Die Herausforderung: Ein stabiles Zahlungssystem für den Finanzplatz Schweiz
Angesichts der zunehmenden Komplexität des wirtschaftlichen Umfelds ist die Stabilität des Zahlungsverkehrs von entscheidender Bedeutung für die Aufrechterhaltung der finanziellen Integrität eines Landes. Die Schweizerische Nationalbank (SNB) stand vor der Herausforderung, potenzielle Zahlungsschwierigkeiten wichtiger Teilnehmer zu erkennen und die Stabilität des Zahlungssystems SIC (Swiss Interbank Clearing) zu gewährleisten. Dies erforderte ein System, das in der Lage war, Interbank-Transaktionen in grossem Umfang effizient und effektiv zu analysieren.
Die Lösung: Künstliche Intelligenz im Einsatz
Die Antwort auf diese Herausforderung war ein massgeschneidertes, KI-basiertes Monitoring-Tool, das gemeinsam mit swissQuant entwickelt wurde. Dieses innovative Überwachungstool geht über die einfache Datenanalyse hinaus und nutzt die Leistungsfähigkeit des Nowcastings, der «Gegenwartsvorhersage». Anstatt Prognosen auf Basis von Daten aus der Vergangenheit zu treffen, analysiert das Tool die Daten in Echtzeit. Dies ermöglicht präzise Prognosen und Bewertungen der aktuellen Finanzlandschaft. Mithilfe einer fünfstufigen Methode des maschinellen Lernens (ML) verarbeitet das Tool grosse Datensätze, identifiziert Ausreisser und bewertet die Stabilität von Netzwerkteilnehmern.
Die Methodik: Von Big Data zu konkreten Massnahmen
Die hochentwickelten ML-Modelle von swissQuant verwandeln grosse, unübersichtliche Datensätze in klare, handlungsorientierte Erkenntnisse. Der innovative Ansatz umfasst ein ML-Modell mit einem fünfstufigen Prozess:
- Robuste Datenverarbeitung: Die Rohdaten wurden aggregiert und um Trends und Jahreszeiten bereinigt, wodurch ein Satz «Stressevent»-Labels entstand.
- Identifikation von Ausreissern: Ein heterogenes Ausreisser-Ensemble-ML-Modell wurde verwendet, um individuelle Ausreisser-Scores zu berechnen.
- Prognostische Leistung: Unter Verwendung der Ausreisser-Score-Daten prognostizierten überwachte ML-Modelle die Wahrscheinlichkeit von Stressereignissen bei Banken.
- Bewertung: Die Leistung der Modelle wurde mittels ROC-Kurven, qualitativer Analyse und Visualisierungstechniken bewertet.
- Erkenntnisse zu Massnahmen: Im letzten Schritt wurden die gewonnenen Erkenntnisse in umsetzbare Strategien überführt.
Ein Gewinn für die datengestützte Entscheidungsfindung
Dank der ML-Methode von swissQuant erreichte die SNB eine hohe Prognosegenauigkeit für Stressereignisse bei Banken im SIC-Zahlungssystem. Diese bahnbrechende Methode wurde in einer von swissQuant und der SNB gemeinsam publizierten wissenschaftlichen Arbeit dokumentiert und die Ergebnisse an wissenschaftlichen Konferenzen im In- und Ausland vorgestellt. swissQuant ist stolz darauf, die Leistungsfähigkeit neuer Technologien und anspruchsvoller quantitativer Analysen in ihren Produkten und Dienstleistungen zu nutzen. Ihr Engagement ermöglicht es führenden Institutionen, ihre Prozesse zu optimieren, und eröffnet Zentralbanken und anderen Finanzinstituten neue Möglichkeiten, datengestützte Entscheidungen zu treffen.
Fazit: Stärkung der Stabilität mit KI
Die erfolgreiche Zusammenarbeit zwischen der SNB und swissQuant zeigt die transformative Kraft der Künstlichen Intelligenz in der Finanzindustrie. Sie verdeutlicht das Potenzial des maschinellen Lernens bei der Entwicklung robuster und flexibler Tools, die komplexe Datensätze analysieren und wichtige Erkenntnisse in Echtzeit liefern können. Auf diese Weise verbessern die Tools die Stabilität und Effizienz von Zahlungssystemen und tragen zur Widerstandsfähigkeit von Volkswirtschaften bei.
Erfahren Sie mehr über unsere Big Data Dienst-leistungen
ÜBERSICHT
