Казначейство управляет активами и пассивами банка, обеспечивая удовлетворение запросов клиентов, выполнение обязательств перед акционерами и соблюдение регуляторных требований.

В постоянно меняющейся рыночной ситуации необходимо работать с кейсами, когда, например, одни клиенты хотят разместить депозит в валюте на один месяц, а другие — взять ипотеку в рублях на тридцать лет. Соединение разных типов операций, сроков, объемов, валют и процентных ставок — это сложная задача. Одно из важнейших направлений работы казначейства — прогноз влияния всех операций на прибыль, риск-метрики и регуляторные нормативы банка

Для решения задач прогнозной аналитики мы применяем ML. Это повышает качество прогнозов и позволяет финансовым специалистам сосредоточиться на стратегических целях.

У нас в казначействе есть задачи по построению и обучению модели эластичности объемов выданных кредитов и привлеченных депозитов к процентной ставке банка. Точнее, это не одна модель, а целый каскад моделей по каждому продукту, клиентскому сегменту, валюте. Их дополняют рекомендательные модели, модели отклика конкурентов на действия банка, модели структуры срочности активов и пассивов банка, модели предсказания размера высоколиквидных активов с учетом нормативов.

Ранее без моделей делались неточные прогнозы «с запасом» или буфером. Например, чтобы не нарушить требования регулятора, приходилось держать большой буфер ликвидных активов. Это было необходимо для выполнения обязательных для банка требований, даже при реализации самого неблагоприятного сценария. Однако таким образом банк расходовал дополнительные ресурсы. Второй пример — без поведенческих моделей по клиентам делался усреднённый прогноз по сегменту в целом. Естественно, это не самая точная аналитика.

Сейчас обученные модели эластичности лежат в основе динамического баланса — с помощью него принимаются решения об изменении процентных ставок банка с учетом стратегии и бизнес-плана на год. ML позволяет в реальном времени, проанализировав миллионы сценариев, прогнозировать как изменится PnL банка в будущем при любом принятом решении сегодня.

Обучение моделей — это довольно обычный процесс для Data Science. На этапе RnD (Research and Development) мы выбираем метрику и модель из большого количества вариантов и дорабатываем её, пока не придем к стабильным долгосрочным прогнозам. Перед тем как модель будет использоваться на практике, проводится множество экспериментов, показывающих, что модель улучшает существующий бенчмарк и стабильно работает в условиях постоянно меняющейся внешней среды. Конечным результатом является увеличение доходов или сокращение расходов за счет оптимизации буфера.

‍