Peter Plochan, EMEA Hovedrådgiver for Risikostyring hos SAS – Interviewserie

Peter Plochan er EMEA Principal Risk Management Advisor hos SAS som hjælper finansielle institutioner med at håndtere deres udfordringer omkring finans- og risikoregulering, virksomhedsriskstyring, risikostyring, fremadskuende risikaanalyse, stresstest, modelrisikostyring, risikomodellering og klimaforandringsrisikostyring.

Peter har en finansbaggrund (master i bankvæsen) og er certificeret Financial Risk Manager (FRM) med over 19 års erfaring inden for risikostyring i den finansielle sektor. Han har assisteret forskellige bank- og forsikringsinstitutioner med store risikostyringsimplementeringer både internt og eksternt som risikostyringsrådgiver (PwC). Siden han startede hos SAS i 2014, fungerer Peter som globalt fungerende domæneekspert – udnytter de seneste tendenser inden for risikoanalyse & teknologi med sin dybe ekspertise inden for risikostyring og finans.

Du har arbejdet på tværs af store finansielle institutioner og rådgivningsfirmaer inklusive PwC, ABN AMRO, Atradius og nu SAS, med omfattende erfaring inden for bankregulering, virksomhedsriskstyring og finansiel stresstest. Når du ser tilbage på din karriere, hvilke strukturelle svagheder i den måde, banker håndterer geopolitisk risiko på, er der overraskende uafklarede?

Jeg var vært for et nyligt webinar med specialister i geopolitisk risiko. En banks chefrisikochef opsummerede den vedvarende udfordring pænt, da han bemærkede: “Langsom risikostyring er dårlig risikostyring.” Når banker står over for geopolitisk chok, har de ofte brug for en pludselig og hurtig reaktion.

Den globale økonomi er i stigende grad sammenkoblet. Og det betyder, at hastigheden af enhver smitte fra et geopolitisk chok også øges.

Selvfølgelig er geopolitisk chok varierede, fra ændringer i oliepriser til handelskrige og toldsatser til skydekrige, blandt andet.

Banker og finansielle tjenesteinstitutioner har ikke råd til at vente for længe med at vurdere virkningen af sådanne chok på deres balancer. Hastighed er stadig konge.

I de sidste 10 år har finanssektoren forbedret sin evne til at køre risikoberegninger hurtigere end nogensinde. Alligevel forbliver stresstest en af de mest beregningstunge og proceskrævende aktiviteter i finansielle institutioner.

Banker skal lave et inventar over deres lån og aktiver, derefter vurdere hvilke dele af balancen der er modtagelige for specifikke chok. En nøglefaktor for succes i denne indsats er, hvor detaljeret og komplet bankerne opbygger disse inventarer, og hvor grundige deres analyser og risikovurderinger er.

For eksempel skal banker ikke kun se på de geopolitisk chok i sig selv, men også på deres indirekte effekter, som nogle gange er mindre åbenlyse og udvikler sig langsommere end selve chokket. Hvad gør et olieprisspike ikke kun ved tankstationen, men i hele forsyningskæden? Og hvordan kan en stigning i oliepriser påvirke ikke kun benzin, diesel og andre transportomkostninger, men også omkostninger og priser for gødning, plast og endda lægemidler produceret i et specifikt land eller region?

I mange tilfælde har banker ikke en dyb forståelse af de potentielle virkninger af geopolitisk chok på deres kunder og deres kunders forsyningskæder, hvilket gør geopolitisk risikostyring sværere.

Gennem geopolitisk risikostyring forsøger banker at forstå og vurdere virkningen af chok på deres kunder og kundernes lån, som udgør størstedelen af bankernes balancer. Geopolitisk risikostyring for banker forsøger at besvare et spørgsmål, der er simpelt på overfladen men kompliceret i dybden: Hvad vil dette chok betyde for hver bankkunde og deres evne til at tilbagebetale lån?

Som med klimarisikostyring (som har mange paralleller med geopolitisk risikostyring) skal hver bank gå meget dybere end de normalt gør. Ved at indsamle og analysere de rette data og anvende metoder som stresstest, kan en bank bedre forstå deres kunders eksponering for et chok og deres egen balancerisiko.

Ved at behandle al risikostyring – for geopolitisk risiko, klimarisiko, kreditrisiko, likviditetsrisiko osv. – som meget mere end en overholdelsesøvelse, kan banker afdække indsigter, der kan guide kerneforretningsplanlægning.

Ved at bruge analytiske indsigter fra et robust risikostyringsprogram (inklusive stresstest) kan banken træffe bedre forretningsbeslutninger for at afbøde geopolitisk og anden risiko og styrke sin operationelle modstandsdygtighed.

For læsere, der ikke er bekendt med begrebet, hvad er “stresstest” i bankverdenen, og hvorfor er det blevet stadig vigtigere i dagens geopolitisk og økonomisk miljø?

Stresstest er en form for scenarieanalyse. Ved hjælp af fremadskuende simuleringer kan en bank eller anden finansiel tjenestevirksomhed undersøge en økonomisk situation (fx faldende inflation, stigende skatter eller elpriser) eller ændring og vurdere dens indvirkning på bankens finansielle og risikobaserede indikatorer og præstation.

Stresstest er en af de mest komplicerede og beregningstunge aktiviteter i en finansiel institution, der kræver mange komplekse beregninger. For at besvare centrale “hvad-hvis” spørgsmål og bedre forstå virkningerne af geopolitisk, klima- og andre risici, skal banker indsamle data om deres kunder, økonomiske tendenser (fra offentlige og private kilder) og deres følsomhed over for de specifikke risici, de ønsker at vurdere. De skal derefter analysere disse data for at opdage potentielle påvirkninger på deres låneporteføljer og balancer.

Geopolitisk stresstest fokuserer på at bestemme en banks fremtidige præstation baseret på virkningerne af chok som krig, handelsrestriktioner, toldsatser og sanktioner, blandt andet. Geopolitisk stresstest deler mange af de samme karakteristika som klimastresstest, som fokuserer på virkningerne af klimachok (fx oversvømmelser eller konstant stigende temperaturer).

Stresstest er et centralt værktøj i risikostyring og en beslutningsmotor. Da ingen bank har en krystalkugle, ved de ikke, hvilket scenarie eller chok der vil ske næste gang. Men banker kan udføre “hvad-hvis” analyser baseret på mulige scenarier for at bestemme fremtidige risici og muligheder – endda muligheder – for deres kunder og deres egne operationer og bruge resultaterne til at begynde at forberede sig i overensstemmelse hermed.

Geopolitisk risiko er på vej op, med chok der kommer hurtigere end nogensinde og ofte overlapper. Da geopolitisk begivenheder påvirker markeder, handel og forsyningskæder samtidigt, hjælper stresstest banker med at simulere fremtidige scenarier tidligere og forberede potentielle svar.

Som en anden CRO bemærkede for mig på et nyligt panel: “Indsigt uden handling har nul værdi.” Ved at anvende analytiske indsigter understøtter stresstest bedre forretningsbeslutninger. Resultatet? Banker kan tage informerede handlinger for at navigere geopolitisk chok, mens de finjusterer deres forretningsstrategi.

Geopolitisk chok i dag udfolder sig ofte samtidigt på tværs af handel, energi, råvarer, cybertrusler og forsyningskæder. Er traditionelle bankrisikomodeller stadig i stand til at håndtere denne form for sammenkoblet systemisk risiko?

Delvist.

Når vi tænker på traditionelle bankrisikomodellering og dens evne til at håndtere sammenkoblet og systemisk risiko, er der to lag, hvorpå banker vurderer virkningen af geopolitisk chok på deres porteføljer.

Det første lag er på makroøkonomisk niveau. Hvis der for eksempel er et olieprisspike, vil en bank forsøge at forstå den overordnede påvirkning på den regionale eller lokale økonomi, hvor en kunde befinder sig.

Så hvis en banks kunde er en stor producent i Texas, kan statens økonomi faktisk forbedres under et oliechok, da den producerer olie. Bankens makroøkonomiske risikomodellering kan indikere, at virksomheder i Texas er mere tilbøjelige til at blomstre, da arbejdsløsheden falder og forretningsvolumen stiger lokalt, for eksempel. På den anden side vil de fleste andre økonomier blive påvirket negativt, hvilket vil påvirke forretningsaktiviteterne for alle Texas-virksomheder.

I dag, på makroøkonomisk niveau, har de fleste banker et solidt grundlag for modellering. I deres stresstest kan de omsætte geopolitisk chok til makroøkonomiske indikatorer (på stat, land eller regionalt niveau).

Med vores eksempel vil en bank have en model, der forudsiger, hvad der vil ske med fremstillingssektoren i Texas i form af sandsynlighed for misligholdelse, hvis statens BNP stiger med en specifik procentdel.

Så bankrisikomodeller er allerede udstyret til at analysere de makroøkonomiske påvirkninger af geopolitisk chok på bankens kunder (og låntagere).

Men det andet lag forbliver en udfordring.

På det mikro niveau skal en bank zoome ind for at vurdere en specifik kundes følsomhed over for et bestemt geopolitisk chok og den kundes risiko for misligholdelse som følge heraf.

Hvad vil et fald på 50 % i produktionen af gødning gøre for en bilproducent? Ikke meget, i det mindste ikke direkte (selvom denne producent næsten helt sikkert vil mærke de efterfølgende høje inflationer). Men hvis kunden er en landbrugsproducent, kan det betyde et stort fald i indtægterne.

På mikro‑niveau har banker brug for datagranularitet og specificitet i deres stresstest og risikomodellering. De skal zoome ind på forretningssektorer, regioner og individuelle modparter i deres porteføljer og forstå, hvilke kunder der er følsomme over for hvilke typer af geopolitisk risiko. I sidste ende har bankerne brug for indsigter i, hvordan et specifikt chok vil påvirke hver enkelt kunde og deres evne til at tilbagebetale lån, samt at støtte beslutninger om, hvorvidt de skal udvide lån, ændre vilkår eller endda vælge ikke at yde kredit.

Det, der gør mikro‑modellering særligt udfordrende, er, at man ofte ikke kan generalisere på tværs af en branche eller region. En af bankens landbrugskunder kan være en grøn producent, der ikke bruger nogen gødning. Så antagelser baseret på en kundes branche eller sektor kan føre til dårlig information og dårlige beslutninger.

Da banker typisk ikke har granular data om en kundes operationer, skal de afbalancere omkostningerne og indsatsen ved at indsamle disse detaljerede data – via undersøgelser og spørgeskemaer, for eksempel – med de fordele, de får ved at have mere granularitet i deres modeller.

Nogle gange er disse data svære at indhente. En banks kunde ved måske ikke, om deres gødning transporteres gennem Hormuzstrædet, for eksempel.

Jo mere granular de data, en bank indsamler, jo flere potentielle indsigter kan den udlede. Men jo dybere den går, jo dyrere er det i tid og indsats at indsamle disse oplysninger.

For at omgå denne udfordring anvender banker ofte en Pareto‑tilgang – den gamle 80/20‑regel gælder stadig. Banker har ofte 80 % af deres eksponering eller risiko inden for 20 % af deres portefølje eller kunder. Så de kan koncentrere sig om deres største eksponeringer og forsøge at forenkle resten. Forenkling ville inkludere at udføre analyser på (sub)region‑ og/eller (sub)sektorniveau i stedet for på individuel kundes niveau.

Som med klimastresstest er mangel på data ingen undskyldning for at springe over disse risikovurderinger.

Den centrale besked fra Den Europæiske Centralbanks vejledning om klimarisiko gælder også for geopolitisk risiko. ECB anerkendte, at banker ofte ikke har alle de data, der er nødvendige for at udføre klimastresstest. Og at banker, der handler på baggrund af begrænsede data, vil introducere udfordringer og fejl. Men ECB bemærkede, at ingen handling er en endnu højere risiko. Så banker skal handle, selv med begrænsede data. Den samme logik gælder for geopolitisk risikaanalyse.

Hvordan begynder banker at bruge kunstig intelligens og store sprogmodeller til at overvåge realtids‑geopolitiske udviklinger og omsætte dem til handlingsorienterede risikovurderinger?

Banker begynder at bruge AI‑agenter til at analysere ustruktureret data, et typisk anvendelsesområde for AI.

For eksempel kan banker anvende AI‑agenter på nyhedsportaler, lede efter foruddefineret tekst, der kan indikere, at et geopolitisk chok er på vej, og udløse alarmklokker inden for institutionen.

Og som tidligere nævnt ønsker banker at forstå deres nøglekunder bedre og hvor deres operationer og forsyningskæder er geografisk fordelt. Nogle banker implementerer AI‑agenter, der gennemgår kundernes offentlige oplysninger for at forstå, hvor en virksomheds vigtigste fabrikker og leverandører er placeret. Når et chok opstår i en bestemt region, kan banken bedre forstå dets påvirkning på den pågældende kunde.

Banker med hundredvis af virksomheder i deres portefølje skal køre disse analyser i stor skala. AI‑agenter kan hjælpe med at automatisere dele af stresstest‑beregningerne. Så hvis visse geopolitisk begivenheder overskrider foruddefinerede tærskler, som banken har sat, kan agenten forberede makroøkonomiske scenarier og automatisk udføre en stresstest‑beregning.

I et andet eksempel kan AI og store sprogmodeller (LLM’er) hjælpe med at forklare resultaterne af stresstesten for forretningsbrugere og ledere. Baseret på foruddefinerede playbooks kan AI‑agenter endda foreslå visse korrigerende handlinger.

Så AI bruges allerede til forskellige dele af stresstest‑processen, selvom vi stadig er i de tidlige faser.

Mange finansielle institutioner står allerede over for personale‑ og ressourcebegrænsninger i risik‑ og compliance‑teams. Hvor giver AI i øjeblikket den største operationelle fordel?

For bankens risik‑ og compliance‑teams hjælper AI med at automatisere dataindsamling, scenarie‑generering, beregningseksekvering og fortolkning. Dette giver disse teams mere tid til at fortolke resultaterne af modelanalyse og rådgive ledelsen om risikostrategi.

Traditionel, generativ og agentbaseret AI understøtter også mange aktiviteter i geopolitisk stresstest. Dette inkluderer indsamling af data om og analyse af kunders følsomhed (og deres operationer, forsyningskæder osv.) samt bankporteføljer i forhold til geopolitisk chok. Som nævnt tidligere kan LLM’er og AI‑agenter også hjælpe med at forklare resultaterne af stresstest til ledelsen for at understøtte bedre beslutninger.

Det er værd at nævne, at brug af AI og analytiske modeller til beslutninger introducerer yderligere risici, fordi modellen kan være forkert eller ikke præcis nok.

Banker har udført modelrisikostyring i mere end et årti. Og som mange modelrisikomanagere siger: “Alle modeller er forkerte, men nogle er nyttige.”

Da modeller er en forenkling af en fremtidig tilstand, er de per definition ikke fuldstændigt nøjagtige. Banker og finansielle serviceorganisationer skal være opmærksomme på og håndtere modelrisiko, når de implementerer AI‑drevne modeller til stresstest og risikostyring.

AI‑governance er afgørende for banker og finansielle servicevirksomheder. Det hjælper dem med at beskytte og håndtere følsomme data og overholde reguleringer, samtidig med at transparens sikres og risikoen styres.

Governance er især vigtigt for AI‑ og maskinlærings‑modeller (ML), som kan levere præcise forudsigelser, men også kan reagere upassende på uventede situationer, hvilket kan føre til dårlige beslutninger. AI‑ og ML‑modeller kræver hyppig performance‑monitorering og data‑gennemgang. Tilsyn via AI‑governance og modelrisikostyring sikrer transparens, så en bank klart kan forklare – over for regulatorer og ledelse – både hvordan dens AI‑modeller fungerer, og de beslutninger, der udspringer af dem.

Du har i årevis arbejdet med klimarisiko og bæredygtighedsrammer for finansielle institutioner. Ser du, at geopolitisk risikostresstest bliver lige så strategisk vigtig som klimarisikoanalyse?

Ja. Geopolitisk risikostyring vil i stigende grad blive en del af den daglige drift for banker og finansielle servicevirksomheder. Stadig flere vil disse risici blive indlejret i traditionelle kredit‑ og markedsrisikomodeller, efterhånden som de bliver en standarddel af den samlede risikostyringsindsats i bank‑ og finanssektoren.

Klimarisiko har presset banker til at modernisere deres stresstest‑rammer på grund af dens kompleksitet og potentielt massive indvirkning på finansiel præstation.

På samme måde kan geopolitisk risiko – og hastigheden og hyppigheden af begivenheder og chok – i væsentlig grad påvirke bankernes finansielle resultater. Det lægger pres på bankerne for at vurdere (gennem stresstest), afbøde og tage højde for den.

Begge er og vil fortsat være strategisk vigtige, efterhånden som banker håndterer geopolitisk chok som konflikten i Iran og dens eftervirkninger, samt fortsatte klima‑relaterede effekter som den “Super” eller “Godzilla” El Niño‑prognose for dette år.

Mange organisationer ser stadig stresstest primært som et regulatorisk krav snarere end et strategisk værktøj. Hvilke muligheder går banker glip af ved at tage denne tilgang?

Det er kortsigtet for en bank at fokusere sin stresstest primært på at opnå regulatorisk overholdelse. Selvom overholdelse af regler er afgørende, kan stresstest hjælpe finansielle serviceorganisationer med meget mere end blot compliance.

Ved at tage en mere strategisk tilgang til stresstest kan banker udføre “hvad‑hvis” analyser, der vurderer mulige scenarier og virkningen af alternative svar på både geopolitisk chok og klimaændringer.

Resultaterne af disse “hvad‑hvis” analyser kan hjælpe en bank med at vælge den optimale vej frem, genkende nye forretningsmuligheder, justere sin udlånsstrategi og finde konkurrencemæssige fordele gennem sine risikostyringsindsatser.

Dataene og modellerne er allerede tilgængelige. Det er en mistet mulighed ikke at udnytte dem fuldt ud.

Selvfølgelig vil effektiviteten, fleksibiliteten og modenheden af en banks underliggende stresstest‑processer og -systemer bestemme, hvad banken kan opnå. Og om stresstest er et rent svar på regulatorisk compliance eller en mere omfattende beslutnings‑understøttelses‑motor.

Som den CRO sagde til mig: “Indsigt uden handling har nul værdi.”

Den seneste rapport, Climate Stress Testing Methodologies: Current Practices, Challenges, and the Road Ahead, benchmarker aktuelle praksisser; identificerer huller i modellering, governance og infrastruktur; og tilbyder praktisk rådgivning til integration af klimastresstest i kerne‑risikorammer. Rapporten, fra United Nations Environment Programme Finance Initiative (UNEP FI) og SAS, er baseret på input fra 21 globale banker.

Efterhånden som finansielle institutioner i stigende grad benytter AI‑drevne systemer og automatiseret modellering, er du bekymret for nye former for modelrisiko, der opstår i selve bankinfrastrukturen?

Som nævnt tidligere har modelrisikostyring været en kerneproces i banker i mere end 10 år. Og den accelererende adoption af AI og analytiske modeller introducerer yderligere risici, fordi de kan være unøjagtige.

For nylig modererede jeg en virtuel paneldiskussion med ledere inden for modelrisikostyring (MRM). En af de vigtigste konklusioner, bekræftet af både eksperterne og det globale publikum, var, at AI‑risici er betydeligt højere end klassiske modelrisici.

Banker og finansielle servicevirksomheder skal omfavne og implementere omfattende AI‑governance for at beskytte og håndtere følsomme data, overholde reguleringer og sikre transparens og effektiv risikostyring.

Hvilke geopolitisk risikofaktorer mener du i øjeblikket er mest undervurderet af den finansielle sektor: cyberkonflikt, handelsfragmentering, statsgældspres, energiforstyrrelse, forsyningskæde‑ustabilitet eller noget andet?

Alle disse er risikodrivere, der kan opstå fra geopolitisk begivenheder. Og jeg vil sige, at den, der giver flest hovedpiner for banker, er forstyrrelse af forsyningskæden.

Dette hænger sammen med vores tidligere diskussion om makro‑ og mikro‑økonomiske faktorer.

Hvis der for eksempel er et olieprisspike, kan en bank analysere de makro‑tal og se den resulterende markedsvolatilitet og pres på kredit og likviditet.

Men det er sværere for banker at vurdere påvirkningen på deres portefølje, fordi de fleste banker ikke har granular mikro‑kundedata om, hvordan et sådant chok påvirker hver enkelt kunde og deres operationer.

For banker handler det om at bruge stresstest til bedre at bestemme, hvordan geopolitisk begivenheder og klimaændringer påvirker deres låneportefølje og hver kundes evne til at tilbagebetale dem.

Selvfølgelig forekommer disse risikodrivere ofte ikke isoleret, men i kombination. Så det er ikke, at banker undervurderer nogen af dem. Gennem det kraftfulde værktøj, stresstest, kan banker bedre vurdere påvirkningen af flere drivere og faktorer på deres operationer og samlede risikoeksponering.

Ser du fremad over de næste fem år, hvordan AI‑forstærket stresstest vil ændre den måde, banker allokerer kapital, evaluerer risiko og forbereder sig på fremtidige kriser?

Over de næste fem år vil AI hjælpe banker med at danne et meget bedre overblik over fremtidige scenarier. Og AI‑drevne stresstest vil blive mindre en periodisk øvelse og mere en kontinuerlig kapabilitet.

Banker vil køre flere scenarier, oftere, og bruge dem til at informere forretningsbeslutninger.

Fordi finansielle servicevirksomheder, der kan handle hurtigt på AI‑drevne indsigter, vil have en klar konkurrencemæssig fordel, især i hurtigt bevægende geopolitisk kriser.

Banker samt deres teknologiteams og partnere skal forblive forpligtede til at skabe processer, der opbygger mere tillid til AI‑drevne beregninger.

Så når en bank bruger et generativt AI‑værktøj med sit Asset & Liability Management (ALM)‑system, kan den stole på resultaterne og ikke bekymre sig for meget om hallucinationer.

Eller når den kører en geopolitisk eller klimarisikostresstest, kan banken have endnu mere tillid til resultaterne af analysen og de forretningsbeslutninger, den træffer som følge heraf.

Tak for det fantastiske interview. Læsere, der ønsker at lære mere om Peter Plochan’s arbejde og tankeledelse, kan besøge PeterPlochan.com eller udforske risikostyrings‑, analyse‑ og AI‑løsningerne, som SAS tilbyder.