Операционные риски под контролем ИИ: от прогнозирования реколлов до умного агента для сверки данных

Ключевые слова: операционные риски, реколлы, машинное обучение, LLM, CatBoost, SHAP, XAI, верификация данных, БКИ, пост-трейд, ИИ-агент, финтех, сверка данных, автоматизация банкинга.

Введение: две головные боли финансового оператора

Современный банк работает в режиме цейтнота. С одной стороны, расчетные циклы сжимаются до T+1 и T+0, а объемы сделок неуклонно растут. С другой стороны, регулятор и клиенты требуют безупречного качества данных. Особенно это критично в сфере кредитных историй.

Две, казалось бы, разные задачи — пост-трейд обработка сделок и верификация записей в БКИ — имеют общую природу. По сути, это поиск и исправление расхождений между учетными системами.

Ручная обработка таких инцидентов — настоящий тормоз для бизнеса. Расследование одного реколла может занимать до 4 часов. Каждое расхождение с бюро кредитных историй требует 30–40 минут работы сотрудника. Человеческий ресурс не бесконечен, а цена ошибки постоянно растет.

В этой статье мы покажем, как современные методы машинного обучения и большие языковые модели (LLM) позволяют автоматизировать оба процесса. Мы также предложим конкретную дорожную карту для запуска пилотного проекта в вашей организации.

Пилот 1. Прогнозирование реколлов в пост-трейд обработке

Почему бэк-офис больше не справляется вручную

Реколлы — это расхождения между данными учетных систем, подтверждениями контрагентов и ожидаемыми параметрами сделки. Это классический операционный риск. Сегодня работа с ними — это преимущественно ручной труд высококвалифицированных сотрудников.

Мы разработали бинарный классификатор, который оценивает вероятность возникновения реколла для каждой сделки еще до наступления расчетной даты. Модель агрегирует данные из шести ключевых источников:

Почему CatBoost?

Учитывая большое число категориальных признаков (контрагенты, ISIN, счета), мы выбрали CatBoostClassifier. Этот алгоритм из коробки работает с «категориями» без необходимости One-Hot Encoding и устойчив к переобучению. Инжиниринг признаков позволил получить более 50 факторов, включая:

• отклонение цены от VWAP;
• частоту реколлов у конкретного контрагента;
• расхождение дат валютирования;
• рыночную волатильность;
• временные паттерны (близость к концу квартала, корпоративным действиям).

Из-за сильного дисбаланса классов (реколлы составляют лишь ~5% сделок) мы применили взвешивание. Основная цель — максимизация полноты (Recall). Результаты на тестовой выборке:

• Recall = 0,87 (модель находит 87% реальных проблемных сделок);
• Precision = 0,21 (наблюдается много ложных срабатываний, но для бизнеса это приемлемо — лучше перепроверить лишнюю сделку, чем пропустить реальный риск).

Доверяй, но проверяй: объяснимость через SHAP

Для соответствия регуляторным требованиям в области объяснимого ИИ (XAI) мы используем библиотеку SHAP. Она позволяет понять, почему модель приняла то или иное решение.

Топ-5 факторов, влияющих на риск реколла:

1. Отклонение цены от VWAP.
2. Частота реколлов у контрагента.
3. Расхождение дат валютирования.
4. Волатильность рынка.
5. Тип инструмента.

Пример из практики: Модель присвоила сделке высокий риск (Score = 0,92). SHAP-анализ показал, что главные причины — отклонение цены на 15% от рыночной и плохая история контрагента. Контролёр оперативно проверил сделку и нашел ошибку в расчетах еще до её реализации.

Пилот 2. LLM для верификации кредитных историй (АБС vs БКИ)

Та же логика применима к задаче сверки данных между автоматизированной банковской системой (АБС) и бюро кредитных историй (БКИ). Здесь мы используем LLM как интеллектуального «контролёра», который не только находит расхождения, но и классифицирует их для дальнейшего автоисправления.

Фреймворк для анализа ошибок БКИ

Мы адаптировали методологию улучшения данных под задачу верификации. Получился пятиэтапный фреймворк:

1. Сбор данных — выгрузки из АБС и БКИ, журнал зафиксированных расхождений.
2. Автоматическая оценка — сравнение записей по полноте, форматам, точности сумм, логике статусов.
3. Анализ и сегментация — группировка ошибок по типам (форматные, справочные, суммовые, идентификационные, логические).
4. Генерация исправлений — применение специализированных промптов для автоисправления выявленных ошибок.
5. Валидация — повторная проверка исправленных данных и эскалация сложных случаев человеку.

Пример промпта для детектора расхождений:

Ты — эксперт по верификации кредитных историй. Сравни данные из АБС и БКИ.
Найди все несоответствия в полях: сумма кредита, остаток долга, дата выдачи, статус, паспортные данные.
Для каждого укажи критичность (высокая/низкая).
Данные АБС: {…}
Данные БКИ: {…}

Часть 3. ИИ-агент Reconciler: от детектива к автономному исполнителю

Объединив оба подхода, мы спроектировали ИИ-агента Reconciler. Это система, которая автономно обрабатывает расхождения между АБС и БКИ. В сложных случаях она не просто ставит задачу человеку, а подключает его с готовым решением.

Как работает агент (сквозной пример)

Представим ситуацию: По договору №12345 в АБС статус «активен» с датой 15.03.2024, а в БКИ — статус «закрыт» и дата 15/03/2024.

1. Детектор находит два расхождения: критическое (статус) и форматное (дата).
2. Классификатор направляет статус на проверку человеку, а дату — в блок автокоррекции.
3. Исправитель (Fixer) приводит дату к единому формату «15.03.2024».
4. Эскалатор формирует для оператора отчет:
   «По договору №12345 выявлено расхождение статусов. В АБС — “активен”, в БКИ — “закрыт”. Скан договора подтверждает статус “активен”. Рекомендация: обновить запись в БКИ.»
5. Оператор утверждает решение, и агент отправляет корректировку в БКИ через API.
6. Аудитор фиксирует все действия для регулятора.

Метрики эффективности (целевые)

Мы ставим перед собой амбициозные, но достижимые цели по автоматизации.

Экономический эффект: от гипотезы к цифрам

Опираясь на лабораторные эксперименты и международные бенчмарки, мы оцениваем потенциальный эффект от внедрения предложенных решений следующим образом:

• Пост-трейд: сокращение времени расследования реколлов с 4 до 2 часов, снижение объема ручной проверки на 60%.
• Верификация БКИ: автоматизация 70% типовых расхождений, сокращение трудозатрат на 80%.
• Качество данных: значительное снижение количества претензий со стороны регулятора и клиентов.

Важно отметить: эти цифры будут уточнены в ходе пилотного проекта на реальных данных конкретного участника рынка.

Приглашение к пилотному проекту

Мы приглашаем 2–3 финансовые организации к проведению закрытого пилотного проекта по внедрению описанных решений.

Что получит участник пилота:

1. Интеграцию модели прогнозирования реколлов или агента Reconciler в контур одного из выбранных бизнес-процессов.
2. Детальный аудит текущего качества данных и выявление «узких мест».
3. Настроенный пайплайн, адаптированный под ваши справочники и форматы данных.
4. Итоговый отчет об эффективности с расчетом метрик Recall/Precision, Autofix rate и экономии времени.

Этапы пилота:

• Месяц 1: интеграция, сбор исторических данных, формирование golden set, калибровка моделей.
• Месяц 2: пилотная эксплуатация в фоновом режиме, сбор и анализ метрик.
• Месяц 3: подготовка отчета, презентация результатов, принятие решения о масштабировании.

Контакты

Для участия в пилоте или получения дополнительной информации заполните форму обратной связи на сайте Digital Economy Lab. Мы проведем предварительный созвон, чтобы выбрать наиболее подходящий для вас сценарий.

Вместо заключения: готовый промпт для первого шага

Если вы хотите уже сегодня оценить возможности LLM в поиске расхождений, скопируйте этот промпт в интерфейс любой современной модели (GPT, Claude, DeepSeek) и подставьте свои тестовые данные.

Ты — эксперт по верификации кредитных историй. Сравни данные из банковской АБС и данные, полученные из БКИ по одному договору.
Данные из АБС (JSON): {вставьте JSON}
Данные из БКИ (JSON): {вставьте JSON}

Задачи:

1. Найди все несоответствия в полях: сумма кредита, остаток долга, дата выдачи, статус договора, паспортные данные (серия, номер).
2. Для каждого несоответствия укажи, является ли оно критическим (ошибка в суммах/идентификаторах) или некритическим (формат даты, регистр букв).
3. Если расхождений нет, напиши “Ошибок не обнаружено”.
   Результат предоставь в виде краткого маркированного списка.

Список источников:

1. Clearstream. Settlement Prediction Tool.
2. Coreledger-tech/Exception-handling-reconciliation. — GitHub.
3. University of Zurich. AI-Enabled Solutions for Swiss Banking. — ZORA, 2025.
4. AI Use in the Financial Sector — Final Report (Israel). — Lexology, 2025.
5. ProtagoLabs. AI Agents for Financial Document Verification. — arXiv:2405.04294.
6. Amazon Science. Multi-agent Framework for Root Cause Analysis. — 2025.
7. FRED: Financial Error Detection and Correction. — 2026.