LSEG ได้ขยายตลาดบริการ Models-as-a-Service โดยเพิ่ม Open Risk Analytics จากแผนก Post Trade Solutions เพื่อให้งานธนาคาร กองทุนเฮดจ์ฟันด์ ผู้จัดการสินทรัพย์ และทีมงานด้านการเงินคลังเข้าถึงการวิเคราะห์ความเสี่ยงแบบหลายสินทรัพย์ผ่าน LSEG’s Analytics API บริการนี้ช่วยให้คำนวณในระดับพอร์ตโฟลิโอสำหรับอัตราดอกเบี้ย FX เงินเฟ้อ สินค้าโภคภัณฑ์ และหุ้น ขณะเดียวกันก็รองรับสภาพแวดล้อมที่เข้ากันได้กับ AI รวมถึง Visual Studio Code, JupyterLab, Model Context Protocol และการบูรณาการกับ Microsoft Copilot
การเปลี่ยนโครงสร้างพื้นฐานความเสี่ยงสู่รูปแบบบริการ
สถาบันการเงินขนาดใหญ่มักดำเนินระบบความเสี่ยงที่บริหารภายในเอง ซึ่งสร้างขึ้นจากการผสมผสานโครงสร้างพื้นฐานเฉพาะทาง ซอฟต์แวร์จากผู้จำหน่าย และสภาพแวดล้อมการวิเคราะห์แบบกำหนดเอง ระบบเหล่านี้มักมีต้นทุนด้านการปฏิบัติการสูง กระจัดกระจายตามประเภทธุรกรรมสินทรัพย์ และขยายขนาดได้ยากอย่างมีประสิทธิภาพ
การขยายของ LSEG ตอบโจทย์การเปลี่ยนผ่านนี้ด้วยการให้การวิเคราะห์ความเสี่ยงเป็นบริการที่โฮสต์จากภายนอกและเข้าถึงได้ผ่าน API และเวิร์กโฟลว์แบบ cloud-native สภาพแวดล้อมที่โฮสต์ทำให้บริษัทเข้าถึงการคำนวณรวมถึง Value at Risk, Potential Future Exposure, Credit Valuation Adjustment, การทดสอบภาวะวิกฤต, P&L Explain, การวิเคราะห์ความอ่อนไหว และการสร้างแบบจำลองกระแสเงินสด โดยไม่จำเป็นต้องดูแลชุดสแต็กการวิเคราะห์ทั้งหมดภายในเอง
Aysegul Erdem หัวหน้าฝ่าย Modelling Solutions ของ LSEG กล่าวว่า: “ความสำเร็จครั้งนี้นำ Risk Analytics ของ Post Trade Solutions เข้าสู่ LSEG MaaS ในฐานะส่วนหนึ่งของวิสัยทัศน์ที่กว้างขึ้นเพื่อมอบการวิเคราะห์แบบหลายสินทรัพย์ในระดับที่ขยายได้” Erdem ระบุว่าการบูรณาการการวิเคราะห์เข้ากับเวิร์กโฟลว์ที่ขับเคลื่อนด้วย AI อาจช่วยให้บริษัททำให้กระบวนการบริหารความเสี่ยงแบบเดิมเป็นอัตโนมัติ พร้อมทั้งเพิ่มประสิทธิภาพและการสร้างมุมมองต่อพอร์ตโฟลิโอ
การผสาน AI เป็นธีมหลักของโครงสร้างพื้นฐาน
ประเด็นที่สำคัญเชิงกลยุทธ์ของการเปิดตัวคือการบูรณาการการวิเคราะห์ความเสี่ยงเข้ากับเวิร์กโฟลว์ที่ช่วยด้วย AI สถาบันการเงินมีแนวโน้มที่จะทดลองระบบ AI ที่สามารถสรุปความเสี่ยง ตีความสถานการณ์ของตลาด ทำให้กระบวนการเวิร์กโฟลว์เป็นอัตโนมัติ และสร้างการวิเคราะห์พอร์ตโฟลิโอแบบไดนามิก
ด้วยการเปิดเผยโมเดลความเสี่ยงผ่าน API ที่เข้ากันได้กับเครื่องมือสำหรับนักพัฒนาและการบูรณาการกับ AI LSEG จึงวางโครงสร้างพื้นฐานด้านการวิเคราะห์ไว้ในกรอบการเปลี่ยนแปลงด้วย AI ที่กำลังดำเนินอยู่ในวงการบริการทางการเงิน การอ้างถึง Microsoft Copilot และมาตรฐานเวิร์กโฟลว์แบบเปิด สะท้อนให้เห็นว่าผู้ให้บริการโครงสร้างพื้นฐานกำลังออกแบบผลิตภัณฑ์โดยยึดความสามารถในการทำงานร่วมกับระบบ AI ภายนอกมากกว่าการพึ่งพาอินเทอร์เฟซเฉพาะทางแบบปิด
การเปลี่ยนแปลงนี้มีความสำคัญ เพราะซอฟต์แวร์การเงินระดับองค์กรกำลังพัฒนาไปสู่สภาพแวดล้อมแบบประกอบได้ (composable) มากขึ้น ซึ่งเครื่องมือด้านการวิเคราะห์ เครื่องมือ AI เลเยอร์ข้อมูล และระบบปฏิบัติการสามารถโต้ตอบกันแบบไดนามิกผ่าน API ดังนั้น การวิเคราะห์ความเสี่ยงจึงกลายเป็นบริการที่เครื่องสามารถอ่านได้และรวมเข้ากับสภาพแวดล้อมการทำงานอัตโนมัติในวงกว้าง แทนที่จะเป็นรายงานแบบคงที่ที่ทีมความเสี่ยงจัดทำเป็นรอบๆ
การเข้าถึงการวิเคราะห์แบบเรียลไทม์หรือใกล้เคียงเรียลไทม์ อาจส่งผลอย่างมีนัยสำคัญต่อการที่บริษัทติดตามความเสี่ยงของคู่สัญญา ข้อกำหนดมาร์จิ้น ความเสี่ยงสภาพคล่อง และความอ่อนไหวของพอร์ตโฟลิโอในช่วงตลาดที่ผันผวน
ความซับซ้อนของการบริหารความเสี่ยงพอร์ตโฟลิโอ
สถาบันต่างๆ ดำเนินงานภายใต้พอร์ตโฟลิโอแบบหลายสินทรัพย์ ซึ่งครอบคลุมอนุพันธ์ที่จดทะเบียน ผลิตภัณฑ์ OTC FX สินค้าโภคภัณฑ์ หุ้น และตราสารหนี้ ขณะเดียวกันก็ต้องเผชิญความคาดหวังด้านกฎระเบียบที่เข้มงวดยิ่งขึ้นเกี่ยวกับการทดสอบภาวะวิกฤต การจัดการหลักประกัน และการรายงานการเปิดรับความเสี่ยง
Value at Risk ยังคงเป็นหนึ่งในเครื่องมือหลักที่สถาบันการเงินใช้เพื่อประเมินการขาดทุนที่อาจเกิดขึ้นในพอร์ตภายใต้สภาวะปกติของตลาด การทดสอบภาวะวิกฤตประเมินความทนทานของพอร์ตภายใต้สถานการณ์รุนแรง ขณะที่ Credit Valuation Adjustment วัดความเสี่ยงด้านเครดิตของคู่สัญญาที่ฝังอยู่ในสถานะอนุพันธ์ การวิเคราะห์ P&L Explain ช่วยให้บริษัทแยกแยะกำไรและขาดทุนของพอร์ตออกเป็นปัจจัยความเสี่ยงพื้นฐานและความเคลื่อนไหวของตลาด
Stuart Smith ผู้อำนวยการฝ่าย Post Trade Solutions ของ LSEG ให้ความเห็นว่า: “การวิเคราะห์ความเสี่ยงจะสร้างคุณค่าได้ก็ต่อเมื่อบริษัทสามารถทำให้มันกลายเป็นระบบปฏิบัติการได้” Smith เน้นว่า การส่งมอบแบบโฮสต์ ข้อมูลตลาดที่คัดสรร และโมเดลที่โปร่งใส ช่วยให้บริษัทเรียกใช้งานการคำนวณระดับพอร์ตและการวิเคราะห์การเปิดรับความเสี่ยงได้ในระดับที่ขยายได้
หลายบริษัทมีข้อมูลความเสี่ยงจำนวนมาก แต่ยังประสบปัญหาในการบูรณาการการวิเคราะห์เข้ากับการตัดสินใจเชิงปฏิบัติการแบบเรียลไทม์ สะท้อนถึงความท้าทายที่ใหญ่กว่าในภาคการเงินสถาบัน
การขยายโครงสร้างพื้นฐานหลังการเทรด
การเปิดตัวช่วยเสริมกลยุทธ์โครงสร้างพื้นฐานหลังการเทรดของ LSEG ในภาพรวม โดยบริษัทระบุว่าบริการนี้รองรับมากกว่า 3,000 บริษัท ผ่านเวิร์กโฟลว์ที่เชื่อมโยงกับการจัดการหลักประกัน การประมวลผลมาร์จิ้น ความเสี่ยงของคู่สัญญา และการปฏิบัติการอนุพันธ์ OTC
โครงสร้างพื้นฐานหลังการเทรดมีความสำคัญเชิงกลยุทธ์เพิ่มขึ้น หลังจากวิกฤตการเงิน เนื่องจากกฎระเบียบด้านอนุพันธ์ ข้อกำหนดการเคลียร์ริ่งส่วนกลาง และข้อกำหนดด้านหลักประกันได้ขยายวงกว้างทั่วโลก ปัจจุบันสถาบันต้องเผชิญภาระงานเชิงปฏิบัติการจำนวนมากเกี่ยวกับการกระทบยอดการเทรด การเพิ่มประสิทธิภาพมาร์จิ้น เวิร์กโฟลว์การชำระราคา และการรายงานต่อกฎระเบียบ
ผู้ให้บริการโครงสร้างพื้นฐาน เช่น LSEG เริ่มวางตัวมากขึ้นในฐานะแพลตฟอร์มส่วนกลางที่สามารถทำให้กระบวนการปฏิบัติการเหล่านั้นเป็นมาตรฐานได้ทั่วระบบนิเวศการเงินขนาดใหญ่ การเพิ่มการวิเคราะห์ความเสี่ยงที่ขยายได้ช่วยเสริมจุดยืนดังกล่าว เพราะการบริหารความเสี่ยงและเวิร์กโฟลว์ด้านหลักประกันมีแนวโน้มทำงานร่วมกันภายในโครงสร้างพื้นฐานด้านอนุพันธ์ของสถาบัน
การเคลื่อนไหวครั้งนี้สะท้อนถึงการรวมตัวกันในวงกว้างภายในโครงสร้างพื้นฐานของตลาดการเงิน ซึ่งแพลตฟอร์มการแลกเปลี่ยน ผู้ให้บริการเคลียร์ริ่ง บริษัทข้อมูลตลาด และผู้ให้บริการการวิเคราะห์ กำลังผสานชั้นการปฏิบัติการเข้ากับระบบนิเวศระดับองค์กรแบบบูรณาการมากขึ้น การผสมผสานของ LSEG ทั้งด้านข้อมูลตลาด API ด้านการวิเคราะห์ โครงสร้างพื้นฐานหลังการเทรด และเวิร์กโฟลว์ที่เข้ากันได้กับ AI แสดงให้เห็นว่า ผู้ให้บริการโครงสร้างพื้นฐานด้านการเงินกำลังแข่งขันกันด้วยความลึกของระบบนิเวศมากกว่าผลิตภัณฑ์เดี่ยวๆ
คำถามที่พบบ่อย
LSEG ที่ขยายบริการให้ มีการวิเคราะห์ความเสี่ยงแบบเฉพาะเจาะจงอะไรบ้าง?
ข้อเสนอ Models-as-a-Service ของ LSEG รวม Value at Risk, Potential Future Exposure, Credit Valuation Adjustment, การทดสอบภาวะวิกฤต, P&L Explain, การวิเคราะห์ความอ่อนไหว และการสร้างแบบจำลองกระแสเงินสด การคำนวณเหล่านี้ครอบคลุมพอร์ตโฟลิโอแบบหลายสินทรัพย์ ตั้งแต่อัตราดอกเบี้ย FX เงินเฟ้อ สินค้าโภคภัณฑ์ และหุ้น
บริการรองรับสภาพแวดล้อมสำหรับการพัฒนาแบบใดบ้าง?
โมเดลที่โฮสต์จะทำงานผ่าน Visual Studio Code และ JupyterLab ขณะเดียวกันก็รองรับเวิร์กโฟลว์ที่เปิดใช้งาน AI ผ่าน Model Context Protocol และการบูรณาการกับเครื่องมือรวมถึง Microsoft Copilot
ปัจจุบันสถาบันการเงินจำนวนเท่าใดที่ใช้โครงสร้างพื้นฐานหลังการเทรดของ LSEG?
ตามที่ LSEG ระบุ บริการนี้รองรับมากกว่า 3,000 บริษัท ผ่านเวิร์กโฟลว์ที่เชื่อมโยงกับการจัดการหลักประกัน การประมวลผลมาร์จิ้น ความเสี่ยงของคู่สัญญา และการปฏิบัติการอนุพันธ์ OTC
เหตุใดการเข้าถึงการวิเคราะห์แบบเรียลไทม์จึงสำคัญต่อการบริหารความเสี่ยง?
การเข้าถึงการวิเคราะห์แบบเรียลไทม์หรือใกล้เคียงเรียลไทม์ สามารถส่งผลอย่างมีนัยสำคัญต่อการที่บริษัทติดตามความเสี่ยงของคู่สัญญา ข้อกำหนดมาร์จิ้น ความเสี่ยงสภาพคล่อง และความอ่อนไหวของพอร์ตโฟลิโอในช่วงตลาดที่ผันผวน ช่วยให้ตัดสินใจเชิงปฏิบัติการได้เร็วขึ้น
