【一份在工行某资产负债管理部里,被AI在日间流动性预测中自动生成的“头寸缺口预警与融资建议”】
(背景:2026年11月,北京。工行资产负债管理部。屏幕上跳动着当日资金头寸的预测曲线:上午十点的缺口、下午两点的峰值、日终的轧差。AI根据历史交易模式、大额支付预报、同业拆借利率走势,滚动预测未来数小时的流动性缺口。工行2026年上半年业绩发布会披露:“AI+资产负债智能管理中枢”助力精准预测资金变化走势。预测误差每压缩一个基点,对应的就是少备付的资金、少借的高成本同业负债、少闲置的低收益资产。资产负债管理的AI化,不产生收入,但省下的每一分钱都是净利。)
![]()
一、资金预测的“误差成本”:备多了浪费,备少了危险
银行资产负债管理的核心是在不确定中找确定性。
每天要预测:今天会有多少存款流出、多少贷款提款、多少同业负债到期。预测准了,备付金刚好够用;预测高了,多余资金趴在账上,收益率为负;预测低了,临时拆借,成本飙升。误差本身有价格。
传统预测靠经验加简单模型:看历史同期、看大额预报、看季节性规律。但资金流动的驱动因素越来越复杂:支付平台的大额赎回、企业客户的集中付款、货币市场的波动传导。人脑能处理的变量有限,模型的更新速度跟不上市场的变化速度。
二、工行的解法:把预测做成“滚动闭环”
第一,多源数据的“实时喂养”。AI的预测输入不只是历史交易数据,还包括:大额支付系统的预报、同业市场的利率信号、客户行为的实时变化。输入越实时,预测的滞后越小。上午十点的预测,不应该基于昨天收盘的数据。
第二,滚动预测的“误差修正”。日间预测不是做一次就完了,是每隔一段时间滚动更新。上午预测的缺口,到中午可能因为一笔大额支付而改变。AI的价值在于快速修正:新数据进来,预测更新,融资建议同步调整。误差不是被消灭的,是被持续压缩的。
第三,“预测-决策-反馈”的闭环。预测的资金缺口,触发融资建议;融资执行的结果,反馈回模型;下一轮预测吸收这次的经验。资产负债管理的AI不是一次性模型,是持续学习的系统。工行600多个大模型场景的底座能力,在这里体现为对多源数据的处理速度和闭环迭代的频率。
三、行业终局:资产负债AI竞争的竞争,是“误差压缩速度”的竞争
当同行还在比“预测模型有多复杂”时,工行在比预测误差在多长时间内被压缩到可接受的区间。在资产负债管理的深水区,模型精度是面子,误差的修正速度才是里子。资金市场瞬息万变,一个静态的精准模型,不如一个能快速吸收新数据、快速修正偏差的动态系统。谁能让预测的误差曲线更快收敛,谁就能在流动性管理上少备一分钱、少借一笔贵钱。
特别声明:以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布,本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.