AI låser upp primära obligationsmarknadsmöjligheter för kapitalförvaltningsföretag

AI låser upp primära obligationsmarknadsmöjligheter för kapitalförvaltningsföretag

Tidsstämpel: 25 januari 2024 10:13
AI låser upp primära obligationsmarknadsmöjligheter för kapitalförvaltningsföretag PlatoBlockchain Data Intelligence. Vertikal sökning. Ai.

För kapitalförvaltningsföretag som investerar på den primära marknaden för företagsobligationer är det nyckeln till en effektiv kreditanalys och att snabbt lägga beställningar för tilldelningar att få en komplett överblick i realtid av nya affärer som kommer ut på marknaden och förändringar i villkoren.

Syndikerande banker använder dock flera och konkurrerande kanaler för att sprida data till kapitalförvaltare, vilket gör det svårt att aggregera och stämma av nyckelinformation. Även om dealplattformar som DirectBooks och Ipreo (S&P Global) är viktiga källor, spelar e-post och snabbmeddelanden fortfarande en viktig roll för att kommunicera transaktionsdata till kapitalförvaltare. Med varje affär som får upp till 30 uppdateringar under hela syndikeringsprocessen, är det svårt för handelsdesk att hålla koll på de senaste uppdateringarna och hålla portföljförvaltare informerade.

Till skillnad från data som levereras av plattformar är e-post- och chattmeddelanden ostrukturerade – en syndikatbank kan använda ett gränslöst utbud av dataformat, termer, dataetiketter eller namnkonventioner. Delvis förvärras variabiliteten eftersom meddelandena genereras av individer, snarare än system på banksidan, och de använder sina föredragna format och terminologi för variabler som tenor, callability, kupong och valuta. Historiskt sett har det varit svårt, för att inte säga omöjligt, att autobearbeta dessa data, delvis på grund av att traditionella analystekniker inte kan hantera variationen i deal-meddelanden. 

Som ett resultat av detta har kapitalförvaltare varit tvungna att använda tidskrävande, felbenägna, manuella lösningar för att hantera information utanför plattformen, fram till nu. AI möjliggör skapandet av kraftfullare, anpassningsbara dataprocessorer och är unikt lämpad för att tolka och extrahera affärsinformation från den ostrukturerade data som finns i e-post och chattmeddelanden. 

De flesta AI förlitar sig på en stor språkmodell (LLM) för att förstå och extrahera mening ur text. Att utbilda en LLM för en specifik uppgift är komplex och LLM:er kan producera varierande resultat från samma indata. Men noggrann finjustering för specifika användningsfall kan ge mycket exakta resultat, vilket gör en utbildad LLM lämplig för tolkning av primärmarknadsobligationsdata.

Trots snabb innovation inom offentliga LLM, tror vi att en privat LLM är bäst lämpad för de flesta användningsfall på institutionella kapitalmarknader. Med en privat modell är det lättare att skydda data, träna modellen direkt på en specifik uppgift, kalibrera dess prestanda och kontrollera kostnader.

Att använda AI för bearbetning av e-post och chattmeddelanden ger ett kraftfullt verktyg för att få en heltäckande bild av den nya affären som omfattar affärer både på och utanför plattformen. Aggregering av transaktionsdata möjliggör skapandet av en

integrerad, avtalsfokuserad arbetsyta som optimerar hur kapitalförvaltare verkar på primärmarknader för företagsobligationer.

Dessutom kan möjligheten att bearbeta ostrukturerad transaktionsdata ge en mer realtidsvy av en affär och marknaden. Till exempel kan en syndikatbank överföra en ändring i kupong eller annan nyckelterm via e-post eller chatt innan affären uppdateras på en plattform. I det scenariot kan det AI-drivna systemet uppdatera en kapitalförvaltares dealskärm innan uppdateringen publiceras på plattformen. På samma sätt kan AI bearbeta

grå marknadsdata för att ge ytterligare information om efterfrågan på specifika nya affärer. När prissättningsfönster bara är öppna i några timmar, bör alla fördelar med att fatta beslut och göra beställningar för allokering snabbare gynna kapitalförvaltaren.

Inom finansiella tjänster jagar ny teknik ofta efter problem att lösa. Ibland överstiger hypen sitt praktiska värde, särskilt i början. AI är annorlunda. Vi tror att AI kan förbättra befintlig teknik och möjliggöra automatisering där det tidigare var ohållbart. Noggrann och effektiv behandling av ostrukturerad data är ett bra exempel på hur AI löser en långvarig utmaning på primära obligationsmarknader och hur denna teknik är redo att ge utdelning till proaktiva kapitalförvaltare.  

Tidsstämpel:

Mer från Fintextra