Home Prodotti Software Machine learning, industrializzazione e nuovi modelli per battere la crisi

Machine learning, industrializzazione e nuovi modelli per battere la crisi

La pandemia e la Brexit sono due fenomeni critici di portata mondiale che faranno sentire il proprio effetto sul settore finanziario nel corso del prossimo anno e una riflessione sugli automatismi determinati dal machine learning si impone.

Oltre all’impatto negativo reale avuto su ogni individuo in tutto il mondo, la pandemia da Covid-19 sta causando interruzioni e chiusure di attività a un tasso senza precedenti. I programmi governativi lanciati per stimolare l’economia stanno provocando deficit di bilancio, le autorità di regolamentazione stanno allentando i vincoli di capitale per le banche e le banche centrali stanno sostenendo la stabilità economica con il taglio dei tassi di interesse e altre misure.

Anche se tutti i settori industriali sono stati in qualche modo colpiti, gli ambiti del commercio al dettaglio, dei viaggi e delle piccole imprese sono senza dubbio quelli che stanno soffrendo di più.

Alcuni osservano che la principale sfida a breve termine per il settore dei servizi finanziari sarà l’impennata delle perdite di credito, che potrebbe persistere fino al 2023.

La seconda ondata si chiama Brexit: per il Regno Unito e l’Unione Europea, il 2021 si tradurrà molto probabilmente in un secondo momento di incertezza.

In queste circostanze, sorgono preoccupazioni sull’accuratezza dei modelli di machine learning, su come la ripresa sarà diversa per l’UE rispetto al resto del mondo e su cosa dovrebbero fare le istituzioni finanziarie per affrontare queste preoccupazioni.

È per questo che Richard Harmon, Managing Director Financial Services di Cloudera di chiede se i modelli attuali di machine learning sono sbagliati.

La domanda può sembrare provocatoria, ma ha un’importanza critica nell’attuale situazione.

Nuovi modelli di machine learning

Molti dei modelli di machine learning disponibili oggi sono stati stimati utilizzando grandi volumi di dati granulari.

Ci vorrà un po’ di tempo prima che i modelli esistenti vengano nuovamente stimati per adeguarsi alla nuova realtà, così come alla situazione sconosciuta di una “nuova normalità”.  L’esempio più recente di tali complicazioni e anomalie su scala globale è stato l’impatto sui modelli di rischio e di previsione durante la crisi finanziaria del 2008.

Fondamentale, osserva Harmon, è capire se si tratta di un cambiamento strutturale”o di un evento di rischio casuale che si verifica una volta ogni cento anni.

Se la pandemia Covid-19 viene considerata un evento una tantum, quando il mondo si riprenderà, l’economia globale, i mercati e le imprese opereranno in un ambiente simile a quello precedente.

La sfida in questo caso è evitare che i modelli siano falsati a causa di un evento che si verifica una volta nella vita.

D’altro canto, la definizione di cambiamento strutturale significa che quando la pandemia passerà, il mondo si assesterà in un ambiente “nuovo e normale”, fondamentalmente diverso dal mondo pre-Covid-19.

Questo new normal richiede che le istituzioni sviluppino modelli di machine learning completamente nuovi, utilizzando dati più estesi o alternativi sufficienti per catturare questo nuovo ambiente in evoluzione.

Richard Harmon, Managing Director Financial Services di Cloudera

Cosa devono fare le istituzioni finanziarie

Per Harmon e istituzioni finanziarie hanno diverse opzioni a disposizione, per adottare una visione più a lungo termine nell’attuazione di una strategia che consenta di sviluppare nuove capacità atte a prepararsi ad affrontare la prossima crisi.

Modificare i modelli esistenti. Questo sarà il punto di partenza per tutti i team di data scientist e può spaziare dall’utilizzo dei dati più recenti per modificare i modelli attuali fino alla creazione di proiezioni basate su scenari adeguati ai vari livelli di polarizzazione del modello. Ci sono una serie di tecniche che possono essere utilizzate, compreso un approccio bayesiano per catturare il giudizio degli esperti nei modelli.

Fare stress test. Lo stress testing offre alle istituzioni l’opportunità di acquisire una comprensione più chiara delle loro vulnerabilità nascoste. Ciò è particolarmente vero per quanto riguarda le imprecisioni dei modelli sconosciuti. I Chief Risk Officer dovrebbero pensare strategicamente sia all’integrazione dei test di stress in tutte le linee di business, sia all’aumento del loro rigore passando da pochi scenari statici a un sistema automatizzato che esegue centinaia di scenari di stress testing dinamici. L’estensione a un framework di analisi prescrittivo sarà un nuovo miglioramento nella prossima generazione di piattaforme di stress testing.

Industrializzare il machine learning. Questo è il momento ideale per investire nella realizzazione di una piattaforma che supporti l’intero ciclo di vita del machine learning al fine di consentirne l’industrializzazione. Si va oltre il modello di sviluppo del workflow e integra uno strato di machine learning a livello aziendale. Molte istituzioni stanno già sviluppando questo tipo di capacità.

Fare analisi prescrittive. Un approccio complementare ai modelli machine learning esistenti comporta l’adozione di analisi prescrittive guidate da capacità di simulazione nel processo decisionale. Un nuovo approccio di simulazione che sta iniziando ad essere adottato nel settore dei servizi finanziari – soprattutto durante l’attuale crisi – è l’Agent-Based Modelling (ABM), un approccio di simulazione alla modellazione di sistemi complessi e adattivi bottom-up con agenti eterogenei in cui l’agente può essere una persona, un prodotto, un’istituzione, un mercato o l’economia.

Mentre il comportamento dell’agente e i punti di decisione sono calibrati rispetto ai dati storici, l’approccio ABM può supportare la proiezione di migliaia di scenari futuri che non dipendono dalle limitazioni dei dati storici, come nel caso del machine learning.

Ciò consente ai responsabili delle decisioni di valutare l’impatto di shock, feedback, strategie di business alternative e cambiamenti normativi.  Questa visione olistica fornisce ai decisori una visione più solida dei potenziali risultati futuri e dei fattori che guidano ogni risultato. Si tratta di un approccio altamente efficace per la creazione di un ambiente di stress test dinamico del modello ampiamente automatizzato.

Nell’ambiente attuale gli ABM sono strumenti complementari e fondamentali per aiutare le aziende a valutare come meglio analizzare le strategie ottimali da perseguire sulla base di un’ampia gamma di potenziali risultati futuri.

LASCIA UN COMMENTO

Inserisci il tuo commento
Inserisci il tuo nome

Se questo articolo ti è piaciuto e vuoi rimanere sempre informato sulle novità tecnologiche
css.php