Michele Azzone

Gen 192020
 

Gli ultimi quaranta anni sono stati caratterizzati da un trend disinflazionistico molto forte con tassi in discesa e oggi negativi in molti paesi sviluppati. Lo scorso anno abbiamo assistito ad un cambio di marcia negli Stati Uniti – la Fed ha infatti proceduto ad un rialzo dei tassi. Per quanto le politiche di normalizzazione dei tassi siano molto incerte, è indubbio che siamo di fronte ad un bottom dei tassi e dell’inflazione. La sfida dell’industria è quella di immaginare nuovi paradigmi di asset allocation che possano funzionare bene in contesti diversi rispetto a quelli che abbiamo visto negli ultimi decenni. 

L’approccio tradizionale all’asset allocation è basato sul paradigma media-varianza di Markowitz (Markowitz, 1952). È ormai comunemente accettato che questo approccio dipende fortemente dalle ipotesi sui rendimenti attesi. In Pola & de Laguiche (2012) abbiamo evidenziato come i modelli di equilibrio comunemente utilizzati per la stima delle attese di rendimento siano poco efficaci nel contesto attuale (le nostre considerazioni nel 2012 restano valide anche oggi). Altro problema del modello di Markowitz è che le allocazioni sono poco diversificate (Pola & Zerrad, 2014).

In letteratura sono state proposte molte soluzioni a questo problema, in particolare il modello di Black&Litterman (Black & Litterman, 1990), approcci di asset-allocation robusti (Tütüncü & Koenig, 2004) e modelli Bayesiani robusti (Meucci, 2007). L’industria ha superato il problema della stima dei rendimenti attesi attraverso lo sviluppo di strategie d’investimento forecast-free come il minimum-variance e low-volatility (Baker et al, 2011), risk-parity (Meucci, 2009; Roncalli, 2013; Pola, 2014; Pola, 2016) e maximum-diversification (Choueifaty and Coignard, 2008).

A nostro avviso il problema è ridotto solo per metà. Resta una dipendenza molto forte di questi approcci verso il rischio di stima dei parametri di rischio: in Pola (2013a) mostriamo come il turn-over di queste strategie sia generato per buona parte dall’errore di stima delle co-varianze (principalmente le correlazioni) e non da variazioni strutturali nelle proprietà rischio-rendimento delle asset-class.

Il nostro approccio parte da una diversa angolazione. Noi crediamo che la dinamica dei prezzi delle asset class possa essere spiegata per buona parte dalla variazione delle aspettative di crescita ed inflazione e dal premio al rischio disponibile sul mercato.  Questo principio afferma dei concetti comunemente accettati dalla comunità. Tuttavia ci sono degli aspetti su cui è necessario soffermarsi:

  • Il principio mette in relazione la dinamica delle asset-class con la variazione delle aspettative delle variabili macro. È fondamentale ragionare in termini di variazione dei “livelli”, infatti il livello attuale della crescita economica e/o dell’inflazione sono già integrate nei prezzi degli attivi rischiosi e dunque non possono essere dei buoni predittori per spiegarne la dinamica futura.
  • Il principio pone l’accento su due variabili di carattere macro-economico, crescita ed inflazione, e su una terza dimensione, il premio al rischio. Questa grandezza, così come da noi intesa, è intrinsecamente cross-asset ed è sensibile alla liquidità degli attivi finanziari, l’incertezza macro e le politiche monetarie delle banche centrali.

E’ nostra convinzione che un approccio di questo tipo che tende a vedere le dinamiche delle asset-class come pura manifestazione di fattori più alti (crescita, inflazione e premio al rischio), sia più efficace nella gestione del portafoglio. Inoltre permette di gestire in modo più coerente l’incertezza macro tipica di fasi mature del ciclo economico come in questo particolare periodo storico. Non ultimo per importanza, approcci fattoriali di questa natura sono più robusti in quanto più resilienti a fenomeni di risk-off di mercato: è infatti noto che in periodi di forte correzione dei premi al rischio le correlazioni medie delle asset-class tendono a salire; in approcci fattoriali (come il nostro approccio Global Macro) invece le correlazioni tra fattori tendono a rimanere più stabili.

Le nostre considerazioni qui sono puramente metodologiche: quando si effettua una misurazione (e.g. la lunghezza di un tavolo) è importante avere uno strumento di misura (il metro, in questa analogia) che sia costante nel tempo e uguale e per ogni oggetto che si voglia misurare, analogamente è importante avere un processo di investimento con delle grandezze (i parametri dei modelli) che siano invarianti rispetto ai vari scenari di mercato, altrimenti la misurazione effettuata dipende da quando la si effettua. Detto diversamente, riteniamo sia necessario costruire un processo decisionale robusto ed invariante rispetto a quello che accade nei mercati finanziari.

Da un punto di vista tecnico il modello prevede dapprima l’identificazione di stati di riferimento sulle due variabili macroeconomiche. Per semplicità abbiamo considerato quattro scenari: accelerazione della crescita economica, rallentamento/recessione, accelerazione dell’inflazione, disinflazione/deflazione. È importante evidenziare ancora una volta come le grandezze siano costruite sulle aspettative, dunque sulla “variazione dei livelli”. In altre parole si procede a mappare lo stato del mondo attraverso due variabili (crescita ed inflazione), ognuna delle quali può assumere solamente due stati (rising o falling). Si tratta di un problema di classificazione che può essere approcciato con tecniche di Markow switching o più in generale attraverso l’utilizzo del Machine Learning.

Una volta identificati gli stati binari di crescita ed inflazione è possibile quantificare il grado di ortogonalità delle due variabili dicotomiche. La misurazione empirica della pseudo-distanza di Kullback-Leibler (Cover & Thomas 1991) evidenzia un buon grado di ortogonalità: le aspettative al rialzo o ribasso della crescita economica sono indipendenti (con un buon grado di confidenza) rispetto alla variazione delle attese di inflazione. In alternativa si sarebbe potuto seguire un approccio statistico per identificare i fattori indipendenti (Meucci, 2009; Oja et al, 2000; Meucci et al 2015). Un approccio di questo tipo garantisce perfetta ortogonalità dei fattori, tuttavia presenta due grosse difficoltà: (i) interpretabilità dei risultati e (ii) soluzioni troppo variabili nella dimensione temporale. Dunque abbiamo preferito un approccio non «perfetto» in termini di ortogonalità ma che permette di contro una lettura molto più efficace e soprattutto stabile nel tempo.

Successivamente si procede con lo studio della sensitività macro degli attivi rischiosi rispetto ai quattro scenari identificati su crescita ed inflazione. Questa misurazione viene effettuata attraverso l’utilizzo di un approccio proprietario, l’analisi di polarizzazione. L’idea è che gli attivi si “polarizzino” come gli spin di un elettrone in un campo magnetico, quando sollecitati da aspettative positive o negative sulle due grandezze macro. Il coefficiente di polarizzazione misura dunque l’attitudine di un attivo rischioso rispetto alla variazione delle aspettative di crescita e/o inflazione. Si tratta di un numero compreso tra +1 e -1, il suo segno indica preferenza per uno scenario di tipo “rising” o “falling”, mentre il suo valore assoluto indica l’intensità della relazione. Misure empiriche sul S&P 500 forniscono +99% per la polarizzazione verso la crescita economica e -80% per la polarizzazione verso l’inflazione: l’S&P 500 preferisce uno scenario di accelerazione della crescita economica e/o uno scenario disinflattivo, inoltre la variabile crescita economica domina quella inflattiva.

Una mappatura di questo tipo è intrinsecamente strategica perché de facto si origina dal pricing dell’asset class. Questa metrica permette di realizzare una tassonomia molto precisa degli attivi rischiosi in ragione del loro comportamento rispetto a shift macro sulle due variabili crescita ed inflazione. I coefficienti di polarizzazione sono calcolati con un approccio parametrico. Tuttavia nel caso di asset-class con evidente deviazione dalle ipotesi di gaussianità dei rendimenti (e.g. debito emergente e high yield bond con distribuzioni fortemente asimmetriche e leptokurtic) preferiamo un approccio non-parametrico basato sul bootstrapping.

La figura 1 riporta il posizionamento di un universo molto ampio di attivi rispetto alle aspettative di crescita ed inflazione. Il piano prende il nome di piano di polarizzazione, ogni punto corrisponde alle asset-class, le coordinate dei punti sono i coefficienti di polarizzazione. Evidentemente le quattro asset-class principali sono obbligazioni nominali, mercati azionari, materie prime e obbligazioni indicizzate all’inflazione – le quattro asset-class occupano infatti i quattro angoli del piano: (i) i bond nominali preferiscono uno scenario di tipo falling growth e falling inflation, (ii) gli inflation-linked bond un contesto macro di tipo falling-growth e rising-inflation, (iii) i mercati azionari rising-growth e falling-inflation, infine (iv) le commodity rising-growth e rising-inflation. 

Una classificazione di questo tipo permette di costruire un portafoglio multi-asset che sia coerente con una precisa visione top-down. Per esempio: una scommessa di puro alpha (non-direzionale) che esprima preferenza per crescita economica in accelerazione vede un portafoglio lungo mercati azionari e commodity e corto bond nominali ed inflation-linked. Seguendo questo ragionamento è possibile costruire dei proxy portfolio che rappresentano le variazioni delle attese su crescita ed inflazione: di fatto questi assi possono essere trovati effettuando una rotazione nello spazio astratto bi-dimensionale del piano di polarizzazione.

Il modello così rappresentato riesce a spiegare buona parte delle dinamiche dei prezzi sui mercati finanziari. Tuttavia ci sono degli scenari non compatibili con la rappresentazione fornita fino a questo punto. Fasi di Quantitative Easing oppure Tapering, scenari di market disfunctioning come nella GFC del 2008 o più in generale di scarsa liquidità nei mercati, evidenziano pattern di rendimenti di asset class fortemente correlate. In questi scenari le asset-class tendono a muoversi in modo sincrono tutte nella stessa direzione. Una fenomenologia di questo tipo non è compatibile con le evidenze empiriche delle polarizzazioni su crescita e inflazione.

E’ necessario allargare lo sguardo. In fisica ogni volta che le evidenze empiriche mostrano incongruenze con i modelli accettati, si procede a ripensare il modello di riferimento in modo più ampio, a generalizzare l’approccio. Per esempio i modelli di unificazione delle interazioni fondamentali si spingono oggi a ipotizzare un mondo fisico non più quadri-dimensionale come immaginato da Einstein ma ad un mondo con extra-dimension di genere tempo e spazio (Cheng & Li, 1995).

Analogamente il modello è stato arricchito introducendo un terzo fattore: il premio al rischio globale. Esso corrisponde al reward che ogni investitore richiede per detenere un asset rischioso. È per sua natura cross-asset, indipendente dalle attese di crescita e inflazione ed espressione dello stato di salute del mercato preso nella sua totalità, dunque scarsamente dipendente dalle dinamiche idiosincratiche dei singoli titoli. Da un punto di vista geometrico si tratta di una terza dimensione, un terzo asse ortogonale a crescita ed inflazione. I suoi determinanti di prezzo principali sono:

  • la liquidità disponibile sui mercati finanziari,
  • l’avversione al rischio degli investitori,
  • il catastrophic risk,
  • l’incertezza macro.

Storicamente si è visto come le politiche monetarie abbiano un effetto molto forte sul premio al rischio. I nostri studi mostrano come il Quantitative Easing o più semplicemente un atteggiamento «dovish» delle banche centrali spinga il premio al rischio verso performance positive, mentre politiche di Tapering (e.g. 2013) o comunque aspettative «hawkish» spingono ad un repricing degli attivi rischiosi e di conseguenza ad un aumento della volatilità del premio al rischio.

Da un punto di vista formale il premio al rischio è modellizzato attraverso un processo di ottimizzazione che permette di sintetizzare il portafoglio “macro-neutral”, ovvero un portafoglio costruito per essere neutrale rispetto alle aspettative di crescita ed inflazione. È evidente che in un contesto dominato dall’incertezza macro, l’investitore dovrebbe detenere il portafoglio “macro-neutral”, un portafoglio dunque bilanciato sulle aspettative di crescita ed inflazione ma che sia esposto ai premi al rischio di un universo molto ampio e diversificato.

A conclusione di questa lettera offriamo una rilettura della dinamica recente dei mercati azionari. Nel 2019 si è creato un mismatch tra dati fondamentali macro e andamento dei mercati finanziari. In figura 2 si evidenzia una discesa marcata dei rendimenti dei titoli governativi di tutti i paesi G7 nel 2019, andamento tipico di scenari di rallentamento/recessione. Lo scenario dei tassi è stato supportato dai dati macro che hanno registrato difficoltà nei paesi sviluppati ed emergenti. A fronte di uno scenario di questo tipo, i mercati azionari hanno registrato nello stesso periodo un andamento molto positivo. Come riconciliare i dati macro con l’andamento delle borse?

Proviamo ora a rileggere la dinamica dei prezzi dei mercati azionari alla luce del modello a tre fattori. In figura 3 riportiamo l’andamento cumulato del MSCI World in USD dal 31/12/2018 al 30/10/2019. La performance cumulata è stata poi proiettata sui tre fattori in modo da analizzare in modo separato i vari contributi. Emergono alcuni spunti interessanti:

  • È evidente che la performance della borsa si possa spiegare per buona parte dall’andamento del premio al rischio, favorito certamente dall’atteggiamento «dovish» delle banche centrali.
  • L’andamento della componente di crescita (e non il mercato azionario preso nella sua totalità) è invece coerente con le aspettative macro di rallentamento.
  • Lo scenario disinflattivo ha contribuito positivamente.
  • La dinamica del premio al rischio, molto forte da inizio d’anno, sembra invece aver ceduto il passo al fattore crescita che forse inizia a beneficiare di alcune vicende come l’avvicinarsi di un accordo tra Stati Uniti e Cina sulla guerra dei dazi e maggiore chiarezza sul tema Brexit.

Questo esempio evidenzia come il modello Global Macro offra una lettura alternativa alle dinamiche dei prezzi delle asset-class ed inoltre permetta di separare in modo molto trasparente e preciso l’effetto delle dinamiche macro da quello delle banche centrali.

Per maggiori dettagli sul modello si rimanda il lettore a Pola (2013b), Pola (2013c) e Pola & Facchinato (2016)

Gen 122020
 

L’iniziativa di Finriskalert.it “Il termometro dei mercati finanziari” vuole presentare un indicatore settimanale sul grado di turbolenza/tensione dei mercati finanziari, con particolare attenzione all’Italia.

Significato degli indicatori

  • Rendimento borsa italiana: rendimento settimanale dell’indice della borsa italiana FTSEMIB;
  • Volatilità implicita borsa italiana: volatilità implicita calcolata considerando le opzioni at-the-money sul FTSEMIB a 3 mesi;
  • Future borsa italiana: valore del future sul FTSEMIB;
  • CDS principali banche 10Ysub: CDS medio delle obbligazioni subordinate a 10 anni delle principali banche italiane (Unicredit, Intesa San Paolo, MPS, Banco BPM);
  • Tasso di interesse ITA 2Y: tasso di interesse costruito sulla curva dei BTP con scadenza a due anni;
  • Spread ITA 10Y/2Y : differenza del tasso di interesse dei BTP a 10 anni e a 2 anni;
  • Rendimento borsa europea: rendimento settimanale dell’indice delle borse europee Eurostoxx;
  • Volatilità implicita borsa europea: volatilità implicita calcolata sulle opzioni at-the-money sull’indice Eurostoxx a scadenza 3 mesi;
  • Rendimento borsa ITA/Europa: differenza tra il rendimento settimanale della borsa italiana e quello delle borse europee, calcolato sugli indici FTSEMIB e Eurostoxx;
  • Spread ITA/GER: differenza tra i tassi di interesse italiani e tedeschi a 10 anni;
  • Spread EU/GER: differenza media tra i tassi di interesse dei principali paesi europei (Francia, Belgio, Spagna, Italia, Olanda) e quelli tedeschi a 10 anni;
  • Euro/dollaro: tasso di cambio euro/dollaro;
  • Spread US/GER 10Y: spread tra i tassi di interesse degli Stati Uniti e quelli tedeschi con scadenza 10 anni;
  • Prezzo Oro: quotazione dell’oro (in USD)
  • Spread 10Y/2Y Euro Swap Curve: differenza del tasso della curva EURO ZONE IRS 3M a 10Y e 2Y;
  • Euribor 6M: tasso euribor a 6 mesi.

I colori sono assegnati in un’ottica VaR: se il valore riportato è superiore (inferiore) al quantile al 15%, il colore utilizzato è l’arancione. Se il valore riportato è superiore (inferiore) al quantile al 5% il colore utilizzato è il rosso. La banda (verso l’alto o verso il basso) viene selezionata, a seconda dell’indicatore, nella direzione dell’instabilità del mercato. I quantili vengono ricostruiti prendendo la serie storica di un anno di osservazioni: ad esempio, un valore in una casella rossa significa che appartiene al 5% dei valori meno positivi riscontrati nell’ultimo anno. Per le prime tre voci della sezione “Politica Monetaria”, le bande per definire il colore sono simmetriche (valori in positivo e in negativo). I dati riportati provengono dal database Thomson Reuters. Infine, la tendenza mostra la dinamica in atto e viene rappresentata dalle frecce: ↑,↓, ↔  indicano rispettivamente miglioramento, peggioramento, stabilità rispetto alla rilevazione precedente.

Disclaimer: Le informazioni contenute in questa pagina sono esclusivamente a scopo informativo e per uso personale. Le informazioni possono essere modificate da finriskalert.it in qualsiasi momento e senza preavviso. Finriskalert.it non può fornire alcuna garanzia in merito all’affidabilità, completezza, esattezza ed attualità dei dati riportati e, pertanto, non assume alcuna responsabilità per qualsiasi danno legato all’uso, proprio o improprio delle informazioni contenute in questa pagina. I contenuti presenti in questa pagina non devono in alcun modo essere intesi come consigli finanziari, economici, giuridici, fiscali o di altra natura e nessuna decisione d’investimento o qualsiasi altra decisione deve essere presa unicamente sulla base di questi dati.

Gen 102020
 

As required by Article #9 of EIOPA’s founding regulation, the Authority shall collect and report on consumer trends with the aim of identifying risks for the customers arising from trends in the market that may require policy proposals or supervisory actions.

EIOPA publishes a Consumer Trends Report once a year and disclosed the eighth version in December 2019. The report provides a description of the main market developments, complemented with an analysis of quantitative data and additional information related to non-confidential activities reported by the NSAs (National Competent Authorities) to promote an exchange of information and a common supervisory culture.

The main outcomes are

  • The Life insurance sector has grown by 5.7% in terms of total Gross Written Premiums (GWP), mostly driven by the other insurances, with UL and IL remaining stable
  • UL and IL insurance still represents the largest single LoB.

UL market has been reported by the NSA as on the top three consumer protection issues because of its complexity, lack of transparency and conflicts of interest. On the latter, commission rates has grown in 21 Member states and, considering that there is no visible correlation between commission rates and GWP growth, this may indicate the presence of conflicts of interests and aggressive sales tactics. Furthermore, an increase in the sale to vulnerable consumer groups has been registered.

An indicator of early surrenders shows potential ongoing mis-selling. This confirms the potential mis-match between consumers’ expectations and actual returns, which can be low due to the general low yield environment and the high fee structure of UL products (for Single Premium products, on weighted averages, the costs have reduced the yields by 2.50%). Costs are sometimes overlooked as these products are often bought to take advantage of tax incentives.

On the positive side, UL and IL products can offer a larger choice and higher returns in exchange for higher risk. The recent legislative changes (PRIIPS and KIDs) have led to improvements in the disclosure of returns and costs, enabling the consumers to compare the offers and have a better understanding of the fees and returns.

  • For what concerns the Other Life Insurance, a retail indicator shows continued growth and high commission rates. Most concerns are related to credit life and credit protection insurance products, especially when sold by bancassurance distribution channels, which account for more than 40% of the total life GWPs. The potential consumer detriment stems from cross selling and pressure sales techniques, pushing the customers into buying a product that may not suit their needs: a large portion of the customers interviewed believed that these products were mandatory by law and they did not pay full attention to the policy exclusions. Conduct risk has been reported with regard to group policies, where the bank is the policyholder, increasing the conflict of interests and limiting the consumers’ rights.
  • The non-life sector has grown by 4.4% in 2018, with a particular strong growth in Eastern European Member States. The most prominent product is still the motor vehicle insurance, although the medical expense one is the most important single LoB in terms of GWP.
  • The trend is characterized by innovation: in Sweden “pay as you drive” and other digital solutions have entered the market, while in Italy the usage of black boxes has increased by 22%.
  • Medical expenses is the single largest LoB, experiencing a 6% growth. Since these products are generally highly regulated, they fare well compared to other non-life insurance products when it comes to the value-for-money perspective: among all the LoBs, this one has the highest claim ratio, the lowest commission rates and a combined ratio of 97%.
  • Fire and other damage to property increased in 27 Member States, showing low claims ratios and the third highest commission rates.
  • General liability insurance has experienced the highest growth, with consumers who are generally satisfied, although some of them are not fully aware of coverages and exclusions, because of the cross selling techniques. For this reason, the claims ratios are generally low across the Member States.
  • Motor insurance has been reported by the NSAs as the second most concerning product, mostly because of the claims management issues, including lack of adequate reasons for rejecting claims, insufficient payment amounts and delays. Still, several positive developments have been put in place to simplify the management of the claims for the customers.  It is noteworthy that the ratio of number of claims to GWP is rather low: 1.1% for motor vehicle and 2.4% for other motor insurance.
  • Add-on / gadget insurance continues to grow, showing high commission rates and low claims ratios. Most concerns are related to insurances sold with electronics such as mobile phones, laptops or kitchen equipment because of the conflict of interest arising from the high commission incentives. Pressure sales tactics turn out into a lack of awareness for the customers and a low value for money these products provide.
  • The Pension sector has grown by 5%, with big changes in the decumulation phase and a shift from Defined Benefits (DB) to Defined Contributions (DC)
    • the Dutch NCA has reported that occupational pension funds are developing pension administration block chain applications with the aim of producing a more flexible and transparent pension system at a lower cost
    • in Spain a provider has launched an app to help consumers to better plan their future based on their lifestyle expectations
    • because of the increase in life expectancy, a strain is being put on the decumulation phase, causing the need of reforms in many Member States, where the retirement age has been reviewed and more flexibility in the withdrawal phase has been offered
    • some funds in Austria and Czechia are planning to introduce mobile devices, apps and chat boxes to fasten the communication; many pension funds have developed portals and some public or industry-led initiatives have been put in place to create pension dashboards, with the aim of enabling the consumers to access all their pension information simultaneously online (people change jobs multiple times)
  • The financial innovation has been widely reported by NSAs: digital ecosystems and comparison websites deserve few words
    • digital ecosystems are networks of products, organizations and people aggregated on a digital platform offering a joint holistic experience of service and products. They could offer opportunities and bring benefits to both insurers and customers, by letting the former access large pools of new customers and by minimizing the distribution costs for the latter. They can create a customer centric commercial experience, contributing to bridging the protection gaps
    • digital ecosystems are on the rise in Europe, but still at a nascent and emerging stage. In some member states they have a great presence: in the Netherlands there are several car sharing platforms offering coverages, in Germany Amazon has started to offer an insurance product (Amazon Protect)
    • un to now, insurers are enable to sell targeted and relevant products on a specific topic, like travel, healthcare, housing and cars/transports. The competition is still limited and, as the insurance is mostly the secondary product sold, customers do not generally pay attention to the coverages offered
    • given the market power of certain brands, the relation between manufacturers and distributors may let the latter impose conditions on the former (e.g. payment of high fees) and it may also be difficult to discern between the two parties, making it challenging to identify what is within and outside the scope of IDD. 
    • Price comparison websites and price aggregators continue to increase their presence. In some Member States they are for profit and act as insurance intermediaries, while in others they are not-for-profit. In both cases they tend to over-emphasise the focus on the price rather than on other features of the insurances, like terms, conditions and exclusions. If adequately supervised, they can be of real help, offering a wider choice and minimizing the information asymmetries. Their role is expected to grow.
    • Other financial innovations regard
      • development and commercialization, albeit at a very nascent stage, of cyber risk policies (Austria)
      • robot advice now used for disability insurance (Netherlands)
      • rewards systems for consumers who adopt a healthier lifestyle, monitored through various tools (Greece)
  • NCAs are working on both life and non-life sector:
    • several NSAs have conducted a lot of work in the UL market and many others in the analysis of adequate implementation of the KIDs for PRIIPs. Some others have looked into the monitoring of funds returns and have identified potential issues such as illiquidity and high volatility. A bit of work has been done on dormant policies as well
    • several activities have been carried out on the most common and popular motor and household insurance, while in Italy the NCA has proposed a specific work on health insurance products by having a structured dialogue with consumers associations and the industry to understand the potential risks for the customers. Some NSAs have looked at products that have seen an increase in the number of complains over the years (e.g. add-ons).
Gen 092020
 

Conference

Politecnico di Milano, June 11-12, 2020

www.mate.polimi.it/fintech

Big Data and Machine Learning are driving a significant transformation in the financial industry. Amazing examples include: robo-advisory; predicting frauds in payment systems; development of sophisticated algorithmic trading strategies; systemic risk assessment; rating of companies/financial products using a huge amount of information; development of chatbots for customers; nowcasting of financial time series; digital marketing; instant pricing of insurance products.

The transformation concerns the academia and the financial industry. The goal of the conference is to bring together academicians with different backgrounds (economists, finance experts, data scientists, econometricians) and representatives of the financial industry (banks, asset management, insurance companies) working in this field. 

Papers on all areas dealing with Machine Learning and Big Data in finance (including Natural Language Processing and Artificial Intelligence techniques) are welcomed. The conference targets papers with different angles (methodological and applications to finance).

Invited speakers:

  • Tomaso Aste (University College London)
  • Emanuele Borgonovo (Università Bocconi)
  • Orlando Machado (Aviva Quantum)
  • Juri Marcucci (Bank of Italy)
  • Georgios Sermpinis (Adam Smith Business School, University of Glasgow)

Submission of the papers deadline: March 30th, 2020

Notification deadline: April 20th, 2020

Scientific Committee: Emilio Barucci (Politecnico di Milano, chair), Filippo Della Casa (UNIPOL), Paolo Giudici (Università di Pavia), Daniele Marazzina (Politecnico di Milano), Andrea Prampolini (Banca IMI), Marcello Restelli (Politecnico di Milano).

Organizing Commitee: Michele Azzone, Emilio Barucci (chair), Francesca Grassetti, Daniele Marazzina, Marcello Restelli.