Commento a cura di David Pagliaro, responsabile EMEA di State Street Global Exchange.
Il nostro amministratore delegato una volta ha detto: “Nella nostra lunga storia, i periodi di cambiamenti normativi significativi hanno offerto le migliori opportunità”. Quest’affermazione non potrebbe essere più vera. Dagli inizi della crisi finanziaria sono state introdotte e applicate molte regolamentazioni. Se da un lato la velocità delle nuove iniziative regolamentari è decisamente diminuita, dall’altro le conseguenze di questi cambiamenti sono di ampia portata e tuttora in atto. La fase più gravosa è quasi terminata per le maggiori istituzioni bancarieche sono state il focus della prima ondata; gli assicuratori stanno raggiungendo la parte finale della coda mentre per i gestori la situazione è leggermente più intensa oggi.
In generale, però, gli operatori sono decisamente meglio praparati ad affrontare le normative. Tuttavia, la richiesta di dati corretti resta un elemento cruciale. La sfida più significativa è quella di costruire processi efficienti per poter gestire questi nuovi dati e soddisfare gli obblighi di rendicontazione. Anche se affrontare questa sfida può talvolta sembrare molto difficile, gestire i requisiti attraverso un quadro normativo semplice potrebbe essere un ottimo punto di partenza. Pensiamo, per esempio, ad attività come l’identificazione delle informazioni e dei rischi, l’aggregazione e la normalizzazione dei dati, l’esecuzione dei calcoli richiesti e l’attività di reportistica. Questo quadro sarebbe particolarmente efficace se potesse essere applicato a qualsiasi regolamentazione, da Solvency II, a AIFMD, PRIIPS o MiFID II.
Vediamo che le istituzioni si stanno concentrando in particolare sul primo dei tre step, investendo in nuove tecnologie per la gestione dei dati con risultati positivi. Oggigiorno molte procedure di analisi e di reporting del rischio sono standardizzate, e vediamo che tecnologie innovative stanno facendo il loro ingresso sul mercato. Le aziende stanno incrementando l'uso di nuovi strumenti e servizi di data & analytics, utilizzando il machine learning per l’interpretazione dei dati. Attualmente stiamo conducendo uno studio su uno strumento dedicato ai chief risk officer basato sul machine learning. Questo strumento è in grado di costruire un network intelligente basato sul portafoglio dei clienti. Ad esempio, lo strumento può essere utilizzato in caso di esplosione in una miniera di rame in Nord America. Sulla base dei dati forniti dai clienti, sappiamo che questi hanno un’alta esposizione ad Apple, che utilizza il rame per gli iPhone e che l’esplosione causerà un incremento dei prezzi di questo metallo. Lo strumento pertanto invia un alert al chief risk officer per informarlo dell’accaduto.
Com’è avvenuta quest’evoluzione?
Sia le regolamentazioni che le soluzioni necessarie per applicarle sono in continua evoluzione. Esistono alcuni esempi di introduzione di regolamentazioni ad alto livello, con contestuale definizione di principi di alto livello, seguiti da una serie di specifiche tecniche. Dal canto loro le istituzioni interessate cercano di mettere in atto rapidamente le attività operative per adeguarsi. Successivamente, di solito dopo alcuni periodi di reporting, le istituzioni finanziarie fanno un passo indietro e valutano se il sistema che hanno implementato è pienamente efficace o meno; allo stesso modo, le autorità regolamentari verificano se la regolamentazione sta funzionando come previsto.
C’è un’ampia casistica su come le istituzioni finanziarie si siano rese conto di aver sviluppato troppo rapidamente qualcosa che non necessariamente è risultato adatto rispetto all’obiettivo iniziale. Ad esempio, quando le banche avevano inizialmente dovuto rispettare le norme relative agli stress test, si trattava prevalentemente di un compito svolto da un esercito di consulenti. Da quella fase si è poi passati ad un sistema tecnico, che si è evoluto nel tempo. Allo stesso modo, ci sono esempi che mostrano come a volte siano stati i clienti ad introdurre soluzioni di rendicontazione in ambito Solvency II, che dovevano essere aggiornate al fine di diventare più “scalabili” in ottica di gestione dati. Ci sono anche alcuni esempi che vedono i regolatori impegnati a richiamare o ampliare determinati requisiti tecnici.
Un esempio recente è quello dei PRIIPS, che sono un'evoluzione del KIIDS. Entrambi sono documenti sintetici e standardizzati che consentono agli investitori retail la comparazione dei fondi. Entrambi sono stati concepiti per illustrare in modo semplice a un investitore retail le caratteristiche più rilevanti di un investimento, come ad esempio l’orizzonte temporale, gli investimenti sottostanti, i livelli di rischio, ecc. Già dal 2011 la regolamentazione UCITS include i requisiti KIID, mentre la normativa PRIIPS KID è destinata ai fondi retail non UCITS. Fortunatamente le tecnologie esistenti possono essere adattate per affrontare la portata più ampia della regolamentazione.
Cosa ci riserva il futuro?
In questo momento cruciale per l’evoluzione regolamentare e tecnologica, il settore ha dimostrato di essere resiliente e, come sempre, riuscirà a trovare un modo per adattarsi. Il settore continuerà ad evolversi per massimizzare l’efficacia, ridurre i costi e gestire il rischio. Ad oggi, grazie alle tecnologie emergenti e all’intelligenza artificiale, ci sono molte soluzioni personalizzate e di nicchia che vengono create in modo indipendente e sono scarsamente scalabili, ma nel corso degli anni si arriverà probabilmente al momento in cui questi prodotti saranno disponibili a tutti.
