AI Treasury / Liquidity / ALM Forecasting / Stress Evidence Architecture 解读

配对阅读：本篇的操作手册版（模板/RACI/门禁/runbook）是 docs/AI_TREASURY_LIQUIDITY_ALM_FORECASTING_STRESS_EVIDENCE_PLAYBOOK.md。第一遍读本篇建立原理与架构判断；第二遍做案例时再用 playbook 查表落地，两者不需要重复精读。

核心导读

Treasury AI 不是“预测明天余额”的模型问题，而是把流动性生存、ALM 决策、FTP 激励、压力情景、应急资金和董事会挑战连接起来的 forecast-to-action 系统。真正的架构重点，是让每个预测、假设、人工覆盖、资金动作和压力证据都能被解释、追溯、挑战和审计。

AI 能改变的决策链，是把存款、支付流、批发融资、抵押品、信贷承诺和客户行为信号转成 forecast contract，再进入 liquidity ladder、NMD beta/runoff 假设、NII/EVE 分析、FTP 分配、CFP trigger、ALCO challenge 和 board MI。它的价值不在于多一条预测曲线，而在于让管理层知道某个 survival horizon 变化来自数据截止、客户迁移、利率情景、模型漂移、人工 overlay、法律实体约束、抵押品可用性还是可执行资金动作。

系统取舍集中在“预测精度、压力想象、行动可行性、证据可复算”之间。高准确率的 P50 余额预测不能证明压力尾部可用，漂亮的 stress narrative 也不能替代 scenario version、assumption owner、data lineage、model run、overlay rationale、limit breach、committee decision 和 action closure。Treasury AI 的证据链必须把每个数字连接到资金动作和风险偏好，而不是把 ALCO pack 变成不可复算的摘要。

控制边界尤其重要：AI 可以 detect、forecast、explain、simulate、draft 和 recommend，但不能独立批准风险偏好、资金调拨、资产出售、hedging、批发融资或客户定价动作。误用会造成真实伤害，包括低估 runoff、误判可用流动性、用全行加息掩盖 segment 问题、让 FTP 继续奖励高流动性消耗增长，或让董事会只能看到状态颜色却无法挑战假设和行动。

---

0. 适用边界

本文是学习和架构训练材料, 不构成法律意见、监管意见、流动性充足性结论、资本充足性结论、会计处理意见、模型验证报告、审计结论、投资建议、融资建议、风险偏好批准或应急融资执行建议。

正式项目必须由 Treasury、ALM、Finance、Risk、Model Risk、Legal、Compliance、Regulatory Reporting、Information Security、Data Governance、Architecture、Internal Audit、Business Line、Operations 和董事会/管理层授权委员会共同判断。AI forecast、scenario output 或解释图不能直接视为 liquidity action approval。资金调拨、批发融资、资产出售、hedging、FTP 调整、产品定价变更、客户沟通和 contingency funding action 必须走机构批准的 human committee、dual control、limit、policy 和 evidence process。

本文把官方材料转成产品和架构训练语言。具体适用范围、监管口径、报告义务、模型治理要求、数据使用限制和披露要求由 Legal / Compliance / Regulatory Affairs / Model Risk 等权责方确认。

---

Source Anchors

访问日期按 2026-06-30 记录。

---

1. 核心问题: Treasury AI 不是普通预测

普通 demand forecast 的中心问题是:

What value will happen next?

Treasury / ALM 的中心问题更复杂:

Under which balance-sheet, rate, customer, market, legal-entity and operational conditions
will the institution have enough usable liquidity,
at what cost,
with what management actions,
and what evidence proves that the assumptions were understood, challenged and acted on?

因此成熟架构不是从“预测明天余额”开始, 而是从 forecast-to-action 开始。预测要绑定用途、粒度、horizon、uncertainty、scenario、action boundary、owner、committee challenge 和 evidence。

from: spreadsheet cash position + static ALM model + committee slide pack
to: data-lineage-backed forecast + scenario/stress engine + model-risk controls
    + ALCO decision workbench + contingency action register + board MI evidence graph

Treasury/ALM 同时处理四类不确定性:

AI 的价值不是替代 Treasurer 或 ALCO, 而是把变化识别、情景展开、驱动解释、uncertainty、committee challenge 和后验学习产品化。

---

2. 方法和架构贡献

本文的架构贡献是把 treasury AI 拆成四个可治理层:

as-of data product
  -> forecast and assumption services
  -> liquidity / ALM / FTP / stress engines
  -> committee action and evidence layer

2.1 Reference Architecture

source systems: deposits, loans, cards, payments, GL, collateral, securities, market rates, legal entities, limits
  -> as-of data products: balances, cash-flow events, deposit behavior, curves, collateral, quality, lineage
  -> AI/analytics: baseline forecast, beta/runoff, anomaly signals, scenario overlays, challengers, driver decomposition
  -> treasury engines: liquidity ladder, stress survival, ALM/IRRBB NII/EVE, FTP, portfolio scenario, CFP capacity
  -> decision layer: ALCO workbench, limit trigger, action options, committee challenge, dual-control registration
  -> evidence/MI: forecast contract, model/scenario/data versions, overlay, action log, board MI, audit export

2.2 Architecture Capabilities

---

3. 机制原理: Forecast Contract 和数据实体

Treasury AI 的第一个产品产物不是模型, 而是 Forecast Contract。

示例 contract:

Forecast contract: retail NMD runoff under rate-up and confidence shock
grain: day x product x segment x legal entity
horizon: 30 / 90 days
outputs: P50/P90 runoff, beta estimate, segment contribution, top depositor concentration effect
decision use: ALCO review, liquidity buffer monitoring, FTP sensitivity, pricing strategy challenge
action boundary: no automatic funding action; red status triggers ALCO/Treasury Risk review
evidence: as-of deposit data, pricing offers, competitor rate feed, model version, scenario version, overlay reason

Canonical entities 至少包括 deposit account、deposit behavior event、customer concentration、cash-flow event、market/rate state、scenario、model output、treasury action、committee decision 和 board MI metric。每个实体都要带 source、as_of_time、available_time、version、owner 和 lineage。Treasury 预测必须知道“当时可见什么”, 否则 backtest 会把后见之明伪装成模型能力。

---

4. Deposit Beta、Runoff 和 Liquidity Ladder

Deposit beta 不是一个全行常数。Runoff 也不是余额时间序列外推。更成熟的模型对象是:

deposit behavior under a specified rate, confidence, relationship and liquidity scenario

4.1 Segmentation Logic

4.2 Model Portfolio

模型组合应保留 rule/expert baseline 作为 honest challenger, 使用 elasticity/regression 估计 rate beta, 用 survival/hazard 处理 runoff timing, 用 gradient boosting 或 hierarchical models 处理 segment interaction 和低样本 pooling, 用 probabilistic time-series 输出 interval/tail behavior, 用 anomaly/NLP signals 做 early warning。控制重点不是模型炫技, 而是 regime shift、campaign leakage、feature availability、tail calibration、source grounding、human review 和 false-positive escalation。

Cash-flow architecture 要同时区分四种 cash flow:

Liquidity ladder 不应只展示 net cumulative cash flow。它至少要展示:

opening liquidity
+ expected inflows
- expected outflows
+ usable liquidity sources
- encumbered / trapped / operationally unavailable liquidity
- stress runoff and contingent outflows
= survival horizon and buffer surplus / shortfall

---

5. ALM / IRRBB / FTP 集成

AI treasury forecast 必须进入 ALM/IRRBB 架构, 但不能吞掉 ALM discipline。

IRRBB assumption register 应把 AI 输出转成可批准假设:

FTP 是把 Treasury insight 变成业务激励的桥。没有 FTP, AI liquidity forecast 容易停留在风险报告; 有错误 FTP, 业务线会被错误激励。

Portfolio scenario loop:

business growth plan
  -> forecast deposit / loan / commitment / securities trajectory
  -> apply rate and liquidity scenarios
  -> calculate liquidity ladder, NII, EVE, FTP charges
  -> identify incentive mismatch and limit pressure
  -> propose portfolio / pricing / funding actions
  -> committee challenge and approval
  -> monitor actual behavior against scenario

---

6. Stress Evidence、Committee 和 Board MI

Stress testing 的架构价值在于证据链, 不是情景数量。

Stress evidence graph:

scenario_id
  -> assumption_id
       -> source_data_version
       -> expert_judgment_record
       -> model_output_id
       -> overlay_id
  -> liquidity_ladder_result
  -> ALM / IRRBB result
  -> FTP / portfolio result
  -> limit status
  -> committee challenge
  -> management action
  -> board MI metric
  -> post-event backtest / lessons learned

Evidence pack:

Treasury AI 要嵌入 committee operating model, 不是绕过它。Treasury desk 负责 approved limits 内的日常资金动作; ALCO 负责 balance-sheet strategy、liquidity/IRR appetite 和 FTP review; Treasury Risk / Market Risk 提供 independent challenge; Model Risk 管 inventory、validation、monitoring 和 limitations; Finance 对齐 plan/NIM/funding cost; Legal/Compliance 确认适用性和披露; Internal Audit 测试控制; Board / Risk Committee 负责 oversight、risk appetite 和 material action challenge。AI 只能提供 cash forecast、scenario package、driver bridge、limit alert、draft narrative 和 evidence export。

Decision boundary:

AI can detect, forecast, explain, simulate, draft and recommend.
AI should not independently approve liquidity risk appetite, execute emergency funding,
change FTP policy, sell assets, alter customer pricing, or declare regulatory adequacy.

Board MI 必须从 production facts and evidence 生成, 不是 quarterly manual slide assembly。核心 metric contracts 覆盖 liquidity position、stress survival horizon、deposit behavior、cash-flow reliability、NII/EVE sensitivity、FTP incentives、CFP readiness、model/issue status、evidence completeness 和 management action closure。董事会需要看到 driver、threshold、owner、action、residual risk 和 closure, 不只是红黄绿状态。

---

7. 为什么有效: 预测绑定行动, 行动绑定证据

这套架构有效, 因为它把 treasury AI 从 prediction artifact 改造成 decision infrastructure。

第一, forecast contract 阻止模型被误用。同一个余额预测不能同时支持日内 funding、90-day stress、FTP 曲线和 board liquidity adequacy narrative, 除非 contract 明确 grain、horizon、uncertainty、action boundary 和 owner。

第二, as-of lineage 降低后见之明风险。Treasury 数据常有重述、结算延迟、产品映射调整、legal entity 口径差异和手工 overlay。没有 event time / available time / cutoff, 回测和 MI 都会失真。

第三, deposit behavior modeling 让 NMD assumption 从标量变成治理对象。Beta、runoff、average life 和 migration 必须按 product、segment、relationship、rate regime、concentration 和 scenario 表达, 并带 uncertainty 和 challenger。

第四, liquidity ladder 把可用性、约束和行动放在一起。账面有资产不等于可用流动性; 需要看 legal entity、currency、encumbrance、settlement、collateral eligibility 和 operational execution。

第五, stress evidence graph 让 committee challenge 可复盘。ALCO 和董事会不是只看压力结果, 而是看到 scenario、assumption、model、overlay、limit、action 和 residual risk owner。

第六, FTP integration 把风险洞察反馈到业务激励。没有 FTP, 产品线仍可能追逐高成本、快流失、压力下消耗 liquidity 的增长。

---

8. 局限和误用

局限也包括数据和行为不可观测性。存款迁移原因、客户信心、竞争利率响应、社交舆情、渠道切换和批发市场 capacity 很难完全建模。AI 可以提供 leading signals, 但不能替代 treasury judgment、stress imagination 和 committee accountability。

---

9. 架构和产品价值

有金融零售背景的人要特别关注产品增长和资金风险之间的闭环: 存款促销、贷款增长、信用承诺、信用卡 unused line、财富 sweep、支付流和客户关系深度都会改变 liquidity profile。AI treasury 产品不是“更聪明的预测图表”, 而是把这些业务动作转成 scenario-aware balance-sheet control。

---

10. 金融零售系统案例: Retail Deposit Stress and ALCO Workbench

场景: 一家区域银行上线 AI treasury platform, 目标是监控 retail deposits、digital savings、small business operating balances、card payment flows 和 unused credit commitments。近期市场利率上行, 竞争银行推出高收益存款, ALCO 担心 NMD runoff、FTP 激励和 liquidity buffer。

系统设计:

问题诊断: 模型显示 digital-only savings P90 runoff 上升, survival horizon 从 54 天降到 43 天。低成熟度团队可能直接建议全行加息。成熟架构会拆解:

• 哪些 segment 贡献 runoff: digital-only、promo cohorts、large balances、non-operational balances。
• 变化来自真实 outflow、competitor spread、模型版本、data freshness、scenario shock 还是 overlay。
• 加息能改善 survival horizon 多少, 对 NII、EVE、FTP 和客户迁移有什么影响。
• 是否有 legal entity 或 collateral constraint 让账面 liquidity 不可转移。
• 哪些 CFP action 已 dry-run, 执行时间和容量是否有证据。
• ALCO 为什么选择 targeted retention pricing 而不是 broad campaign, 谁承担 residual risk。

Board tile 应压缩为同一条证据链: status、driver、evidence、impact、management action、residual risk 和 closure。示例中, digital savings P90 runoff 上升导致 combined-stress survival horizon 下降; ALCO 选择 targeted retention pricing、FTP update 和 CFP dry-run, 同时记录新 digital-only cohort 的模型限制与后续 backtest。

---

11. 学习验证

完成本文后, 应能连续讲清楚以下内容:

最小可交付架构包应包括: forecast contract catalog、as-of cash-flow event model、deposit beta/runoff assumption register、scenario library、liquidity ladder schema、ALM/IRRBB integration map、FTP scenario loop、stress evidence graph、ALCO decision workbench spec 和 board MI metric contracts。 真正掌握这篇的标志是: 能把 AI treasury 从“预测余额”重构为“预测到行动、压力到证据、委员会到董事会”的受控系统。

---

SOTA 状态标注 (2026-07-01)

本篇属于第二、三遍深读池（参考架构/深读笔记），未列入 12 周主线必读。时效基线为写作时点；引用前请按 CLAUDE.md 全局时效性硬规则复查最新进展。模块级 SOTA 对照见 docs/AI_SYSTEMATIC_LEARNING_ROADMAP_2026.md 各周「2026 SOTA 对照」行与文末「SOTA 检查」。