في 28 مايو 2024، ستقوم هيئة الأوراق المالية والبورصة (SEC) في الولايات المتحدة بتنفيذ
تغيير محوري في قطاع تداول الأوراق المالية: الانتقال إلى دورة التسوية T+1. يعد هذا التحول - تقليل فترة التسوية من يومي عمل بعد تاريخ التداول إلى يوم واحد فقط - خطوة استراتيجية للتخفيف من تقلبات السوق وتقليل مخاطر الائتمان والتسوية. ومع ذلك، فإن التحول يمثل تحديات كبيرة للمؤسسات المالية، وخاصة في عمليات المكاتب الخلفية. إذن ما هي وكيف يمكن التغلب عليها؟
ما هي تسويات T+1 وT+2؟
دورة التسوية T+1 هي ممارسة مالية حيث تتم تسوية المعاملات المنفذة قبل الساعة 4:30 مساءً في يوم التداول التالي. على سبيل المثال، سيتم تسوية التجارة التي تتم يوم الاثنين قبل الساعة 4:30 مساء بحلول يوم الثلاثاء. تستلزم هذه العملية تحويل الأوراق المالية و/أو الأموال من حساب البائع إلى حساب المشتري، وهو ما يختلف عن تسوية T+2، التي تقوم بتسوية الصفقات بعد يومي عمل من المعاملة. و بحسب
رئيس SEC جاري جينسلر"تم تصميم T+1 لإفادة المستثمرين وتقليل مخاطر الائتمان والسوق والسيولة في معاملات الأوراق المالية التي يواجهها المشاركون في السوق."
وبالتالي، فإن الانتقال إلى دورة التسوية T+1 يفرض ضغوطًا هائلة على عمليات المكتب الخلفي الحالية لعدة أسباب. أولا، دورة التسوية هي عملية يدوية في الغالب، وتعتمد على معالجة البيانات المجمعة. للتحول إلى دورة تسوية T+1، يلزم اتباع نهج أكثر كفاءة لإدارة البيانات في الوقت الفعلي، بالإضافة إلى الوصول إلى معلومات دقيقة وحديثة لتسهيل التسوية وإعداد التقارير في الوقت المناسب.
ثانياً، مع دورة تسوية أقصر، يكون هناك وقت أقل لتصحيح الأخطاء، مما يزيد من خطر فشل التسوية. يجب على المؤسسات المالية تعزيز ممارساتها في إدارة المخاطر لتحديد ومعالجة أي اختلافات في التفاصيل التجارية على الفور. وفي نهاية المطاف، سرعان ما أصبحت الأساليب الحالية قديمة وغير فعالة في مواجهة دورة التسوية الجديدة والمتسارعة. وللتكيف، يجب على الشركات أتمتة هذه العمليات اليدوية بشكل عاجل والتحول نحو المعالجة القائمة على الأحداث في الوقت الفعلي لتمكين دورات التسوية الأسرع هذه.
التغلب على تحديات التحول T+1
وتحتاج المؤسسات المالية إلى نهج جديد للمساعدة في هذا التحول. ستكون إحدى أهم الأصول هنا هي الأدوات التي تتيح التشغيل الآلي السلس والفعال للعمليات المجمعة الحالية في المتجر التجاري التشغيلي (ODS) - وهي قاعدة بيانات تدمج البيانات من مصادر متعددة لإعداد التقارير التشغيلية.
وفي الوقت نفسه، غالبًا ما تتضمن أنظمة التسوية القديمة مهامًا يدوية تستغرق وقتًا طويلاً وعرضة للأخطاء، ولكن الابتكارات الحديثة في منصات بيانات المطورين الحديثة يمكن أن تقدم حلاً يتمتع بالعديد من المزايا.
على سبيل المثال، يمكن أن يسمح استخدام نماذج البيانات المرنة في مرحلة التطوير باتباع نهج أكثر سهولة في تخزين البيانات، وتسريع عمليات التطوير عن طريق تقليل الحاجة إلى تحويلات البيانات المعقدة أو رسم الخرائط الارتباطية للكائنات (ORM). وفي الوقت نفسه، قطع نمو منصات المطورين سهلة الاستخدام أيضًا شوطًا طويلًا في تقليل منحنى التعلم للمطورين، مما يسهل التبني بشكل أسرع. بالإضافة إلى ذلك، باستخدام لغة استعلام غنية، يمكن تبسيط الاستعلامات المعقدة، مما يقلل الحاجة إلى ترميز واسع النطاق، في حين أن التنسيق القابل للتطوير بدرجة كبيرة يعني أن المنصات يمكنها إدارة كميات أكبر من بيانات التجارة ومستويات التزامن العالية.
نظرًا لأساليب معالجة الدفعات القديمة المعقدة للغاية، فإن عملية دمج بيانات المعاملات في أنظمة المكتب الخلفي محفوفة بالتحديات. على الرغم من أنها كانت منذ فترة طويلة معيار الصناعة، فإن القيود مثل المخطط الصارم، وصعوبة القياس الأفقي، والأداء البطيء تعني أن هذه العملية لم تعد مثالية لإدارة ما بعد التجارة.
ومع ذلك، مع وجود مخزن بيانات تجارية تشغيلية في الوقت الحقيقي (ODS) كحل، فإن هذا النهج يمكّن الشركات المالية من دمج بيانات المعاملات في الوقت الحقيقي، مما يبسط عمليات المكاتب الخلفية ويعزز كفاءة صنع القرار. على سبيل المثال، يمكن دمج بيانات مكتب التجارة في نظام الوثائق الرسمية في الوقت الحقيقي من خلال التقاط بيانات التغيير (CDC). يؤدي هذا بعد ذلك إلى إنشاء متجر تجاري مركزي يعمل كمصدر رئيسي لتسوية التجارة النهائية وأنظمة الامتثال، مما يعزز أوقات التسوية الأسرع ويحسن دقة البيانات.
إمكانات الذكاء الاصطناعي والتعلم الآلي في إدارة مخاطر التسويات التجارية
من خلال اعتماد تقنيات متقدمة مثل الذكاء الاصطناعي (AI) والتعلم الآلي (ML)، غالبًا ما تواجه المؤسسات المالية التحدي المتمثل في دمج هذه الابتكارات في الأنظمة القديمة بسبب عدم مرونتها ومقاومتها للتعديل. إن بناء نظام ODS بمخطط مرن يمكّنهم من دمج نماذج الذكاء الاصطناعي/التعلم الآلي بشكل فعال في منصة التجارة الخاصة بهم للتعامل بكفاءة مع كميات كبيرة من بيانات التجارة في الوقت الفعلي. تسهل هذه المرونة التكامل السلس مع منصات الذكاء الاصطناعي/تعلم الآلة المختلفة، مما يسمح للمؤسسات بالتكيف مع التغيرات في مشهد الذكاء الاصطناعي دون إجراء تعديلات واسعة النطاق على البنية التحتية. بالإضافة إلى ذلك، من خلال مخطط بيانات مرن قادر على استيعاب أي بنية أو تنسيق أو مصدر للبيانات، ستتمكن المؤسسات من إثبات نفسها في المستقبل من خلال القدرة على التكيف وسرعة الحركة المطلوبة لمواجهة التقنيات واللوائح المتطورة.
يعد التكامل مع منصات الذكاء الاصطناعي/تعلم الآلة أمرًا بالغ الأهمية في إدارة مخاطر التسوية التجارية بكفاءة، وتسهيل تطوير نماذج الذكاء الاصطناعي/تعلم الآلة لإدارة أكثر فعالية لحالات الفشل المحتملة في التسوية التجارية، سواء من حيث التكلفة أو الوقت. كما تعمل التحليلات التنبؤية على تمكين الشركات من التنبؤ بالتوافر والطلب، وبالتالي تحسين المخزون للإقراض والاقتراض.
نحو المرونة والقدرة على التكيف
وبينما تتصارع المؤسسات المالية مع التحدي المتمثل في تقليل مدة التسوية من T+2 إلى T+1، تظل هناك حلول قابلة للتطبيق لتسهيل عملية انتقالية قد تكون مليئة بالعقبات. ومن خلال أتمتة العمليات اليدوية واعتماد مستودعات تخزين البيانات في الوقت الفعلي، يمكن للمؤسسات تحقيق التميز التشغيلي والوفاء بالموعد النهائي لتسوية T+1 الذي حددته لجنة الأوراق المالية والبورصات.
في حالة دورات التسوية T+0، يجب أن تكون المؤسسات مجهزة بمنصات بيانات مرنة لضمان استعدادها بشكل أفضل للتكيف مع اللوائح الجديدة. ومن المشجع أن نرى أن العديد من البنوك الرائدة بدأت في تحديث بنيتها التحتية، مما أدى إلى تقليل وقت الوصول إلى السوق، وانخفاض التكلفة الإجمالية للملكية، وتحسين إنتاجية المطورين.
- محتوى مدعوم من تحسين محركات البحث وتوزيع العلاقات العامة. تضخيم اليوم.
- PlatoData.Network Vertical Generative Ai. تمكين نفسك. الوصول هنا.
- أفلاطونايستريم. ذكاء Web3. تضخيم المعرفة. الوصول هنا.
- أفلاطون كربون، كلينتك ، الطاقة، بيئة، شمسي، إدارة المخلفات. الوصول هنا.
- أفلاطون هيلث. التكنولوجيا الحيوية وذكاء التجارب السريرية. الوصول هنا.
- المصدر https://www.finextra.com/blogposting/25518/transforming-financial-institutions-for-quicker-settlement-cycles?utm_medium=rssfinextra&utm_source=finextrablogs
