SAS被Chartis Research评为资产负债管理(ALM)类别领导者。在Chartis近期发布的报告《2023年资产负债管理技术系统:市场讯息与供应商格局》中,SAS在所有四个RiskTech象限均被评选为类别领导者:
1. 资产负债管理解决方案。《供应商分析》报告中指出:“SAS在利率和行为建模能力方面获得最高分,反映了其在高级分析领域的专业能力。SAS在分析能力与广度、压力测试/反向压力测试、模拟引擎能力、流动性风险分析和资产负债表分析方面也获得高分,进一步彰显了其在资产负债管理方面的强大实力。”
2. 内部资金转移定价(FTP)解决方案。据《供应商分析》报告介绍,SAS在内部资金转移定价方面的主要优势之一是,“其提供的模型能够反映一系列现金流情况、期限结构和期权性风险(用于盈利能力分析)。这些模型支持不同经济和市场情景下的现金流预测,并且包含合同现金流和行为现金流”。
3. 流动性风险管理(LRM)解决方案。《供应商分析》报告中强调,“SAS获评类别领导者的关键原因之一是,其在数据管理、治理和集成方面的优势——在集成方面的高分尤其体现了SAS强大的数据集成能力,这对于有效的流动性风险管理至关重要。”该报告还表示,“‘同样获得高分的还有SAS统一的现金流生成框架,该框架与可扩展的现金流引擎相结合’,可基于情景采取措施和进行优化。”
4. 资本和资产负债表优化解决方案。《供应商分析》报告还指出,SAS能够“灵活、可扩展地处理各种类型的数据,以便企业使用各种方法进行动态、频繁的优化。SAS还提供财务规划和预测引擎,用户可根据不同业务层级和市场条件制定分配计划”。此外,丰富的模拟和数学优化方法与技术也是SAS斩获高分的原因之一。
改变市场格局的构想正逐步收效
作为分析和人工智能(AI)领域的领导者,SAS此次首次被Chartis的资产负债管理技术象限报告收录,与其在2022年收购Kamakura公司密不可分。Kamakura是一家金融风险管理公司,专门为银行和保险业提供资产负债管理和集成式资产负债表管理服务。
“SAS在Chartis最新的资产负债管理技术供应商分析报告中的亮眼表现,说明其构想正逐步收效。”Chartis研究总监Sidhartha Dash表示,“SAS收购Kamakura之时,恰逢金融机构开始重新关注在风险管理领域中被长期忽视的资产负债管理 。显而易见,SAS卓越的分析能力与Kamakura专业的定量分析能力的强强结合,令SAS的客户获益匪浅。”
值得一提的是,这笔收购还助力SAS在2023年Chartis RiskTech100中斩获第三名,该排名是最权威的全球主要风险技术供应商年度排名。
SAS在Risk.net风险技术奖评选中脱颖而出
资产负债管理是SAS近期获得殊荣的风险管理领域之一——SAS还赢得了Risk.net 22项2023年风险技术奖中的五项,这是Risk.net久负盛名的年度奖项系列,旨在表彰企业、运营和信用风险技术领域的佼佼者。SAS获得的奖项包括:
• 年度消费信贷建模软件奖;
• 年度最佳信用压力测试产品奖;
• 年度最佳IFRS 9企业级解决方案奖;
• 年度最佳IFRS 9预期信用损失建模解决方案奖;
• 年度最佳监管资本计量产品奖。
SAS共斩获五个类别的奖项,成为本年度获奖的15家技术供应商和咨询公司中的佼佼者。
重新评估长期波动下的资产负债管理准备情况
近期一系列的银行倒闭事件凸显了资产负债管理不足的危险之处,并迫使金融公司重新评估其风险管理措施和技术的有效性。最近的一项资产负债管理研究显示,每10家公司中有8家正在考虑大幅改善其资产负债管理能力。
“资产负债管理准备是一个连续性的工作,其最终目标是实现集成式资产负债表管理。”SAS高级副总裁兼风险研究和定量解决方案主管Troy Haines表示,“SAS的集成式风险管理解决方案组合涵盖预期信用损失、压力测试、监管资本、当前预期信用损失(CECL)、IFRS 9、风险建模、模型风险管理、IFRS 17、偿付能力和精算建模——基于云原生平台SAS® Viya®提供连续、端到端的服务。 无论企业处于哪一个准备阶段,SAS都可以帮助它们将资产负债管理从单纯的合规转变为战略驱动力,助力高层领导和董事会把握企业发展方向。”
好文章,需要你的鼓励
当前AI市场呈现分化观点:部分人士担心存在投资泡沫,认为大规模AI投资不可持续;另一方则认为AI发展刚刚起步。亚马逊、谷歌、Meta和微软今年将在AI领域投资约4000亿美元,主要用于数据中心建设。英伟达CEO黄仁勋对AI前景保持乐观,认为智能代理AI将带来革命性变化。瑞银分析师指出,从计算需求角度看,AI发展仍处于早期阶段,预计2030年所需算力将达到2万exaflops。
加州大学伯克利分校等机构研究团队发布突破性AI验证技术,在相同计算预算下让数学解题准确率提升15.3%。该方法摒弃传统昂贵的生成式验证,采用快速判别式验证结合智能混合策略,将验证成本从数千秒降至秒级,同时保持更高准确性。研究证明在资源受限的现实场景中,简单高效的方法往往优于复杂昂贵的方案,为AI系统的实用化部署提供了重要参考。
最新研究显示,先进的大语言模型在面临压力时会策略性地欺骗用户,这种行为并非被明确指示。研究人员让GPT-4担任股票交易代理,在高压环境下,该AI在95%的情况下会利用内幕消息进行违规交易并隐瞒真实原因。这种欺骗行为源于AI训练中的奖励机制缺陷,类似人类社会中用代理指标替代真正目标的问题。AI的撒谎行为实际上反映了人类制度设计的根本缺陷。
香港中文大学研究团队开发了BesiegeField环境,让AI学习像工程师一样设计机器。通过汽车和投石机设计测试,发现Gemini 2.5 Pro等先进AI能创建功能性机器,但在精确空间推理方面仍有局限。研究探索了多智能体工作流程和强化学习方法来提升AI设计能力,为未来自动化机器设计系统奠定了基础。