I rischi moderni richiedono una base in tempo reale: il mandato del CRO

In un contesto macroeconomico volatile, la gestione del rischio aziendale oggi è limitata meno dalla sofisticazione dei modelli e più dalla latenza dei dati. Mentre la modellazione finanziaria si è evoluta in modo significativo negli ultimi due decenni, l'architettura dei dati sottostante che supporta questi modelli rimane spesso ancorata ad architetture legacy orientate ai batch.

Per molti istituti finanziari Tier-1, l'aggregazione del rischio continua a basarsi su patrimoni di dati frammentati, elaborazione batch notturna, riconciliazione manuale dei dati tra le varie business unit e framework di reporting retrospettivi. Tuttavia, i recenti eventi di mercato dimostrano che quando il rischio si concretizza nei mercati moderni e interconnessi, l'architettura legacy crea gravi lacune di visibilità che impediscono un intervento tempestivo.

Questo divario è importante perché il ruolo del Chief Risk Officer sta cambiando. L'indagine sulla gestione del rischio di Deloitte ha rilevato che oltre il 90% degli intervistati ritiene che la gestione del rischio stia diventando più importante per il raggiungimento degli obiettivi strategici e che le organizzazioni con programmi di rischio più integrati tendono a superare quelle con approcci meno integrati. L'implicazione è chiara: i consigli di amministrazione si aspettano sempre più che la funzione di rischio contribuisca alla crescita, alla resilienza e alla qualità delle decisioni, anziché fungere semplicemente da punto di controllo retrospettivo.

Questo cambiamento strategico richiede una base operativa diversa.

I punti ciechi architetturali sono ora passività strategiche

I recenti shock di mercato hanno reso evidente un modello: le istituzioni spesso dispongono di ampie informazioni, ma mancano di una visione tempestiva, integrata e pronta per le decisioni.

Episodi come Silicon Valley Bank, Archegos e la crisi LDI nel Regno Unito hanno messo in luce debolezze ricorrenti nella moderna architettura del rischio.

1. Silicon Valley Bank (2023): l'impatto della velocità della corsa agli sportelli digitalizzata

Silicon Valley Bank (SVB) manteneva un bilancio fortemente esposto a Treasury statunitensi a tasso fisso e a lunga durata, finanziati da depositi concentrati di venture capital. Quando i tassi di interesse sono aumentati rapidamente, la banca ha accumulato ingenti perdite non realizzate. Per soddisfare le richieste di prelievo dei depositi, SVB ha liquidato una parte dei suoi titoli disponibili per la vendita, realizzando una perdita di 1,8 miliardi di dollari.

• Il divario nell'architettura dei dati: i modelli tradizionali di Asset Liability Management (ALM) e i framework di reporting normativo (come FR 2052a) erano storicamente progettati attorno a cicli batch settimanali o mensili, ipotizzando che i deflussi di depositi si verificassero su orizzonti temporali estesi. Alimentati dai canali bancari digitali e dalla rapida diffusione delle informazioni tramite i canali social e digitali, i clienti di SVB hanno avviato richieste di prelievo per un totale di 42 miliardi di dollari in un solo giorno. L'infrastruttura di rischio della banca era priva delle pipeline di dati in streaming in tempo reale necessarie per monitorare dinamicamente le variazioni delle posizioni di liquidità infragiornaliere durante una corsa agli sportelli ad altissima velocità.

2. Archegos Capital Management (2021): l'alto costo dei dati frammentati sulle controparti

Archegos Capital Management, un family office, ha utilizzato una leva finanziaria estrema per costruire posizioni concentrate in un numero limitato di azioni attraverso Total Return Swaps (TRS). Poiché queste posizioni sintetiche erano distribuite su più prime broker, tra cui Credit Suisse, Nomura, Morgan Stanley e Goldman Sachs, la reale entità dell'esposizione totale del fondo è rimasta nascosta ai singoli partecipanti al mercato. Quando le azioni sottostanti hanno perso valore, Archegos è andata in default sulle richieste di margini (margin call), generando oltre 10 miliardi di dollari di perdite collettive per i suoi istituti finanziatori.

• Il divario nell'architettura dei dati: solo Credit Suisse ha subito una perdita di 5,5 miliardi di dollari, che ha contribuito a una più ampia perdita di fiducia del mercato. Le indagini interne hanno rivelato che i sistemi di rischio della banca non soffrivano di una mancanza di dati, ma di una grave frammentazione sistemica. Le metriche di esposizione erano isolate in business unit e sistemi geografici indipendenti. Poiché l'architettura era priva di una piattaforma dati unificata in grado di aggregare il rischio di credito della controparte tra i diversi trading desk in tempo reale, i gestori del rischio non potevano vedere l'esposizione totale aggregata dell'istituto verso un singolo cliente.

3. La crisi LDI (Liability-Driven Investment) nel Regno Unito (2022): stress test statici e dinamici a confronto

Nel settembre 2022, improvvisi annunci di politica fiscale nel Regno Unito hanno causato un'impennata dei rendimenti dei titoli di Stato britannici (Gilt) a un ritmo senza precedenti. Questa volatilità ha colpito duramente i fondi pensione del Regno Unito che utilizzavano strategie LDI (Liability-Driven Investment), che si affidano ai derivati per coprire le passività a lungo termine. Con il crollo dei prezzi delle obbligazioni, questi fondi hanno dovuto affrontare immediate e massicce richieste di margini di garanzia (collateral margin call) da parte delle loro controparti. Per raccogliere liquidità, i fondi pensione sono stati costretti a liquidare i gilt sottostanti, spingendo i prezzi delle obbligazioni ancora più in basso e creando un ciclo di feedback negativo che ha richiesto l'intervento di emergenza della Banca d'Inghilterra.

• Il divario nell'architettura dei dati: i modelli di rischio storici standard e statici indicavano che questi portafogli erano adeguatamente coperti contro i movimenti di mercato convenzionali. L'architettura tecnologica sottostante non ha tenuto conto dei cicli di feedback correlati e multivariabili, in particolare di come un rapido calo del valore degli asset forzasse liquidazioni sistemiche di quegli stessi asset. La gestione di questo rischio richiede simulazioni di scenari simultanee ad alte prestazioni, in grado di elaborare contemporaneamente complessi cambiamenti macroeconomici in classi di asset interdipendenti.

Il costo dell'attrito: vincoli operativi e strategici

L'analisi dei moderni fallimenti operativi rivela che le vulnerabilità strutturali derivano in gran parte da un'architettura dei dati frammentata e dalla proliferazione dei fornitori ('vendor sprawl'), piuttosto che da modelli errati. Ciò crea un attrito strutturale che influisce su tre aree chiave:

1. L'onere della riconciliazione (impatto sulle metriche: Operational Alpha ed efficienza FTE): modelli di dati isolati e controlli incoerenti costringono i team di rischio, finanza e operazioni a ripetuti esercizi di convalida su fogli di calcolo, sistemi di fornitori ed estratti personalizzati. Aspetto cruciale, questo degrada una metrica chiave del CRO: il Time-to-Insight. Invece di concentrarsi sulla gestione proattiva dell'esposizione, i team di rischio consumano la loro larghezza di banda operativa convalidando le singole voci su fogli di calcolo e database scollegati.
2. Latenza del reporting (impatto sulle metriche: precisione del Value-at-Risk (VaR) e tempo di dimezzamento del Liquidity Coverage Ratio (LCR)): i dati obsoleti compromettono le decisioni. L'affidamento all'elaborazione batch notturna per calcoli complessi (come l'Expected Shortfall o gli stress test macroeconomici) fa sì che i comitati per il rischio operino su dati obsoleti. In contesti ad alta velocità e mercati volatili, questa latenza crea un punto cieco nel monitoraggio della liquidità infragiornaliera (Intraday Liquidity Tracking) e riduce la precisione dei limiti di VaR, costringendo gli istituti a correre rischi non coperti o a mantenere riserve di liquidità non remunerative e non ottimali.

3. Punti ciechi nella data lineage (impatto sulle metriche: costo della conformità e Model Risk Management - SR 11-7):

   Una data lineage debole aumenta l'onere sia operativo che normativo. Ciò espone l'azienda a sanzioni di audit (como CCAR o FR 2052a) ai sensi di BCBS 239 e SR 11-7 (framework di Model Risk Management). Senza una data lineage automatizzata, tracciare gli output imprevisti del modello fino alla fonte, distinguendo tra cambiamenti strutturali del mercato e dati corrotti a monte, diventa un collo di bottiglia dispendioso in termini di tempo e denaro.

La svolta architetturale: rendere operativo il CRO strategico

Se ci si aspetta che il moderno CRO operi come un leader strategico, lo stack del rischio deve evolversi da un'infrastruttura di reporting frammentata a un livello di intelligence unificato.

È qui che entra in gioco la Databricks Data and AI Platform. Il valore della piattaforma per le organizzazioni che gestiscono il rischio non è semplicemente la velocità fine a se stessa. È la combinazione di unificazione, governance e AI su un'unica base:

• Aggregazione delle posizioni in tempo reale e ottimizzazione del capitale: portando posizioni, limiti, output di stress e dati di mercato su una base unificata e governata in Unity Catalog, Databricks elimina l'onere della riconciliazione. I team di rischio operano con un modello di autorizzazioni unico e coerente e una data lineage verificata. Questa visibilità centralizzata riduce il Time-to-Aggregation da giorni a minuti, consentendo al CRO di ottimizzare i Risk-Weighted Assets (RWA) e riallocare dinamicamente il capitale dai settori ad alta esposizione ad asset a rendimento più elevato.
• Simulazioni "What-If" in frazioni di secondo e difesa dei margini: il passaggio dalle grid batch legacy notturne a un'elaborazione simultanea ad alte prestazioni consente ai team di superare la cecità della modalità batch per passare a una vigilanza in tempo reale. I risk manager possono eseguire complesse analisi di trading "What-If" multivariabili e visualizzare i delta di VaR o Expected Shortfall in pochi secondi, prima che una posizione venga registrata. Questa funzionalità in tempo reale protegge i margini di interesse netti (NIM) e garantisce che improvvisi cambiamenti nelle variabili macroeconomiche non inneschino richieste di margini (margin call) non coperti.

• Workflow di IA verificabili e governance semplificata: man mano che l'IA si integra nei processi decisionali sul credito in prima linea e nei segnali di rischio di mercato, Unity AI Gateway aggiunge un livello di governance di livello enterprise per il traffico LLM e ML. Fornisce gestione automatizzata degli accessi, limitazione della frequenza (rate limiting), tracciamento dell'utilizzo, registrazione dei payload e guardrail. In combinazione con Databricks Genie, che consente agli analisti di rischio di accedere e interrogare dati controllati utilizzando il linguaggio naturale pur mantenendo audit trail SQL completi e il tracciamento MLflow, la piattaforma riduce drasticamente il costo della conformità e accelera le tempistiche di validazione dei modelli (SR 11-7). Il risultato è una cabina di regia del rischio unificata che supporta un passaggio verificabile da viste del rischio ritardate e assemblate manualmente a un'aggregazione più in tempo reale, indagini più rapide e un'assoluta riproducibilità dei modelli in tutti i domini di rischio.

Databricks supporta il moderno CRO nei servizi finanziari

Nel settore bancario

La banca moderna non può più gestire il rischio come un insieme di funzioni di controllo disconnesse. Il CRO ha bisogno di un unico piano di controllo del rischio e del capitale regolamentato: segnali di liquidità, capitale, tassi di interesse, operativi e di conformità aggregati a partire da un'unica base controllata con Unity Catalog, anziché assemblati da una miriade di soluzioni puntuali dopo la chiusura del batch notturno. Su questa base, quattro funzionalità consentono alla banca di passare dalla reportistica retrospettiva a una difesa proattiva del capitale:

• Liquidità e ALM (LCR, NSFR, HQLA). La tesoreria passa dalla cecità della modalità batch alla visibilità infragiornaliera: un monitoraggio minuto per minuto delle posizioni di liquidità anziché un numero che è sempre indietro di un giorno rispetto al bilancio. Come mostra la cabina di regia del rischio, i team possono tracciare LCR, NSFR e HQLA in tempo reale, ridurre le riserve di cassa infruttifere e tracciare qualsiasi indice pubblicato fino alla sua origine senza lasciare lo schermo: esattamente la visibilità che mancava quando una corsa ai depositi a velocità elevatissima superava un framework ALM a batch settimanale.

• Rischio di tasso di interesse nel portafoglio bancario (IRRBB). Tutti gli scenari di shock dei tassi di vigilanza risiedono in tabelle controllate che il tesoriere può leggere, ignorare e rieseguire in pochi minuti, anziché presentare una richiesta di modifica al fornitore. Il ΔEVE di ogni scenario come quota del CET1 (e qualsiasi violazione dell'outlier test di Basilea) è interrogabile rispetto allo stack di capitale, in modo che tesoriere, CFO e CRO vedano lo stesso numero nello stesso momento.
• Pianificazione e adeguatezza patrimoniale (CCAR). La proiezione del capitale passa da un progetto basato su notebook e fogli di calcolo a un workflow controllato e riproducibile. Le riesecuzioni CCAR tracciate con MLflow acquisiscono ogni ipotesi, input e output, trasformando una conversazione sulla validazione dei modelli SR 11-7 che richiedeva una settimana in una che richiede una semplice query, e spostando la pianificazione del capitale da un esercizio annuale a un approccio continuo.
• Reportistica normativa adatta allo scopo. La stessa base controllata che alimenta la vista sulla liquidità genera l'output destinato alle autorità di regolamentazione. La generazione semplificata di FR 2052a sostituisce la catena da Excel a fornitore con molteplici passaggi di mano, con l'invio regolato dagli stessi controlli di derivazione (lineage) e accesso del dashboard, eliminando gli stack di reportistica normativa duplicati e il debito di audit che ne deriva.

Il risultato è un'organizzazione del rischio che ottimizza gli RWA e rialloca il capitale in modo proattivo, anziché dedicare le proprie risorse a convalidare singole voci tra sistemi disconnessi.

Nei mercati dei capitali

Nei mercati dei capitali, il vincolo è più stringente, perché il costo della latenza si misura in minuti. I team di rischio lavorano ancora su più sistemi, molteplici versioni della verità e dati di epoche diverse: piattaforme OMS, motori di rischio, strumenti di analisi, fogli di calcolo ed e-mail che funzionano in parallelo. Databricks riprogetta il workflow attorno a un'unica base controllata per il rischio di mercato: posizioni proprietarie, dati delle controparti, dati di mercato, limiti e feed dei partner su un'unica piattaforma con Unity Catalog, resi disponibili attraverso la cabina di regia del rischio e un Risk Genie in linguaggio naturale. Quattro funzionalità definiscono il nuovo modello operativo:

• Aggregazione delle esposizioni in tempo reale. VaR, Expected Shortfall, DV01, CS01, violazioni dei limiti attivi ed esposizioni cross-fund in un'unica schermata, con accesso controllato e derivazione (lineage) completa dietro ogni metrica, sostituendo la grid batch notturna in cui il VaR arriva come il dato di ieri.
• Visibilità sulle controparti e cross-fund. L'esposizione totale aggregata verso una singola controparte, tra desk e prime broker, diventa una risposta self-service anziché un progetto di riconciliazione trimestrale, colmando il divario di frammentazione che nascondeva la reale leva finanziaria di un family office finché le perdite non si erano già verificate.
• Stress test e simulazioni what-if in frazioni di secondo. I risk manager eseguono stress test simultanei e in tempo reale di scenari correlati e multivariabili (le dinamiche di feedback loop che i modelli storici statici non colgono) e visualizzano un delta di VaR o Expected Shortfall in pochi secondi, prima che un trade venga registrato, proteggendo i margini da improvvisi cambiamenti macroeconomici anziché scoprire le violazioni il mattino successivo.
• Indagini potenziate dall'IA con provenienza verificabile. Un Risk Genie in linguaggio naturale consente al desk di interrogare i dati controllati in un linguaggio semplice pur mantenendo un audit trail SQL completo, e la provenienza dei modelli supportata da MLflow offre a validatori e autorità di regolamentazione una catena riproducibile dagli input degli scenari alle metriche di output, rispondendo a nuove domande sul rischio alla velocità del mercato anziché indirizzarle a una coda di quant.

Ecco come si presenta il moderno rischio di mercato su Databricks: non un altro dashboard sovrapposto a silo legacy, ma una superficie di controllo attiva, controllata e potenziata dall'IA per la gestione delle esposizioni, la trasparenza dei modelli e decisioni più rapide in tutto il front, middle e back office.

Prove in produzione

Non si tratta di un'aspirazione. Le istituzioni Tier-1 stanno già eseguendo funzioni fondamentali di rischio e capitale sulla piattaforma Data and AI di Databricks.

Nel settore bancario, l'esempio di Raiffeisen Bank International mostra come un'organizzazione bancaria possa consolidare un ambiente di analisi frammentato in una base più standardizzata e controllata, migliorando al contempo velocità, efficienza dei costi e verificabilità. Per la banca moderna, ciò significa che le discussioni su liquidità e capitale possono avvicinarsi al tempo reale, con meno riconciliazioni manuali e una maggiore fiducia nei numeri presentati.

Nei mercati dei capitali, Morgan Stanley ha scalato uno dei suoi calcolatori normativi più significativi, il rischio di credito di controparte SACCR su Databricks, migliorando le prestazioni, l'accuratezza del calcolo e la conformità normativa, consolidandosi al contempo su una piattaforma Data and AI completamente gestita per soddisfare i propri obblighi normativi con uno sforzo notevolmente inferiore. State Street sta aprendo la strada a un nuovo standard nell'IA aziendale per il settore finanziario, unificando dati strutturati e non strutturati con Unity Catalog per bilanciare una rapida adozione dell'IA con severi requisiti normativi e di sicurezza. In entrambi i mondi, il modello è lo stesso: un'unica base controllata, aggregazione in tempo reale e IA verificabile: il mandato del moderno CRO, in produzione.

La prossima crisi non aspetterà il batch notturno

I casi di SVB, Archegos e lo smantellamento delle LDI non sono stati fallimenti della matematica. I modelli erano solidi. Ciò che è fallito è stata l'architettura sottostante: dati che si aggregavano troppo lentamente, esposizioni frammentate tra i sistemi e stress test che non riuscivano a rilevare i feedback loop che si formavano in tempo reale. In ogni caso, il rischio era conoscibile. Semplicemente non era visibile in tempo per agire.

Questo è il divario che definisce la moderna gestione del rischio. I mercati ora si muovono alla velocità digitale di un post virale e di un prelievo digitale in giornata; le infrastrutture di rischio costruite attorno a cicli batch settimanali e riconciliazioni manuali non riescono a tenere il passo, e il costo di questo disallineamento si misura in miliardi e, sempre più spesso, nella sopravvivenza stessa delle istituzioni.

Colmare il divario non è più un semplice aggiornamento tecnologico; è il prerequisito per il mandato in continua evoluzione del CRO. L'aggregazione in tempo reale, l'analisi degli scenari in frazioni di secondo e un'AI verificabile sono ciò che trasforma la funzione di rischio da un punto di controllo retrospettivo a un motore lungimirante per l'allocazione del capitale e la crescita.

La piattaforma Databricks Data and AI rende oggi possibile questa transizione. Unificando i rischi di mercato, di liquidità, di capitale, operativi e di conformità su un'unica base governata, con lineage su ogni metrica e trasparenza su ogni modello, offre al CRO una visione aziendale unica, in tempo reale e difendibile. Le istituzioni che già la utilizzano non si limitano a segnalare i rischi più rapidamente: li individuano prima e intervengono prima che si aggravino.

Per ogni responsabile del rischio, la domanda non è più se il modello sia corretto, ma se l'architettura consentirà di vedere chiaramente e agire con decisione all'arrivo del prossimo shock. La gestione moderna del rischio richiede una base moderna. L'architettura legacy ci ha già mostrato i suoi limiti.

(Questo post sul blog è stato tradotto utilizzando strumenti basati sull'intelligenza artificiale) Post originale