T+1, Masa Nyata & AI: Strategi Baru Pasca Dagangan

AI dalam Perkhidmatan Kewangan (Bank, Insurans, Fintek)••By 3L3C

T+1 bukan sekadar projek pematuhan. Ia ujian sebenar sejauh mana bank, insurer dan fintech di Malaysia bersedia membina operasi pasca dagangan masa nyata yang dipacu AI.

AI pasca daganganT+1 Malaysiaoperasi pasaran modalautomasi kewanganrisk modelling AI
Share:

T+1 Bukan Sekadar Pematuhan – Ia Ujian Sebenar Kesiapan AI Bank Anda

Menjelang hujung 2027, pasaran utama dunia sedang berpindah ke kitar penyelesaian T+1. Eropah sudah tetapkan sasaran, Amerika Syarikat sudah bergerak, dan pasaran Asia – termasuk Malaysia – tak akan terkecuali daripada tekanan untuk ikut sama.

Dalam kitar T+2, banyak bank dan broker masih boleh “selamat” dengan proses manual, Excel sana-sini, dan pasukan operasi yang sanggup kerja lebih masa bila ada isu. Dalam dunia T+1 dan kemudian masa nyata, semua itu akan bocor di celah masa. Ralat kecil bertukar jadi kegagalan penyelesaian, penalti kawal selia, dan tekanan kecairan yang nyata.

Inilah sebabnya T+1 patut dilihat bukan sekadar projek pematuhan, tapi sebagai pintu masuk kepada penggunaan kecerdasan buatan (AI) dalam pasca dagangan. Bank, syarikat insurans dengan pelaburan besar, dan fintech di Malaysia yang bijak sedang gunakan peralihan ini untuk bina semula asas operasi mereka, berteraskan automasi pintar dan pemodelan risiko masa nyata.

Apa Sebenarnya Berubah Dengan T+1 dan Masa Nyata?

T+1 memaksa institusi kewangan beralih daripada operasi “batch” ke operasi hampir masa nyata. Dalam T+2, anda ada dua hari perniagaan untuk:

  • sahkan dagangan
  • padankan data dengan kaunterparti
  • sediakan tunai atau sekuriti
  • selesaikan ralat dan mismatch

Dalam T+1, sebahagian besar kerja ini perlu selesai pada hari yang sama dagangan dilaksanakan (T+0). Bila pasaran beralih lagi ke model yang benar-benar masa nyata (real-time), konsep “cut-off” harian pun akan jadi semakin kabur.

Bagi pemain Malaysia yang aktif dalam pasaran global – sama ada melalui custodian global, prime broker, atau platform pelaburan luar negara – tekanan ini sudah mula terasa.

Realitinya: jika proses pasca dagangan anda masih bertingkat-tingkat manual, T+1 akan menyerlahkan segala kelemahan itu dengan sangat jelas.

Di sinilah AI masuk sebagai pembeza utama antara organisasi yang sentiasa mengejar isu, dengan organisasi yang tenang kerana masalah besar sudah dijangka dan diurus lebih awal.

Di Mana AI Paling Bernilai Dalam Dunia T+1?

AI memberi nilai tertinggi dalam pasca dagangan apabila ia memotong rantaian ralat manusia dan membolehkan keputusan dibuat sebelum isu menjadi kegagalan penyelesaian. Tiga bidang paling kritikal:

1. Ramalan settlement fail & risiko kecairan

Dalam T+1, kegagalan penyelesaian (settlement fail) bukan lagi sekadar masalah operasi; ia cepat bertukar menjadi isu kecairan dan reputasi.

Model AI boleh:

  • menganalisis sejarah dagangan, profil kaunterparti, corak cut-off, dan tingkah laku akaun kustodi
  • mengira kebarangkalian setiap dagangan gagal diselesaikan
  • memberi skor risiko per transaksi, per pelanggan, dan per pasaran
  • mencadangkan tindakan: pra-borrow sekuriti, pindahkan kecairan, atau hubungi kaunterparti lebih awal

Bayangkan pasukan pasca dagangan anda menerima senarai 50 dagangan berisiko tinggi setiap pagi, lengkap dengan sebab dan cadangan tindakan. Fokus tenaga manusia beralih daripada mencari masalah kepada menyelesaikan masalah yang betul.

2. Pengoptimuman pengurusan inventori sekuriti & tunai

Dalam video Finextra, Danny Green daripada Broadridge menekankan peranan AI dalam pengurusan inventori. Bagi bank dan broker Malaysia yang aktif dalam sekuriti asing, isu ini sangat dekat dengan realiti harian:

  • sekuriti tersebar di pelbagai kustodian global
  • zon masa berbeza
  • had pinjaman sekuriti dan cagaran
  • turun naik FX

AI boleh:

  • menyatukan data posisi dari pelbagai sistem kustodi dan front office
  • menjangka di mana berlaku kekurangan sekuriti atau tunai
  • mengira kombinasi pindahan sekuriti/FX yang paling kos efektif
  • mengurangkan keperluan buffer tunai besar yang “terperangkap” di banyak lokasi

Hasilnya? Kos pembiayaan turun, buffer kecairan lebih tepat, dan kadar settlement fail berkurang.

3. Pengesanan anomali dan pematuhan masa nyata

Model pembelajaran mesin yang sudah digunakan untuk pengesanan penipuan kad kredit boleh disesuaikan untuk anomaly detection dalam pasca dagangan:

  • transaksi yang menyimpang daripada corak biasa pelanggan atau pasaran
  • perubahan luar biasa pada yuran, caj, atau hasil
  • tingkah laku luar kebiasaan kaunterparti tertentu

Dalam persekitaran T+1, isu kawal selia seperti CASS, AML, dan best execution perlu dipantau lebih rapat. AI boleh menandakan transaksi berisiko hampir masa nyata, bukan beberapa hari selepas kejadian bila audit dalaman baru perasan.

Cabaran Sebenar Bukan Teknologi, Tapi Reka Bentuk Operasi

Kebanyakan institusi di Malaysia sudah pun ada teknologi asas untuk AI: data lake, API, cloud, malah pasukan sains data. Masalahnya biasanya terjadi di tiga tempat:

  1. Silo organisasi – pasca dagangan, risiko, dan IT beroperasi dalam dunia masing-masing. Data tak mengalir, model AI jadi projek “POC” yang tak pernah hidup dalam produksi.
  2. Proses yang tak distandardkan – setiap desk, setiap produk ada workflow sendiri. AI sukar dilatih di atas proses yang terlalu berbeza-beza.
  3. Mindset projek vs platform – ramai lihat T+1 sebagai projek sekali jalan untuk tick-box pematuhan, bukan sebagai permulaan platform operasi masa nyata.

Saya selalu nampak satu corak: institusi yang berjaya ialah mereka yang merancang T+1 dan AI serentak, bukan secara berasingan.

Kalau anda reka semula proses pasca dagangan tanpa memikirkan di mana AI akan duduk, anda hampir pasti akan ulang kerja dalam masa 2–3 tahun.

Rangka Kerja Praktikal: Dari T+1 ke Masa Nyata Berpacukan AI

Berikut satu rangka kerja yang banyak digunakan bank dan fintech yang serius membina operasi pasca dagangan masa depan.

Fasa 1: Stabilkan asas & peta data

Fokus utama: dapatkan pandangan hujung-ke-hujung ke atas data dan proses.

  • Inventori sistem & proses: senaraikan semua sistem front, middle, back office yang terlibat dalam kitar hayat dagangan.
  • Standardkan data utama: ID pelanggan, ID dagangan, kod instrumen, time stamp. Tanpa standard, AI hanya akan menguatkan kekeliruan.
  • Automasi kerja manual paling kritikal: gunakan RPA sebagai langkah sementara untuk kerja berisiko tinggi seperti input manual berulang.

Pada fasa ini, AI hanya digunakan minimum – contohnya, model ringkas untuk memantau kualiti data.

Fasa 2: AI untuk ketelusan risiko T+1

Bila asas stabil, bawa AI masuk ke titik yang paling “mahal” dari sudut risiko dan kos.

Fokus bidang seperti:

  1. Model ramalan settlement fail

    • gunakan data 12–24 bulan lalu
    • mula dengan beberapa produk utama (contoh: ekuiti luar negara, bon kerajaan)
    • bina dashboard risiko harian untuk pasukan operasi dan risiko

  2. Pemodelan kecairan intrahari

    • ramal keperluan tunai berdasarkan kitar penyelesaian pelbagai pasaran
    • integrasi dengan fungsi treasury untuk keputusan funding

  3. Anomali pasca dagangan

    • mula dengan “unsupervised learning” untuk kesan corak luar biasa
    • tandakan isu untuk semakan manusia, dan gunakan maklum balas ini untuk latihan semula model

Fasa 3: Operasi masa nyata & automasi keputusan

Di sinilah institusi beralih daripada AI sebagai laporan kepada AI sebagai enjin keputusan.

Contoh aplikasi:

  • Auto-repair: bila sistem kesan mismatch kecil (contoh tanda desimal, rounding), AI mencadangkan pembetulan dan sistem melaksana secara automatik jika dalam had yang diluluskan.
  • Auto-routing kecairan: model mengesyorkan pemindahan sekuriti atau tunai antara akaun dan kustodian, berdasarkan kos dan risiko, dan menghantar arahan selepas pengesahan manusia atau secara automatik bergantung polisi.
  • Pemantauan 24/7: walaupun pasaran Malaysia tak buka 24 jam, pendedahan anda kepada pasaran global tetap berjalan. AI perlu memantau dan menghantar amaran bila risiko tertentu melampaui ambang yang ditetapkan.

Pada tahap ini, organisasi sudah mula menghampiri operasi pasca dagangan masa nyata.

Apa Ertinya Semua Ini Untuk Bank & Fintech di Malaysia?

Konteks Malaysia agak unik:

  • bank-bank besar sudah melabur besar dalam AI untuk fraud, kredit, dan chatbots
  • KWSP, PNB, bank pelaburan, dan insurer mengurus aset rentas pasaran global
  • regulator memacu agenda digital dan kecekapan pasaran modal

Tetapi dalam banyak perbualan saya dengan pemain tempatan, pasca dagangan masih dilihat sebagai “back office cost centre”. Itu silap besar.

Risiko T+1 dan masa nyata bermula di sini:

  • penalti kawal selia dan denda pasaran bila settlement fail berulang
  • tekanan kecairan bila collateral dan tunai terperangkap di lokasi yang tak optimum
  • kos operasi yang meningkat bila anda cuba “tampal” masalah dengan tambah lebih ramai staf

Sebaliknya, bila pasca dagangan digunakan sebagai “tapak uji” AI:

  • model risiko yang anda bangun boleh diguna semula untuk domain lain
  • data yang dibersihkan di pasca dagangan memperkayakan analitik front office dan risiko
  • budaya keputusan berasaskan data menjadi lebih kuat di seluruh organisasi

Pendek kata, modernisasi pasca dagangan ialah pintu belakang yang sangat berkesan untuk mempercepat agenda AI seluruh bank atau fintech.

Langkah Seterusnya: Di Mana Patut Anda Bermula Hari Ini?

Bagi organisasi yang serius tentang AI dalam perkhidmatan kewangan, T+1 ialah peluang keemasan untuk tukar teori kepada pelaksanaan.

Tiga langkah praktikal yang boleh bermula bulan ini:

  1. Audit kesediaan T+1 & AI serentak
    Nilai bukan sahaja jurang proses untuk T+1, tetapi juga:

    • kualiti data pasca dagangan
    • integrasi antara sistem front–back
    • keupayaan sedia ada untuk model AI masa nyata

  2. Pilih satu use case AI dengan pulangan cepat
    Contoh ideal: ramalan settlement fail untuk satu kelas aset utama. Pastikan:

    • skop jelas
    • data mencukupi
    • pemilik perniagaan komited

  3. Cari rakan teknologi yang faham kedua-dua dunia – pasca dagangan dan AI
    Tech vendor yang hanya kuat dari sudut AI tetapi tak faham realiti operasi pasaran modal akan menghasilkan solusi yang sukar dioperasi. Begitu juga vendor pasca dagangan tradisional yang tak ada strategi AI yang jelas.

Akhirnya, soalan sebenar untuk pengurusan tertinggi bank, insurer, dan fintech di Malaysia bukan “Perlu atau tidak kita bergerak ke T+1 dan masa nyata?”. Arah pasaran global sudah menjawab itu.

Soalan yang lebih jujur: Adakah kita mahu masuk era T+1 sebagai organisasi yang sentiasa memadam kebakaran, atau sebagai organisasi yang menggunakan AI untuk melihat api sebelum ia menyala?

Pilihan itu sedang dibuat sekarang, bukan pada 2027.