Apr 142019
 

L’adeguamento ai requisiti MREL (Minimum Requirement for own funds and Eligible Liabilities), è una delle sfide più importanti che il sistema bancario Europeo dovrà affrontare. Sui possibili effetti del MREL per le banche italiane, una risposta è stata fornita dal Centro Europa Ricerche, nel Rapporto Banche CER 2/2018.

Uno studio della Banca d’Italia, basato sulla proposta di revisione della BRRD presentata dalla Commissione Europea alla fine del 2016, stima che al termine di un periodo di transizione ipotizzato di tre anni, le banche italiane potrebbero registrare una carenza aggregata di passività idonee tra i 30 e i 60 miliardi di euro, a seconda del grado di subordinazione del requisito tuttora in fase discussione. Le stime confermano la conclusione del rapporto dell’EBA riguardo l’ampia variabilità tra banche circa gli effetti sul costo della raccolta in relazione alla loro rischiosità e capacità di accesso al mercato.

Per approfondire gli effetti del MREL sul sistema bancario italiano, il CER ha analizzato i bilanci delle prime 9 banche in termini di totale attivo. La banca che nel 2017 deteneva più asset era Unicredit (826 miliardi di euro), seguita da Intesa-Sanpaolo (784 miliardi), Banco BPM (157 miliardi), MPS (139 miliardi) e UBI (125 miliardi).

Nell’analizzare la composizione delle passività MREL è utile distinguere la loro incidenza rispetto ai due diversi denominatori adottati, il TLOF e le RWA (grafico 1).

Il totale delle passività MREL in rapporto al TLOF è stimabile pari al 21%, un valore ben più alto rispetto al dato medio per le banche europee individuato dall’EBA per il 2016 (14,4%). Guardando alle singole passività MREL si nota come il debito senior non garantito con durata residua superiore ad un anno rappresenti la quota più ampia in percentuale del TLOF (11%), seguito dal CET 1 capital (6%).

Quote più basse si riscontrano per il debito subordinato con durata residua maggiore di un anno (2%) e per additional CET 1 capital, Tier 2 capital e depositi non garantiti con scadenza superiore ad un anno (1% per ciascuna tipologia).

Il totale delle passività MREL rispetto alle RWA è stimabile al 48%, contro un livello medio per le banche europee individuato dall’EBA per il 2016 pari al 37,8%. La percentuale di CET 1 capital in rapporto alle RWA è del 13%, mentre è pari al 25% per il debito senior non garantito, al 4% per il debito subordinato, al 3% per i depositi, 2% per il Tier 2 capital e 1% per l’additional CET 1 capital.

In definitiva, le banche italiane sembrano avere una dotazione di passività MREL ben più elevata rispetto alle altre banche europee.


Grafico 1. Passività MREL totali dei principali gruppi bancari italiani in % di RWA e TLOF
Dati relativi al 31/12/2017.



Fonte: elaborazioni e stime CER su dati di bilancio al 31/12/2017.

Analizzando i singoli dati delle principali banche italiane si riscontra però una certa variabilità nelle passività MREL in percentuale del TLOF (grafico 2). Il valore più elevato è quello di Mediobanca (MREL pari al 38% del TLOF), seguono Intesa (25%), UBI (24%), MPS (20%) e Unicredit (18%). Valori inferiori sono stati calcolati per Bper, BPM e Iccrea (tutti intorno al 16%) e per Credem (14%)


Grafico 2. Passività MREL dei principali gruppi bancari italiani in % del TLOF
Dati relativi al 31/12/2017.



Fonte: elaborazioni e stime CER su dati di bilancio al 31/12/2017.

Facendo variare il denominatore, e considerando quindi le passività MREL rispetto al RWA (grafico 3), si nota che l’incidenza più alta si riscontra per Iccrea (59%), seguono Intesa (52%), Mediobanca (51%), MPS (50%), UBI e Unicredit (48%). Percentuali inferiori sono ottenute analizzando i bilanci di BPM (38%), Credem (37%) e Bper (36%).


Grafico 3. Passività MREL dei principali gruppi bancari italiani in % delle RWA
Dati relativi al 31/12/2017.


Fonte: elaborazioni e stime CER su dati di bilancio al 31/12/2017.

Dal confronto tra le passività MREL espresse in termini di TLOF e di RWA emerge quindi un diverso ranking tra i principali gruppi bancari italiani e una diversa dispersione dei risultati. Rapportare il MREL al TLOF, come è previsto allo stato attuale, invece che alle RWA, utilizzate per il calcolo del TLAC, determina vantaggi/svantaggi a livello di singolo istituto.

Un’ulteriore distorsione potrebbe verificarsi nella ricomposizione delle passività. Osservando la relazione tra CET 1 e debito senior si rileva un diverso andamento a seconda del denominatore considerato (TLOF vs RWA). La relazione rispetto al TLOF è crescente, in altri termini all’aumentare dell’incidenza del capitale di alta qualità aumenta anche quella delle obbligazioni senior (grafico 4). Viceversa, guadando alla relazione che considera come denominatore l’RWA, la relazione cambia di segno, diventando negativa. Ciò implica che all’aumentare di una passività tende a ridursi l’altra.

Analogo risultato si ottiene guardando alla relazione tra CET 1 capital e debito subordinato (grafico 5).


Grafico 4. Principali gruppi bancari italiani. Relazione CET 1 e debito senior non garantito


Fonte: elaborazioni e stime CER su dati di bilancio al 31/12/2017.

Grafico 5. Principali gruppi bancari italiani. Relazione CET 1 e debito subordinato

Fonte: elaborazioni e stime CER su dati di bilancio al 31/12/2017.

Concludendo, nonostante il percorso legislativo sul MREL sia in fase di rifinitura e completamento, restano dei punti di domanda sulla capacità del mercato di assorbire gli strumenti che le banche dovranno emettere per rispettare il requisito. La quantità di emissioni dipenderà anche dai contenuti del testo finale, in riferimento soprattutto alle modalità di calcolo delle passività.

Come osservato dall’analisi sulle principali banche italiane, il MREL potrebbe indurre anche ulteriori effetti distorsivi a seconda del denominatore considerato per il calcolo del requisito. I diversi risultati ottenuti utilizzando TLOF e RWA, queste ultime a loro volta funzione del modello di business assunto dalla banca, determinano infatti effetti sostituzione tra le passività bancarie. La conseguenza può essere quella di ottenere risultati contrari rispetto agli obiettivi fissati da MREL e TLAC. Ad esempio, alcuni istituti potrebbero scegliere di ridurre la dotazione di capitale di primaria qualità, nei limiti stabiliti dalle regole di Basilea, per incrementare il debito senior o quello junior.

Un ultimo effetto indesiderato della normativa potrebbe consistere nell’indurre gli intermediari a far fronte ad eventuali crisi con relativa facilità, grazie ad un adeguato livello di patrimonializzazione, e che l’intervento pubblico per evitare effetti sistemici non sia più necessario.

Bibliografia

  • Banca d’Italia, Rapporto sulla stabilità finanziaria, 2/2016.
  • CER, Rapporto Banche 2/2018
  • EBA, Final report on MREL. Report on the implementation and design of the MREL framework, 14 December 2016; EBA, Quantitative update of the EBA MREL Report, 20 December 2017.

Apr 062019
 

On the 26th of March 2019 IVASS has issued a press release communicating an update on the data related to the dormant life assurance policies: 208,863 contracts, amounting to 3.9 billion euros, have been “awakened” by the Italian Regulator.

Dormant life assurance policies are those that have not been collected by the beneficiaries and lie dormant at insurance undertakings until they become time-barred. The rights arising from those policies are barred after 10 years from the event (death or maturity), when the corresponding benefits are paid to the Dormant Accounts Fund. Dormant policies can be either contingent on death, if beneficiaries do not cash in the benefits because they may not be aware of the policy itself, or saving policies not collected upon maturity for any reason.

The extensive phenomenon of potentially dormant policies arose from both the shortcomings embedded in the procedures carried out by the undertaking when checking the deaths of insureds and identifying its beneficiaries and from the widespread use of generic formulations to indicate the beneficiaries when underwriting the contract.

To contrast and reduce this phenomenon, the Regulator has:

  • carried out an analysis on the dormant policies, started in 2017
  • suggested the undertaking some guidelines to improve the processes for ascertaining the deaths and identifying the beneficiaries, requiring the undertakings to enhance their processes by the 30th September 2018
  • required the undertaking to make available on their website a contact point in charge of responding to enquiries from possible beneficiaries on the existence of life assurance policies in their favour and to proceed with the “run-off” of the dormant policies identified
  • suggested the market to check if a deceased family member had underwritten a policy by contacting the “search service for life insurance covers” of ANIA (the National Association of Insurance Undertakings) or the insurance intermediary, the bank or the insurance undertaking the family member was a customer of
  • sensitized the policyholders to provide the undertaking with all the information (address, telephone number and/or e-mail address) necessary to contact the beneficiaries and make them aware of the existence of the policy and inform a third party who can inform the beneficiaries when the insured event occurs.

IVASS has started the investigation on dormant policies (first wave) back in 2017, publishing some important results on the 3rd September 2018. At that date, 187,493 policies amounting to 3.5 billion euros had already been “awakened” by matching the tax code of the insured people with the data stored in the tax-payers database by “Agenzia delle entrate” – Revenue Agency, the Italian IRS (Internal Revenue Service) – while other 900,000 contracts still had to be checked. The analysis, updated at the 31st of January 2019 and published on the 26th March 2019, shows that the Regulator has “awakened” other 21,370 policies, amounting to other 335 million euros.  The table below, released by IVASS, reports the details of those policies and clarifies that, out of the original 900,000 contracts, 13,171 still must be verified. These ones are related to old policies, with no obligation of indicating the tax code of the insured and with no clear indication of the beneficiary. IVASS suggests in those cases to use specialized companies to retrieve the missing information. The rest of the policies (873,000 = 96%* 900,000) have correctly not been paid being the insured person alive at maturity or the policy insolvent (i.e. the policyholder has stopped the payment of the premiums, causing the resolution of the contract)

In addition to the 21,370 “awakened” policies, there are other 436 contracts, amounting to 7 million euros, that have become time-barred and should be paid to the Dormant Account Fund.

IVASS is now waiting for a feedback on other policies investigated in the last months (second wave), whose data were provided by the undertaking on the 30th October 2018. Indeed, on the 3rd September 2018, the regulator decided to extend the perimeter of the analysis to contracts expired in the period 2001-2006 and to those expired in 2017 and not yet settled. By the end of May 2019 the undertakings will have to give IVASS a feedback on the cases highlighted by the regulator, with a dead insured the undertakings were not aware of.

IVASS is now investigating the policies (third wave) whose data were provided by EEA foreign undertakings last 28th February 2019. These policies are related to contracts either expired between 2001 and 2017 or to whole life policies outstanding at 31 December 2018. The aim of this analysis is to offer the same level of protection to all the beneficiaries, independently of the nationality of the undertaking.

Following a proposal from IVASS, a new law has been issued on December 2018: every insurance company operating in Italy shall check at the end of each solar year whether its insured are still alive. If not, the undertaking shall pay the beneficiary and inform the Regulator by the next 31st March. The first check will be carried out next 31st December 2019.

Mar 292019
 

Introduction

Effective official sector surveillance and crisis lending depend upon an accurate assessment of debt sustainability. Debt sustainability analysis (DSA), aims precisely to detect and quantify any latent public debt risks (IMF 2013b), and, also, to determine the combination of official financing and adjustment measures that will bring a country’s debt to a sustainable level. The IMF’s exceptional access policy stipulates a debt restructuring delivering sufficient relief before the IMF can provide financing, if debt is not deemed sustainable with high probability.  

The Greek debt crisis revealed two main concerns regarding the effectiveness of traditional DSA (Consiglio and Zenios 2015a, Zettelmeyer et al. 2016). First, around crisis episodes, uncertainty is high and focusing on average dynamics may conceal potential future risks. Second, as official lending has moved into addressing the problems of economies with large and liquid public bond markets, the traditional approach faces criticism that it neglects that sovereigns issue debt recurrently with the underlying debt management techniques (Guzman and Lombardi 2018, Corsetti et al. 2018).

To cope with uncertainty we need DSA tools that facilitates a view beyond mean value projections. IMF authors propose a ”fan-chart approach” to debt sustainability (Celasun et al.,  2006), and Consiglio and Zenios (2015b) introduce the optimization of a measure of tail risk, arguing that ”the devil is in the tails”.

But the task at hand does not stop at estimating uncertainty. The public debt management offices actively manage public debt risks, for instance, by combining shorter and longer maturities, which can affect not only borrowing costs but also debt dynamics. Hence, debt flow dynamics become critical under the accommodative terms of the official help.  For instance, IMF (2013a) and Grauwe (2015) find that the Greek debt could be considered sustainable under the official lending (concessional) conditions, but Consiglio and Zenios (2015a) show that sustainability is highly unlikely even under favourable (post-adjustment program) market conditions. Following intense debates with European institutions, the IMF changed the way it evaluates DSA (IMF 2013b), and is now advocating the setting of two limits: one on sovereign gross financing needs (an aggregate of a country’s primary balance, interest payments, and maturing debt), and a second on debt stock dynamics.

These developments in institutional policy bring to the frontline of DSA the flow features of debt. However, debt flows are critically affected by the sovereign’s issuance strategy which in turn affects debt stocks.

Standard DSA models largely ignore the funding strategy, and debt flows become less informative because they do not account for the debt managers’ impact on debt dynamics. There is a need for a DSA framework with elements of risk management that can quantify the trade-off between refinancing risks and debt costs – or, more broadly, between debt stock and flows. Such an enhanced framework can provide important insights and better inform policy. 

In a recent working paper (Athanasopoulou et al., 2018) we tackle both issues by enriching the traditional DSA framework with an optimizing issuer operating in a risk environment. In this setting a government chooses the issuance strategy, from a set of different maturities, to minimize borrowing costs while controlling refinancing risks. This implies that reducing refinancing risks comes with longer maturities and, therefore, with higher costs that weigh on debt stock. This potential conflict between lower financing needs and higher debt costs unfolds through the funding strategy. In this framework we add constraints to  incorporate into the tool the limits prescribed by IMF.[2] With this approach we ensure that debt levels and refinancing needs remain within acceptable levels, with high probability.

In this note we highlight the key insights from using our framework.    

Optimizing debt sustainability analysis: features and lessons

The model we develop enriches the DSA framework by taking into account for the issuer’s optimizing behaviour, and adding constraints to limit the pace of debt stock reduction and the level of refinancing. These constraints incorporate the new critical elements of DSA analysis into our optimizing problem. Hence, the model integrates the current DSA practices with the debt financing decisions of the sovereign debt managers, and it does so within a risk framework accounting for uncertainty. Furthermore, we model the feedback loop between debt stock and refinancing rates that in turn feed back into debt stock (Gabriele, 2017).

The model uses scenario analysis. It builds on a long tradition of multi-period, multi-stage stochastic models, that find numerous applications in the risk management of large-financial institutions (Zenios and Ziemba 2007). Our work shows that this technology can be transposed into the context of sovereigns. This is especially relevant in light of the recent IMF suggestion that sovereigns should gauge the resilience of public finances, not just debt, to tail risks (IMF, 2018).

Skipping over technical details, we outline key features of our model:

  1. Scenario representation of macroeconomic, fiscal, and financial variables. The scenarios are calibrated to a country’s conditions and observed market data, using historical correlations. Interest rates are driven by a stochastic process of risk-free interest rates and the nonlinear feedback of the country’s debt level on its borrowing rates.
  2. Optimization of debt financing decisions to trade off debt financing cost with refinancing risks.
  3. Simultaneous tracking of debt stock and debt flow dynamics, identifying trade-offs within sustainability constraints.
  4. A measure of tail risk (Conditional Value-at-Risk, CVaR, of debt stock and/or debt flow) allows policymakers to draw conclusions with high confidence.

The key innovation is the ability to optimize debt financing decisions within a risk framework. This innovation is of critical importance for advanced economies, as these tend to have a rich debt issuance strategy. Our approach contrasts with traditional DSA approaches where debt refinancing is normally exogenously assumed to happen with a fixed (usually, five-year) maturity. The model parametrizes the refinancing risk tolerance with a value (omega) on the tail risk measure of  gross financing needs,. Higher values of omega imply a higher refinancing risk. Assuming that 5% is the acceptable confidence level for the policymakers, we see solutions such that the top 5% of outcomes have gross financing needs (as percent of GDP) smaller than omega .

We highlight two key lessons from applying the model to a realistic economy.

  1. Risk management for debt financing comes at a cost

Figure 1 shows expected interest payments for different levels of risk (omega). We observe that higher refinancing risk implies lower expected interest payments. The same figure also shows the weighted average maturity of issued debt, and we observe that risk averse sovereigns should  choose issuance strategies that resort more often to long-term financing instruments. Those, however, are more expensive. Likewise, we observe a shift from long-term to short-term issuance as risk tolerance increases. This shift creates even greater risks when a country is in trouble. Our model captures the “gambling for redemption” effect of what Conesa and Kehoe (2015) for high risk countries. 


Figure 1: Expected interest payments (NIP) and weighted average maturity at issuance (WAMI) for different risk levels
  • Trading off debt flow and stock dynamics

Our simulations reveal also a trade-off between the dynamics of gross financing needs and those of debt stocks. Average debt stock and gross financing needs, under the optimal issuance strategy, move in opposite directions as we change the acceptable level of risk. The fan charts in Figures 2(a) and 2(b) clearly make the point for two different values of risk (high in blue, low in red).

(a) Gross Financing Needs (% GDP) (b) Debt Stock (% GDP)

Figure 2: Gross financing needs and debt stock move in opposite directions as we change the risk tolerance


An important value-added of our model is that it quantifies this trade-off in both temporal and stochastic dimensions. Reducing refinancing risks is always desirable, but at what point does this become too costly? How much should a Treasury increase the weighted average maturity of its issuances to reduce tail refinancing risks by 1%? The relationship between these variables is nonlinear and addressing these questions without a rich and realistic quantitative tool can generate misleading policy advice. The model provides important insights into these issues.

Are the solutions relevant?

The trade-offs we identified are pertinent for policymakers only to the extend they have significant quantitative effects. For our (realistic) calibrated economy, we find that reducing risk from a relatively high level to the lowest attainable level implies about a 5-year increase in the weighted average maturity of issued debt and an increase in the effective interest rates of 0.8% on average. Consistent with these effects, gross financing needs drop by about 8% while debt deteriorates by 9%.  Such numbers are significant for any sovereign and in case of crisis countries can make the difference between sustainability or not. We also found that the sensitivity of solution to the level of acceptable risk increases with the initial stock of debt and with shorter debt maturities, so the model is more effective for countries that are in, or approaching, a crisis situation.

Conclusions

Our model quantifies the trade-off between debt stocks and debt flows and makes clear the relevant risks by optimizing the debt financing decisions. This framework allows us to provide, among other matters, answers to three important policy questions:

  • What are the costs and benefits of reducing refinancing risks?
  • What are the minimum refinancing risks to be faced for a given level of debt reduction?  
  • What is the size and timing for reducing financing needs to preserve a specific level of refinancing risks, while targeting a specific amount of debt reduction?

When calibrated to a specific economy, this model can answer these questions. Our framework offers policymakers the ability to refine their assessment of alternative policies on future debt dynamics. Our approach also adds new risk factors that enrich the standard assessments by evaluating refinancing risks and the relevant costs for reducing them.

References

M. Athanasopoulou, A. Consiglio, A. Erce, A. Gavilan, E. Moshammer, and S.A. Zenios. Risk management for sovereign financing within a debt sustainability framework. Working Paper 31, European Stability Mechanism, Luxembourg, 2018.

O. Celasun, X. Debran, and J.D. Ostry. Primary surplus behaviour and risks to fiscal sustainability in emerging market countries: A “fan-chart” approach. Working Paper 06/67, International Monetary Fund, Washington, DC, 2006.

J.C. Conesa and T.J. Kehoe. Gambling for redemption and self-fulfilling debt crises. Research Department Staff Report 465, Federal Reserve Bank of Minneapolis, 2015.

A. Consiglio and S.A. Zenios. Risk management optimization for sovereign debt restructuring. Journal of Globalization and Development, 6(2):181–214, 2015a.

A. Consiglio, and S.A. Zenios. Greek debt sustainability: The devil is in the tails. VOX, CEPR’s Policy Portal, August 2015b.

G. Corsetti, A. Erce, and T. Uy. Debt Sustainability and the Terms of Official Support, ADEMU Working Papers, 2018.

P. De Grauwe. Greece is solvent but illiquid: Policy implications. VOX, CEPR’s Policy Portal, July 2015.

C. Gabriele, M. Athanasopoulou, A. Erce, and J. Rojas. Debt stocks meets gross financing needs: A flow perspective into sustainability. Working Paper Series No. 24, European Stability Mechanism, Luxembourg, 2017.

M. Guzman and D. Lombardi. Assessing the appropriate size of relief in sovereign debt restructuring. Research Paper 18-9, Columbia Business School, New York, NY, 2018.

IMF, Greece: Ex-post Evaluation of Exceptional Access under the 2010 Stand-By Arrangement, International Monetary Fund, 2013a.

IMF, Staff Guidance Note for Public Debt Sustainability Analysis in Market-Access Countries, International Monetary Fund, 2013b.

IMF, Fiscal Monitor: Managing public wealth, International Monetary Fund, 2018.

J. Zettelmeyer, E. Kreplin, and U. Panizza. Does Greece Need More Official Debt Relief? If So, How Much?, Peterson Institute for International Economics, Working Paper 17-6, 2017.

S.A. Zenios and W.T.  Ziemba, editors. Handbook of Asset and Liability Management. Vol. 1. Theory and Methodology and Vol. 2 Applications and Case Studies.  Handbooks in Finance, 2007.


[1] The views expressed herein are those of the authors and do not necessarily represent those of the ESM or ESM policy.
M. Athanasopoulou, A. Erce, A. Gavilan and E. Moshammer  are with the European Stability Mechanism,  Luxembourg. A. Consiglio is with the University  of Palermo,  Palermo,  Italy. S.A. Zenios is with the  University   of  Cyprus,   Nicosia,   CY,  Non-Resident  Fellow,   Bruegel,   Brussels,   and   Senior  Fellow, Wharton Financial  Institutions Center,  University  of Pennsylvania, USA.

[2] Within the IMF framework, limits for gross financing needs are set at 15% of GDP for emerging economies and 20% for advanced countries.


Mar 212019
 

Verso nuovi modelli di business

È tempo di innovazione per i Wealth Manager

È evidenza ormai nota e diffusa che il settore del Wealth Management abbia raggiunto la sua fase di maturità e stia assistendo ad un progressivo rallentamento, chiedendosi quando e con che velocità arriverà la nuova “era” di trasformazione sulla spinta dei player tech oramai non più nuovi entranti.

Tutti gli istituti finanziari sono consapevoli che l’innovazione tecnologica sia la chiave di volta anche in uno dei settori in cui la fiducia e la relazione con la Clientela mantengono un ruolo così rilevante da aver tenuto la Digital Disruption alle porte fino ad oggi. Ma ancora per poco.

Confrontato con le altre industrie, il settore bancario in generale, e ancor più il Wealth Management è fortemente indietro in termini di innovazione sia dal punto di vista di investimenti in R&D sia per numero di aziende innovative nel settore. Questo può sembrare quasi un paradosso se si pensa che quello bancario è il secondo settore più impattato dalla Digital Disruption.

L’innovazione infatti ha finora rivestito un ruolo secondario nelle strategie di sviluppo del Wealth Management e Private Banking, ancora più che nel Retail o Investment banking.

La redditività del mercato Europeo si è ridotta del 40% negli ultimi 20 anni per via della crisi finanziaria e della crescente pressione regolamentare. Al contrario, il mercato in Europa continua a crescere, con un sostanziale aumento dei volumi (+60%), attirando nuovi player che, grazie ad una struttura di costo leggera e modelli scalabili possono facilmente attrarre quote di mercato rivolgendosi in particolar modo ad un pubblico più giovane e meno scettico ad una gestione del proprio portafoglio tramite canali digitali.

La forte divergenza tra la crescita dei volumi e la contrazione della redditività registrata fino al 2015 e confermata dalle previsioni di breve periodorisulta un chiaro segnale del fatto che i business model esistenti hanno raggiunto una fase di maturità per cui la leva della crescita o le manovre di cost-efficiency possono solo rimandare o rallentare l’inizio di una fase di declino.

Lo scenario è sostanzialmente diverso se si confrontano i Wealth Manager e le Private Bank tradizionali con le nuove realtà WealthTech. L’osservatorio Deloitte, condotto a livello europeo sui principali player europei di settore e su un panel di oltre 500 Fintech (di cui 65 specializzate in WM) evidenzia come l’innovazione venga applicata con diversi livelli di trasformazione sulle diverse componenti del business. Tipicamente si tratta di innovazioni incrementali sul core business, sono meno frequenti le innovazioni adiacenti o radicali.

Innovation Gap e fattori che favoriscono le opportunità di innovazione

La crescente divergenza tra la curva dei margini di profitto e quella della domanda di mercato, si può spiegare secondo gli studi dell’Osservatorio Deloitte anche in funzione dell’Innovation gap che caratterizza il settore del Wealth Management. I trend di mercato in atto, mostrano opportunità di innovazione, che sono ancora parzialmente sfruttate.

Cambiamenti nel settore: negli ultimi tre anni, più di 50 Fintech hanno avuto successo nel mercato Europeo del Wealth Management con modelli di business basati sulle nuove tecnologie, mentre player tradizionali hanno mantenuto il loro tradizionale modello di business basato sull’interazione personale e sul sistema legacy.

Cambiamenti demografici: il cambiamento generazionale verso i millennials sta diventando sempre più evidente; dal 2020 essi rappresenteranno il 50% dei lavoratori a livello globale e si prevede che la loro ricchezza raddoppierà tra il 2015 e il 2020 rendendoli il prossimo segmento di clienti chiave.

Congiuntura economica: mentre la ricchezza delle famiglie milionarie (lato della domanda) è aumentata più del 60% tra il 2000 e il 2015 in Europa, nello stesso periodo, la redditività dei consulenti finanziari (lato dell’offerta) è diminuita con margini di profitto in calo del 40%

Mercato offshore: sullo sfondo di un’agenda regolamentare globale, la percezione del tradizionale business Wealth sta peggiorando; di conseguenza, i centri di Wealth management come la Svizzera (-7%), Regno Unito (-21%) o Lussemburgo (-11%) hanno subito un rallentamento di patrimoni dal 2009

Nuovi servizi: le soluzioni di investimento digitali come i robo advisor vengono scelte in Europa da clienti private con AUM di 3 €mld che riflettono una piccola quota dei 18 €tln detenuti in asset finanziari dalle famiglie europee

Innovazione si, ma non troppa

I player tradizionali hanno intrapreso negli ultimi dieci anni percorsi di digitalizzazione, in continuità rispetto al modello core, come fattore abilitante per modelli di servizio più efficienti e omnicanali: con la riduzione dei costi in cima alla lista della C-agenda, l’innovazione consente di raggiungere efficienza su ampia scala.

Oltre il 50% dei Wealth Manager sta esplorando l’opportunità di esternalizzazione di alcune attività (attività standard, servizi di back office e servizi non core) verso operatori terzi dotati di un’infrastruttura e soluzioni tecnologiche in grado di raggiungere livelli di efficienza maggiore, al fine di concentrare gli investimenti sulle piattaforme RM (Relationship Management) in grado di offrire un’esperienza a 360° per il Cliente.

Le soluzioni digitali ampliano infatti i paradigmi di interazione con il Cliente. Il modello distributivo sta abbandonando le soluzioni tradizionali (punti di contatto fisici) con modalità di ingaggio del Cliente a distanza o da remoto; nonostante tutto meno del 20% dei WM dichiarano di essere preparati ai modelli distributivi PHIDigital.

Terza e non ultima novità, riguarda il modello di offerta, dove l’innovazione gioca il ruolo più importante con l’introduzione dei servizi di robo-advisory e portfolio management avanzati.

Ne è evidenza il fatto che, molti giganti del settore (solo per citarne alcuni UBS, JP Morgan, Goldman Sachs), inizialmente scettici, hanno adottato o stanno implementando strategie di Robo-advisory, in particolar modo verso segmenti di Clientela Affluent o HNW.

WealthTech: un rischio o un’opportunità?

I nuovi Wealth Manager stanno giocando la partita sull’ascolto del Cliente spostando la competizione anche su altre forme di ricavo. Contrariamente a quanto si possa pensare, anche le innovazioni introdotte dalle Fintech e WealthTech si focalizzano sul core business (74%), solo in alcuni casi si tratta invece delle cosiddette innovazioni adiacenti o di vere e proprie trasformazioni.

Da un lato ci sono le WealthTech B2B che propongono ai player tradizionali, che hanno necessità di implementare nuovi servizi digitali per i loro clienti, software innovativi, tool di analytics/ modelli predittivi e altre soluzioni digitali per la gestione del capitale. In particolar modo, queste offrono opportunità di abbattimento dei costi aiutando gli istituti finanziari ad automatizzare i processi manuali, ottimizzare l’asset allocation e centralizzare i processi di gestione del portafoglio. La domanda per i software offerti dalle B2B risulta in aumento anche come conseguenza della crescente pressione regolamentare. Ne sono un esempio le soluzioni di Risk Management che vedono una crescente adoption da parte dei player tradizionali.

D’altro canto, le B2C tech puntano su prodotti e servizi innovativi come robo-advisory, piattaforme peer-2-peer, servizi di micro-investimenti, digital familiy office con soluzioni rigorosamente digital-only.  Se le prime possono diventare degli acceleratori per gli Incumbent, le B2C WealthTech possono mettere a rischio la quota di mercato dei Wealth Manager tradizionali modificando le aspettative e i comportamenti di acquisto della Clientela.



Verso nuovi modelli di business

L’analisi delle forze in gioco mostra una forte accelerazione verso il digitale grazie alla maturità di tecnologie abitanti nuovi attori Tech e un progressivo cambiamento della Domanda.

Nonostante tutto, il Wealth Management è tuttora caratterizzato da innovazioni incrementali dei modelli di business esistenti, ma questo forse non basta. Gli operatori del mercato devono mettere in discussione le strategie del passato concentrandosi sulle aspettative del Cliente. Quanto sono ancora efficaci i programmi e le strategie di fidelizzazione?

Le evidenze di mercato confermano la tesi che nei prossimi anni i Wealth Manager dovranno essere in grado di soddisfare le esigenze di Clienti diversi con differenti livelli di autonomia e digital attitude. La vera sfida per l’Advisor è mantenere la sua centralità anche in un contesto di crescente disintermediazione dei servizi tradizionali di portfolio management.

Per questo motivo, a nostro avviso, la vera innovazione del Wealth Management passa da modelli ibridi (e cosiddetti ecosistemi) in cui l’operatore grazie all’impiego di sistemi AI e cognitive analytics, è in grado di offrire servizi di assistenza evoluti e continuativi su misura (finanziari e non) che intervengono in ciascun momento di vita del singolo.

La strategia dei prossimi 5-10 anni richiede la comprensione del ruolo che ogni operatore dovrà rivestire nella catena del valore per il cliente da cui definire quanto digitalizzare e in che modo innovare le varie componenti nel modello di business.

In particolar modo, indipendentemente dalla scelta che si farà (modello di business), i Wealth Manager devono accettare la necessità di investire in nuove capabilities e asset, da un lato integrando nell’organico specialisti fintech e data scientist e dall’altro sostituendo sistemi legacy e centralizzando la gestione dei dati. L’assenza di questi due elementi potrà condizionare il modello di profittabilità dei prossimi anni.

I casi di successo mostrano come le partnership con le Wealth Tech possono solo accelerare il percorso di trasformazione consentendo di sperimentare nuovi servizi per i clienti un time-to-market competitivo per colmare in tempi brevi il famoso Innovation gap e aprire una nuova fase di crescita.

Contatti

Carlo Murolo, Senior Partner, Head of FS Industry, Deloitte Consulting

Luigi Capitanio, Senior Executive, Monitor Deloitte Strategy Consulting

Martina Dell’Anna, Senior Associate, Monitor Deloitte Strategy Consulting

References

Deloitte Private Banking & Wealth Management Database (2017)

European Commission (2015): EU Industrial R&D Investment Scoreboard

Deloitte (2016): Millennial Survey

Fortune (2015): 50 Most Innovative Companies

HBR (2016): To Go Digital, Leaders Have to Change Some Core Beliefs

Deloitte and WealthBriefing (2016): Innovation in Wealth Management

Deloitte (2015): Connecting with clients and reinventing value propositions

Mar 162019
 

“I dati sono il petrolio del terzo millennio”: è una frase così frequente che rivaleggia con “Non ci sono più le mezze stagioni” nella Top 5 delle banalità (oltre a non essere vero, ma è un lungo discorso). Non parliamo poi del proliferare di dipartimenti di “data science” e “data analytics”, “data innovation” e via dicendo, che spuntano ovunque all’interno di banche e assicurazioni. L’uso di dati e data science rappresenta in effetti uno dei pochi scorci di vitalità e innovazione del mondo finanziario. Almeno in teoria.

Perché poi in pratica il potere decisionale è talvolta limitato, e così pure i budget. E i dati, di per sè, sono materia digitale inerte, ammassi di bit che si accumulano nei server. Affinché i dati scarichino a terra il loro potenziale – a mio parere fondamentale perché una banca o un’assicurazione sopravviva diventando un’azienda data driven – e non siano considerati dei “fuffa-departments” (come qualche maligno crede), basta avere una data strategy semplice e concreta. Che si può riassumere in 5 punti chiave.

5 punti chiave di una data strategy

(1) Un buon questionario

La normativa obbliga gli intermediari finanziari, siano essi banche, assicurazioni, SGR o SIM, a interrogare i clienti attraverso svariati questionari e moduli. Lo richiede Mifid, IDD (di fatto una “Mifid assicurativa”, da questo punto di vista). Lo richiedono le norme anti-riciclaggio e quelle destinate a individuare le persone politicamente esposte.

Il mondo finanziario ha vissuto l’introduzione di queste norme come l’ennesima seccatura, in alcuni casi una vera iattura, un appesantimento di costi e rischi operativi, in un vortice di uffici compliance e studi legali che dopo anni di lavoro ha generato spesso questionari orrendi nei toni e nella forma, meno sexy di un referto di medicina legale. Questionari finalizzati a svangare gli aspetti normativi. E basta.

Che errore madornale. La realtà è che la normativa ha alzato una favolosa palla al sistema finanziario, dandogli l’opportunità di raccogliere informazioni di enorme valore, che Facebook (per dire) si sogna. Per schiacciare la palla e segnare il punto servono però questionari creati scientificamente, utilizzando tutti gli strumenti messi a disposizione dalla psicologia cognitiva, l’economia e la finanza comportamentale, la statistica per le indagini campionarie, senza dimenticare la capacità di scrivere testi accattivanti, utilizzando le basi del copywriting. In questo modo si raccoglie un patrimonio informativo che consente di conoscere perfettamente i propri clienti. A partire da questi dati, è possibile agganciare banche dati esterne, pubbliche e private che siano, e arricchire ulteriormente la base informativa sulla quale lavorare.

(2) Motore di data analysis

I dati raccolti, insieme a quelli già presenti in azienda e a quelli di eventuali banche dati esterne sono materia grezza: vanno elaborati, utilizzando tutti gli strumenti messi a disposizione dalla data science.

Ma non basta scaraventare acriticamente palate di dati dentro un algoritmo di deep learning: forse si otterranno buoni risultati in apparenza, ma gli spettri del data snooping e dell’overfitting sono lì che aleggiano. Occorre saper selezionare e trattare gli input, individuando poi oculatamente i modelli da utilizzare avendo ben compreso il dominio di business. Su casi concreti dei quali mi sono occupato, la differenza tra usare in modo acritico le informazione buttandole in pasto ad un algoritmo di machine learning, oppure effettuare prima un certosino lavoro di preparazione, combinazione, riduzione della dimensionalità basato sulla conoscenza di dominio aumenta l’accuracy da valori intorno a 65%-70% a 90% e passa.

È quindi l’uso del machine learning unito alla business intelligence e a una profonda conoscenza del settore finanziario-assicurativo che consente di spremere i dati e ottenere informazioni utili. Utili a fare business, non report colorati. Ma, ribadisco, serve un motore di calcolo che sappia masticare opportunamente i dati e cercare le giuste informazioni con i giusti algoritmi.

(3) Individuare bisogni/obiettivi dei clienti

Le prime “giuste” informazioni che il motore di data analytics dovrebbe cercare sono quelle relative ai bisogni e agli obiettivi finanziari e/o assicurativi. È la prima cosa da fare perché è addirittura la normativa a chiederlo, con il product targeting – al motto di “Know Your Clients”. Ma è anche e soprattutto il buonsenso: per servire meglio il cliente, per poter passare da una logica di prodotto a una logica di servizio occorre capire di che cosa hanno realmente bisogno le persone: investimenti a lungo termine per i figli, protezione relativa alla salute propria o altrui, previdenza integrativa, e via dicendo.

È perciò qui, nella customer intelligence, che la data science mostra la sua forza muscolare.

(4) Prodotti

“Prodotti” significa essenzialmente due cose:

  • una gamma prodotti in grado di soddisfare realmente i bisogni dei clienti – idealmente costituita da semplici blocchi base standardizzati, da combinare in modo personalizzato per ogni cliente, possibilmente senza rapinarlo (anche se questa è un’antica tradizione dell’industria finanziaria);
  • la conoscenza dei propri prodotti.

Il secondo punto sembra una suprema banalità, ma invece è la sostanza del principio “Know Your Products” che anima la normativa finanziaria. E in effetti, se si hanno (come spesso accade) a catalogo centinaia e a volte migliaia di prodotti finanziari (d’investimento, di protezione, associati a finanziamenti, ecc) accumulatisi negli anni, non resta che affidarsi a text analytics e machine learning per capire che bisogni/obiettivi ciascuno di essi soddisfa. E questo è altro lavoro muscolare, adatto al motore di data analytics. Queste sono altre “giuste” informazioni da cercare.

Conoscendo i bisogni dei clienti e sapendo quali prodotti soddisfano tali bisogni, è relativamente semplice creare l’associazione cliente-soluzione. E così – bingo! – si serve al meglio il cliente.

(5) Comunicazione

Interna ed esterna:

  • interna – per informare, condividere la strategia e formare la propria rete di consulenti, private banker, collocatori, tipicamente poco avvezza all’uso pervasivo del dato e del digitale (facendo capire loro che non è un nemico, non è l’occhio di Mordor che li osserva, bensì un alleato);
  • esterna – per ingaggiare, informare e stuzzicare i clienti sui loro bisogni, magari nemmeno percepiti, vista la (meravigliosamente) pessima cultura economico-finanziaria degli italiani, facendo “nurturing”.

Senza questa componente soft, il resto dell’impianto della strategia basata sui dati rischia di essere un’algida cattedrale nel deserto. Perché le macchine possono sì aiutarci, ma occorre prima convincere l’Homo sapiens a farsi aiutare.

Sono cinque punti che consentono a un intermediario finanziario di:

  • essere un’azienda data-driven;
  • di essere competitiva e fare business mettendo al centro il cliente;
  • alzare la qualità del servizio sia per chi ha la relazione con il cliente che per il cliente stesso;
  • gestire al meglio aspetti di compliance legati alla profilazione dei clienti e alla product governance.

Non è poco. Anzi, è proprio ciò che può fare la differenza.

Mar 102019
 

Anche nel 2018 l’industria italiana dei mini-bond ha confermato e rafforzato lo sviluppo evidenziato negli anni precedenti. è cresciuto il numero delle emissioni mentre si è ridotto il controvalore totale raccolto, a causa della riduzione del valore medio dei collocamenti.

I mini-bond, ovvero le obbligazioni e cambiali finanziarie di ‘piccola taglia’ si confermano quale fonte di finanziamento alternativa e complementare al credito bancario soprattutto in preparazione (come se fosse un ‘allenamento’) a successive operazioni con investitori istituzionali più complesse come possono essere il private equity o la quotazione in Borsa.

Le imprese emittenti

Secondo le statistiche pubblicate nel recente 5° Report Italiano sui Mini-bond, a cura dell’Osservatorio Mini-Bond della School of Management del Politecnico di Milano, sono ben 260 le PMI italiane che dal 2012 al 2018 avevano collocato mini-bond. Nel 2018 sono più che raddoppiate le Srl emittenti rispetto al 2017 (da 21 a 45).

Il volume dei ricavi delle imprese emittenti è molto variabile: nel 2018 ben 42 emittenti fatturavano meno di € 10 milioni prima del collocamento.  

Per quanto riguarda il settore di attività, si conferma la netta supremazia del comparto manifatturiero; nel 2018 si è però assistito ad una maggiore varietà rispetto al passato. La collocazione geografica evidenzia come sempre una prevalenza delle regioni del Nord; il 2018 ha visto un ruolo dominante della Lombardia. Crescono il Piemonte e le regioni del Sud, scende il Trentino-Alto Adige.

Rispetto alle motivazioni del collocamento, si conferma come maggioritario l’obiettivo di finanziare la crescita interna dell’azienda (nel 60% delle PMI emittenti). Al secondo posto emerge l’obiettivo di ristrutturare le passività dell’impresa (soprattutto per le grandi imprese). Seguono le strategie di crescita esterna tramite acquisizioni e il fabbisogno di alimentare il ciclo di cassa del capitale circolante.

L’analisi dei bilanci consolidati focalizzata sulle PMI non finanziarie mostra situazioni abbastanza diversificate rispetto alla marginalità operativa all’emissione. La redditività appare contenuta ma in leggero miglioramento appena prima del collocamento del mini-bond. In media si riscontra comunque un buon aumento del fatturato già prima dell’emissione. Per circa un quarto delle imprese non si registrano però variazioni significative.

Non vi è riscontro quindi di un rapporto di causa-effetto fra emissione del mini-bond e crescita successiva del volume d’affari. Piuttosto, emerge che per un buon numero di PMI il mini-bond rappresenti una tappa in un percorso di crescita che inizia ben prima e che prevede una serie di altre tappe importanti, già predefinite.

Le emissioni

Il database dell’Osservatorio può annoverare ormai 636 emissioni di mini-bond di importo inferiore a € 50 milioni a partire da novembre 2012 (in alcuni casi le imprese hanno condotto più emissioni). Il 2018 ha contribuito con ben 179 emissioni, per un controvalore di € 1,3 miliardi, stabile rispetto al 2017.

Si tratta in gran parte di obbligazioni, ma compaiono anche alcune cambiali finanziarie (titoli che però sembrano perdere popolarità). Il valore nominale totale dei mini-bond nel campione supera € 4,9 miliardi considerando solo le emissioni fino a € 50 milioni.

Il valore medio delle emissioni è al minimo storico (€ 22,40 milioni nel secondo semestre, € 20,85 milioni nel primo semestre). Nel 2018 ben il 60% delle emissioni ha importo inferiore a € 5 milioni.

La maggioranza dei titoli emessi nel 2018 non prevede un rating da parte di un’agenzia autorizzata e non viene quotata in Borsa, nonostante esista un mercato dedicato (ExtraMOT PRO); ciò è dovuto anche agli adempimenti e alle responsabilità introdotte dalla MAR (market abuse regulation).  

Per quanto riguarda la scadenza, la distribuzione continua ad essere molto variegata, con una serie di titoli short term con maturity pochi mesi ed emissioni a più lunga scadenza. Il valore medio del 2018 è 5,2 anni (in leggero aumento rispetto al valore di 4,9 anni del 2017). Una lieve maggioranza dei titoli nel campione complessivo (il 50,5%) prevede il rimborso del titolo alla scadenza (bullet).

Per quanto riguarda la cedola, nella maggioranza dei casi è fissa ma nel 2018 è aumentata la frequenza della cedola variabile. Il valore medio della cedola fissa per l’intero campione è pari a 5,10%, quello mediano è il 5,00%. Per la prima volta si riscontra nel 2018 un lieve aumento del tasso di interesse (la media è 5,00% rispetto a 4,83% dell’anno prima). 


Figura 1: La cedola dei mini-bond: confronto fra emissioni del 2017 e del 2018 (emissioni fino a € 500 milioni).

Vale la pena sottolinare che la presenza di una garanzia sul rimborso del capitale, a dare maggiore sicurezza agli investitori (quale può essere un pegno o una copertura offerta da soggetti esterni come i Confidi), è sensibilmente aumentata nel 2018 (riguarda il 38% dei casi).

Per quanto riguarda gli investitori che hanno sottoscritto i mini-bond di taglia inferiore a € 50 milioni, il 2018 ha visto confermato il ruolo importante sia dei fondi chiusi di private debt (con investimenti pari al 26% del totale rispetto al campione coperto) sia degli investitori esteri (con una quota del 25%). Ancora in aumento risulta il ruolo delle banche nazionali (21%); salgono anche le assicurazioni (9%) che però sottoscrivono poche operazioni di maggiore dimensione. Si segnalano infine le finanziarie regionali (4%) e i Confidi (3%).


Figura 2: La ‘mappa’ degli investitori nei mini-bond nel 2018 (emissioni fino a € 50 milioni): copertura del campione 82%.

Le prospettive future

Per il 2019 le aspettative dell’Osservatorio sono più conservative rispetto al passato, a causa dei primi segnali negativi che provengono dal ciclo economico, dell’incertezza sulle politiche di sviluppo interne e della possibile concorrenza delle operazioni di direct lending, che si vanno diffondendo sul mercato.

Pensiamo dunque che i volumi del 2019 saranno abbastanza simili a quelli del 2018. Grande speranza si nutre verso i nuovi ELTIF (European Long Term Investment Funds) nel canalizzare risorse verso le PMI non quotate e verso i mini-bond.

Per il 2019 sono infine da registrare alcune novità nella normativa di riferimento, che riguardano: (i) la disciplina sulle cartolarizzazioni, (ii) i PIR, (iii) la possibilità per i portali autorizzati di equity crowdfunding di collocare mini-bond. Potenzialmente, si tratta di novità che potranno generare vantaggi per l’industria dei mini-bond. Alcune sperimentazioni di cartolarizzazioni sono avvenute in passato, come ad esempio i basket bond promossi da ELITE; si tratta di operazioni di sistema che consentono di raggiungere una scala dimensionale interessante per gli investitori esteri. L’obbligo per i fondi PIR di allocare risorse nei titoli quotati su mercati non regolamentati (come ExtraMOT PRO) potrebbe favorire i mini-bond ma si è ancora in attesa delle indicazioni operative. Infine, alcune piattaforme di equity crowdfunding si stanno attrezzando per aprire le loro piattaforme anche ai mini-bond, sebbene con collocamenti riservati a investitori professionali in apposite sezioni.

Mar 022019
 

L’indagine di Banca d’Italia sul costo dei conti correnti del 2018 (dati del 2017) offre alcuni dati interessanti:

  • In media, la spesa per la gestione di un conto corrente bancario nel 2017 è stata pari a 79,4 euro, con un incremento di 1,8 euro rispetto al 2016 (il secondo anno di incremento). Il minimo è stato toccato nel 2015 (76 euro) rispetto al massimo pari a 91 euro raggiunto nel 2010.
  • Le spese fisse rappresentano i 2/3 del totale, in particolare il canone base è aumentato di tre euro (pesa per 31 euro) mentre le spese variabili sono rimaste perlopiù invariate. Le voci variabili di spesa più rilevanti sono quelle relative alla carta di credito e ai prelievi al bancomat. 
  • Banca d’Italia individua sei profili di clienti: giovani, famiglie con bassa/media/alta operatività, pensionati con bassa/media operatività. Il costo per queste tipologie di conto corrente dipende dal numero e dalla tipologia di operazioni ipotizzate per ciascun profilo. La spesa è elevata nel caso di famiglie a media o alta operatività e pensionati a bassa operatività.
  • I costi fissi pesano in misura significativa, la differenza tra i diversi profili è data dalla componente variabile che è legata alle operazioni effettuate dal cliente tipo. L’eccezione è rappresentata dal profilo giovani con  spese fisse che sono pari alla metà dei conti standard.
  • Occhio ai contratti a consumo (conti per specifiche esigenze) che in media risultano essere molto onerosi.
  • La spesa per il conto corrente dipende dalla tipologia di banca: le prime cinque banche hanno un costo medio pari a 76,6 euro per anno, le banche di credito cooperativo 80,7, le altre banche 83,8. Le banche di grandi dimensioni sono dunque più convenienti.
  • Non c’è una grande differenza nella spesa per il conto corrente a seconda della localizzazione geografica nel paese.    
  • Occhio a quando è stato aperto il conto: quelli aperti oltre dieci anni fa costano in media 96 euro, quelli che sono stati aperti da appena un anno arrivano a 54 euro. Quindi, il suggerimento è di guardarsi attorno e di cambiare banca.
  • I conto on-line sono molto più convenienti, appena 15 euro in media con un rincaro molto limitato negli ultimi anni.
  • Anche i conti correnti postali costano di meno, in media 50 euro anche se sono aumentati nell’ultimo anno in linea con quanto è successo per i conti correnti bancari.
Feb 252019
 

EIOPA has recently published the risk dashboard (RDB) update at January 2019.

The RDB is published on a quarterly basis, showing the level of risk for 8 (=7+1) risk categories. The latest outcome is:

Some comments

1.Macro risks [medium, stable]

This is an overarching category affecting the whole economy, which considers economic growth, monetary policies, consumer price indices and fiscal balances.

The economic environment remains fragile because of the negative forecast on the GDP growth, which has been revised downwards across major economic areas (Euro Area, Switzerland, US and BRICS) and the potential reduction of the accommodative stance of monetary policy. On the other hand, the swap rates keep on being low and the indicator on 10y swap rates even decreases from the previous quarter (1.30%, -0.13%), due to slight declines in swap rates for all the currencies considered (EUR, GBP, CHF, USD). The unemployment rate remains quite stable from the previous quarter (6.0%, -0.1%), meaning that the labour market recovery is potentially starting to slow down. The inflation (CPI) remains broadly unchanged from the previous quarter (1.92%, -0.06%).

2.Credit risks [medium, stable]

This category measures the vulnerability to the credit risk by looking at the relevant credit asset classes exposures combined with the associated metrics (e.g. government securities and credit spread on sovereigns). Compared to the previous assessment, the exposures of the Insurers in different asset classes remain quite stable and around

  • 30% in European sovereign bonds, whose CDS spreads has slightly decreased
  • 12.5% in non-financial corporate bonds, whose spreads have increased
  • 8% in unsecured financial corporate bonds, whose spreads has considerably increased
  • 3% in secured financial corporate bonds, whose spreads has substantially increased, even turning positive for the first time since 2017Q1
  • 0.7% in loans and mortgages

3.Market risks [medium, stable]

This vulnerability of the insurance sector to adverse developments is evaluated based on the investment exposures, while the current level of riskiness is evaluated based on the volatility of the yields together with the difference between the investment returns and the guaranteed interest rates. The market risks remain stable, reflecting the stability of the portfolios’ allocations of insurers, where the volatility of the bonds, largest asset class (60% of exposure) and property (2.5% exposure), remain stable, while the volatility of the equity markets (7%) continues to increase.

4.Liquidity and funding risk [medium, stable]

The vulnerability to liquidity shocked is monitored measuring the lapse rate, the holding in cash and the issuance of catastrophe bonds (low volumes or high spreads correspond to a reduction in the demand which could forma a risk). The liquid assets ratio has registered a small decrease since the previous quarter, while issued bond volumes and the average ratio of coupons to maturity also reduced. Lapse rates in life business remained overall unchanged across the whole distribution since 2016; median lapse rates are still around 3%.

5.Profitability and solvency [medium, stable]

The solvency level is measured via SCR and quality of OF, while the profitability via return on investments / combined ratio for the life / non-life sectors. The SCR ratios for non-life solo companies have recorded a modest improvement since the last quarter (median value 209%, +2.5%). he median SCR ratio for life companies has decreased (183%, -4%), whereas the overall distribution has shifted upwards.

6.Interlinkages and imbalances [medium, increasing]

Interlinkages are assessed between primary insurers and reinsurers, insurance and banking sector and among the derivative holdings. The exposure towards domestic sovereign debt is considered as well. Interlinkages and imbalances risks has increased, but remaining at medium level in Q3 2018. Exposures to banks and other financial institutions has remained broadly stable, while exposures to insurers has increased due to corporate actions and M&A activity by some insurance groups.

7.Insurance (underwriting) risk [low, increasing]

Indicators for insurance risks are gross written premia, claims and losses due to natural catastrophes. The increase of the risk in this category is driven by increase in the premium growth of both life and non-life insurance together with an increase in the catastrophe loss ratio. For some line of business, some concerns are raised by both under pricing and under reserving, driven by competition.

8.Market perception [medium, stable]

The market perception remains constant at medium level. The quantities assessed are relative stock market performances (insurance stock outperformed the Stoxx 600: +1.5% life, +4% non-life), price to earnings ratio (decreased from the previous released: average from 13.1% to 11.6%), CDS spreads (median value increased from 61 to 68) and external rating outlooks (improved, with a portion of insurers with credit quality step =3 moving to 2).

Feb 182019
 

L’evoluzione del contesto in cui opera l’industria bancaria

È opinione comune tra gli “addetti ai lavori”[1] che il modello di business bancario sarà impattato da alcuni macro-trend, tra i quali quelli dell’ evoluzione tecnologica e regolamentare, che porteranno progressivamente ad una scomposizione e ricomposizione della catena del valore e ad una ridefinizione delle modalità operative con cui i processi di banking saranno svolti. La value proposition dovrà, infatti, essere ripensata in ottica digitale ponendo il cliente al centro. Il percorso, indipendentemente dal modello che le banche decideranno di perseguire, passerà per un radicale cambio di mentalità e di strumenti e, se sviluppato in maniera coerente, sarà foriero di opportunità di crescita e rafforzamento del ruolo giocato nel servizio al cliente.


I macro-trend che impattano il modello di business bancario

Il primo grande trend che osserviamo riguarda gli sviluppi tecnologici: soluzioni basate sull’AI, cloud computing, Internet of Things e big data analytics, che stanno ampliando la possibilità di offerta e di competizione da un lato, riducendo i costi dall’altro. A livello globale, infatti, assistiamo ad un trend di costante aumento della spesa in ambito IT da parte dell’industria finanziaria[2].

In secondo luogo, il contesto competitivo sta mutando rapidamente con l’ingresso di player da settori non finanziari, come start-up e grandi corporate tecnologiche, con il potenziale rischio di un’erosione dei margini degli istituti finanziari, soprattutto per quanto concerne i ricavi commissionali su pagamenti (-18%) e investimenti (-17%)[3].

Il terzo trend riguarda il cambiamento dei comportamenti del consumatore che diventa sempre più esigente e indipendente, tanto che in Italia si stima un aumento di circa il 7% dei clienti self-direct (che ricercano e scelgono prodotti in autonomia) tra 2017 e 2022[4].

Infine, la crescente regolamentazione ha effetti sia sui costi degli operatori il cui peso rispetto ai ricavi è previsto crescere di sei punti percentuali dal 2017 al 2022[5], sia sui loro modelli di servizio e di business come vedremo in questo articolo.


In questo contesto, l’evoluzione normativa gioca un ruolo fondamentale non solamente per gli oneri che impone ma anche per le possibilità che, in teoria, offre di evoluzione del modello di business. In tale ottica, l’entrata in vigore di nuove regolamentazioni sta segnando un punto di svolta per l’industria bancaria, che dovrà allinearsi sempre più ad un crescente grado di trasparenza (MiFID2, GDPR) e di apertura verso l’esterno (PSD2). In particolare, la Payments Service Directive 2 ha introdotto un nuovo set di regole per permettere l’accesso di operatori terzi ad alcune informazioni relative ai clienti e alle loro operazioni[6]. Come già avvenuto in altri settori e industry, i cui confini e paradigmi sono stati fortemente modificati dalla regolamentazione e dalla tecnologia, i processi e i bisogni fino a ieri prerogativa assoluta del sistema bancario, potranno essere soddisfatti da altri operatori più efficaci, e magari meno costosi, nel trasformare i prodotti e servizi in piattaforme, nel mettere in relazione i clienti tra loro e nel dare risposta alle loro esigenze in uno scenario sempre più open[7].

Questa evoluzione regolamentare, unita all’imperativo della digital transformation e ai macro trend sociali e competitivi dati dall’ingresso di challenger bank, fintech e GAFA, porterà ad una profonda revisione dei modelli di servizio e di business di molti istituti finanziari verso modelli sicuramente più customer centric e collaborativi.

Possibili nuovi modelli di business

La prospettiva di una maggiore apertura del settore bancario non solo è implicita in alcune novità regolamentari, ma è resa possibile, da una crescente diffusione di tecnologie come Infrastructure-as-a-Service (IaaS), Platform-as-a-Service (PaaS) e Software-as-a-Service (SaaS) che permettono a nuovi operatori di entrare nel settore con investimenti IT ridotti e servizi nativamente digitali. Dal punto di vista del consumatore finale, invece, il cambiamento nei modelli di fruizione dei servizi bancari è sicuramente avvantaggiato dalla sempre maggior facilità di accesso ai servizi digitali e alle informazioni (68,5% tasso di penetrazione smartphone in Italia[8]).

Molti altri settori, che hanno visto una trasformazione anche più accelerata del settore bancario, stanno sperimentando il successo delle logiche di “marketplace” in cui i clienti possono utilizzare un’unica interfaccia per accedere a prodotti e servizi offerti da una moltitudine di operatori. Questo modello-piattaforma, prevedibile anche nel settore bancario, offre ai clienti una serie completa di servizi, disegnata con un approccio olistico ai loro bisogni (i.e. finanziari e non nel caso delle banche), supportata dall’utilizzo sempre più diffuso ed efficace di big data analytics e dell’Intelligenza Artificiale.

Il settore bancario dovrà, quindi, abituarsi alla presenza diversi modelli di business di piattaforma e marketplace, basati quindi su meccanismi di collaborazione e co-opetition, dove offrire servizi personalizzati anche attraverso provider esterni.


The power of platforms di John Hagel Pubblicato in Deloitte Business Trends series

Trend:

Oggi i dirigenti aziendali più preparati sulle tematiche di innovazione e management hanno ben chiare le dinamiche che governano le piattaforme intese come nuovo modello di business. Le riconoscono laddove già emerse e comprendono il valore che generano: sia per chi le ha ideate e le gestisce, sia per chi vi partecipa come utente. […]

[Una moltitudine di business connessi attraverso una piattaforma] garantisce una risposta repentina ed efficace ai rapidi ed imprevedibili cambiamenti nella domanda. […] Le piattaforme condividono la caratteristica di essere modelli che possono essere portati a scala velocemente: con il crescere del numero di partecipanti non diventano più difficili da gestire, ma al contrario crescono in capacità di rispondere alle esigenze e aumentano di valore. […]

Oggi possiamo identificare tre tipologie di piattaforma che si differenziano in base al tipo di attività:

  • Aggregation platform: facilita le transazioni economiche, connette utenti a risorse non immediatamente reperibili
  • Social platform: favorisce le interazioni sociali, mette in relazione persone e comunità di persone
  • Mobilization platform: facilita le mobilitazioni, organizza le persone per un agire comune.”

Conseguenze:

“Per i gruppi dirigenti, l’affermarsi delle piattaforme implica la necessità di considerare ed esplicitare il ruolo che intenderanno giocare in questi contesti, in quanto sono chiamati a disegnare e implementare strategie che assicurino la sopravvivenza e il successo delle loro organizzazioni nel futuro. Alcuni, ad esempio, potranno individuare idee di piattaforma ancora da sviluppare e sceglieranno se crearle unilateralmente o attraverso consorzi. Tutte le aziende dovrebbero esaminare le piattaforme che sorgono nel loro settore e considerare se e con che grado parteciparvi attivamente.

Le scelte strategiche che i leader e i manager aziendali compiono, riguardo a questo tipo di sfide, si basano su quattro principali tipi di benefici che si aspettano di ottenere dalle piattaforme. A seconda dell’enfasi relativa che viene posta sul miglioramento delle performance, sulla crescita esponenziale, sull’innovazione distribuita e sulla modellizzazione di nuove strategie[9], le aziende si orientano verso determinate tipologie di piattaforma rispetto ad altre.

Le maggiori opportunità per conquistare aree di valore generato sulle piattaforme richiedono una comprensione profonda degli elementi che possono creare e rendere sostenibili le fonti di vantaggio competitivo e permettere l’appropriazione di una quota del valore creato sulla piattaforma maggiore rispetto al contributo apportato. […]

Commento di Peter Schwartz

Peter Schwartz è Senior Vice President Global Government Relations & Strategic Planning per Salesforce.com. Prima di entrare in Salesforce, è stato co-fondatore e presidente di Global Business Network, società del Gruppo Monitor, e partner di Monitor Group (ora Monitor Deloitte): una famiglia di società di servizi professionali dedicate al miglioramento della competitività dei clienti. Futurista e business strategist di fama internazionale, Peter è specializzato nella pianificazione di scenari: collabora con aziende, governi e istituzioni per creare prospettive alternative per il futuro e sviluppare strategie solide per un mondo in evoluzione.

“Oggi le piattaforme rendono possibile l’apprendimento e l’innovazione alla velocità necessaria al business grazie all’offerta di spazi di collaborazione e talvolta anche di aumento esponenziale della produttività che creano valore aggiunto. […]”

In un mondo di ecosistemi di business, la lealtà può essere la più importante delle valute scambiate. Per Salesforce, un vivace ecosistema fatto di clienti-sviluppatori, applicazioni e servizi di supporto e che ha come linfa vitale la fedeltà e l’impegno reciproco, la lealtà è il motore di crescita. Gran parte del valore creato sulla piattaforma Salesforce è di proprietà diretta dei nostri partner e clienti, ed è esattamente come dovrebbe essere. Pensiamo al valore condiviso che viene creato collettivamente come l’adesivo che tiene connessa la piattaforma Salesforce all’ecosistema più ampio in cui il cliente, ora in co-evoluzione con Salesforce, compete e genera ritorni economici. […]”[10]


È opinione di Monitor Deloitte che nel prossimo futuro avremo quattro modelli operativi open non mutuamente esclusivi tra cui le banche potranno scegliere:

  • full-service provider: mantenere lo status quo con un’offerta completa di servizi e prodotti proprietari distribuiti attraverso una rete controllata direttamente e una minima interazione e collaborazione con terze parti;
  • utility: rinunciare alla creazione dei prodotti e alla loro distribuzione ma offrire servizi e infrastruttura tecnologica (es. servizi di AML/KYC, payment gateway, …) ad altri operatori finanziari che gestiranno il prodotto e la relazione con il cliente;
  • supplier: focalizzarsi sulla fabbrica prodotto per offrire elevati gradi di performance e personalizzazione ma rinunciare alla distribuzione che sarà affidata a piattaforme e canali gestiti da altre banche e terze parti;
  • interface: concentrarsi sulla distribuzione e sulla relazione con il cliente creando una piattaforma e un’interfaccia unica attraverso la quale offrire prodotti e servizi di terze parti.

L’open banking pone dunque le banche tradizionali difronte a nuovi quesiti strategici. Quale ruolo giocare in questo nuovo contesto? Come evolvere i propri core business e la correlata catena del valore?

L’adozione di un modello di open banking, con il passaggio da un modello più incentrato sul prodotto a uno più focalizzato sul soddisfacimento dei fabbisogni del cliente, renderà molto più labili i confini del settore, ma allo stesso tempo potrà allargare il mercato potenziale verso attori che prima, per diverse ragioni, non venivano serviti (es. unbanked, millennials); il tutto, con il coinvolgimento di attori ad oggi non percepiti come competitor dalle istituzioni non creditizie. I germogli di questo nuovo stato si stanno già osservando con accordi di collaborazione tra banche, assicurazioni, player postali, operatori della GDO e aziende tecnologiche e con l’entrata sul mercato di un numero importante di Fintech.

Il vantaggio competitivo e nuove sfide dei player tradizionali

Le nuove sfide dell’open banking porteranno le banche a confrontarsi con operatori diversi, molti dei quali fuori dai loro radar, ponendo nuove sfide manageriali alla ricerca di nuovi vantaggi competitivi. Se le Fintech e nuove “challenger bank” – banche totalmente digitali con modelli di business e di servizio “non tradizionali” e tipicamente low cost –  possono contare sull’agilità di un prodotto nativo digitale, le banche tradizionali, alle prese con sistemi legacy spesso costosi, vecchi e che si dimostrano inadeguati a offrire customer experience al livello dei nuovi competitor, dovranno necessariamente trovare nuove dimensioni di competitività. Come infatti si evidenzia da un’indagine demoscopica condotta in UK da Deloitte, i clienti risultano maggiormente disposti (nel 58% dei casi[11]) ad usare servizi offerti da new entrant, come banche mobile-only, a fronte di una più vasta offerta di funzionalità banking-related.

Per rispondere a queste sfide, le banche dovranno puntare su quattro principali elementi di forza rispetto a fintech, challenger bank e, potenzialmente, giganti del web: la fiducia di cui godono, le loro expertise industriali, la disponibilità di risorse umane e finanziarie (i.e. di investimento) e la capacità di offrire una vasta e profonda scala di servizi bancari. Ma probabilmente questi vantaggi da soli non basteranno. Dovrà affiancarsi un profondo cambio di mentalità nel modo di fare banca e quindi dalla valorizzazione del capitale umano, vero asset a disposizione delle istituzioni finanziarie. Le competenze necessarie per vincere oggi sono ovviamente diverse rispetto al passato e cambiano ad una velocità mai vista (da 30 a 5 anni a partire dagli anni ’80 ad oggi). Le banche, quindi, non solo dovranno ricercare nuovi profili e formarli in una logica di continuo apprendimento, ma dovranno considerare che nel mondo dell’open banking le soft-skill conteranno come, se non di più, delle hard skill. Stiamo già assistendo infatti al passaggio dal modello STEM (Science, Technology, Engineering & Mathematics) a quello STEAM con l’aggiunta del concetto di Arts: capacità di pensiero critico ed analitico, attitudine al continuo apprendimento, intelligenza emotiva, ma anche capacità di analisi e gestione dei dati, conoscenza dell’informatica e del digitale, comunicazione e service design sono i tratti distintivi delle nuove professionalità necessarie alle banche per prosperare.

Le soluzioni e i prodotti del futuro saranno disegnati attorno all’uomo e alle sue caratteristiche, non più soltanto al singolo bisogno: pertanto, accanto alla tecnicalità (es. caratteristiche del mutuo), il comportamento umano e il percorso cognitivo delle persone guideranno la realizzazione di nuove soluzioni. I nuovi profili dei dipendenti bancari non saranno quindi solo ingegneri informatici e specialisti finanziari, ma anche data scientist e UX (User eXperience) designer, psicologi comportamentali[12].


I punti di forza dell’industria bancaria

Il primo elemento di vantaggio competitivo per le banche è la fiducia di cui godono presso i consumatori e che costituisce elemento fondante del business stesso. In Italia, ad esempio, circa il 60%[13] della popolazione non ritiene affidabili le cosiddette terze parti per la gestione dei propri dati finanziari.

In secondo luogo, le stesse fintech riconoscono alle banche tradizionali una conoscenza di settore ad oggi impareggiabile, sia in termini di expertise industriale che di dati e relazione con la clientela.

Terzo elemento da considerare è la massa critica degli istituti più grandi che possono contare su una vasta e stabile base clienti, oltre che su una notevole capacità di investimento e disponibilità di risorse.

Ultimo, ma solo in ordine di esposizione, l’ampiezza e la profondità dell’offerta delle banche tradizionali che, seppur non onnicomprensiva e in parte da rivedere in ottica digitale, risulta circa tre volte maggiore in termini di numero di famiglie prodotto offerte rispetto alle fintech, come evidenziato da un’indagine Deloitte a livello EMEA[14].


Conclusioni

Le banche saranno chiamate ad evolvere lo status quo e condividere la titolarità esclusiva della relazione con il cliente, dell’infrastruttura e del prodotto, ed individuare un ruolo in cui eccellere e vincere all’interno di un sistema di condivisione.

Dal nostro punto di vista, l’evoluzione dei modelli di business dell’industria bancaria, abilitati dalle tecnologie digitali e dall’open banking, si caratterizza come opportunità per le banche di sviluppare ancora più in profondità la propria relazione con i loro clienti e di diventarne ancora di più punto di riferimento: capirne i bisogni, sia funzionali che emotivi e non solo finanziari, sarà dunque fondamentale per aumentare la propria base clienti e la loro lealtà al brand.

In ultima istanza, non si tratta solo di normativa, tecnologia, prodotto o modello di servizio. È necessario guardare all’open banking come filosofia: un nuovo approccio basato sulla condivisione dei dati in primis, ma anche di sistemi, servizi industriali, canali distributivi e soprattutto di clienti, attorno ai quali sviluppare nuovi standard di prodotto e servizio.

Nella nostra visione le banche dispongono di vantaggi competitivi importanti, ad oggi forse non pienamente sviluppati, per rimanere al top e abbracciare le logiche di marketplace. Dovranno evolvere i loro modelli di leadership in ottica digitale, modificare le loro strutture interne rendendole più agili, rivedere l’allocazione del budget IT verso progetti di trasformazione, selezionare e formare personale non solo con profili diversi, ma anche pronto a cimentarsi in sfide nuove, imparare continuamente e adattarsi. Al contrario, se resteranno legate a logiche passate si troveranno a difendere un vantaggio competitivo le cui barriere all’ingresso cadranno e daranno ragione a chi afferma: “a bank is a fax machine”, che come sappiamo sono cadute nel dimenticatoio.

Contatti  

Carlo Murolo, Senior Partner, Head of FS Industry, Deloitte Consulting, cmurolo@deloitte.it

Manuel Pincetti, Senior Executive, Monitor Deloitte Strategy Consulting, mpincetti@deloitte.it

Gabriele Falcone, Executive, Monitor Deloitte Strategy Consulting, gfalcone@deloitte.it

Giacomo Gabrieletto, Senior Associate, Monitor Deloitte Strategy Consulting, ggabrieletto@deloitte.it

Ringraziamenti  

Un ringraziamento speciale a E. Zanchetta e A. Brusasco per il contributo di valore apportato nella scrittura dell’articolo.


[1] “Rapid technological disruption will break apart the banking oligopoly and the majors’ business models. […] To survive, banks will need to partner more with start-ups and global tech giants. And potentially sell others’ financial products”. Shayne Elliott, CEO dell’australiana ANZ

[2] Elaborazioni Monitor Deloitte su dati IDC

[3] Elaborazioni Monitor Deloitte su dati BCE, Banca d’Italia, Eurostat e dati proprietari

[4] Banking online e pricing | Finisce l’era a zero spese – https://www2.deloitte.com/content/dam/Deloitte/it/Documents/strategy/Monitor_Deloitte_Banche_Online_2018.pdf

[5] Elaborazioni Monitor Deloitte su dati Banca d’Italia e dati proprietari

[6] Payments Service Directive 2 (PSD2) https://www2.deloitte.com/content/dam/Deloitte/it/Documents/technology/B_Payment%20Service%20Directive-new.pdf

[7] Deloitte University Press, Patterns of Disruption series tra cui Impact on wholesale banking https://www2.deloitte.com/insights/us/en/focus/disruptive-strategy-patterns-case-studies/wholesale-banking.html

[8] eMarketer Data

[9] https://hbr.org/2008/10/shaping-strategy-in-a-world-of-constant-disruption

[10] The power of platforms: https://www2.deloitte.com/insights/us/en/focus/business-trends/2015/platform-strategy-new-level-business-trends.html

[11] How to flourish in an uncertain future open banking, Deloitte, https://www2.deloitte.com/uk/en/pages/financial-services/articles/future-banking-open-banking-psd2-flourish-in-uncertainty.html – https://www2.deloitte.com/content/dam/Deloitte/uk/Documents/financial-services/deloitte-uk-open-banking-how-to-flourish-in-an-uncertain-future.pdf

[12] The future of Jobs, World Economic Forum: https://www.weforum.org/agenda/2018/09/future-of-jobs-2018-things-to-know/

[13] Monitor Deloitte survey on more that 1k respondents

[14] Monitor Deloitte on Deloitte EMEA Digital Maturity 2018 report and proprietary data

Feb 092019
 

Overall, the stress test exercise shows the significant sensitivity to market shocks for the European insurance sector. The groups seem to be vulnerable to not only low yields and longevity risk, but also to a sudden and abrupt reversal of risk premia combined with an instantaneous shock to lapse rates and claims inflation.

Three scenarios are considered:

  1. Yield curve up (YCU) scenario: i) the 10- year EUR swap rate term structure would shift upwards by 85 bps and by more than 100 bps for currencies of other major advanced economies. Government bond spreads increase by 36 bps on average, reaching a maximum of 134 bps. ii) Lapse rates are assumed to increase by 20% for all non-mandatory life insurance products. iii) 2.24% higher annual claims inflation than assumed for the existing calculation of the best estimate of non-life liabilities.
  2. Yield curve down (YCD): i) protracted period of extremely low interest rates. Instantaneous change of the relevant risk-free interest rate term structures, including an adjustment of the ultimate forward rate which is set at 2.04% (compared to 4.2% at the end of 2017). 10- year swap rates decline by around 80 bps in advanced economies and by around 40 bps in the emerging market economies. ii) average life expectancy is assumed to increase significantly across the entire population. 
  3. Natural Catastrophe (NC): four European windstorms, two central and eastern European floods and two Italian earthquakes. 

Management actions were not allowed in the exercise. Data refer to end of 2017. The exercise covers 42 groups (75% of consolidated assets, 66% of technical provisions at the European level).

Two ratios of insurance companies are considered: assets over liabilities (AoL) and Solvency capital ratio (SCR).

In the baseline situation, participating groups have an average AoL ratio of 109.5% with an SCR ratio of 202.4%.

In the YCU scenario, the aggregate AoL ratio drops from 109.5% to 107.6%. Without the use of Long Term Guarantee (LTG) and transitional measures the impact would be more severe, corresponding to a drop in AoL ratio to 105.1% with 3 groups reporting an AoL ratio below 100% (accounting for approximately 10% of total assets in the sample). The post-stress aggregate SCR ratio remains at 145.2% with a drop of 57.2%, but 6 groups report a post-stress SCR ratio below 100%. Without the application of LTG and transitional measures, the SCR ratio would drop to 86.6%, with 21 groups reporting a ratio below 100%. 

In the YCD scenario, the aggregate AoL ratio decreases from 109.5% to 106.7%. Without the use of LTG and transitional measures, the aggregate AoL ratio would drop to 104.8% with 3 groups reporting an AoL ratio below 100% (accounting for approximately 10% of total assets in the sample). The aggregate SCR ratio drops by 64.9 percentage points at 137.4% after shock, 7 groups report a ratio below 100%. Excluding both LTG and transitional measures would lead to an aggregate SCR ratio of 85.4%, with 20 participating groups reporting a ratio below 100%.

In the NC scenario, participating groups report a drop of only 0.3% in the aggregate AoL ratio. The limited impact of the NC scenario is mainly due to the reinsurance treaties in place, with 55% of the losses   transferred to reinsurers.