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. 

Feb 092019
 

The 2018 Eiopa Report on Long-term Guarantees measures and measures on equity risk was released in December 2018. The analysis refers to data at 31 December 2017, the following measures were investigated: Matching Adjustments (MA), Volatility Adjustmens (VA), Symmetric adjustment meachanism to the equity risk charge (SA), Duration-based equity risk module (DBER), Transitional on the risk free rate (TRFR), Transitional on technical provisions (TTP).

The report shows that 3 out of 4 insurance and reinsurance undertakings do not apply any of the LTG measures, undertakings aopting them represent 74% of the technical provisions of the European market. Those using VA represent the vast majority (66%), followed by those adopting TTP (24%) and the MA (15%).

The report show the effect of removing the measures for undertakings. The effect should be an increase for technical provisions, a decrease for net deferred tax liabilities, a decrease for eligible own funds, an increase for the SCR and MCR. Removing all the measure would lead to increase the amount of technical provisions by 176 bln euro (215 in 2017), to reduce eligible own fund by 127 bln euro (164 in 2017), to increase the SCR by 64 bln (73 in 2017). The effect is lower than last year. The impact on average on the SCR ratio at the European level for undertakings adopting at least one of the measures is -59%pts (last year it was -69%pts). There is a lot of heterogeneity, the datum is affected by two outliers (Germany and UK with -95%pts), Itlay has a little impact: -5%pts. Without the measures, 7% of undertakings would be below the 100% threshold, representing 13% of technical provisions at the European level. In 2017, the number of undertakings at risk to go below 100% was 11%. Thus the criticality associated with applications of these measures is decreasing.

Undertakings adopting LTG measures are more exposed to risk. 1)Credit risk. Almost all investments in bonds by undertakings are investment grade with no difference between undertakings using LTG measures and the others. However, undertakings adopting the LTG measures invest in riskier bonds: +25% in BBB government bonds with respect to the other undertakings and +12% in case of corporate bonds. 2) Interest rate risk. The duration of the assets held by undertakings adopting LTG measures is longer than for the others: +2 years in case of government bonds, +1 year in case of corporate bonds.

Removing the MA would lead to a -81% (companies located in UK and Spain). Without MA, 41% of undertakings using this measure would go below 100%.

The number of undertakings using the VA decreased by 34 in one year. In many countries undertakings using the VA represent more than 80% of technical provisions of the market. 17% of the technical provisions apply both the VA and the TTP. The impact of removing the VA is -17%pts. There are three outliers: Germany, Denmark and The Netherlands with an impact around -40%pts for undertakings adopting the measure. Only 1% of the undertakings using this measure would go below 100% without it. It is interesting to observe that the advantage of the VA comes almost exclusively from undertakings adopting an internal model with a dynamic VA (-56%bps), for those adopting the standard formula or the internal model but without the dynamic VA the effect is limited: -5/6%bps. Undertakings using the VA are more exposed to credit risk than the others: +24% of BBB government bonds or lower grade, +12% in case of corporate bonds.   

The average impact of removing TRFR measures for undertakings using this measure would be 50%pts with a significant effect for France and Greece. The average impact of removing TTP measures for undertakings using this measure would be 75%pts with a significant effect for Germany, Belgium, France.

The picture that deserves a deeper analysis. The main questions are: Are these measures able to accomplish the tasks for which they were designed? Is their application able to level the playing field for insurance companies in Europe?

Feb 012019
 

Tra le “buzzword” del momento, troviamo certamente “robo-for-advisor”. Ovvero strumenti d’analisi e costruzione di portafoglio in dotazione ai relationship manager. È tecnologia a supporto del professionista: lo potenzia, a tutto beneficio di produttività e qualità del servizio al cliente. Sembra essere il connubio uomo-tecnologia ottimale, visto che i roboadvisor puri sono relegati a una nicchia di mercato destinata a rimanere tale per un po’ e visto che “the human touch” sembrerebbe ineliminabile, almeno per ora.

Bello, in teoria.

In pratica, però, ho notato che svariate istituzioni finanziarie sono rimaste un filo indietro. E così sono corse ai ripari, magari sulla spinta delle reti, dotando in fretta e furia i loro relationship manager – ossia private banker, consulenti finanziari dipendenti e indipendenti, operatori di filiale – di strumenti di portfolio construction. Ne ho visto diversi, buoni e meno buoni. Molti soffrono di un (antico) problema sul quale mi sento di condividere alcune riflessioni.

Un antico tormentone

Il problema, che riemerge periodicamente (accadde già con la prima ondata di roboadvisor), è che gran parte di questi sistemi di robo-for-advisor si basano sull’applicazione naïve della Modern Portfolio Theory di Markowitz, in breve naïve-Markowitz.

È inquietante osservare come, a sprezzo di circa trent’anni di ricerca accademica, l’Homo sapiens riesca ad essere così superficiale da trasformare in pattume pseudoscientifico un’idea illuminante e geniale – in questo caso quella seminale di Harry Markowitz, che consisteva nel ricercare esplicitamente il trade-off tra rischio e rendimento, facendo tesoro di tecniche di programmazione matematica. Purtroppo, il naïve-Markowitz è invece metodologicamente agghiacciante, nonché praticamente pericoloso per i clienti, per i professionisti e per la reputazione delle azienda. Vediamo perché.

L’inghippo è che il processo naïve-Markowitz è semplice, ma dall’apparenza scientifica: si definisce l’universo investibile (asset class, fondi, etf, ecc), si prende qualche anno di serie storiche, se ne ignora bellamente la distribuzione di probabilità empirica, ipotizzando invece che sia gaussiana, poi si stimano a massima verosimiglianza dalla storia i parametri (matrice di covarianza e vettore delle medie), si sbatte tutto in un risolutore per problemi di programmazione quadratica, infine si pigia il bottone. Et voilà! S’ottiene la mitica frontiera efficiente dei portafogli, con tanto di curva scenografica e rendimenti attesi specificati al secondo numero decimale, magari anche al terzo, a seconda del software.

C’è però un problema: quei portafogli non hanno senso. Se non per caso. Letteralmente: i pesi di portafoglio sono de facto casuali.

Questo perché l’errore di stima dei parametri è tipicamente di tipo “monster[1]”. Inoltre i portafogli si fondano su una storia che probabilmente non si verificherà più. Infine, le ipotesi sottostanti sono lontane dalla realtà (i rendimenti arcinotoriamente non seguono affatto una distribuzione gaussiana e i parametri del “data generation process” non restano costanti nel tempo) – ma questo, lasciatemi dire, è il minore dei mali.

È intuitivo che, là fuori nel mondo reale, siffatti portafogli qualche problema siano destinati ad averlo. Così, alle prime legnate prese dai mercati, tutto sembrerà assai meno scientifico, tra le belluine proteste di clienti e le lamentele dei consulenti (“il sistema di robo-for-advisor non funziona”).

Sospetto che molti di voi ritengano che mi stia arrovellando intorno a una sottile questione tecnica, irrilevante nella pratica. Niente di più sbagliato: è sì una questione tecnica, ma tra poco, numeri alla mano, vi mostrerò la vastità del problema nella pratica. Cioè gli impatti di business.

In ogni caso, alla radice del problema non c’è la sfortuna dell’investitore e del suo consulente, bensì il “butterfly effect, cioè l’effetto farfalla, ben noto a priori se uno .

The butterfly effect

Si tratta di un rimarchevole concetto nativo della teoria del caos e dei sistemi complessi. L’idea, che probabilmente conoscete, è espressa coereograficamente così: un batter d’ali di una farfalla in Brasile può causare una catena di eventi nell’atmosfera tali da provocare un tornado in Texas. Generalizzando, piccole variazioni nelle variabili di un sistema possono arrivare a causare grandi effetti.

È proprio ciò che capita con i modelli naïve-Markowitz: gli errori nella stima degli input si fanno strada negli algoritmi che portano all’asset allocation finale, crescono e finiscono con avere un impatto enorme, tale da inficiare del tutto la validità dell’output. Tanto che l’applicazione del naïve Markowitz è nota come “maximization error model”. Siccome l’idea è un po’ cerebrale, tocchiamola con mano grazie ad un esempietto numerico.

Immaginate di essere il dio dei mercati finanziari. Considerate 25 asset class, per le quali bonariamente imponete che la distribuzione di probabilità dei log-rendimenti mensili sia gaussiana, con volatilità crescente da 1% a 25% e Sharpe ratio pari a 0.3 per tutte le asset class, matrice di covarianza a correlazione costante (ipotesi utili per  creare un esempio ragionevole e comprensibile, nient’altro).

In queste condizioni, per un profilo di rischio medio, un portafoglio “ottimo” long-only secondo il modello naïve Markowitz ha i pesi delle varie asset class (ordinate in funzione della volatilità) mostrati nella figura seguente.

Già ad occhio il portafoglio sembra piuttosto ragionevole: i pesi sono ben distribuiti, le attività meno rischiose pesano di più (rammento che è un portafoglio a rischio medio), circa il 50% del portafoglio, mentre gli attivi più volatili cubano per un 20% circa. L’indice di diversificazione è 96%, altissimo.

In questo mondo immaginario questa è la verità assoluta, perché non c’è alcun errore di specificazione, legato alla scelta del modello, né errore di misura (stima) dei parametri: siamo di fronte al “vero” portafoglio ottimo.

Ora cambiamo prospettiva: siete un sistema di robo-for-advisory al quale viene dato in pasto un campione di cinque anni di dati generati dalla distribuzione di probabilità di cui sopra, quella del dio del mercato. Date le ipotesi, si può dimostrare come l’errore di specificazione del modello sia pari a zero. C’è solo errore di misura, puro errore campionario. Calcolate di nuovo i pesi ottimali secondo naïve Markowitz e li mettete da parte.

Poi, come in preda a un rewind temporale, vi vengono forniti altri 5 anni di dati generati sempre dalla stessa distribuzione multivariata. Un altro campione. Un altro “mondo possibile”. E così ripetete l’esercizio.

E ancora, per 10mila volte, 10mila scenari possibili.

Ora vediamo nel grafico seguente quanto si scostano i pesi di portafoglio stimati da quelli veri: per ogni asset class riporto l’intervallo che contiene gli estremi di variazione degli scostamenti. L’errore commesso rispetto al portafoglio “del dio” varia allegramente dal -12% a poco meno del 90%. L’indice di diversificazione di questi portafiogli ha valore mediano pari a 35% (rammneto che quello “vero” è 96%), il che vuol dire che l’idea stessa di diversificazione è largamente compromessa.

Se consideriamo per esempio l’asset 2 (a basso rischio, con volatilità 2% e rendimento atteso 0.6%), nel portafoglio ottimo “vero” il peso è 12%. Guardate invece come oscilla nelle varie ottimizzazioni fatte dal robo-for-advisor: assume sovente valore 0%, e qualsiasi valore ammissibile, arrivando anche a dominare il portafoglio. Non stupisce che la diversificazione vada gambe all’aria.

Penso vi sia chiara la madornale portata dell’errore associato al naïve Markowitz e la ragione dell’appellativo “maximization error model”: l’errore di stima genera portafogli casuali come quelli che potrebbe generare una scimmia. Non si tratta di mancanza di finezza matematico-statistica. No. Si tratta di risultati casuali e instabili (per chi è matematicamente orientato, per avere un’idea analitica dell’instabilità basta dare un’occhiata alla matrice jacobiana contenente tutte le derivate parziali dei pesi ottimi nella soluzione in forma chiusa di Markowitz, cioè w*, rispetto al rendimento atteso m, ossia ∂w*/∂m). Numeri spesso lontanissimi dalla vera soluzione ottima e quindi praticamente privi di valore. Classico “garbage-in, garbage-out”.

E considerate che la realtà è ben peggiore di così: nell’esempio c’è solo e soltanto l’errore legato alla stima campionaria, mentre nella pratica c’è anche un sostanzioso errore legato alla specificazione del modello, al quale s’aggiunge il fatto che i parametri di mercato cambiano di continuo.

Spero sia ora evidente quale immensa idiozia siano quelle belle frontiere efficienti e quei rendimenti attesi specificati al secondo decimale.

Utilizzare naïve Markowitz così – proprio ciò che stanno facendo con entusiasmo molti consulenti finanziari e private banker – alla fine della fiera porterà a una sola cosa: una disastro, per di più non facilmente spiegabile al cliente.

E quando si verificheranno i disastri, di chi sarà la colpa? Del roboadvisor/motore di portfolio construction in primis, in solido con il consulente che ci mette la faccia e con la casa madre che ha messo in piedi il baraccone. Un bel rischio operativo.

Soluzioni?

C’è una buona notizia: si può evitare di sprecare budget in una raffinata macchina per produrre spazzatura finanziaria e dare invece qualche strumento agli advisor.

I meta-ingredienti occorrenti sono due:

  • una metodologia, che non può essere un singolo modello one-size-fits-all, bensì una “ricetta d’investimento” fatta di una combinazione di metodi di portfolio construction e stimatori robusti, inseriti in un processo d’investimento razionale, disciplinato e finanziariamente ben fondato, con uno storytelling chiaro nel confronti del cliente;
  • un governo centrale e competente del processo, che parta dalla casa madre. Senza un metodo solido e un presidio forte sulla costruzione dei portafogli è inevitabile che qualche consulente finanziario o private banker con l’indole del Warren Buffet della Brianza o del Ray Dalio della Ciociaria prima o poi combinerà qualche disastro.

Non è difficile fare le cose per bene. Occorre solo conoscenza di processo e un po’ di know-how teorico-pratico di modellizzazione statistica e finanziaria che vada oltre Markowitz e uno scolastico Black-Litterman. Sfortunatamente, sembra che non poche organizzazioni ne siano sprovviste.


[1] Questo problema è ampiamente riconosciuto e studiato, sia teoricamente che empiricamente; si vedano, tra i molti,  Best e Grauer (1991), “On the Sensitivity of Mean Variance Efficient Portfolios to Changes in Asset Means: Some Analytical and Computational Results”, Review of Financial Studies, nonché Chopra e Ziemba (19939, “The Effects of Errors in Means, Variances and Covariances on Optimal Portfolio Choice”, Journal of Portfolio Management.

Gen 252019
 

I tassi IBOR svolgono un ruolo fondamentale nei mercati finanziari: in particolare il LIBOR è il tasso di interesse predominante per i contratti (ad esempio interest rate swap, mutui, obbligazioni a tasso variabile) nelle valute USD, GBP, CHF e JPY, mentre l’EURIBOR è il tasso più diffuso per i contratti dell’area Euro (cfr. Figure 1).

A seguito della crisi finanziaria, tuttavia, la loro affidabilità e coerenza sono state messe in discussione per le acclarate manipolazioni e per il calo della liquidità del mercato interbancario. La crisi ha inoltre determinato una esplosione delle basi quotate fra tassi che differiscono per divisa o tenor, con conseguente moltiplicazione delle curve di tasso necessarie per valutare a mercato gli strumenti finanziari, e la necessità di gestire il corrispondente basis risk [1]. Tali basi sono la conseguenza del meccanismo di fixing dei tassi, riferiti a depositi interbancari a termine unsecured, e riflettono essenzialmente il rischio di credito e liquidità delle banche partecipanti (IBOR panel banks).

A partire dal 2009, le autorità e gli operatori del mercato hanno intrapreso una serie di iniziative per rinnovare la governance dei principali tassi d’interesse di riferimento e per individuare nuovi tassi basati su transazioni reali in mercati di riferimento stabili e liquidi. In particolare, i “Principles for Financial Benchmarks” emanati da IOSCO nel 2013 stabiliscono 4 aspetti principali per la determinazione dei tassi benchmark: Governance, Quality of Benchmark, Quality of Methodology ed Accountability. Tali principi sono stati accolti nell’area Euro dalla Benchmark Regulation (BMR), che dichiara i tassi EURIBOR ed EONIA come “critical benchmark” ed impone quindi, entro due anni dall’entrata in vigore (ovvero entro il 1 gennaio 2020), una loro revisione per renderli aderenti oppure una loro sostituzione.

Il Financial Stability Board (FSB) ha raccomandato di rafforzare tali tassi di interesse, ancorandoli a transazioni osservabili, consigliando lo sviluppo di nuovi tassi risk free (RFR). A questo fine sono stati predisposti cinque Working Group per le principali valute, che hanno individuato i rispettivi RFR alternativi: in tutti i casi si tratta di tassi overnight (secured per alcune divise ovvero unsecured per altre). Per la divisa USD è stato scelto il tasso SOFR (Secured Overnight Financing Rate), mentre per EUR è praticamente definito il nuovo tasso ESTER (Euro Short Term Rate, unsecured). I tassi overnight, specialmente secured, non sono strettamente tassi privi di rischio, ma possono essere considerati come buone approssimazioni in tal senso.

Nel luglio 2018 AFME, ICMA, ISDA, SIFMA e SIFMA AMG hanno pubblicato l’esito della consultazione rivolta agli operatori di mercato, nella quale vengono identificati i punti di attenzione della riforma dell’IBOR e le raccomandazioni sugli step da effettuare per prepararsi al passaggio ai nuovi RFR e dalla quale è emerso che esistono carenze sostanziali circa la consapevolezza della tematica e gli step finora intrapresi per gestire la transizione.

Transizione

I nuovi contratti conclusi dopo la scadenza BMR (1° gennaio 2020) dovranno essere riferiti ai nuovi RFR. I contratti pre-esistenti (legacy contracts) potranno essere re-indicizzati ai nuovi RFR oppure, se continueranno ad essere pubblicati, contare ancora sui vecchi tassi IBOR. In entrambi i casi sarà necessaria una modalità di transizione (“fallback”) verso i nuovi RFR.

Un passaggio molto importante in tale transizione sarà la costruzione di una struttura a termine per i tassi RFR, sostitutiva dell’analoga struttura a termine oggi quotata per i tassi IBOR sotto forma di tassi di deposito, Futures, FRA (Forward Rate Agreement), e Swap. I nuovi RFR, non disponendo di una struttura a termine con diverse scadenze, richiedono la definizione di una regola per costruire dei tassi a termine. Ad esempio il tasso a 3 mesi può essere costruito come composizione semplice dei tassi overnight sul periodo. Questo tipo di indicizzazione è già ad oggi utilizzata per gli strumenti di tipo OIS (Overnight Indexed Swap) scambiati sul mercato OTC. Sarà poi necessario lo sviluppo di un mercato OTC liquido per tali strumenti finanziari.

L’ISDA ha avviato un’iniziativa a livello internazionale per identificare regole di fallback condivise per gli strumenti derivati, le quali entreranno in vigore nel momento dell’interruzione permanente nella contribuzione degli attuali benchmark. La soluzione di fallback si basa sull’individuazione di un term adjustment e di uno spread adjustment da applicare al RFR individuato. A luglio 2018, l’ISDA ha lanciato una prima consultazione con la proposta di 4 metodologie alternative per il calcolo del term adjustment e 3 metodologie per il calcolo dello spread adjustment, per le divise GBP, CHF, JPY, i cui risultati sono attesi entro dicembre 2018. Una successiva consultazione verrà lanciata per USD ed EUR nel 2019.

Tale metodologia, una volta definita e condivisa, sarà tuttavia applicabile per i soli derivati stipulati sotto ISDA agreement, mentre per gli altri strumenti (e.g. derivati non-ISDA, mutui, titoli) la conversione dovrà essere stabilita e non necessariamente avrà luogo con metodi analoghi, con il rischio di far emergere possibili basis mismatch e conseguenti conflitti contrattuali.

Area Euro

La normativa BMR ha sancito la fine dei tassi EONIA ed EURIBOR così come li conosciamo. L’European Money Markets Institute (EMMI), amministratore di entrambi i tassi, sta effettuando una revisione delle metodologie attuali.

Per quanto riguarda l’EONIA, dopo una fase di studio, l’EMMI ha ritenuto che la liquidità di mercato alla base del meccanismo di formazione dell’EONIA non sia sufficiente per renderlo conforme alla BMR, e si è resa quindi necessaria l’identificazione di un nuovo RFR in sua sostituzione. A tal proposito l’European Central Bank (ECB) ha instituito il Working Group sull’Euro Risk Free Rate, che il 13 settembre 2018 ha suggerito l’ESTER (European Short Term Rate) quale nuovo RFR per l’Euro. Mentre l’EONIA è un tasso di lending basato su depositi interbancari overnight effettuati sulla piattaforma Real Time Gross Settlement (RTGS) operata dall’ECB, ESTER è un tasso borrowing basato delle transazioni riportate dalle banche tramite il Money Market Statistical Reporting (MMSR), e viene calcolato come media ponderata sui volumi superiori al milione di euro, escludendo il primo 25% e l’ultimo 25% della distribuzione dei tassi. L’ESTER, sviluppato dall’ECB stessa, sarà ufficialmente pubblicato a partire da ottobre 2019; nel frattempo, viene pubblicato un tasso pre-ESTER (osservazioni giornaliere a partire dal marzo 2017 con la medesima metodologia di calcolo utilizzata a tendere) allo scopo di familiarizzare con il nuovo tasso. I dati finora pubblicati dimostrano che pre-ESTER è inferiore all’EONIA di circa 8-9 bps e maggiormente stabile (minore volatilità storica e minori spike).

Per quanto riguarda l’EURIBOR, EMMI ha definito una metodologia ibrida, attualmente in consultazione, che mira a superare le problematiche dell’attuale metodologia di calcolo con lo scopo di ottenere un tasso che minimizzi le possibilità di manipolazione e risulti ancorato a transazioni osservabili e resistente agli stress del mercato. Nel caso in cui tale metodologia venisse accettata dai regolatori come aderente ai principi IOSCO e la BMR (scadenza 1° gennaio 2020), il nuovo EURIBOR potrebbe presumibilmente essere il naturale successore dell’EURIBOR attuale. Nel caso in cui, invece, l’EURIBOR subisse la medesima sorte del LIBOR, anche l’area Euro si troverà ad affrontare le medesime problematiche delle altre principali divise. Al riguardo, nello stesso documento in cui veniva sancita la scelta dell’ESTER come nuova tasso risk free, il Working Group sull’Euro RFR ha suggerito di utilizzare l’ESTER come base di partenza per costruire un nuovo tasso benchmark in sostituzione dell’EURIBOR.

Impatti

A seguito della riforma, che avrà un impatto trasversale a tutti i mercati, le aree in cui si possono individuate gli effetti più importanti riguardano la liquidità degli strumenti di mercato indicizzati ai nuovi tassi, la costruzione di nuove curve di tasso e superfici di volatilità, la modifica delle metodologie di pricing, delle coperture, e il calcolo dei rischi. Saranno inoltre di primaria importanza gli aspetti legali, con una possibile revisione di tutti i contratti indicizzati ai tassi oggetto di transizione, e la gestione della clientela per gestire possibili effetti di mismatching e di litigation. Inoltre, si porrà la necessità di effettuare modifiche ai processi aziendali ed alle infrastrutture IT. Al riguardo, sarà necessario porre molta attenzione sulla governance complessiva del processo di transizione, al fine di assicurare la coerenza tra gli impatti dei cambiamenti imposti dalla riforma e di gestire i relativi rischi.

In particolare, per quanto riguarda i rischi di mercato, si posso identificare i seguenti temi più rilevanti.

  • Contribuzioni tassi benchmark: le banche coinvolte nella contribuzione dei tassi benchmark dovranno gestire la transizione verso la contribuzione dei nuovi tassi secondo le nuove regole stabilite dagli organismi di riferimento (ECB per ESTER e prevedibilmente EMMI per EURIBOR per l’area Euro).
  • Dati di mercato: andrà gestita la transizione verso i nuovi tassi benchmark utilizzati come fixing per la valutazione dei contratti ed i relativi strumenti di mercato indicizzati a tali tassi. Andranno inoltre gestite le corrispondenti serie storiche per finalità di risk management (cfr. oltre).
  • Curve e volatilità tasso: utilizzando i nuovi strumenti di mercato indicizzati ai nuovi tassi benchmark, andranno inoltre costruite le curve di tasso e superfici di volatilità, gestendo i probabili problemi di liquidità nel caso in cui il mercato dei nuovi derivati indicizzati a RFR non sia abbastanza liquido e/o i dati non presentino una appropriata granularità. Inoltre è prevedibile un periodo di transizione in cui sarà necessario mantenere sia le vecchie curve e volatilità IBOR-based che le nuove curve e volatilità basate sui nuovi RFR.
  • Collateral management: in caso di revisione dei tassi di interesse utilizzati per la remunerazione del collaterale, andrà gestita la transizione verso i nuovi tassi di marginazione con conseguente revisione di tutti gli accordi di collateralizzazione.
  • Metodologie di pricing: le revisioni di dati di mercato, curve e volatilità tasso ed accordi di collaterale porterà probabilmente ad una conseguente revisione delle metodologie di pricing degli strumenti finanziari, che si articolano sotto vari aspetti come segue.
    • La revisione dei tassi di remunerazione del collaterale implicherà un adeguamento delle curve di scontro utilizzate per l’attualizzazione dei flussi futuri, con conseguenti impatti di sensitivity e P&L.
    • Un ulteriore impatto può determinarsi negli aggiustamenti valutativi, in particolare nelle misure di credit/debt/funding value adjustment (CVA/DVA/FVA) relative alle operazioni non soggette a collateralizzazione, dovuto all’impatto sulle esposizioni future e allo spread di finanziamento.
    • Possibili fasi di illiquidità e di passaggio di curve e volatilità tasso potranno determinare problemi di calibrazione dei modelli di pricing e conseguenti instabilità di prezzi, sensitivity e P&L.
    • In caso di dismissione dei tassi IBOR in favore di tassi risk free si avrà una semplificazione nel numero delle curve e volatilità di tasso necessarie per valutare gli strumenti, ed una semplificazione delle corrispondenti sensitivity (delta e vega in particolare). Di conseguenza si potrà determinare anche una semplificazione dei modelli di pricing, con un ritorno di fatto al mondo mono-curva risalente al periodo pre-crisi 2007.
  • Scenari storici: le nuove curve e volatilità tasso potrebbero non avere, dapprincipio, sufficiente profondità storica per costruire degli scenari storici, con conseguente impatto sulle metriche di rischio che si basano sui dati di mercato storici (e.g. historical VaR).
  • Trading vs Banking Book: date le diverse composizioni e metriche di rischio, si avranno impatti diversi: in particolare, per il Trading Book si rileverà un impatto su VaR, sensitivity, CCR e CVA, mentre per il Banking Book la transizione avrà effetti sulle masse di Bond, Loan e altri strumenti di cartolarizzazione, sia in termini di liquidità che in termini di rischio di tasso di interesse.
  • Basis risk: nel caso in cui l’adozione dei nuovi RFR avvenga a velocità diverse, ad es. più velocemente per i derivati e più lentamente per gli strumenti cash, anche in funzione della divisa, sarà necessario gestire una situazione ibrida con diverse asset class esposte a diversi tassi ed il conseguente rischio base.
  • Impatti sul capitale: la transizione verso i nuovi tassi benchmark richiederà l’identificazione dei possibili impatti sulle metriche di assorbimento di capitale; ad esempio, la mancanza di dati storici sui nuovi RFR potrebbe avere degli impatti alla luce della nuova regolamentazione per il Trading Book (FRTB), dove un punto cruciale per il calcolo delle metriche è la distinzione fra “modellable” e “non-modellable risk factors”.
  • Modelli Interni di Rischio: le eventuali variazioni di modello andranno gestite nell’ambito delle regole vigenti per i modelli interni (cfr. EBA RTS 2016/07 e manuale TRIM).

Figure 1: Notional outstanding balances by reference rate, order of magnitude US$ Trillion as of Dec 2017. Source: Oliver Wyman, Jun.2018

Note

[1] Ad esempio, per gestire i derivati di tasso in divisa EUR il mercato utilizza 5 curve (OIS, EURIBOR 1M, 3M, 6M, 12M) e almeno 6 superfici di volatilità (Cap/Floor EURIBOR 1M, 3M, 6M, 12M, Swaption EURIBOR 3M, 6M). Molte altre curve sono necessarie per gestire derivati e/o collateral cross currency.

Gen 182019
 

The Packaged Retail and Insurance-based Investment Products (PRIIPs) Regulation went live with MiFID II in January 2018, introducing requirements for firms to disclose specific information on certain investment products or services. The regulation’s main objective is to help investors assess the money value of these investments and make more informed decisions.

Some important issues have arisen since the implementation of KID and a process of regulatory review has been activated by the ESAs (European Regulatory Authorities).

This article aims to assess whether the PRIIPs regulation has created transparency and comparability across investment products, and the implications in the relationship with retail clients, on the basis of the observation of the market application of the new regulatory framework.

 

New Forms of Disclosure for PRIIPs

PRIIPs include a wide range of products such as investment funds, investment trusts, insurance-based investment products, structured investments (i.e bonds with derivatives components), and structured deposits.

Under the regulation, manufacturers/issuers are obliged to produce a Key Information Document (KID) for each product in scope.

The KID must be provided in the investors’ local language and be published on the company website prior to the product being offered to retail investors. Any distributor or financial intermediary, who sells or provides advice to a retail investor about PRIIPs, or receives a buy order on a PRIIP from a retail investor, must provide him/her with a KID.

KIDs are standardized three page documents built to answer the following four questions:

  • What is the product?
  • What are the risk?
  • What are the costs?
  • What do I get in return?

The document provides specific information such as the aggregated charges associated with the product as well as a breakdown of costs, riskiness, and the simulation outcome of different performance scenarios. All the information is summarized in the document and the net effect of the costs included is presented as an annual percentage reduction in yield.

For UCITS funds that meet the definition of PRIIP, a transitional period was planned until 31 December 2019, and has recently been voted for an extension by another two years [1].

 

Proposed changes for PRIIPs

Since its implementation, Manufacturers and Distributors have experienced several issues related to the following topics:

  • Performance scenarios methodology;
  • Calculation of “Transaction costs”;
  • Different representation of cost and charges between PRIIPs and MiFID II.

In October 2018, the ESAs sent the European Commission a letter to propose how to tackle the key issues which have arisen since the implementation of KID. In November, the ESAs issued a consultation paper on targeted amendments to the Delegated Regulation covering the rules for KID. The consultation paper addresses, in particular, amendments to the information regarding investment products’ performance scenarios.

While the abovementioned consultation was still open, representatives of the funds industry have increased their lobby strongly supporting a delay in the application of PRIIPs to UCITS funds to the 2022 horizon, finally voted by the ECON committee last December.  It is worth mentioning that nothing has changed in the current regulation therefore, as of January 1st  2022, a retail investor investing in a UCITS product will be given two different documents: the KIID for UCITS and the KID for PRIIPs. However, the Commission has been given one more year to finalize their Level 1 review (by 31 December 2019) with the expectation to address the question of the overlapping.

 

Performance Scenarios

PRIIPs requires the financial industry to inform retail clients on the possible evolution of their investment under different future scenarios, to assess the possible product losses or gains in different market conditions. The intention is to increase both client’s awareness on the products’ risks and the comparability with other similar financial instruments.

The regulation requires four performance scenarios in which the financial industry has to report the incomes or losses in absolute terms (assuming an investment of tenthousands euros) over different time periods, until the product’s maturity or the recommended holding period expires. Absolute gains and losses have to be illustrated adjusted for the costs the client would incur.

A favorable scenario, a moderate scenario, an unfavorable scenario, and a stressed scenario aim to depict clearly, through a forward looking approach, the evolution of investment losses and gains depending on the possible future market movements. While for some instruments the performance scenarios work well, this would not be the same for others. Some products are reporting incoherent performance scenarios (example below extracted from the KID of a certificate on “Eurostoxx 50” index.)

The forward-looking approach of the performance scenarios failed due to the dependence on the assumption that historic returns will continue in future. The simulation of the future performance scenarios is driven by the historic returns the product has had over its recommended holding period.  Looking at the equity markets over the last years characterized by a strong positive performance, the KID’s performance scenario methodology could bring positive results also under the unfavorable scenario. The investor could misinterpret such performance scenarios, considering these products less risky than others and able to grant a profit also during negative market conditions.

 

Consideration of “Transaction costs”

In the PRIIP KIDs, recurring costs, including the transaction costs, must be disclosed in percentage terms. The PRIIPs delegat act sets out how firms should calculate actual transaction costs: they must be determined using an “arrival price”, which requires firms to calculate the difference between the bid/ask midpoint price where a trade is first submitted, and the final execution price of the same trade. This means that the costs disclosed are often heavily influenced by market movements and, in some cases, have resulted in some firms disclosing negative figures for their transaction costs. These negative figures may lead investors to draw inaccurate conclusions about the desirability of certain funds and the true brokerage charges which they will ultimately bear.

 

Different representation of cost and charges between PRIIPs and MiFID II

With the introduction of PRIIPs, MiFID II has also introduced a requirement for firms to disclose an aggregate cost figure across all financial instruments in pre-sales activities. The MiFID perspective is different and covers all kinds of investors (not only retail as for PRIIPs) and the entire service value chain (e.g. cost of distribution, cost of service) where incentives paid or received by the distributor have to be reported. For the first time investors receive the overall cost of investing.

Differently from PRIIPs, no format template or guidelines have been foreseen by the regulation.  Thanks to PRIIPs and MIFID II investors should now have a much wider set of costs and charges figures across a much wider set of investments. Nevertheless, full comparability and transparency is still very far.

 

Conclusion and impacts for firms

It is evident that PRIIPs has still not reached its purpose, with significant issues emerging that are limiting the new Regulatory framework from expressing its potential.

While Regulators have already activated the process to review the requirements, firms are free to take additional steps to help investors navigate the new set of information provided to them and reduce the possibility of inaccurate interpretation. Such steps could include:

  • reporting all information in one place consistently with the investment process (e.g. presenting all information together with the investment proposal)
  • explaining how various cost and charges figures and risk indicators are calculated and why differences can exist;
  • explaining why they are required to produce these information and warning the customer about its limitations.

 

Alessandro Mastrantuono | Director Deloitte Consulting

Emanuele Meo | Senior Manager Deloitte Consulting

Donato Masi | Manager Deloitte Consulting

 

Notes

[1] At the beginning of December 2018, the Committee on Economic and Monetary Affairs of the European Parliament (ECON committee voted to postpone the PRIIPs application to UCITS to 2022 (initially scheduled for 2020).

Gen 112019
 

Il Rapporto di Stabilità Finanziaria pubblicato da Banca d’Italia (BDI) a fine 2018 contiene alcuni dati interessanti:

Credito bancario. Secondo le previsioni, il credito bancario rimarrà debole nel biennio 2019-2020, il rapporto credito/PIL continuerà ad essere al di sotto del suo valore di lungo periodo.

Aumento dello spread sui titoli di Stato italiani. L’aumento dei tassi ha causato un aumento della spesa di interessi per lo Stato italiano pari a 1,5 miliardi da aprile a novembre, costerebbe 5 miliardi nel 2019 e 9 miliardi nel 2020. Secondo simulazioni basate su quanto accaduto nel 2010-2011, un aumento di 100 punti basi dello spread dei titoli di Stato decennali porterebbe a:

  • un aumento di 40 punti base sui REPO delle banche e di 100 sulle loro obbligazioni. L’effetto sul CET1 per le banche significative sarebbe pari a 40 punti base e a 90 per le banche meno significative. Le banche italiane hanno il 5.7% dell’attivo valutato al fair value investito in titoli di Stato italiani (quelle meno significative sono più esposte).
  • una riduzione dei fondi propri del 28% delle compagnie assicurative che detengono il 34% dell’attivo investito in titoli di Stato italiani.
  • Un aumento di 70 punti base per i tassi di interesse dei prestiti alle imprese e di 30 punti base per i mutui alle famiglie. Si verificherebbe anche una riduzione significativa del tasso di crescita dei prestiti alle imprese.

Mercato immobiliare. Il numero delle compravendite è in recupero ma i prezzi hanno continuato a diminuire nel 2018, nel 2019 potrebbe esserci una debole inversione di tendenza. Nel 2018 l’indicatore di vulnerabilità bancaria per i mutui per l’acquisto di immobili e i crediti alle imprese di costruzioni (flusso di nuovi crediti deteriorati) ha raggiunto il valore più basso dal 2002. Il LTV dei mutui è in aumento ma su valori prossimi a quelli riscontrati nel 2007-2008 ed è in linea con quello delle maggiori economie europee.

Ricchezza delle famiglie. Nei primi tre trimestri del 2018 è calata del 3.5%. Il grado di indebitamento è tra i più bassi dell’area euro e concentrato sulle famiglie in grado di sostenere l’onere. Dal 2008 ad oggi la composizione della ricchezza è variata significativamente: depositi +3% (da 29% a 32%), obbligazioni -14% (da 21% a 7%), le obbligazioni bancarie in particolare sono passate da 9.4% a 1.8%, quote fondi comuni +6% (da 6% a 12%), fondi pensione +1.3% (da 1.1% a 2.4%), assicurazioni +6.3% (da 11% a 17.3%, quasi del tutto ramo vita). Aumento del credito al consumo, le famiglie italiane sono in ritardo nei pagamenti più che in altri paesi europei, il 65% dei prestiti è in carico a famiglie con un reddito superiore al valore mediano. La quota dei prestiti alle famiglie deteriorati è pari al 7.7% (tre punti in meno del 2015). I nuclei familiari vulnerabili a fine 2019 dovrebbero essere pari all’1.9% con un debito pari all’11.3% del totale, se l’euribor salisse di 100 punti base il debito vulnerabile salirebbe al 12.3%.

Imprese. La redditività è pari al 7% (un valore prossimo a quello pre-crisi), solo le imprese di costruzioni sono sotto il dato del 2007. Le imprese hanno un buon livello di autofinanziamento (le attività liquide sono il 20% del PIL, il livello più alto da venti anni). La leva finanziaria è pari a 40%, è di due punti percentuale superiore alla media area euro ma è scesa di dieci punti dal picco del 2011. Il tasso di deterioramento dei prestiti bancari, pari al 2.8%, è prossimo ai livelli pre-crisi. La quota di imprese vulnerabili dovrebbe ridursi nel 2019 al 30%, valore inferiore di 15% rispetto al picco del 2012.

Banche. Il flusso di nuovi crediti deteriorati si colloca all’1.7% al minimo dal 2006. Nel primo semestre del 2018 la consistenza dei crediti deteriorati lordi è diminuita del 13% (ed è pari a 225 miliardi). A fine giugno, il rapporto tra crediti deteriorati e totale dei finanziamenti (al netto delle rettifiche di valore) era pari al 5%. Tra maggio e settembre le banche hanno acquistato titoli di Stato per 39 miliardi. I titoli pubblici italiani pesano per il 9.5% sul totale attivo delle banche. Il funding gap delle banche (rispetto alla raccolta al dettaglio) è pari al 2%, sui livelli minimi da venti anni. La raccolta obbligazionaria è diminuita soprattutto per il calo di quella presso le famiglie ed è inferiore a quella dei principali paesi europei. Tra aprile e ottobre, il rendimento delle obbligazioni bancarie senior è raddoppiato, quello delle obbligazioni non garantite è triplicato. A giugno 2018 il CET1 ratio delle banche era pari a 13.2%, 60 punti più basso di fine 2017, nel secondo semestre l’impatto della diminuzione dei corsi dei titoli di Stato è stato pari 30 punti base, per quelle significative, e 75 per quelle meno significative. Le principali banche italiane sono meno patrimonializzate di quelle europee nella misura di 180 punti base secondo la misura del CET1 ratio mentre hanno un livello di leva finanziaria più favorevole (5.7% contro 5.3%). Rispetto al primo semestre del 2017 il margine di intermediazione è aumentato dell’1.5% (+3.1% le commissioni, +2.9% margine di interesse).

Gen 042019
 

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 has disclosed the seventh version in December 2018. The report provides a description of the main market developments, complemented with an analysis of quantitative data and additional information derived from 2016 and 2017 Solvency II data.

The main outcomes are

  • Increase of total Gross Written Premiums (GWP) for selected Lines of Business (LoBs) in the European Economic Area (EEA): +11% in 2017, with significant differences among member states (e.g. +70% in UK, -28% in ES).

 

  • The life insurance sector continues to be significantly larger than non-life sector. Life premiums continue to represent 50% or more of total GWP in many member states (e.g. IT or UK).

 

  • Growth in life insurance was led by a common increase in Index Linked (IL) and Unit Linked (UL) products (+42% in 2017). Despite of that, a number of NCAs have noticed that IL and UL policies reaching maturity have not always delivered the expected returns, leading to a negative media coverage that turned out into a drop in sales in some member states. Insurance with participation continued to decrease (-9% in 2017 EEA level) because of the law rate environment which affects both the demand (consumers seek for high returns) and the offer (insurers shift away from products with guarantees).

 

  • Commission rates (percentage of the premium used to pay commissions) for the life sector are quite stable, showing the highest rates for the class “other life insurance”. There are anyway commission rates above 20%.

 

  • The sale of mortgage life insurance (and also Payment Protection Insurances (PPI) in the non-lie sector) jointly with consumer loans continues to be a practice in many Member States. Despite several measures put in place at the European and national levels to address some of the challenges brought along by sale of mortgage life insurance, there still are some concerns, revealed by the increasing number of complaints. High commissions and remuneration structures could potentially encourage the sale of these products even if consumers may not need or request them. This could lead to intermediaries potentially adopting pressure sales tactics, leveraging on the fact that consumers are focused on the primary product, being reluctant to look for a better insurance product elsewhere. Finally, as both the number of ancillary intermediaries and the segmentation in the distribution chain increases, it is difficult for supervisory authorities to assess whether these intermediaries have enough professional competence to properly advice consumers and explain the features, risks, and benefits of the products.

 

  • The non-life sector remained stable (+0.3% GWP in 2017), after continuous growth over the part years. 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 purchase of motor insurance products has been strongly affected by the usage of innovation and technology: consumers use price comparison websites (PCW). In UK in 2017 60% of policies were purchased or arranged though PCW; a similar picture was seen in IT.

 

  • The claims ratios for motor liability insurance decreased thanks to a lower number of car accidents, higher premiums and stricter policies. These ratios are still high and steadily above 60%.

 

  • The growth in accident and health insurance products was driven by the need of consumers to complement the public insurance system. It was also fostered by the technology, which had made both policies premiums cheaper and the claims submissions easier.

 

  • The usage of Big Data in the health insurance has a strong potential to increase and become a standard practice. Allowing for a better risk assessment, it can have a positive impact on consumers but it can also turn into a challenge for consumers and supervisors. On one hand the usage of Big Data can help in lowering prices, in tailoring products on the clients’ needs and in identifying new risks and covering them, but on the other side it can undermine the risk-pooling solidarity principle, potentially making the policies unaffordable for some customers segments (e.g. consumers with pre-existing conditions)
    • IT has experience an increase in health insurance products linked to smartphones and other wearable devices. The data collected by such devices are often used by insurers to give a discount at renewal, but also to monitor the policyholders’ health and offer specific programs to improve it
    • In the UK many market players offer a variety of products using this technology and some insurers sell traditional insurances taking into account physical activity when calculating the premiums.
    • In FR and DE insurers have begun to offer add-on products using Big Data, such as coaching on how to prevent sickness and diseases and improve the life style.

 

  • The total number of complains has just slightly increased compared to 2016, with non-life insurance products that continue to generate the highest number of complains and travel insurance related complains that have experiences the highest growth (+85%), while the life insurance products related complains continue to drop.

 

  • No major changes have been reported in the European pension sector, for both occupational and personal pensions. In 2017 the total number of occupational active members across the EEA gradually increase mostly due to the continued economic recovery and improvements in many labour markets, while the evolution in terms of numbers of personal pension scheme is diverse across member states.

 

  • Pension funds need to consider long term risks, which may be associated to their investments, including climate changes.

 

  • There are many different ways in which member states and pension funds are currently implementing these ESG requirements

 

  • NCAs are still concerned with potential conduct risks in relation to life insurance products. They carried out several activities to identify, prevent, and manage such risks. For example:
    • In FI, the NCA conducted inspections and found that complex investment products were sold as underlying assets of insurance-based investment products, being targeted to elderly people without providing them with necessary information.
    • In IT the NCA continued the work on dormant life policies by asking insurers to adopt a plan to address the shortcomings identified and by assisting them in performing cross-checks with the Tax Authority, to verify the death of policyholders and identify beneficiaries.

 

Dic 162018
 

Le evidenze del Rapporto CONSOB sulle scelte di investimento delle famiglie italiane per il 2018

La quarta edizione del Rapporto CONSOB sulle scelte di investimento delle famiglie italiane arricchisce l’articolazione delle edizioni precedenti attraverso la rilevazione di alcune variabili attitudinali che possono orientare i comportamenti di financial control, relativi a pianificazione finanziaria, gestione del budget familiare, indebitamento e risparmio [2].

Il financial control

La gestione delle finanze personali e del bilancio familiare dovrebbe idealmente collocarsi nell’ambito di un processo strutturato che, nel solco di una sorta di ‘filiera’ del risparmio, parte dalla pianificazione finanziaria e dal budgeting per passare alle decisioni di risparmio e impiego dello stesso fino a concludersi con il monitoraggio e con le eventuali, necessarie revisioni del piano finanziario. Questi comportamenti, che nel complesso concorrono a definire il cosiddetto financial control, sono ancora poco diffusi. Solo un terzo dei decisori finanziari italiani dichiara di avere un piano finanziario (prevalentemente pluriennale), che monitora periodicamente (Fig. 1).

Fig. 1. La pianificazione finanziaria

Fra coloro che non predispongono un piano finanziario, meno del 10% ne riconosce l’importanza, mentre circa il 65% lo ritiene inutile (Fig. 2).

 

Fig. 2. Fattori disincentivanti la pianificazione finanziaria

Rispetto alla pianificazione finanziaria, che presuppone la capacità di proiettarsi nel medio-lungo periodo, la definizione e la gestione di un bilancio familiare potrebbero essere potenzialmente temi più ‘salienti’ per chi deve gestire il denaro all’interno del nucleo familiare e per questo risultare più diffusi. Le evidenze disponibili, tuttavia, sembrerebbero smentire questa ipotesi. Solo il 47% degli intervistati, infatti, definisce e si attiene strettamente a un budget, a fronte di un 30% che tiene traccia scritta delle spese (Fig. 2). Il rimanente 40% che afferma di monitorare il budget lo fa in modo ‘non rigoroso’, anche se la maggior parte del campione riferisce di valutare gli acquisti attentamente (oltre a saldare le utenze a scadenza e onorare i debiti contratti, comportamenti questi che l’OCSE individua tra i financially savvy behaviour; Fig. 3) [3].

 

Fig. 3. Il bilancio familiare e il monitoraggio delle spese

 

Fig. 4. Abitudini in tema di spese correnti e impegni finanziari

 

 

Pianificazione e controllo supportano la capacità di risparmio e favoriscono una visione chiara dello stato delle finanze personali. Per quanto riguarda il primo profilo, il risparmio regolare (che ricorre, soprattutto per motivi precauzionali, nel 40% dei casi circa) si associa positivamente con la propensione a pianificare (Fig. 5 e Report, Fig. 4.11).

Con riferimento al secondo aspetto, un quinto del campione non saprebbe come affrontare una riduzione significativa del reddito disponibile (il 30% dovrebbe rivedere al ribasso le abitudini di spesa, mentre lo stile di vita potrebbe rimanere inalterato per circa un quinto delle famiglie, prevalentemente grazie ai risparmi accumulati; Fig. 6). Tra coloro che non sono in grado di valutare come affrontare un possibile shock finanziario negativo l’83% non pianifica e l’89% appartiene alle classi di reddito più basse. In generale, proprio coloro che trarrebbero i principali benefici dalla pianificazione, ossia gli individui meno facoltosi e più vulnerabili, non ne comprendono il valore aggiunto.

Figura 5. Abitudini di risparmio

 

Figura 6. Resilienza percepita

 

A tal proposito, è interessante ricordare che i comportamenti di financial control si associano non solo a reddito e ricchezza finanziaria ma anche ad attitudini personali e conoscenze finanziarie.

… tra attitudini individuali …

In linea con un nutrito filone della letteratura comportamentale, l’indagine 2018 amplia in modo significativo la rilevazione delle attitudini psicologiche che possono orientare le scelte economico-finanziarie individuali. Sulla base dell’autovalutazione dei soggetti intervistati, la maggior parte del campione dichiara di essere incline all’utilizzo di informazioni numeriche e ad attività cognitive impegnative (rispettivamente, 36% e 40%); auto-efficacia e auto-controllo sono diffusi presso il 46% e il 24% del campione, rispettivamente; sono molto frequenti, infine, la propensione all’ottimismo e la fiducia negli altri (rispettivamente, 35% e 29%); l’ansia finanziaria, infine, caratterizza nella sua maggiore intensità il 10% del campione e si colloca a un livello ‘medio’ per il 40% degli intervistati (Fig. 2.2 – Fig. 2.7). Un ultimo profilo riguarda le ‘personalità finanziarie’ (cosiddetti behavioural investors’ type), di cui l’Indagine dà conto per la prima volta evidenziando, tra i caratteri più diffusi, la prevalenza dell’attitudine ad essere coscienzioso (Fig. 7).

 

Fig. 7. I behavioural investors’ types

 

La preferenza per le informazioni di tipo numerico sembra essere più frequente tra gli uomini e tra gli individui con un livello di istruzione più elevato, al contempo maggiormente inclini ad attività cognitive impegnative. La propensione verso l’ansia finanziaria è più comune tra le donne e gli intervistati con un grado di istruzione più basso, mentre risulta correlata negativamente con la percezione di auto-efficacia e l’ottimismo.

Non sorprende che pianificazione finanziaria, budgeting e risparmio si associno positivamente all’inclinazione verso le informazioni numeriche e alla capacità di auto-controllo, mentre l’ansia finanziaria sembra essere un fattore deterrente (si veda la Figura 4.4 del Rapporto).

… conoscenze finanziarie …

Risulta meno scontato, invece, il fatto che i comportamenti di financial control si correlino positivamente non solo con le conoscenze finanziarie effettive ma anche con le conoscenze percepite. Nel Rapporto per il 2018, le conoscenze finanziarie effettive sono state rilevate, come di consueto, sia rispetto a nozioni di base (in linea con le big five utilizzate da Anna Lusardi e coautori in numerosi studi) sia rispetto a nozioni più sofisticate. Le rilevazioni confermano il basso livello di financial knowledge delle famiglie italiane: in media, un intervistato su due non è in grado di definire correttamente le nozioni di base; il dato scende a meno di uno su cinque nel caso di concetti avanzati (Fig. 3.1). Le conoscenze percepite sono state misurate in vari modi: sia ex-ante (ossia prima di mettersi alla prova con il questionario) in una duplice declinazione (rispettivamente, una generica autovalutazione del livello complessivo di dimestichezza con nozioni economico-finanziarie e una specifica autovalutazione della conoscenza dei temi oggetto del questionario) sia ex post, consistente nella stima del numero di domande alle quali si pensa di aver risposto correttamente. Il 40% del campione dichiara di avere, nel complesso, un livello elevato di conoscenze finanziarie, anche se la stessa valutazione ex ante riferita alle singole nozioni oggetto di indagine registra in genere percentuali inferiori (Fig. 3.2). Tale disallineamento tra conoscenze effettive e percepite trova conferma anche nell’auto-valutazione ex post (Fig. 3.3 e Fig. 3.4). Il quadro delle conoscenze finanziarie si completa con la cosiddetta risk literacy, definita con riferimento alla familiarità con specifici prodotti finanziari e alla capacità di valutarne il rischio relativo. Tra gli strumenti più conosciuti si annoverano i titoli di Stato (indicati dal 54% degli intervistati), mentre solo il 10% del campione è in grado di ordinare correttamente alcune opzioni di investimento per livello di rischio (Rapporto, Fig. 3.6).

Le conoscenze finanziarie (reali e percepite) sono positivamente correlate al livello di istruzione e ad alcune inclinazioni personali (apprezzamento delle informazioni numeriche e delle attività cognitive impegnative), mentre risultano negativamente associate con l’ansia finanziaria. La cultura finanziaria, inoltre, mostra una correlazione negativa con la propensione a sopravvalutare le proprie conoscenze (così come emerge dall’auto-valutazione ex-post; Rapporto, Fig. 3.7).

Ulteriori approfondimenti dell’analisi delle attitudini individuali richiederebbero di rilevare anche le propensioni effettive: le distorsioni legate all’autorappresentazione potrebbero infatti generare un giudizio troppo favorevole della propria inclinazione verso ragionamento complesso, auto-efficacia e auto-controllo, ad esempio, che spiegherebbe l’associazione positiva tra tali attitudini e livello di conoscenze percepite.

… e attitudine al rischio e alle perdite

La maggior parte del campione mostra un’elevata avversione alle perdite (Fig. 3.9) e dichiara di non essere orientata all’assunzione di rischio nelle scelte di investimento (Fig. 3.10 del Rapporto). Tali attitudini sono più frequenti al crescere dell’età e della propensione all’ansia finanziaria, mentre risultano negativamente correlate con le conoscenze finanziarie, la preferenza per le informazioni numeriche, l’apprezzamento per le attività impegnative sul piano cognitivo e la ricchezza (Fig. 3.11 del Rapporto). Contrariamente alle attese, l’avversione alle perdite e al rischio non si accompagna ad abitudini virtuose come quella della pianificazione finanziaria: gli individui che più degli altri temono le perdite o avversano il rischio generalmente non cercano di affrontare le proprie paure (come quella di perdite di capitale) optando per atteggiamenti più prudenti e attenti. Allo scopo di affinare la rilevazione della capacità emotiva di affrontare una riduzione del valore del capitale investito, Il Rapporto 2018 si arricchisce rispetto agli anni precedenti aggiungendo alle classiche domande volte alla misurazione di tolleranza al rischio e preferenza per il rischio una dedicata alla tolleranza alle perdite nel breve termine: tale attitudine, riferibile a circa un quarto degli intervistati, si associa positivamente alla decisione di partecipare ai mercati finanziari e ad altri comportamenti ‘virtuosi’, come ad esempio la propensione a non avvalersi del cosiddetto informal advice; essa è inoltre più frequente tra gli individui più sicuri della propria abilità di raggiungere gli obiettivi prefissati (auto-efficacia), più inclini all’auto-controllo e con conoscenze finanziarie più elevate (Rapporto, Fig. 3.11, Fig. 4.10 e Fig. 4.11).

 

Concludendo: dietro i comportamenti le intenzioni

Le associazioni tra attitudini, conoscenze, caratteristiche socio-demografiche e comportamenti di financial control trovano una potenziale sistematizzazione nell’ambito dello schema concettuale tracciato dalla cosiddetta Theory of planned behaviour (TPB), oggetto dell’approfondimento del Rapporto 2018.

Secondo questa teoria, infatti, i comportamenti osservati sono direttamente influenzati dalle intenzioni, che a loro volta sono associate a tre ‘costrutti psicologici’: l’attitudine verso il comportamento anche in termini di giudizio sulla sua importanza ed utilità; la pressione sociale avvertita a supporto del comportamento; il livello di controllo sul processo percepito. I costrutti psicologici sono a loro volta influenzati da caratteristiche individuali, profili socio-demografici e livelli di informazione e conoscenza.

Il Rapporto fornisce un primo spunto circa l’inquadramento del financial control nel contesto della TPB analizzando l’intenzione dichiarata dagli intervistati di controllare le spese familiari. Le evidenze raccolte mostrano che l’intenzione di porre in essere scelte e azioni che si traducano nel concreto monitoraggio del bilancio familiare appare generalmente bassa. Altrettanto bassa è la pressione sociale percepita verso tale comportamento, così come la capacità di controllo del processo che condurrebbe al comportamento.

In conclusione, sensibilizzare sull’importanza della pianificazione finanziaria, del monitoraggio e del risparmio sembrerebbe essere il primo passaggio da affrontare per innalzare la percezione della necessità e dell’utilità di adoperarsi per l’innalzamento del financial control. Ciò dovrebbe essere realizzato anche attraverso un programma di comunicazione efficace, in grado di fare leva sulle attitudini individuali sinergiche rispetto ai comportamenti virtuosi (ad esempio, l’auto-controllo) e di mitigare i tratti individuali che viceversa giocano un ruolo avverso (ad esempio, l’ansia finanziaria).

In tal senso, è fortemente auspicabile adottare un approccio multidisciplinare all’educazione finanziaria, in grado di coniugare i contenuti tecnici con metodologie didattiche di sensibilizzazione e motivazione all’apprendimento, che agiscano sia sulla sfera cognitiva sia sulla sfera emotiva dei destinatari delle iniziative.

 

Nadia Linciano

Monica Gentile

Paola Soccorso [1]

Note

[1] Ufficio studi economici, CONSOB. Il presente intervento riprende e sviluppa alcuni temi documentati nel Report CONSOB sulle scelte di investimento delle famiglie italiane, curato da Nadia Linciano, Monica Gentile e Paola Soccorso. Le opinioni espresse sono personali e non impegnano in alcun modo l’Istituzione di appartenenza.

[2] La prima sezione del Report illustra i trend di ricchezza e risparmio delle famiglie italiane e dell’area euro; la seconda delinea le caratteristiche socio-demografiche e le attitudini individuali degli intervistati; la terza esplora competenze finanziarie e attitudine verso il rischio; la quarta sezione è dedicata al financial control; la quinta e la sesta indagano, rispettivamente, le scelte d’investimento e la domanda di consulenza finanziaria. Il Focus del Rapporto 2018 applica la theory of planned behaviour alle intenzioni di accrescere la cultura finanziaria e monitorare il bilancio familiare.

[3] G20/OECD (2017), INFE Report on adult financial literacy in G20 countries.

Dic 072018
 

“Può una macchina pensare come un essere umano? Molti dicono di no. Il problema è che è una domanda stupida. È ovvio che le macchine non possono pensare come le persone. Una macchina è diversa da una persona e pensa in modo diverso. La domanda interessante è poiché qualcosa pensa diversamente da noi vuol forse dire che non sta pensando? “

Nel 1950 Alan Turing cercava di spiegare come un computer potesse comportarsi come un essere umano. La sua teoria “il gioco dell’imitazione” apriva la pista a quello che circa mezzo secolo più tardi avrebbe caratterizzato il processo di trasformazione dell’economia in industria 4.0 basata, cioè, su una produzione industriale del tutto automatizzata e interconnessa.

Proprio nella teoria di Alan Turing, risiede il principio di funzionamento dei Chatbot che ad oggi costituisce un fenomeno in ampia crescita e che, secondo un’analisi condotta da Gartner, tenderà ad aumentare ancora entro il 2020[1].

 

Cosa sono i Chatbot

I Chatbot sono software progettati per avere una conversazione con un utente attraverso messaggi di testo o vocali (c.d. NLP-Natural Language Process).

Alla base del funzionamento dei Chatbot ci sono algoritmi di Intelligenza Artificiale, una disciplina che comprende teorie e tecniche rivolte allo sviluppo di macchine in grado di svolgere compiti e azioni tipici della intelligenza umana.

Ciò che distingue i diversi prodotti di Intelligenza Artificiale sono i modelli di apprendimento1 che possono essere principalmente distinti tra Machine Learning e Deep Learning.

Il Machine Learning comprende i metodi con cui le macchine riescono ad apprendere come compiere delle attività, ad esempio, attraverso l’analisi dei risultati e la correzione degli errori del proprio comportamento precedente.

Il Deep Learning, invece, tende proprio a emulare la mente umana attraverso la programmazione di reti neurali, ispirandosi al funzionamento dei neuroni biologici nelle fasi di apprendimento e riconoscimento.

 

Come, Dove e Quando si applicano i Chatbot

Come – I Chatbot si applicano ogniqualvolta viene ricercata una informazione sia questa un codice, un dato una procedura etc.. Tanto più la richiesta è chiara e dettagliata quanto più sarà rapido e preciso il Chatbot a fornire la risposta. La comprensione della domanda e dell’intento sottostante riveste quindi un ruolo cruciale. Originariamente i Chatbot nascono con le risposte organizzate in percorsi logici e associate tramite Machine Learning a una o più parole chiave, se nella domanda è presente la parola chiave il Chatbot identifica il percorso da seguire per arrivare puntualmente all’informazione richiesta. Spesso un percorso ha più diramazioni ed è allora che il Chatbot pone una domanda utile a raccogliere ulteriori elementi e prendere la “strada giusta”. È importante tenere a mente che tutti gli input che un utente da in pasto ad un Chatbot concorrono ad aumentare la capacità degli stessi di riconoscere l’intento sottostante ogni domanda grazie al Deep Learning sui dati storici. La crescente mole di dati ha accelerato il processo di evoluzione dei Chatbot che riescono oggi a comprendere il significato della domanda senza passare dalle parole chiave.

Dove – Sempre più spesso sui siti internet compare l’icona per chiedere informazioni via chat in aggiunta ai contatti telefonici e mail. A presidio di questi canali di comunicazione vengono solitamente utilizzati i Chatbot per vantaggi di economicità, efficienza e qualità rispetto ad un approccio tradizionale:

  • la diffusione di internet implica che utenti sparsi per il mondo possano accedere ad un sito in qualunque momento e deve quindi essere garantita copertura 24/7 per eventuali richieste di supporto;
  • nella maggioranza dei casi le richieste di informazioni riguardano tematiche ricorrenti la cui risoluzione può essere gestita in automatico in modo che gli operatori in carne ed ossa possano dedicarsi alle casistiche più particolari/complicate;
  • l’acquisizione e aggiornamento delle conoscenze necessarie a garantire risposte affidabili e tempestive avviene mediante un processo iterativo di continuous improvement diversamente dai Customer Care tradizionali dove gli operatori devono essere formati, costantemente aggiornati e sostituiti in caso di assenza o dimissioni.

Quando – Nell’era di Google siamo tutti abituati a ricercare/ottenere risposta in pochi secondi e nessuno è più disposto ad attendere, o peggio ancora, ad essere messo in attesa per avere un’informazione. Si è di fatto creato un benchmark con cui misurare i tempi di risposta di qualsiasi richiesta di supporto sia su canali telefonici che digitali. I Chatbot permettono di gestire le comunicazioni in modalità “botta e risposta” tenendo alto il livello di ingaggio dell’utente che spesso non si rende neanche conto di interagire con un bot. Ma fino a che punto è lecito utilizzare i Chatbot all’insaputa dell’utente? Noi siamo dell’avviso che un utente in cerca di un’informazione sia interessato ad avere una risposta precisa e puntuale piuttosto che curarsi del metodo utilizzato per fornirla. In fin dei conti se il risultato di una moltiplicazione è giusto, a chi importa sapere com’è stato calcolato?

 

I Chatbot nel settore finanziario

Il ricorso ai Chatbot rappresenta un trend in crescita giustificato, oltre che dalla profonda trasformazione digitale che sta travolgendo tutte le Industry, dalla necessità di trovare nuove modalità di comunicare con Millennial e Digital Native.

A livello mondiale sono molte le Industry che stanno intervenendo soprattutto sull’ambito Customer Care dove ogni anno vengono spesi circa €1.300 miliardi per gestire oltre 265 miliardi di richieste[2]. Da uno studio sul mercato US[3], si stima che i Chatbot permetteranno di ridurre il costo del Customer Care del 30% generando benefici per il cliente finale e per l’organizzazione grazie alla velocizzazione dei tempi di risposta e alla riduzione del backlog. Nell’ambito dei Financial Services, il potenziale dei Chatbot non si limita ad evolvere i canali di comunicazione esistenti ma permette alle istituzioni di creare nuove modalità di interazione con la clientela facilitando il percorso di trasformazione dall’erogazione di servizi finanziari a piattaforma accessibile 24/7 a supporto di molteplici esigenze non più solo finanziare.

La clientela deve essere “educata” a relazionarsi con una Banca a portata di click attraverso un linguaggio diverso dalla classica terminologia bancaria in modo da stimolare la propensione all’utilizzo delle funzionalità digitali. I Chatbot rivestono un ruolo chiave nell’accelerare il processo di sviluppo della cultura finanziaria dei clienti, possono infatti agire anche in modalità proattiva ad esempio segnalando eventi che intervengono sul conto corrente (es. accredito di una fattura attiva) per “catturare” l’attenzione e proporre poi ulteriori azioni (es. trasferimento su deposito vincolato) volte ad ottimizzare la posizione.

In definitiva i Chatbot assolvono l’arduo compito di supportare il cliente per semplificare un’operatività bancaria mediamente complessa stimolando una gestione attiva della propria situazione finanziaria.

 

Conclusione

I Chatbot rappresentano un punto di non ritorno nel rapporto uomo-macchina, fino ad oggi l’accesso alla tecnologia presupponeva la presenza di competenze sempre più elementari (es. bambini di 4 anni abilissimi utilizzatori di Ipad) ma comunque necessarie (es. per vedere i cartoni animati bisogna saper accedere all’applicazione). D’ora in avanti l’interazione uomo-macchina evolverà con dinamiche molto più simili a quelle sociali, così come l’essere umano impara dagli errori (commessi direttamente o tramandati dalla storia) così anche le macchine impareranno dagli errori dell’uomo. È bene ricordare che i Chatbot accumulano enormi moli di dati dalle interazioni con gli utenti e che una quota parte significativa è fisiologicamente errata ma grazie al Deep Learning le anomalie con il tempo vengono identificate e isolate permettendo alla macchina di imparare come irrobustire il proprio modello di conoscenze. Non è un futuro troppo lontano quello in cui i Chatbot sapranno prima di noi cosa stiamo per chiedergli e ci forniranno la risposta ancor prima della domanda.

 

Giacomo Mazzanti – Director Deloitte Consulting

Nicole Vismara – Manager Deloitte Consulting

Sonia Salotto – Consultant Deloitte Consulting

 

Note

[1] “Cos’è l’Intelligenza Artificiale, perché tutti ne parlano e quali sono gli ambiti applicativi”, AI for Business, Agosto 2018

[2] “How chatbots can help reduce customer service costs by 30%”, IBM, October 2017

[3] “The chatbots explainer”, BI Intelligence, 2016