F&A mit Andrea DeSosa darüber, wie Kapitalmarktunternehmen Research, Trading, Risk, Operations und Compliance verknüpfen können, um AI von Pilotprojekten in kontrollierte Workflows zu überführen.
von Kim Hatton und Andrea DeSosa
Kapitalmarktunternehmen modernisieren den Trade Lifecycle unter Druck von allen Seiten: wachsende Datenmengen, höhere Erwartungen an Echtzeit-Erkenntnisse, AI-Initiativen auf dem Weg in die Produktion und kürzere Abwicklungszyklen. Mittlerweile stellt niemand mehr infrage, ob AI eingesetzt werden soll. Die eigentliche Frage ist, ob Research, Trading, Risk, Ops und Compliance alle mit denselben kontrollierten Daten arbeiten – oder sich das nur vormachen.
Beim Übergang von der Experimentierphase zur Produktion zeigt sich ein klares Muster: Der nachhaltige Vorteil liegt nicht in einem isolierten Modell. Es ist die Fähigkeit, proprietäre Daten wie Aufträge, Ausführungen, Positionen, Research, Risiko-, Kunden- und Betriebsdaten über den gesamten Lebenszyklus hinweg auffindbarer, zuverlässiger und kontrollierter zu machen.
Ich habe mit Andrea DeSosa, Global Head of Capital Markets GTM bei Databricks, über den operativen Druck gesprochen, der die Workflows in den Bereichen Pre-Trade, Execution, Post-Trade und Surveillance verändert, um praktische Ansätze für die Priorisierung der Modernisierung zu beleuchten. Dieses Gespräch wurde aus Gründen der Klarheit und Länge gekürzt und greift Themen auf, die im E-Book Modernizing the Trade Lifecycle in Capital Markets behandelt werden.
Kim Hatton: Was zwingt die Verantwortlichen in Trading und Research dazu, den Trade Lifecycle genau jetzt neu zu überdenken?
Andrea DeSosa: Unternehmen müssen mehr alternative Daten, mehr AI-Experimente, kürzere operative Zeitfenster und eine genauere Prüfung der Entscheidungsfindung und -kontrolle bewältigen. Gleichzeitig verlassen sich Research, Trading, Risk, Operations und Surveillance oft auf separate Systeme und inkonsistente Datensichten.
Diese Fragmentierung verlangsamt die Entscheidungsfindung, verkompliziert die Ausführungsanalyse, schränkt die Risikosichtbarkeit ein und erschwert die Rekonstruktion von Abläufen bei Anfragen von Regulierungsbehörden, Kunden oder internen Kontrollinstanzen.
Kim Hatton: Wo zeigt sich die Datenfragmentierung im Trade Lifecycle?
Andrea DeSosa: Im Pre-Trade-Bereich verbringen Teams oft viel Zeit mit der Aufbereitung und dem Abgleich von Markt-, Fundamental-, ESG- und alternativen Daten, bevor sie eine Investitionshypothese testen oder einen Backtest durchführen können.
Während der Ausführung benötigen die Desks zeitnahe Einblicke in Ausführungsqualität, Liquidität, Orderflow und Slippage nach Handelsplatz, Strategie und Kunde. Doch die Ansicht auf dem Desktop eines Traders stimmt oft nicht mit den Daten überein, die Risk, Compliance oder Operations vorliegen.
Post-Trade, viele Unternehmen verlassen sich immer noch auf Overnight-Risikoprozesse, tabellenbasierte Abstimmungen und ein Reporting, das für längere Abwicklungszyklen ausgelegt ist. Diese Praktiken lassen sich immer schwerer aufrechterhalten, da sich die Abwicklungsfristen verkürzen und die Erwartungen an operative Resilienz und Transparenz steigen.
Kim Hatton: Wo ordnet sich AI in die Modernisierung des Trade Lifecycle ein?
Andrea DeSosa: Die Unternehmen, die einen reproduzierbaren Nutzen aus AI ziehen, sind nicht unbedingt diejenigen mit den meisten Pilotprojekten. Es sind vielmehr die Unternehmen, die proprietäre Kontexte – wie Orderflow, internes Research, Positionen, Risikoergebnisse, Kundeninformationen und operative Daten – über den gesamten Lebenszyklus hinweg sicher verknüpfen und kontrollieren können.
Ohne dieses Fundament kann AI lediglich einen weiteren isolierten Workflow schaffen. Mit ihm können Unternehmen Tools entwickeln, die Mitarbeitende dabei unterstützen, Ausnahmen zu untersuchen, die Ausführungsqualität zu analysieren, Research zusammenzufassen oder potenzielle Überwachungsprobleme aufzudecken – und das bei gleichzeitiger Wahrung angemessener Zugriffskontrollen und Rückverfolgbarkeit.
Die strategische Frage verlagert sich von „Welches Modell sollten wir verwenden?“ hin zu „Wie binden wir unsere Daten, Analysen und Kontrollen in Produktions-Workflows ein?“
Kim Hatton: Welche Signale deuten darauf hin, dass es Zeit ist, die Trading-Architektur zu modernisieren?
Andrea DeSosa: Drei Signale treten immer wieder auf.
Dieser Druck führt zu einem praktischen Test: Wenn sich die Zinsen ändern, sich Spreads ausweiten, sich die Liquidität verschlechtert oder ein operativer Vorfall auftritt – wie schnell kann das Unternehmen dann seine Positionen einsehen, Risiken verstehen, betroffene Workflows identifizieren und einen prüfbaren Bericht über die beteiligten Daten und Entscheidungen erstellen?
Kim Hatton: Wo sollten Unternehmen mit der Modernisierung des Trade Lifecycle beginnen?
Andrea DeSosa: Beginnen Sie mit Entscheidungen, die Führungskräfte ohnehin bereits treffen müssen:
Sobald die vorrangigen Fragen geklärt sind, werden auch die erforderlichen Datendomänen deutlicher.
Für die Analyse der Ausführungsqualität können dies Markt- und Referenzdaten zusammen mit Aufträgen, Ausführungen, Handelsplatzdaten und Benchmarks sein. Für die Post-Trade-Resilienz können dies Transaktionen, Allokationen, Bestätigungen, Abwicklungsstatus, Sicherheiten, Finanzierung und operative Ausnahmen sein.
Das Ziel besteht nicht darin, jedes System auf einmal zu modernisieren. Es geht darum, ein kontrolliertes, wiederverwendbares Datenfundament für eine kleine Anzahl hochgradig wertschöpfender Workflows zu schaffen, messbare Ergebnisse nachzuweisen und von dort aus zu expandieren.
Kim Hatton: Was ermöglicht die Databricks Data + AI Platform bei diesem Ansatz?
Andrea DeSosa: Die Plattform unterstützt diese Entwicklung, indem sie Echtzeit- und historische Daten, Analysen und AI auf einer gemeinsamen Basis zusammenführt.
Unity Catalog bietet zentrale Governance, Zugriffskontrolle, Discovery und Lineage für Daten- und AI-Assets. Agent Bricks kann Teams dabei helfen, domänenspezifische Agenten zu erstellen, bereitzustellen und zu steuern, während AI/BI es Geschäftsanwendern ermöglicht, kontrollierte Daten über Dashboards, Visualisierungen und Interaktionen in natürlicher Sprache zu untersuchen.
Der Nutzen beschränkt sich nicht auf einen einzigen Workflow. Es ist die Fähigkeit für Research, Trading, Risk, Operations und Compliance, mit konsistenten, kontrollierten Daten zu arbeiten und gleichzeitig die Kontrollen und den Kontext zu wahren, den jede Funktion benötigt.
Die Modelle werden sich weiterentwickeln. Die geschäftlichen Fragen, die proprietären Daten und die Anforderungen an vertrauenswürdige Kontrollen bleiben bestehen. Unternehmen, die die Modernisierung des Trade Lifecycle als eine Initiative für kontrollierte Daten und Betriebsmodelle betrachten – und nicht als eine Sammlung isolierter AI-Funktionen –, sind besser aufgestellt, um die Entscheidungsgeschwindigkeit, die operative Resilienz und die Fähigkeit zur Skalierung neuer Anwendungsfälle im Laufe der Zeit zu verbessern.
Laden Sie unser neues E-Book Modernizing the Trade Lifecycle in Capital Markets herunter, um praktische Anwendungsfälle für Pre-Trade, Execution, Post-Trade und Surveillance sowie ein Framework für die Priorisierung von Initiativen für kontrollierte Daten und AI über den gesamten Lebenszyklus hinweg zu erhalten.
(Dieser Blogbeitrag wurde mit KI-gestützten Tools übersetzt.) Originalbeitrag
Abonnieren Sie unseren Blog und erhalten Sie die neuesten Beiträge direkt in Ihren Posteingang.