей жизни:
почему ВВП не складывается» были определены факторы, находящиеся за
пределами ВВП, но которые влияют на уровень жизни. Среди них, в частности,
получают развитие совместно потребляемые инвестиции в зеленую экономику,
поскольку эффекты от положительных зеленых финансов достаются всем [132].
Еще более важными для измерений ВВП стали изменения в экономике под
воздействием ее финансиализации. Дело в том, что не только растет доля
финансового сектора в ВВП, но и меняются показатели экономического роста и
возрастает его зависимость от развития финансового хозяйства. Кроме того,
появляется необходимость более точного учета воздействия финансового
сектора на рост национального дохода и ВВП.
Развитие финансовых моделей, которые включают факторы
благосостояния, происходит в следующих трех широких областях:
- включение информации о распределении доходов, потреблении и
благосостоянии, а также роли финансового рынка в перераспределении доходов
в национальные счета;
- использования фактора времени при разработке меры
благосостояния, то есть основной показатель финансов – время – включается в
моделирование благосостояния и показатель ВВП с акцентом и опытом его
использования в финансовой сфере;
- последствия для товаров и услуг, которые являются бесплатными в
момент использования, например, товары и услуги, которые предоставляются
государством и являются «бесплатными» цифровыми продуктами,
климатические инвестиции, зеленое финансирование.
Моделирование и измерение комплексных составляющих благосостояния
требует дальнейшего теоретического обоснования, то есть возможности
включить в такие комплексные меры широкие аспекты, связанные с развитием
финансового рынка, в частности, в направлениях зеленых финансов.
113
С момента создания ВВП он претерпел много изменений. В момент его
создания роль финансового сектора сводилась к скромному обслуживанию
реального сектора хозяйства и государства и частично домашних хозяйств. В
ходе финансиализации хозяйства роль финансового сектора резко изменилась. В
настоящее время он становится двигателем развития экономики и во многом
определяет развитие всего общества. В связи с этим происходит учет изменений
роли финансового сектора в макро- и микро-хозяйственных моделях, в том
числе возникла необходимость измерения и моделирования измерений
«нематериальных» инвестиций, которые не учитываются как таковые в
национальных счетах. Новые модели позволят не только лучше измерять
различные нематериальные инвестиции и их влияние на ВВП, но и, в частности,
перейти к параметризации финансовых инноваций, брэндингу финансовых
посредников, цифрации финансовых услуг.
Цифрация финансов и моделирование поведения финансовых посредников
В условиях растущей цифрации экономики необходимость разработки
соответствующих ценовых рядов для цифровых товаров и услуг становится все
более актуальной как для экономической статистики, так и для моделирования
финансовых рынков, в частности, для моделирования взаимодействия цифровых
финансовых активов, цен цифровых финансовых активов, моделирования
децентрализованных финансовых систем, криптовалютных рынков, смартконтрактов, механизмов работы технологий распределенных реестров на
финансовых рынках и в финансовых вычислениях.
Облачные вычисления
В последние годы расширен опыт и получает развитие тенденция
моделирования облачных вычислений и, в частности, связанных с финансами.
Финансовые модели облачных процессов вскоре станут составной частью
моделирования цифрового общества. Согласно отраслевым оценкам, в 2018 году
мировой рынок услуг облачных вычислений по объему аналогичен глобальному
рынку консалтинга и, по прогнозам, увеличится почти вдвое по объему в течение
следующих нескольких лет [133]. В определенной мере рост облачных
вычислений сродни росту нематериальных активов как ключевого источника
создания стоимости, что создает аналогичные проблемы для экономических
измерений. Однако имеются различия, в частности, в способе предоставления
облачных услуг. В этой связи появляются модели ценовых расчетов облачных
услуг. Поскольку цена облачных вычислений резко сокращается, то в данной
сфере неприменимы фиксированные дефляторы, используемые в официальной
114
статистике, что создает определенные сложности для моделирования цен, в
частности требуется постоянное обновление моделей и их показателей.
Другим важным изменением в финансовом моделировании под
воздействием развития облачных вычислений и снижения затрат на облачные
вычисления стало внедрение в традиционные финансовые модели процессов
трансграничной передачи нематериальных ресурсов и стоимости внутри и
между компаниями и через границы. Большая часть этой деятельности не
отражена в существующей экономической статистике и ставит под сомнение то,
как в настоящее время измеряется ценность данных и происходит распределение
экономической активности по странам и секторам.
2.5. Актуальные тенденции применения цифровых технологий в
финансовой сфере
Значительная часть финансовых операций в банковской сфере уже начиная
с второй половины XX века начала подвергаться «оцифровке» (дигитализации).
Так, «оцифровкой» платежей при проведении международных расчетов уже
давно занимаются платежные системы США (Fedwire) и Европейского союза
(TARGET 2), а также глобальная система проведения межбанковских расчетов –
SWIFT. Впоследствии к процессам всеобщей дигитализации присоединились
национальные платежные системы других государств, в том числе России.
Таким образом, уже к концу 1990-х годов глобальная дигитализация сферы
транзакционного бизнеса была уже практически завершена. В современных
условиях бизнес, банковские и финансовые организации очень тесно связаны с
компаниями и рынками финтеха (FinTech), и это уже не просто связь, а симбиоз
технологий, финансов и коммерции [134].
При этом за последние несколько лет в мире было создано 90% от общего
объема имеющихся данных. В настоящее время создается порядка 2,5
квинтиллионов байтов данных ежедневно. Финансовая отрасль генерирует
огромный объем котировок, рыночных данных и исторических данных о
транзакциях, что делает ее зрелой для анализа больших данных современными
методами и технологиями. Одна только Нью-Йоркская фондовая биржа
обрабатывает 1 терабайт информации в течение каждого дня [135].
По прогнозам аналитиков компании IDC в докладе The Data Age 2025, к
2020 году человечество сформирует 40−44 зеттабайта информации, а к 2025 году
объем данных вырастет в 10 раз [136]. Быстрый рост объемов информации
115
создает возможности для ее сбора, обработки и анализа, в части как
структурированных, так и неструктурированных данных.
Исследование Boston Consulting Group (BCG) «Сила персонализации:
глобальный рынок розничных банковских услуг в 2018 году»[137] в июне 2018
года определило развитие цифровых технологий одним из основных трендов
современного банкинга. С помощью анализа особенностей финансового
поведения потребителей кредитные организации могут
разрабатывать специальные, персонализированные предложения. В идеале
процесс оказывается выгодным для обеих сторон: клиент удовлетворяет свои
запросы, а банк получает от этого взаимодействия положительный
экономический эффект. Чем более доволен клиент, тем прибыльнее бизнес [138].
Международная корпорация IDC спрогнозировала в своем докладе
«Worldwide Semiannual Big Data and Analytics Spending Guide», что глобальные
инвестиции в большие данные и бизнес-аналитику (BDA) вырастут с 130,1 млрд
долларов в 2016 году до более 203 млрд долларов в 2020 году [139]. По оценке
IDC, к концу этого (2019) года на работу с большими пользовательскими
данными компании по всему миру потратят около 189 млрд долларов [140].
В современных условиях наблюдается переход от «физического»
обслуживания клиентов «живыми» сотрудниками банков и финансовых
компаний к машинному обучению, искусственному интеллекту и мобильному
банкингу. Финансовая индустрия трансформируется от сложных, трудоемких
операций к более упрощенной структуре и революционным финансовым
технологиям. Цифровое преобразование использует технологию таким образом,
что она создает эффективные операции и процессы. При этом, цифровизация
(дигитализация) − это не замена традиционных систем, а использование
технологии для того, чтобы сделать существующую систему или услуги
значительно лучше [141].
Высокотехнологичные интернет-платформы, созданные компаниями из
сферы FinTech и обеспечившие прямую, минуя посредников, связь кредиторов и
заемщиков, вполне способны составить серьезную конкуренцию традиционным
игрокам (банкам и финансовым компаниям). Цифровые технологии в сочетании
со смартфонами и интернетом предоставляют многочисленные преимущества
как клиентам, так и финансовым учреждениям. Для банков и финансовых
компаний цифровизация − это больше, чем просто внедрение таких технологий,
как облачные технологии, большие данные, социальные сети или мобильные
устройства. Это создание новых бизнес-моделей для развития экосистемы, в
которой могут участвовать все рынки и потребители. Цифровая трансформация
116
банковского бизнеса помогает автоматизировать однообразные задачи,
соблюдение требования финансовых регуляторов, управление учетными и
операционными функциями, Цифровизация также уменьшает вероятность
киберрисков и минимизирует ошибки, вызванные «человеческим фактором».
В современных условиях можно выделить следующие ключевые
цифровые технологии в финансовой сфере [142]:
- технологии распределенного реестра (DLT, блокчейн) и криптовалюты;
- большие данные (Big Data), искусственный интеллект;
- процессная роботизация, визуализация данных и видеоконтент;
- алгоритмическая торговля, робо-эдвайзинг и автоматизированное
управление активами;
- регуляторный комплаенс (RegTech и SupTech) на основе аналитики
больших данных;
- биометрия и удаленная идентификация;
- мобильный банкинг (мобильные технологии платежей и обслуживания);
- бесконтактные платежи, интернет вещей (IoT) и геолокация;
- облачные технологии, омниканальность и открытый программный код
(API);
- технологии обеспечения кибербезопасности.
Технологии распределенного реестра (DLT) и криптовалюты
С появлением технологии распределенных реестров (DLT) индустрия
финансовых услуг, как считается, вступила в новую цифровую эру. Эта новая
технология изменила взгляд на финансовые операции и произвела революцию в
экономике. В DLT зашифрованные блоки данных считываются валютой
(криптовалютой) и используются совместно во время транзакций. Технология
использует передовые методы шифрования для проверки валюты и транзакций
и гарантирует, что только авторизованные пользователи, которые владеют
частью общей системы информационных блоков, могут редактировать данные,
используя закрытый ключ. По образному сравнению DLT с ДНК, экспертом в
области современных цифровых технологий [143], «каждая клетка – каждый
блок информации – является отражением всей системы и полностью завязана с
другими элементами. Это значит, что в систему нельзя ни добавить ничего
лишнего, ни незаметно исправить».
В связи с активным распространением цифровых валют (криптовалют)
возникает угроза потери контроля над денежно-кредитной политикой
государственными регуляторами – центральными банками. Компромиссным
вариантом сохранения традиционных механизмов централизованного
117
регулирования национальных экономик является эмиссия государственных
криптовалют.
При этом в настоящее время технология распределенных реестров (DLT)
уже не ассоциируется только с криптовалютами. В современной экономике ее
внедрение осуществляется в различных сферах и отраслях, где требуется
обеспечить прозрачность, безопасность и контроль операций. На базе DLT
разработаны, в частности, такие современные финансовые продукты, как
электронная закладная, электронная банковская гарантия, цифровой аккредитив.
С повсеместным распространением смартфонов, а также благодаря
развитию инструментов аналитики больших данных стало гораздо проще,
быстрее и дешевле решать вопросы финансирования и аренды напрямую. На
основе блокчейна активно развиваются краудфандинг и системы Peer-to-Peer
(P2P) кредитования: краудлендинг (Peer-to-peer lending) и краудинвестинг
(Equity crowdfunding), при которых требуемое финансирование предоставляется
частными инвесторами напрямую, минуя посредников в виде кредитных
организаций, МФО и бирж. В результате устранения финансовых посредников
получение финансирования для заемщика становится дешевле, а кредиторы
получают больший, по сравнению с стандартными банковскими вкладами, доход
на инвестиции. P2P-кредитование применяется как для физических, так и
юридических лиц [144].
Первой «платформой» по P2P-кредитованию с использованием
возможностей сети интернет была созданная в 2005 году в Великобритании
компания Zopa (Zone of Possible Agreement). В США первые P2P-кредиторы
стали появляться в 2016 году: Prosper и Lending Club. В России такие финансовые
инструменты появились в 2010 году, начав полноценно работать лишь в 2012
году (крупнейшими примерами являются проект Вдолг.ру при участии Банки.ру,
а также биржа кредитов на базе сервиса Webmoney) [145].
Смарт-контракты − одно из самых привлекательных применений
технологии распределенных реестров. Они автоматизируют выполнение
коммерческих соглашений и сделок с помощью DLT, исключая из процесса
различных посредников. Это снижает стоимость процессов при обеспечении
требуемого уровня надежности и безопасности.
DLT помогает бороться с мошенничеством в финансовой сфере,
эффективно выстраивая технологии KYC («знай своего клиента»), а также,
устраняя посредников, повышает рентабельность транзакций и бизнеса в целом.
118
Большие данные (Big Data) и искусственный интеллект (ИИ)
Раньше клиентская аналитика основывалась на некоторых относительно
простых приближенных данных, полученных из анализа фокус-групп и опросов.
Это были заменители реальных персонализированных данных о поведении
потребителей, и результаты оказывались довольно расплывчатыми. Сейчас,
благодаря технологическому прогрессу, банки и финансовые компании
получили доступ к постоянно растущему объему данных о том, что клиенты
делают и чего они хотят. Анализ больших данных (Big Data) становится одним
из наиболее востребованных инструментов для поиска и изучения аудитории, а
также повышения ее лояльности [140].
Согласно общеупотребимому определению эксперта по современным
цифровым технологиям А. Семёнова [146], «Большие данные (Big Data) —
общее название для структурированных и неструктурированных данных
огромных объемов, которые эффективно обрабатываются с помощью
масштабируемых программных инструментов. Такие инструменты появились
в конце 2000-х годов и стали альтернативой традиционным базам данных
и решениям Business Intelligence. В России под Big Data подразумевают также
технологии обработки, а в мире − лишь сам объект исследования».
В современных условиях экспоненциального роста производительности
вычислительных мощностей ранее существующие ограничения по работе с
текстовыми и графическими данными, фото-, аудио- и видеоконтентом, а также
иными цифровыми ресурсами «уходят в прошлое». Для принятия
управленческих решений в сфере продаж и маркетинга «оцифровке» теперь
подвергаются поведенческие и психологические характеристики клиентов,
распознается и анализируется закодированная тактильная информация [143],
данные об активности клиентов в интернет-браузерах и социальных сетях.
Мэтт Слокум из O'Reilly Radar считает, что «хотя большие данные и
бизнес-аналитика имеют одинаковую цель (поиск ответов на вопрос), они
отличаются друг от друга по следующим аспектам [147]:
- технология Big Data используется для обработки более значительных
объемов информации, чем бизнес-аналитика, что соответствует традиционному
определению Big Data»;
- технологии Big Data обеспечивают бÓльшую глубину исследования и
интерактивность, так как используются для обработки постоянно меняющихся
сведений в режиме онлайн;
119
- технологии Big Data могут применяться для обработки
неструктурированных данных с помощью новых высокопроизводительных
алгоритмов.
Работа по анализу больших данных существенным образом отличается от
процесса бизнес-аналитики, в процессе которого простая аддитивная модель
интеграции известных значений дает предсказуемый результат: например, в
результате простого сложения нарастающим итогом данных ежедневных
объемов продаж (по чекам) можно рассчитать кумулятивный объем продаж за
выбранный период. При обработке больших данных используется
последовательный процесс «очистки данных» методами компьютерного
моделирования: на первом этапе выдвигается гипотеза, затем строится
статистическая, семантическая или визуальная модель. Корректность
выдвинутой гипотезы тестируется в процессе моделирования с возможностью
оперативного пересмотра исходя из постоянно меняющихся значений
параметров. Необходимость непрерывной адаптации параметров модели к
постоянно меняющимся условиям требует от исследователя навыков
составления интерактивных запросов и интерпретации визуальных значений на
основе знаний специфики бизнеса, объекта исследования, а также применения
технологий искусственного интеллекта и алгоритмов машинного обучения,
способных максимально оперативно получить ценные для бизнеса результаты.
Техники и методы анализа, применимые к большим данным, согласно
исследованию компании McKinsey [148]:
- Data Mining;
- статистический анализ;
- визуализация аналитических данных;
- машинное обучение;
- краудсорсинг;
- смешение и интеграция данных;
- распознавание образов;
- искусственные нейронные сети;
- прогнозная аналитика;
- имитационное моделирование;
- пространственный анализ.
Источниками больших данных являются: корпоративные данные –
транзакционная деловая информация, базы данных, архивы, интернет-браузеры
и интернет-поисковики, социальные сети, СМИ, форумы, блоги, интернет вещей
(IoT); показания устройств – датчиков, приборов, а также данные сотовой связи,
120
метеорологические данные и любая иная информация, доступная в виртуальном
пространстве интернета [143]. Основными поставщиками больших данных
являются поисковые системы, телеком-операторы, банки и социальные сети.
Они имеют доступ к значительным массивам данных, в т.ч. персональных
данных клиентов, а также обладают развитой технологической базой и
финансовыми ресурсами для создания и поддержания в защищенном состоянии
больших хранилищ информации и сервисов по ее обработке и
структурированию.
Аналитика больших данных используется при анализе
кредитоспособности как физических, так и юридических лиц. Используя
современные технологии анализа больших данных, банки принимают решения о
выдаче кредита в рамках кредитного скоринга не только на основе финансовой
отчетности и справки о доходах, но с учетом иных параметров, таких как уровень
образования, пол, возраст, место жительства и прочие характеристики,
влияющие на способность обслуживания долга. С этой целью производится
создание профиля клиента с применением внешних и внутренних источников
(автоматизированные банковские системы, государственные системы, соцсети,
история обслуживания). На основе анализа массива данных о статистике
дефолтов и кредитоспособности производится сегментация клиентов с
составлением «портрета» идеального заемщика. Это упрощает процедуру
выдачи кредита и снижает издержки по анализу кредитоспособности клиентов.
Применяя аналитические «фильтры», такие как праздничные сезоны и
макроэкономические условия, банковские работники могут понять, стабильно ли
растет зарплата клиента и остаются ли расходы адекватными. Это один из
краеугольных факторов для оценки риска, проверки качества ссуды, оценки
рисков выдачи автокредитов или ипотеки, а также перекрестных продаж
нескольких финансовых продуктов, таких как страхование [149].
Скоринговые системы эффективно вычисляют мошенников и рецедивных
неплательщиков. В числе прочих параметров скоринговая система анализирует
манеру общения клиента в социальных сетях. Например, если человек чрезмерно
многословен, то, скорее всего, он не знает, чего хочет и, с большой долей
вероятности, не дисциплинирован. Данная упрощенная оценка актуальна в
первую очередь для небольших сумм кредитов, по которым надо быстро принять
решение [150].
Искусственный интеллект (AI, ИИ) позволяет быстро и эффективно
обрабатывать значительные массивы информации, помогая принимать и
создавать решения на основе их анализа. Технологиями ИИ являются нейронные
Соседние файлы в предмете [НЕСОРТИРОВАННОЕ]