Article
Konsolidierung von Handelsumgebungen und Optimierung von Kapitalmarktprozessen durch RPA und KI
Wie Banken und Asset-Manager in der Portfoliosteuerung einem innovativen 3-Phasen-Lösungsansatz profitieren können
Die Margen von Banken und Asset-Managern in Europa stehen durch ein anhaltendes Niedrigzinsumfeld und hohe regulatorische Kosten in den zurückliegenden Jahren unter Druck. Über viele Jahre in ihrer Komplexität gewachsene Handelssystemstrukturen sind ein Ansatzpunkt für signifikante Kosteneinsparungen. Ein 3-Phasen-Lösungsansatz bestehend aus der Konsolidierung von Handelssystemen in Verbindung mit Robotic Process Automation (RPA) und künstlicher Intelligenz (KI) verspricht ein Einsparpotenzial von bis zu 40% der Kosten für Handelsprozesse.
Ausgangssituation von Banken und Asset-Managern
Durch das anhaltende Niedrigzinsumfeld sowie stetig wachsende regulatorischen Anforderungen im europäischen Finanzmarkt stehen die Margen der Banken und Asset-Manager unter hohem Druck. Dies führt zu der Notwendigkeit, manuelle und kostenintensive Prozesse, Systeme sowie Assetklassen zu identifizieren und Einsparpotenziale entlang der Wertschöpfungskette innerhalb der gesamten Bank bzw. des Asset-Managements zu realisieren. Hierbei sind insbesondere Handelssystemarchitekturen als Kostentreiber hervorzuheben.
Historisch gewachsene Systemlandschaften innerhalb der Handelsbereiche, des Risikomanagements und der Abwicklung von Kapitalmarktgeschäften weisen oft siloartige Strukturen in Bezug auf Produkte und Assetklassen auf und führen so zu einer Koexistenz von teilweise redundanten und kostenintensiven Systemen und Prozessen. Nach wie vor fällt es den Banken und Asset-Managern schwer, auf Basis dieser Bedingungen ein nachhaltig gewinnbringendes Geschäftsmodell über alle gehandelten Assetklassen zu etablieren.
Chancen durch den Einsatz neuartiger Technologien
Die Einführung innovativer Technologien zur Verschlankung von Prozessabläufen und zur nachhaltigen Reduktion von Kosten bietet an dieser Stelle große Chancen. Durch den gezielten Einsatz von Robotic Process Automation (RPA) ist es möglich, repetitive Transaktionen und Prozesse mit hohen Transaktionsvolumina zu automatisieren. So ist es zum Beispiel möglich, ein Handelsgeschäft nach der Eingabe vollständig durch den implementierten Roboter ausführen zu lassen. Darüber hinaus können Roboterprogramme alle nachgelagerten Prozesse – wie das Liefern von Handelsbestätigungen, die Durchführung des Settlements und die notwendigen Reconciliation-Prozesse sowie die nachgelagerte Abwicklung des Zahlungsverkehrs – automatisiert ausführen.
Über das durch den Einsatz von RPA generierte Kosteneinsparpotenzial lassen sich zusätzlich die Prozesseffizienz steigern und die Kosten senken, indem die eingesetzten RPA-Programme durch künstliche Intelligenz (KI) unterstützt werden und somit eine intelligente Automatisierung erreicht wird. Durch ein selbstlernendes, künstliches neuronales Netzwerk werden sowohl bei bestehenden als auch bei neuen Prozessen im Hinblick auf Datenanalyse, Risikomanagement und Monitoring Maßnahmen ermöglicht, die die menschliche Leistungsfähigkeit aufgrund von Zeitrestriktionen und Datenvolumina bisher nicht zugelassen hat. Dies bedeutet, dass beispielsweise Unregelmäßigkeiten und signifikante Änderungen in Marktdaten und internen Daten (z.B. Einlagen) identifiziert und adäquate Handelsempfehlungen in Echtzeit durch die KI vorgeschlagen werden können.
Ein konkretes Anwendungsbeispiel ist die Portfoliosteuerung bei Banken und Asset-Managern, welche sich durch ein zeitverzögertes Handeln basierend auf zentral erstellten Risikoberichten auszeichnet. Die Reaktion auf Marktbewegungen sowie das Aussteuern von Mittelzu- bzw. -abflüssen erfolgen regelmäßig auf Basis von Vortagesdaten und deren prospektiver Fortschreibung. Die Folgen sind zeitverzögerte und teils ineffiziente Hedges. Dies lässt sich beispielsweise besonders gut im Rahmen des Asset-Liability-Managements und des Aussteuerns des Portfolios mittels Zinsswaps belegen. Hieraus folgt eine erhöhte Volatilität in den Steuerungskennzahlen. Daraus ergibt sich unweigerlich die Frage: Wie können Banken und Asset-Manager künftig die Opportunitätskosten für die Portfoliosteuerung senken, die Prozesseffizienz steigern und die Volatilität in den Kernkennzahlen wie LCR, NSFR, Duration, BPV etc. vermeiden, um auf (unerwartete) Veränderungen der Kunden und des Marktes reagieren zu können?
3-Phasen-Lösungsansatz
Eine Antwort auf diese Fragestellung bietet der 3-Phasen-Lösungsansatz von Deloitte – bestehend aus einer anfänglichen Konsolidierung der Handelssysteme, gefolgt von einer Implementierung von RPA sowie einer Unterstützung durch KI. Dadurch können Banken und Asset-Manager ihren Fokus auf wertschöpfende Aktivitäten richten und nachhaltig gewinnbringende Margen generieren.
Das im Rahmen der Umsetzung kreierte künstliche neuronale Netz zur Abbildung des Bankportfolios bietet folgende Vorteile:
- Intraday-Portfoliosteuerung in Echtzeit
- Beschleunigte Reaktionszeit auf (unerwartete) Veränderungen seitens der Kunden und des Marktes
- Reduzierung der Volatilität in den Steuerungskennzahlen des Portfolios
Fazit
Der vorgestellte 3-Phasen-Lösungsansatz ermöglicht es Banken und Asset-Managern, sich auf wertschöpfende Aktivitäten zu konzentrieren und gewinnbringende Margen auch im gegenwärtigen Niedrigzinsumfeld zu generieren. Der Einsatz des künstlichen neuronalen Netzwerks als eine Kernkomponente des Ansatzes versetzt Banken und Asset-Manager in die Lage, auf (unerwartete) Kunden- und Marktveränderungen in Echtzeit reagieren können. Dadurch lassen sich sowohl die Kosten der Portfoliosteuerung als auch die Volatilität in den Steuerungskennzahlen des Portfolios senken.
Leiter Financial Services Solutions
