Μικροοικονομικοί κίνδυνοι FinTech, AI/ML, DLT/IoT/ρομποτικοί σύμβουλοι

20 Ερωτήσεις (πολλαπλής επιλογής) Σελ 924-940

1. Ποιος από τους παρακάτω περιγράφει καλύτερα τον κίνδυνο μόχλευσης σε μια FinTech εταιρεία;

α. Χαμηλή χρήση δανειακών κεφαλαίων που αυξάνει το απόθεμα ασφαλείας
β. Η εξάρτηση αποκλειστικά από φυσικά καταστήματα για ρευστότητα
γ. Ο υψηλός λόγος ξένων προς ίδια κεφάλαια, που μειώνει το μαξιλάρι απορρόφησης ζημιών
δ. Η έλλειψη τεχνολογίας cloud για αποθήκευση δεδομένων

2. Ποια προσέγγιση μάθησης ταιριάζει καλύτερα για εύρεση κρυφών ομάδων χρηστών σε μεγάλα datasets χωρίς ετικέτες;

α. Εποπτευόμενη μάθηση με labeled δεδομένα
β. Ενισχυτική μάθηση με ανταμοιβές
γ. Μη εποπτευόμενη μάθηση που ανιχνεύει δομές και ομαδοποιήσεις
δ. Μεθοδική δειγματοληψία χωρίς αλγοριθμική μάθηση

3. Σε ποιο σημείο το cloud computing ωφελεί κυρίως τα ML συστήματα των τραπεζών;

α. Στην αντικατάσταση των αλγορίθμων με χειροκίνητη επεξεργασία
β. Στην παροχή υπολογιστικής ισχύος και αποθηκευτικών πόρων για ανάλυση μεγάλων δεδομένων
γ. Στη μείωση της ανάγκης για δεδομένα πελατών
δ. Στην ασφάλεια του φυσικού αρχείου εγγράφων

4. Ποιο από τα παρακάτω αποτελεί ρεαλιστικό κίνδυνο αντισυμβαλλομένου για μια ψηφιακή πλατφόρμα δανεισμού;

α. Υψηλή διαφάνεια των συναλλαγών που μειώνει τις πληροφοριακές ασυμμετρίες
β. Πολύ χαμηλή μόχλευση που αποτρέπει έκθεση τρίτων
γ. Έλλειψη επαρκούς κεφαλαίου για κάλυψη απωλειών σε περίπτωση μαζικών αθετήσεων
δ. Αυτόματος επαναπροσδιορισμός προφίλ πελατών από AI

5. Ποια τεχνολογία DLT (distributed ledger) είναι πιο συνηθισμένη ως υποκείμενη σε ψηφιακά νομίσματα;

α. Κατανεμημένα permissioned ledgers που απαιτούν προεπιλογή κόμβων
β. Τεχνολογίες βασισμένες αποκλειστικά σε κεντρικές βάσεις δεδομένων
γ. Blockchain, όπου συναλλαγές ομαδοποιούνται σε μπλοκ και συνδέονται χρονολογικά
δ. Αναλογικά καταγεγραμμένα βιβλία χωρίς κρυπτογράφηση

6. Ποια χρήση των ML στο back-office βελτιώνει την ανθεκτικότητα μιας τράπεζας σε χρηματοοικονομικά σοκ;

α. Αυτόματη παραγωγή εμπορικών διαφημίσεων
β. Ανάπτυξη φορητού λογισμικού πελατών
γ. Stress testing και μοντέλα διαχείρισης κινδύνου με προσομοιώσεις σε μεγάλα δεδομένα
δ. Μείωση της συλλογής ιστορικών στοιχείων πελατών

7. Ποιο χαρακτηριστικό του IoT βοηθά τις τράπεζες στην εξατομίκευση υπηρεσιών;

α. Η αδυναμία μεταφοράς τοπικών δεδομένων στο cloud
β. Η συνεχιζόμενη ροή δεδομένων από αισθητήρες και συσκευές για ανάλυση συμπεριφοράς
γ. Η αποκλειστική χρήση ιδιωτικών δικτύων χωρίς πρόσβαση τρίτων
δ. Η μείωση των διαθέσιμων πληροφοριών για τους πελάτες

8. Ποιος είναι πιθανός λειτουργικός κίνδυνος που συνδέεται με την ευρεία χρήση AI σε χρηματοπιστωτικές υπηρεσίες;

α. Η πλήρης εξαφάνιση όλων των τραπεζικών προϊόντων
β. Η υπερβολική εμπιστοσύνη σε αλγορίθμους χωρίς κατάλληλη εποπτεία και governance
γ. Η οικονομική ανεξαρτησία των πελατών
δ. Η άμεση μείωση του όγκου δεδομένων προς ανάλυση

9. Σε τι βοηθούν οι ρομποτικοί σύμβουλοι (robo-advisors) κυρίως τους πελάτες;

α. Στην παροχή αυτοματοποιημένης κατανομής περιουσιακών στοιχείων με βάση το προφίλ κινδύνου
β. Στην απευθείας παροχή δανείων χωρίς αξιολόγηση
γ. Στη χειροκίνητη διαπραγμάτευση μεσίτη-πελάτη στο κατάστημα
δ. Στην αποθήκευση αναλογικών αρχείων επενδύσεων

10. Ποιο χαρακτηριστικό της εποπτευόμενης μάθησης την καθιστά κατάλληλη για πιστοληπτική αξιολόγηση;

α. Δεν χρειάζεται ιστορικά δεδομένα για μάθηση
β. Χρησιμοποιεί labeled training data ώστε ο αλγόριθμος να μάθει συσχετισμούς με γνωστά αποτελέσματα
γ. Αποφεύγει οποιαδήποτε ανθρώπινη παρέμβαση στην προεπεξεργασία
δ. Λειτουργεί μόνο με ανάλυση εικόνας

11. Ποιος τύπος αναντιστοιχίας περιγράφει την περίπτωση όπου τα ενεργητικά και τα παθητικά έχουν διαφορετικές ημερομηνίες λήξης;

α. Αναντιστοιχία ρευστότητας που αφορά χαρακτηριστικά ρευστοποίησης
β. Αναντιστοιχία ληκτότητας, με διαφορετικές λήξεις στοιχείων ενεργητικού και υποχρεώσεων
γ. Πολιτικός κίνδυνος από ρυθμιστικές αλλαγές
δ. Κίνδυνος συναλλαγών εξωτερικού

12. Πώς μπορεί η ML να ενισχύσει την πρόληψη απάτης σε πραγματικό χρόνο;

α. Με τυχαίες ειδοποιήσεις ανεξάρτητα από μοτίβα
β. Με προγνωστικά αναλυτικά εργαλεία που συνδυάζουν συμπεριφορικά δεδομένα και τοποθεσία
γ. Με μείωση των δεδομένων από κινητές συσκευές
δ. Με αντικατάσταση του συστήματος ανάληψης ευθύνης

13. Ποιο από τα παρακάτω αποτελεί σοβαρό πρόβλημα διαλειτουργικότητας για το IoT στις τράπεζες;

α. Αποκέντρωση της πληροφορίας μέσω DLT
β. Έλλειψη τυποποιήσεων και κοινών πρωτοκόλλων μεταξύ συσκευών και πλατφορμών
γ. Η αυξημένη παραγωγικότητα των υπαλλήλων
δ. Η χρήση cloud για αποθήκευση δεδομένων

14. Ποιος κίνδυνος προκύπτει όταν μια FinTech πρέπει να ρευστοποιήσει μη ρευστοποιήσιμα περιουσιακά στοιχεία γρήγορα;

α. Ρευστοποίηση χωρίς επίπτωση στις αγορές
β. Δυνατότητα σημαντικής διάσπασης τιμών και διατάραξη των αγορών (σύνδεση με αναντιστοιχία ρευστότητας)
γ. Αυξημένη διαφάνεια τιμών προς όφελος πελατών
δ. Μείωση του λειτουργικού κινδύνου

15. Ποια κατηγορία μάθησης ταιριάζει καλύτερα σε εφαρμογές όπου ο αλγόριθμος παίρνει ενέργειες και λαμβάνει ανατροφοδότηση (reward) για να μάθει;

α. Εις βάθος μάθηση αποκλειστικά για NLP
β. Εποπτευόμενη μάθηση με labels
γ. Ενισχυτική μάθηση όπου οι αποφάσεις βελτιώνονται μέσω ανατροφοδότησης
δ. Μη εποπτευόμενη μάθηση

16. Τι ενδέχεται να συμβεί στους αντισυμβαλλομένους μιας FinTech όταν η εταιρεία έχει ελάχιστη κεφαλαιακή επάρκεια;

α. Οι αντισυμβαλλόμενοι έχουν μεγαλύτερη προστασία έναντι ζημιών
β. Αυξάνεται ο κίνδυνος έκθεσης και δυνατότητα απωλειών για τους αντισυμβαλλομένους
γ. Η εταιρεία γίνεται άμεσα ρυθμιστής χρηματοοικονομικών αγορών
δ. Μειώνεται η σημαντικότητα των μοντέλων διαχείρισης κινδύνου

17. Ποιο στοιχείο του blockchain εξασφαλίζει ότι οι συναλλαγές είναι δύσκολο να αλλοιωθούν μετά την καταγραφή;

α. Η ανεξέλεγκτη τροποποίηση μπλοκ από οποιονδήποτε κόμβο
β. Η χρονολογική σύνδεση μπλοκ με κρυπτογραφικά hashes που προστατεύουν την αλυσίδα
γ. Η χρήση μόνο κεντρικών αρχείων αντί για αντίγραφα δικτύου
δ. Η έλλειψη μηχανισμού συναίνεσης

18. Ποια πρακτική συμβάλλει στην καλύτερη κανονιστική συμμόρφωση χρησιμοποιώντας AI;

α. Μηδενική τεκμηρίωση αλγορίθμων για προστασία IP
β. Χρήση αυτοματοποιημένης ανάλυσης και αναφορών για μεγάλους όγκους δεδομένων ώστε να διευκολυνθούν οι ελεγκτικές διαδικασίες
γ. Αποφυγή καταγραφής ιστορικών στοιχείων πελατών
δ. Εμπιστοσύνη αποκλειστικά σε ανθρώπινες αξιολογήσεις χωρίς analytics

19. Ποια επίπτωση στην απασχόληση προβλέπεται από την ευρεία υιοθέτηση AI/ML στις τράπεζες, όπως συζητήθηκε;

α. Άμεση και πλήρης αντικατάσταση όλης της ανθρώπινης εργασίας
β. Μετατόπιση μέρους της γνωστικής εργασίας προς αυτοματισμό, απελευθερώνοντας ανθρώπινο χρόνο για υψηλότερης αξίας έργα
γ. Μείωση της ανάγκης για εκπαίδευση εργαζομένων
δ. Συρρίκνωση της τεχνολογικής υιοθέτησης

20. Ποια είναι ρεαλιστική χρήση των ML για βελτιστοποίηση κεφαλαίου σε τράπεζες;

α. Αύξηση περιττών αποθεμάτων κεφαλαίου χωρίς αξιολόγηση
β. Βελτιστοποίηση χρήσης κεφαλαίου μέσω μοντελοποίησης, με στόχο αποτελεσματικότητα και υψηλότερη κερδοφορία
γ. Μείωση ανάλυσης κινδύνου για να προχωρήσουν επενδύσεις ευκολότερα
δ. Αποσύνδεση της διαχείρισης κεφαλαίου από δεδομένα απόδοσης

Πίνακας Σωστών Απαντήσεων με Σύντομη Αιτιολόγηση

Ερώτηση	Σωστή απάντηση	Αιτιολόγηση
1	γ	Η υψηλή μόχλευση μειώνει το «μαξιλάρι» απορρόφησης ζημιών και αυξάνει τον κίνδυνο για αντισυμβαλλόμενους σε FinTech.
2	γ	Η μη εποπτευόμενη μάθηση στοχεύει στον εντοπισμό προτύπων/ομαδοποιήσεων χωρίς labels.
3	β	Το cloud προσφέρει μεγάλη υπολογιστική ισχύ και αποθήκευση για ανάλυση big data.
4	γ	Η ανεπαρκής κεφαλαιακή βάση αυξάνει τον κίνδυνο για αθετήσεις και απώλειες σε ψηφιακές πλατφόρμες δανεισμού.
5	γ	Το blockchain είναι η συνηθέστερη DLT τεχνολογία για ψηφιακά νομίσματα.
6	γ	Τα stress tests και τα μοντέλα κινδύνου μέσω ML αυξάνουν την ανθεκτικότητα μιας τράπεζας.
7	β	Το IoT προσφέρει συνεχή ροή δεδομένων από συσκευές, διευκολύνοντας εξατομίκευση υπηρεσιών.
8	β	Η υπερβολική εξάρτηση από αλγορίθμους χωρίς σωστή εποπτεία αποτελεί λειτουργικό κίνδυνο.
9	α	Οι robo-advisors κάνουν αυτοματοποιημένη κατανομή χαρτοφυλακίου βάσει του προφίλ του πελάτη.
10	β	Η εποπτευόμενη μάθηση βασίζεται σε labeled training data, ιδανική για credit scoring.
11	β	Η αναντιστοιχία ληκτότητας αφορά διαφορετικές ημερομηνίες λήξης ενεργητικού–παθητικού.
12	β	Τα ML συστήματα εντοπίζουν ύποπτες συναλλαγές με προγνωστικά analytics και δεδομένα συμπεριφοράς/τοποθεσίας.
13	β	Το μεγαλύτερο πρόβλημα για το IoT είναι η έλλειψη κοινών προτύπων και διαλειτουργικότητας.
14	β	Η αναγκαστική ρευστοποίηση μη ρευστοποιήσιμων στοιχείων οδηγεί σε price discontinuities και αγορά-σοκ.
15	γ	Η ενισχυτική μάθηση μαθαίνει μέσω λήψης αποφάσεων και feedback/rewards.
16	β	Χαμηλή κεφαλαιακή επάρκεια αυξάνει την πιθανότητα ζημιών για τους αντισυμβαλλομένους.
17	β	Τα blocks συνδέονται με hashes που κάνουν την αλλοίωση εξαιρετικά δύσκολη.
18	β	Η αυτοματοποιημένη ανάλυση μεγάλης κλίμακας βελτιώνει τη συμμόρφωση και τις εποπτικές διαδικασίες.
19	β	Η AI/ML αυτοματοποιεί μέρος της γνωστικής εργασίας, μετατοπίζοντας τους ανθρώπους σε πιο σύνθετες εργασίες.
20	β	Τα ML μοντέλα βοηθούν στη βελτιστοποίηση χρήσης κεφαλαίου για αποδοτικότητα και κερδοφορία.