L’evoluzione del Model Risk Management

Le nuove capacità di analisi per fronteggiare lo scenario attuale caratterizzato da crescente incertezza. Che cos’è il Model Risk Management

06 Set 2022

Stefano Piroddi

senior Security manager

Il contesto macroeconomico nel recentissimo passato è stato caratterizzato da una crescente incertezza, elevata volatilità e un forte aumento dei fattori di rischio. Questo contesto ha indotto diverse istituzioni finanziarie a sviluppare nuove capacità di analisi che consentano di assicurare una risposta più aderente ed efficace.

È di particolare interesse per comprendere tale tendenza lo studio svolto da McKinsey che, nell’ultimo anno, ha intervistato gruppi di risk manager circa lo stato dell’arte nello sviluppo di modelli di gestione del rischio (Model Risk Management – MRM).

MRM – Model Risk Management, che cos’è

Prima di addentrarci nella descrizione dei recenti trend in ambito MRM definiamo cosa è il MRM.

Il MRM può essere definito come la potenziale perdita che si potrebbe registrare come conseguenza di decisioni e scelte strategiche basate sugli output di modelli interni come risultato di errati sviluppi ed implementazioni degli stessi.

WHITEPAPER
La guida per scegliere il miglior antivirus gratuito per il tuo PC
Personal Computing
Cybersecurity

Il modello si articola in diverse fasi di cui, le più centrali sono il Model Development, Model Validation e Model Use.

È un metodo che dall’analisi di dati quantitativi, sulla base di una serie di teorie economiche, dati statistici e, più in generale, da una attività di analisi degli stessi, elabora delle stime di output volte a orientare investimenti, scelte macroeconomiche etc.

Lo studio di McKinsey ha permesso di individuare tre trend di trasformazione chiave:

  1. Efficienza, digitalizzazione e automazione dei modelli di gestione;
  2. Estensione delle aree di interesse dei modelli di gestione a nuovi settori quali clima, cyber, mercati, risorse umane;
  3. Riduzione del rischio e massimizzazione del potenziale di intelligenza artificiale e big data.

In risposta alla crescente complessità degli scenari di business e agli impatti dovuti alla pandemia, diverse banche hanno incrementato quantitativamente i propri modelli di gestione. Negli Stati Uniti è stato registrato un incremento del 25% mentre nel vecchio continente del 13%.

Efficienza, digitalizzazione e automazione dei modelli di gestione

Con l’aumento della pressione sui livelli di efficienza, l’automazione è diventata una priorità sempre maggiore, il cui sviluppo è accompagnato dallo sviluppo di flussi di lavoro sempre più standardizzati. I vantaggi più comunemente noti dell’automazione includono una maggiore efficacia (maggiore coerenza e rigore nelle attività) e una maggiore efficienza (ad esempio nella convalida del modello).

Tra le altre iniziative di efficienza è emersa come prioritaria la digitalizzazione del ciclo di vita del modello sempre più orientato verso l’impiego di piattaforme cloud.

Diversi istituti hanno investito in termini di automazione e digitalizzazione di processi per accelerare le capacità di data collection e di analysis in direzione di un approccio agile, che comprenda lo svolgimento di test in ambiente di prova e caratterizzato dalla flessibilità dei programmi.

Estensione delle aree di interesse dei modelli di gestione a nuovi settori

Un fattore trainante dell’espansione delle scorte negli ultimi due anni è stato l’emergere di una serie di nuovi casi d’uso, compresi i rischi emergenti relativi a cyber-risk, cambiamenti climatici e COVID-19.

Una tendenza comune nell’UE è stata che le banche dividano le proprie risorse MRM in due team primari, uno incentrato sui modelli normativi e l’altro incaricato di operare in tutti i settori residuali al fine di specializzare maggiormente i team.

A tal fine, molte banche hanno iniziato a incorporare il MRM nelle loro valutazioni più ampie della propensione al rischio (RA)e, anche se con differenti approcci, con lo scopo di aumentare l’affidabilità delle valutazioni lavorando su una base ampia e diversificata di modelli.

Riduzione del rischio e massimizzazione del potenziale di intelligenza artificiale e big data

Una delle aree di innovazione più interessanti nel MRM è l’introduzione di sistemi che sfruttano l’intelligenza artificiale, l’apprendimento automatico (ML) e il deep learning, il cui sviluppo ha consentito alle banche di poter investigare meglio aree come la criminalità finanziaria e cibernetica ed essere più aderenti alle richieste del legislatore.

Anche le vendite e il marketing sono stati un beneficiario chiave di questi nuovi strumenti che hanno reso le banche in grado di analizzare in maniera più puntuale i dati dei clienti per offrire una proposta più snella e su misura.

Poiché l’intelligenza artificiale e il machine learning sono diventati elementi fondamentali per gestire i rischi attraverso una governance dei modelli migliorata, quadri di convalida e capacità di conoscenza più potenti, molti istituti bancari hanno costruito o acquisito strumenti e infrastrutture digitali per garantire di massimizzare il valore delle tecniche di creazione di modelli avanzati.

Le banche hanno anche segnalato una maggiore attenzione alla compliance normativa, che riflette l’accresciuta entità dei potenziali rischi etici e reputazionali associati a modelli complessi.

Per quanto concerne i modelli impiegati relativamente ai mutamenti climatici è stata evidenziata una particolare peculiarità ovvero il fatto che vi sono stakeholder che possono avere una comprensione intima del rischio superiore rispetto ai paritetici in altri settori, ma non hanno familiarità con i dati e le metodologie che supportano il MRM.

Ciò implica la necessità di un approccio più flessibile alla convalida, in modo che lo sviluppo in queste aree in rapida evoluzione possa procedere alla stessa velocità di quanto accade in altre aree.

Conclusioni

Le 3 tendenze emerse sono tutte accomunate da un processo che le sottende, ovvero il sempre crescente bisogno di informazione, da cui deriva la necessità di accrescere le capacità di data collecting in termini quantitativi ma anche di tematiche su cui si raccolgono i dati, così come di incrementare le potenzialità di data analysis. Processo che favorisce di per sé l’impiego delle tecnologie più performanti (cloud, AI, ML etc.) nei processi di automazione e digitalizzazione.

È ragionevole affermare che quelle che sono le tecnologie emergenti stanno guadagnando giustamente terreno in settori come la gestione dei rischi proprio grazie alle loro potenzialità che vanno dalla capacità di calcolo alla flessibilità e adattabilità, tutte caratteristiche che sono indispensabili per analizzare, gestire, quantificare i fattori e le aree di rischio, al fine di assumere decisioni ponderate e ottimizzare le opportunità di business che ne derivano riducendo il più possibile i rischi specifici.

@RIPRODUZIONE RISERVATA
P
Stefano Piroddi
senior Security manager

Articolo 1 di 4