Оптимальная стратегия установки процентных ставок банками с помощью мульти-агентного обучения с подкреплением

В этой работе были взяты данные 85 банков за период 2007-07-01 - 2020-01-01, а затем сгруппированы на два агента (Сбербанк и агрегированный банк). С помощью данных этих двух агентов, была выведена чувствительность изменений процентных ставок к изменению в объемах кредитов и депозитов. После этого была создана среда для обучения с подкреплением с учетом чувствительности ставок этих двух банков. Для выявления стратегий и прогноза процентных ставок с учетом финансовых нормативов (LCR>100%, CAR>8%) и достижения цели (ROE≥25% на протяжении 4 лет) был использован алгоритм оптимизации проксимальной политики (PPO). Во время исследования алгоритм дал нереалистичный прогноз ставок, так как среда обучения была построена на слабых предположениях в силу ограниченности центрального процессора. Однако, стратегии у обоих агентов получились обоснованными (поднять кредитные ставки или не изменять их и опустить депозитные ставки или оставить их как есть), так как в действительности, для максимизации прибыли, банки должны поднимать кредитный ставки и понижать депозитные с учетом спроса на кредиты и депозиты. Очевидно, данная работа нуждается в дальнейших исследованиях. Все слабый предположения должны быть заменены, банковские балансы расширены, должна быть введена динамика макропоказателей и т. п.