謹防英國和歐盟金融服務業遭受雙重沖擊

除了對世界各地的每個人產生真正的負面影響外，COVID-19大流行還以前所未有的規模推動了業務中斷和關閉。龐大的政府刺激計劃導致財政赤字激增，監管機構正在放松對銀行的資本限制，而中央銀行則通過一系列降息和其他刺激措施來支持經濟穩定。

盡管所有行業都受到影響，但零售，旅游和小型企業部門可能受到的打擊最大。金融服務業近期面臨的主要挑戰將是信貸損失激增，這種情況可能持續到2023年。幸運的是，盡管有一些機構必須解決可能的資本缺口，但大多數銀行系統似乎都具備足夠的資本來吸收信貸損失的這一峰值。

例如，麥肯錫（McKinsey）估算了兩種經濟情況下的美國信用卡損失：

• A1）包含的病毒：到2020年底，GDP可以恢復到危機前的水平。
• A3）復蘇乏力：到2023年第一季度末，GDP將會完全恢復。

他們估計，在Muted Recovery情況下，損失很容易增加三倍。

英國和歐盟的雙重沖擊波

• 第一次沖擊波– COVID-19：COVID-19是一場全球性大流行，已經使世界上大多數經濟體陷入停頓。它幾乎破壞了我們生活的各個方面，無論是個人還是職業。從1918年至1920年西班牙流感爆發以來，COVID-19的蔓延效應既具有醫學上的意義，也具有經濟上的意義。這種大流行的持續時間尚未知道，因為社會和全球未來的可能狀況經濟。一旦控制了大流行，“新常態”將是討論和分析的關鍵主題。
• 第二次沖擊波-英國脫歐：對于英國和歐盟，2021年極有可能導致第二波破壞和不確定性浪潮。這將由英國退出歐盟（英國退歐）推動。對于這兩個實體而言，第二波破壞浪潮都不會在更糟的時候出現，這可能剛從COVID-19危機中恢復

孤立地講，英國脫歐將是一個重大破壞性事件，但是當這與COVID-19危機結合在一起時，我們就會遇到經典的雙重沖擊波。這種增加的復雜性至少可能擴展了英國和歐盟必須應對的高水平的經濟不確定性，而世界其他地區將更加專注于從COVID-19大流行中復蘇。

在這種情況下，人們會關注以下問題：機器學習（ML）模型的準確性，英國和歐盟相對于世界其他地區的復蘇將有何不同以及金融機構應采取什么措施來解決這些問題。

當今生產中的許多ML模型都是使用大量數據和深入的歷史數據進行估算的。重新估計現有模型需要一段時間，以適應新的現實以及“新常態”的未知情況。全球范圍內此類并發癥和異常的最新例子是在2008年金融危機期間對風險和預測模型的影響。

當前情況下的一個關鍵考慮因素是這是一次“結構性變化”還是百年一次的“尾巴風險事件”。 如果將COVID-19大流行視為一次性的“尾巴風險”事件，那么當世界復蘇時，全球經濟，市場和企業將在與COVID-19之前的危機相似的環境中運作。在這種情況下，面臨的挑戰是避免模型因一生中一次發生的COVID-19事件而產生偏差。

另一方面，“結構性變化”表示大流行減少的情況，整個世界都陷入了與COVID-19之前的世界根本不同的“新常態”環境。這種“新常態”環境要求機構利用擴展或替代數據開發全新的機器學習模型，以提供足夠的數據來捕獲這種不斷變化的新環境。

在這種情況下，金融機構應該做什么？

金融機構有多種選擇，可以探索以應對這些挑戰。接下來將介紹一些基本知識，但也要重點關注機構在實施一項戰略方面的長遠機會，該戰略可以使一系列擴展的能力幫助應對下一次危機。

• 修改現有模型：這將是所有數據科學團隊的起點，范圍可以從使用最新的數據元素修改當前模型，還可以創建基于場景的預測，以針對各種級別的模型偏差進行調整。 可以使用多種技術，包括貝葉斯方法將專家判斷捕獲到模型中。
• 壓力測試：壓力測試為機構提供了機會，使他們可以更清楚地了解其隱患。對于未知的模型誤差，尤其如此。首席風險官應該從戰略角度考慮將壓力測試嵌入所有業務領域，并將其嚴格性從一些靜態方案提高到運行數百個動態壓力測試方案的自動化系統。將其擴展到說明性分析框架將最像是下一代壓力測試平臺的一項新增強功能。
• ML的工業化：這是投資構建支持整個ML生命周期的平臺以實現ML工業化的理想時機。這超出了模型開發工作流程的范圍，并包含了整個企業范圍的ML Operations層。許多機構已經在開發這類功能。

圖2是Cloudera機器學習– CML的高級工作流圖示。在業界第一個稱為Cloudera數據平臺（CDP）的企業數據云平臺上可以使用此功能。CDP在混合，多云和本地支持的環境中提供一致的模型管理，安全性和治理，使我們的客戶能夠全面了解其ML模型的企業視圖。

在這種動蕩的時期，并加快采用機器學習驅動的解決方案來支持機構業務的各個方面，這種對技術能力和專家人員的投資將帶來好處。這種類型的環境將使金融服務機構能夠在整個企業中構建，驗證，生產，管理和監視其所有模型。

• 規范分析：現有ML模型的補充方法包括在決策過程中采用由仿真功能驅動的規范分析。基于代理的建模（ABM）是一種新的仿真方法，尤其是在當前的危機期間，已開始在金融服務行業中采用。 ABM模型是一種自下而上的模擬方法，用于使用異構代理對復雜的自適應系統進行建模。代理可以是個人，產品，機構，市場或經濟體。

在當前環境下，ABM是互補的關鍵工具，可幫助企業評估在給定未來各種“新常態”結果的情況下如何最好地評估最佳戰略。考慮到COVID-19和英國脫歐的雙重沖擊波，這對英國和歐盟金融服務業而言更為重要。

關于Cloudera

在 Cloudera，我們相信數據可以使今天的不可能，在明天成為可能。我們使人們能夠將復雜的數據轉換為清晰而可行的洞察力。Cloudera為任何地方的任何數據從邊緣到人工智能提供企業數據云平臺服務。在開源社區不懈創新的支持下，Cloudera推動了全球最大型企業的數字化轉型歷程。

慧都大數據專業團隊為企業提供Cloudera大數據平臺搭建，免費業務咨詢，定制開發等完整服務，快速、輕松、低成本將任何Hadoop集群從試用階段轉移到生產階段。

歡迎撥打慧都熱線023-68661681或咨詢慧都在線客服，我們有專業的大數據團隊，為您提供免費大數據相關業務咨詢！