В мае 2019 года в Благовещенске прошел V Международный форум российско-китайского финансового сотрудничества — площадка, на которой обсуждались вопросы трансграничных расчетов, развития торгового финансирования и технологической интеграции банковских систем России и Китая. Участие в форуме приняли представители Азиатско-Тихоокеанского Банка, которые провели переговоры с китайскими финансовыми институтами, сосредоточившись на практических аспектах взаимодействия — от расчетной инфраструктуры до обмена финансовыми данными.
На фоне этих процессов особое внимание привлекает работа специалистов, обеспечивающих технологическую основу подобных взаимодействий. Один из них — Роман Шульга, старший инженер отдела телекоммуникаций и серверной инфраструктуры АО «Азиатско-Тихоокеанский Банк», специалист в области финансового моделирования с использованием искусственного интеллекта и проверки экономических данных. К моменту проведения форума он подготовил научную работу, посвященную применению методов искусственного интеллекта и машинного обучения в банковской практике — теме, напрямую связанной с развитием современных финансовых систем.
Технологическая основа финансового взаимодействия
Развитие трансграничных расчетов и торгового финансирования невозможно без надежной инфраструктуры. Банковские операции, особенно в международном контуре, требуют высокой скорости обработки данных, устойчивых каналов связи и точных моделей оценки рисков.
Форум в Благовещенске стал отражением этой тенденции: обсуждение финансового сотрудничества неизбежно включало вопросы цифровизации, автоматизации и аналитики. В таких условиях роль специалистов, работающих на стыке IT и финансов, становится ключевой.
Роман Шульга относится к числу тех экспертов, чья деятельность выходит за рамки обслуживания инфраструктуры. Его работа связана с разработкой аналитических подходов, которые могут быть интегрированы в банковские системы и использоваться для повышения эффективности операций.
Практический опыт: от инфраструктуры к аналитике
Научная работа Романа Шульги, подготовленная на основе опыта работы в Азиатско-Тихоокеанский Банк, охватывает период с 2014 по 2018 год и представляет собой попытку систематизировать практическое применение методов искусственного интеллекта в банковской среде.
В центре исследования — три взаимосвязанных направления:
- усиление сигналов технического анализа с помощью алгоритмов машинного обучения,
- моделирование финансовых деривативов с использованием гибридных подходов,
- анализ новостного потока и его влияния на ценообразование.
Важно, что речь идет не о теоретических конструкциях, а о решениях, протестированных в условиях реального банка.
Алгоритмы и технический анализ: переход к автоматизации
Одним из ключевых аспектов работы является применение методов машинного обучения для анализа рыночных данных. В частности, рассматривается использование таких алгоритмов, как SVM, Random Forest, XGBoost и LSTM.
Эти модели применяются для:
- распознавания паттернов свечного анализа,
- генерации торговых сигналов,
- адаптации параметров классических индикаторов.
Речь идет о попытке повысить точность традиционных инструментов технического анализа, которые долгое время оставались основой работы трейдеров.
Практические результаты показывают, что подобная «усиленная» аналитика позволяет улучшить точность сигналов на значимую величину. Это важно в условиях, когда даже небольшое повышение качества прогнозов может существенно повлиять на финансовый результат.
Моделирование деривативов: гибридные подходы
Вторая часть исследования посвящена моделированию финансовых деривативов — инструментов, играющих ключевую роль в управлении рисками и международных расчетах.
Роман Шульга рассматривает возможность расширения классических моделей, таких как модель Блэка–Шоулса, за счет нейросетевых компонентов. Такой подход позволяет учитывать эффекты, которые сложно описать в рамках традиционных моделей, например, «улыбку волатильности».
Кроме того, в работе анализируются методы прогнозирования:
- поверхности имплицированной волатильности,
- кривой доходности государственных облигаций.
Использование машинного обучения в этих задачах позволяет повысить точность оценки и сделать модели более адаптивными к изменениям рынка.
Новостной поток как фактор ценообразования
Третье направление связано с анализом новостного фона — фактора, который долгое время оставался вне формализованных моделей.
В работе используются методы обработки естественного языка, включая:
- TF-IDF,
- тональный анализ,
- тематическое моделирование.
Эти инструменты позволяют оценивать влияние новостного сентимента на рыночные параметры, такие как волатильность и спреды деривативов.
Результаты показывают, что учет новостного фона может существенно повысить точность прогнозирования. Это особенно актуально для рынков, где реакция на события носит мгновенный и зачастую нелинейный характер.
Синергия подходов и управление рисками
Одним из ключевых выводов исследования является необходимость комплексного подхода. Использование отдельных методов — будь то технический анализ или нейросети — не дает максимального эффекта.
Наибольшая эффективность достигается при их интеграции:
- сочетание классических индикаторов и ML-моделей,
- учет новостного фона,
- применение гибридных моделей оценки.
Такой подход позволяет улучшить качество управления рыночным риском — одной из ключевых задач банков, участвующих в международных финансовых операциях.
Контекст форума: технологии как основа сотрудничества
Работа Романа Шульги приобретает дополнительное значение в контексте российско-китайского финансового сотрудничества. Развитие трансграничных расчетов требует не только институциональных договоренностей, но и технологической готовности банков.
Переговоры, прошедшие в рамках V Международный форум российско-китайского финансового сотрудничества, отражают растущий интерес к таким решениям. Банки заинтересованы в инструментах, позволяющих:
- снижать риски,
- повышать точность оценки,
- ускорять обработку операций.
История развития финансовых технологий показывает, что ключевые изменения происходят на стыке инфраструктуры и аналитики. Работа Романа Шульги — пример того, как практический опыт в банковской IT-среде может быть преобразован в системный подход к анализу рынков и управлению рисками.
В условиях, когда финансовые системы становятся все более технологичными, подобные исследования приобретают особую значимость. Они демонстрируют, каким образом методы искусственного интеллекта могут быть интегрированы в реальные процессы — от анализа данных до трансграничных операций.
Именно поэтому вклад Романа Шульги рассматривается не только как частный профессиональный опыт, но и как часть более широкой трансформации финансовой отрасли, где технологии становятся ключевым фактором развития.
15.06.2019
Николай Плотников
