Sztuczna inteligencja w bankowości

Stworzenie programów komputerowych potrafiących symulować ludzkie procesy myślowe było do niedawna jedynie wizją futurystów. Jednak dynamiczny postęp badań nad sztuczną inteligencją, jaki nastąpił w ostatnich latach, pozwolił na skonstruowanie algorytmów, których idea działania została oparta o schemat funkcjonowania komórki nerwowej. Sztuczne sieci neuronowe, bo tak brzmi ich pełna nazwa, aczkolwiek są jedynie systemami obliczeniowymi, posiadają zdolność uczenia się, adaptacji oraz uogólniania nabytej wiedzy. Poziom błędnych decyzji podejmowanych przez sieci neuronowe przy prognozowaniu oraz rozpoznawaniu zjawisk ekonomicznych, nawet w przypadku bardzo złożonych problemów gospodarczych, jest zwykle bliski zeru. Fakt ten wzbudził zainteresowanie banków, które obecnie coraz częściej wykorzystują to narzędzie do wspomagania procesu podejmowania decyzji finansowych.

Aby dostrzec potencjalne możliwości zastosowania sztucznych sieci neuronowych w bankowości koniecznym jest krótkie przybliżenie działania tych algorytmów. W odróżnieniu od innych metod ilościowych stosowanych w bankowości, sieć neuronowa wymaga procesu uczenia. Polega on na tym, iż algorytmowi przedstawiany jest zbiór przykładowych informacji posiadających odpowiednio dobrane cechy wejściowe oraz, najczęściej jedną, informację wyjściową. W procesie tym, sieć modyfikuje swoje parametry wewnętrzne tak długo, aż generowany poziom błędów jest dostateczne mały.

ama metoda działania sztucznej sieci neuronowej jest zbliżona do działania komórki nerwowej. Wprowadzone do sieci neuronowej informacje są przetwarzane, przez co generowany jest sygnał wyjściowy będący jednocześnie informacją wejściową dla następnego neuronu. Im większa liczba połączeń oraz neuronów pośrednich tym końcowy wynik jest poprawniejszy. Badania wykazały jednak, iż już czterowarstwowa sieć potrafi poprawnie nauczyć się każdego rzeczywistego zjawiska.

Pierwsze próby wykorzystania algorytmów o strukturze neuronu w bankowości dotyczyły problemu oceny wiarygodności kredytowej przedsiębiorstw. Zagadnienie to swymi korzeniami jest związane z problematyką prognozowania upadku przedsiębiorstw. W tym przypadku sztuczna sieć neuronowa ma wskazać, czy badane przedsiębiorstwo jest zagrożone upadkiem, czy też jego przyszła sytuacja ekonomiczna nie budzi zastrzeżeń. Aby jednak otrzymać pożądaną informację koniecznym jest przeprowadzenie procesu uczenia. Należy zatem przedstawić sieci neuronowej dwa zbiory przedsiębiorstw opisanych przez wskaźniki finansowe, przy czym każdemu przedsiębiorstwu musi towarzyszyć informacja określająca jego kondycję ekonomiczną. Dopiero tak nauczony algorytm potrafi prawidłowo określić stan zagrożenia upadkiem dla przedsiębiorstw, które nie brały udziału w uczeniu sieci, a co za tym idzie może być wykorzystywany do oceny kondycji finansowej firm będących potencjalnymi klientami banku.

W podobny sposób oceniana jest skłonność do spłaty kredytu przez klientów indywidualnych. W tym przypadku jednak źródłem danych są informacje podawane przez klientów we wnioskach kredytowych. Nauczona na podstawie dostatecznie dużej próby uczącej sieć neuronowa pozwala na ocenę potencjalnego kredytobiorcy pod względem jego zdolności kredytowej. Dzięki wykorzystaniu tej metody możliwe jest znaczne ograniczenie czasu przeznaczanego na ocenę wniosków kredytowych, a także "wychwycenie" zespołów cech, które ograniczają wiarygodność kredytobiorców.

Jednym z najnowszych zastosowań sztucznych sieci neuronowych jest prognozowanie kursów akcji. Wykorzystanie tego narzędzia na giełdzie papierów wartościowych jest alternatywą dla powszechnie stosowanych metod analizy technicznej. Przewaga sieci neuronowych polega na tym, iż przyszły kurs akcji określany jest nie tylko poprzez odpowiednie przekształcenie danych z notowań minionych, lecz również dzięki odpowiedniemu ujęciu informacji o charakterze pozacenowym. Oznacza to, iż prognoza może być oparta także o wyniki analizy fundamentalnej badanej spółki, informacje o sytuacji gospodarczej kraju oraz tendencje panujące wśród inwestorów. Ujęcie tak zróżnicowanych danych w jednym algorytmie pozwala na osiągnięcie prognoz, których trafność znacznie przewyższa prognozy generowane przez narzędzia analizy technicznej.

Zastosowanie sztucznych sieci neuronowych w bankowości staje się coraz powszechniejsze. Fakt ten jest podyktowany specyficznymi możliwościami tych algorytmów, które pozwalają na wykorzystanie informacji zawartych w z pozoru niezauważalnych właściwości badanych obiektów. Analitycy wykorzystujący sieci neuronowe w codziennej pracy twierdzą, iż systemy te obdarzone są własną intuicją. Miejmy jednak nadzieję, że w banku przyszłości klient, obok inteligentnych maszyn, będzie miał nadal kontakt z człowiekiem.

Kris