Peter Plochan、SASのEMEAプリンシパルリスクマネジメントアドバイザー – インタビューシリーズ

Peter Plochan は、SAS の EMEA プリンシパルリスクマネジメントアドバイザー で、金融機関が財務およびリスク規制、エンタープライズリスクマネジメント、リスクガバナンス、将来志向のリスク分析、ストレステスト、モデルリスクマネジメント、リスクモデリング、気候変動リスクマネジメントに関する課題に対処するのを支援します。

Peter は金融のバックグラウンド（銀行学の修士号）を持ち、金融リスクマネージャー（FRM）認定を受けており、金融セクターでのリスクマネジメントにおいて19年以上の経験があります。内部でも外部（PwC）のリスクマネジメントアドバイザーとしても、大規模なリスクマネジメント導入を様々な銀行・保険機関で支援してきました。2014年に SAS に入社して以来、Peter はグローバルなドメインエキスパートとして、リスク分析とテクノロジーの最新トレンドを活用し、深いリスクマネジメントと金融の専門知識を提供しています。

PwC、ABN AMRO、Atradius、そして現在は SAS などの主要な金融機関やアドバイザリーファームで働き、銀行規制、エンタープライズリスクマネジメント、金融ストレステストに関する豊富な経験をお持ちです。ご自身のキャリアを振り返って、銀行が地政学的リスクに取り組む際に、驚くほど未解決のまま残っている構造的な弱点は何ですか？

最近、地政学的リスクの専門家を招いたウェビナーを主催しました。ある銀行のチーフリスクオフィサーが「遅いリスクマネジメントは悪いリスクマネジメントだ」と述べ、現在の課題を的確にまとめました。地政学的ショックに直面した際、銀行はしばしば突然かつ迅速な対応が求められます。

世界経済はますます相互に結びついています。これは、地政学的ショックからの伝染速度も同様に高まっていることを意味します。

もちろん、地政学的ショックは多様で、原油価格の変動から貿易戦争や関税、さらには武力衝突までさまざまです。

銀行や金融サービス機関は、これらのショックがバランスシートに与える影響を評価するのに時間をかけすぎる余裕はありません。スピードが依然として最重要です。

過去10年間で、金融サービス業界はリスク計算をこれまで以上に高速で実行する能力を向上させました。それでも、ストレステストは金融機関において最も計算集約的でプロセスが重い活動の一つです。

銀行は貸出金と資産のインベントリを作成し、バランスシートのどの部分が特定のショックに影響を受けやすいかを評価する必要があります。この取り組みの成功の鍵は、インベントリをどれだけ詳細かつ完全に設定し、リスクの分析と評価をどれだけ徹底的に行うかです。

例えば、銀行は地政学的ショックそのものだけでなく、間接的な影響も見る必要があります。これらは時にショック自体よりも分かりにくく、発展が遅いことがあります。原油価格の急騰はガソリンスタンドだけでなく、サプライチェーン全体にどのような影響を与えるでしょうか？また、原油価格の上昇はガソリンやディーゼルなどの輸送コストだけでなく、肥料、プラスチック、さらには特定の国や地域で生産される医薬品のコストや価格にもどのように影響するでしょうか？

多くの場合、銀行は顧客や顧客のサプライチェーンに対する地政学的ショックの潜在的影響を十分に理解しておらず、これが地政学的リスクマネジメントをより困難にしています。

地政学的リスクマネジメントを通じて、銀行はショックが顧客と顧客のローン（銀行のバランスシートの大部分を占める）に与える影響をよりよく理解し、評価しようとします。銀行における地政学的リスクマネジメントは、表面的にはシンプルですが、実際には複雑な次の質問に答えようとします: このショックは各銀行顧客とその返済能力にどのような意味を持つのか？

気候リスクマネジメント（地政学的リスクマネジメントと多くの類似点があります）と同様に、各銀行は通常以上に深く掘り下げる必要があります。適切なデータを収集・分析し、ストレステストのような手法を適用することで、銀行は顧客のショックへのエクスポージャーと自らのバランスシートリスクをよりよく理解できます。

地政学的リスク、気候リスク、信用リスク、流動性リスク など、すべてのリスクマネジメントを単なるコンプライアンス作業以上のものとして扱うことで、銀行はコアビジネス計画を導く洞察を得ることができます。

堅牢なリスクマネジメントプログラム（ストレステストを含む）から得られる分析的洞察を活用することで、銀行は地政学的リスクやその他のリスクを軽減し、運用レジリエンスを強化するためのより良いビジネス判断を下すことができます。

この用語に馴染みのない読者のために、銀行における「ストレステスト」とは正確には何か、そしてなぜ今日の地政学的・経済的環境でますます重要になっているのでしょうか？

ストレステストはシナリオ分析の一形態です。将来志向のシミュレーションを用いて、銀行やその他の金融サービス企業は経済状況（例：インフレの低下、税金や電力コストの上昇）や変化を検証し、その影響を銀行の財務指標・リスク指標・パフォーマンスに対して評価できます。

ストレステストは金融機関において最も複雑で計算集約的な活動の一つであり、多くの複雑な計算を必要とします。重要な「もしも」質問に答え、地政学的リスク、気候リスク、その他のリスクの影響をよりよく理解するために、銀行は顧客データ、経済トレンド（公的・私的情報源から）および評価したい特定リスクに対する感度を収集する必要があります。その後、これらのデータを分析し、ローンポートフォリオとバランスシート全体への潜在的影響を明らかにします。

地政学的ストレステストは、戦争、貿易制限、関税、制裁などのショックの影響に基づいて銀行の将来のパフォーマンスを測定することに焦点を当てます。地政学的ストレステストは、気候ショック（例：洪水や継続的な温度上昇）の影響に焦点を当てる気候ストレステストと多くの共通点を持っています。

ストレステストは重要なリスクマネジメントツールであり、意思決定エンジンでもあります。どの銀行にも水晶球はないため、次にどのシナリオやショックが起こるかは分かりません。しかし、銀行は可能性のあるシナリオに基づく「もしも」分析を実施し、顧客や自社の将来のリスクや可能性（場合によっては機会）を特定し、その結果を活用して適切に備えることができます。

地政学的リスクは高まっており、ショックはかつてないほど速く、しばしば重なり合って発生します。地政学的な出来事は市場、貿易、サプライチェーンに同時に影響を与えるため、ストレステストは銀行が将来のシナリオを早期にシミュレートし、潜在的な対応策を準備するのに役立ちます。

最近のパネルで別のCROが私に言ったように「洞察だけでは価値がない」。分析的洞察を適用することで、ストレステストはより良いビジネス判断を支援します。その結果、銀行は地政学的ショックを乗り越えるための情報に基づく行動を取り、ビジネス戦略を微調整できます。

今日の地政学的ショックは、貿易、エネルギー、商品、サイバー脅威、サプライチェーンと同時に展開することが多いです。従来の銀行リスクモデルは、このような相互接続されたシステムリスクに対応できるでしょうか？

部分的に。

従来の銀行リスクモデリングとその相互接続的・システム的リスクへの対応能力を考えると、銀行が地政学的ショックのポートフォリオへの影響を評価する際には、二つの層があります。

第一の層はマクロ経済レベルです。例えば原油価格ショックがある場合、銀行は顧客が所在する地域やローカル経済への大局的な影響を理解しようとします。

したがって、銀行の顧客がテキサス州を拠点とする大手製造業者である場合、その州は石油を生産しているため、原油ショック時に経済が実際に改善する可能性があります。銀行のマクロ経済リスクモデリングは、例えば失業率が下がり、地元のビジネス量が増加することで、テキサスの企業が繁栄しやすくなることを示すかもしれません。一方で、他の多くの経済はマイナスの影響を受け、テキサス全体の企業活動に悪影響を及ぼすでしょう。

現在、マクロ経済レベルでは、ほとんどの銀行がモデリングにおいて堅固な基盤を持っています。ストレステストにおいて、地政学的ショックをマクロ経済指標（州、国、地域レベル）に変換できます。

例を用いると、銀行は州のGDPが特定の割合で増加した場合に、テキサスの製造業セクターのデフォルト確率がどうなるかを予測するモデルを備えています。

したがって、銀行リスクモデルはすでに地政学的ショックのマクロ経済的影響を銀行の顧客（借り手）に対して分析できるよう装備されています。

しかし、第二の層は依然として課題です。

マイクロレベルでは、銀行は特定の顧客が特定の地政学的ショックに対してどれだけ感度があるか、そしてその結果としてのデフォルトリスクを評価するために詳細に分析する必要があります。

肥料生産が50％減少した場合、自動車メーカーにどのような影響があるでしょうか？直接的にはあまり影響はありません（ただし、結果として高インフレの影響はほぼ確実に受けるでしょう）。しかし、顧客が農業生産者であれば、収益の大幅な減少を意味する可能性があります。

マイクロレベルでは、銀行はストレステストとリスクモデリングにおいてデータの粒度と具体性が必要です。ポートフォリオ内の事業セクター、地域、個別の取引先に焦点を当て、どの顧客がどの種類の地政学的リスクに敏感かを理解する必要があります。最終的に、銀行は特定のショックが各顧客にどのように影響し、ローン返済能力にどう影響するかについての洞察を得て、ローンの拡大、条件変更、あるいはクレジット拡大を行わないかの判断を支援します。

マイクロモデリングが特に難しいのは、業界や地域全体で一般化できないことが多いからです。銀行の農業顧客の一つが、肥料を全く使用しないグリーン生産者である可能性があります。そのため、顧客の業界やセクターに基づく仮定は、誤った情報や判断につながることがあります。

銀行は通常、顧客の業務に関する詳細なデータを持っていないため、調査やアンケートなどでこの詳細データを収集するコストと労力を、モデルの粒度向上による利益とバランスさせる必要があります。

時にはこのデータの取得が困難なことがあります。例えば、銀行の顧客が自社の肥料がホルムズ海峡を通過しているかどうかを知らないことがあります。

銀行が収集するデータが細かくなるほど、得られる潜在的洞察は増えます。しかし、深く掘り下げるほど、情報収集にかかる時間と労力が高くなります。

この課題を回避するために、銀行はしばしばパレートアプローチ、すなわち古い80/20ルールを適用します。銀行はポートフォリオや顧客の20％が全リスクやエクスポージャーの80％を占めていることが多いです。したがって、主要なエクスポージャーに集中し、残りを簡素化しようとします。簡素化は、個別顧客レベルではなく、（サブ）地域や（サブ）セクターのレベルで分析を行うことを含みます。

気候ストレステストと同様に、データが限られている、あるいは全くないことは、リスク評価を省く言い訳にはなりません。

欧州中央銀行（ECB）の気候リスクに関するガイダンスの重要なメッセージは、地政学的リスクにも当てはまります。ECBは、銀行が気候ストレステストに必要なすべてのデータを持っていないことを認めました。また、限られたデータに基づく行動は課題やエラーを招くと指摘しています。しかし、ECBは何もしないことの方がリスクが高いと述べました。したがって、銀行は限られたデータでも行動する必要があります。同様の論理が地政学的リスク分析にも適用されます。

銀行は、人工知能や大規模言語モデルをどのように活用してリアルタイムの地政学的動向を監視し、実行可能なリスク評価に変換し始めているのでしょうか？

銀行は、AIエージェントを使用して非構造化データを分析し始めています。これはAIの典型的なユースケースです。

例えば、銀行はニュースポータルにAIエージェントを適用し、地政学的ショックが迫っていることを示す事前定義されたテキストを探し、機関内で警告を発することができます。

また、前述の通り、銀行は主要顧客とその事業・サプライチェーンが地理的にどこに分布しているかをよりよく理解したいと考えています。一部の銀行は、AIエージェントを展開して顧客の開示情報やその他の公開情報をクロールし、企業の主要工場やサプライヤーの所在地を把握しています。特定の地域でショックが発生した際、銀行はその顧客への影響をより正確に理解できます。

ポートフォリオに数百社の企業を抱える銀行は、これらの分析を大規模に実行する必要があります。AIエージェントはストレステスト計算の一部を自動化するのに役立ちます。そのため、特定の地政学的イベントが銀行が設定した事前閾値を超えると、エージェントはマクロ経済シナリオを作成し、ストレステスト計算を自動的に実行できます。

別の例として、AIと大規模言語モデル（LLM）は、ストレステストの結果をビジネスユーザーや上級管理者に説明するのに役立ちます。事前に定義されたプレイブックに基づき、AIエージェントは特定の是正策を提案することさえできます。

したがって、AIはすでにストレステストプロセスのさまざまな部分で使用されていますが、まだ初期段階です。

多くの金融機関はリスク・コンプライアンスチーム内で人員やリソースの制約に直面しています。AIは現在、どこで最大の運用上の優位性を提供していますか？

銀行のリスク・コンプライアンスチームにとって、AIはデータ収集、シナリオ生成、計算実行、結果の解釈を自動化し、モデル分析の結果を解釈し、リーダーシップにリスク戦略を助言する時間を増やします。

従来型、生成型、エージェント型AIは、地政学的ストレステストの多くの活動も支援します。これには、顧客（およびその事業、サプライチェーン等）の感度や銀行ポートフォリオが地政学的ショックに対してどの程度影響を受けるかのデータ収集と分析が含まれます。前述のように、LLMやAIエージェントはストレステストの結果をリーダーシップに説明し、より良い意思決定を支援することもできます。

AIや分析モデルを意思決定に使用することは、モデルが誤っている、または十分に正確でない可能性があるため、追加のリスクをもたらすことを指摘しておく価値があります。

銀行は10年以上にわたりモデルリスクマネジメントを実施しています。そして多くのモデルリスクマネージャーが言うように「すべてのモデルは間違っているが、いくつかは有用である」。

モデルは将来の状態を単純化したものであるため、定義上完全に正確ではありません。銀行や金融サービス組織は、AI搭載モデルをストレステストやリスクマネジメントに導入する際に、モデルリスクに注意し、管理する必要があります。

AI ガバナンス は銀行や金融サービス企業にとって重要です。機密データの保護と管理、規制遵守、透明性の確保、リスク管理を支援します。

ガバナンスは、正確な予測ができる一方で、予期せぬ状況に不適切に反応し、誤った判断を招く可能性のある AI および機械学習（ML）モデルに特に重要です。AI と ML のモデルは頻繁なパフォーマンス監視とデータレビューが必要です。AI ガバナンスとモデルリスクマネジメントによる監督は透明性を確保し、銀行が規制当局や上級管理者に対して、AI モデルの動作とそこから生じる意思決定を明確に説明できるようにします。

金融機関向けの気候リスクとサステナビリティフレームワークに長年取り組んできましたが、地政学的リスクのストレステストは気候リスク分析と同様に戦略的に重要になると考えますか？

はい。地政学的リスクマネジメントは、銀行や金融サービス企業にとって日常業務としてますます重要になります。これらのリスクは、伝統的な信用リスクや市場リスクモデルに組み込まれ、銀行・金融サービス部門全体のリスクマネジメントの標準的な一部となります。

気候リスクは、その複雑さと財務パフォーマンスへの潜在的な大規模影響により、銀行にストレステストフレームワークの近代化を促しました。

同様に、地政学的リスクとその出来事やショックの速度・頻度は、銀行の財務結果に大きく影響します。これにより、銀行はストレステストを通じて評価・緩和・会計処理を行う圧力がかかります。

両者は今後も戦略的に重要であり続けます。銀行はイラン紛争とその余波、さらには今年予測される「スーパー」または「ゴジラ」エルニーニョといった継続的な気候関連影響に対処しています。

多くの組織は、ストレステストを主に規制要件として捉えており、戦略的ツールとしては見ていません。そのアプローチにより、銀行はどのような機会を逃しているのでしょうか？

銀行がストレステストを主に規制遵守の達成に焦点を当てるのは短絡的です。規制遵守は重要ですが、ストレステストは金融サービス組織が単なるコンプライアンス以上のことを行うのに役立ちます。

ストレステストをより戦略的に取り組むことで、銀行は「もしも」分析を実施し、地政学的ショックや気候変動への代替的な対応策のシナリオと影響を評価できます。

これらの「もしも」分析の結果は、銀行が最適な進路を選択し、新たなビジネス機会を認識し、貸出戦略を調整し、リスクマネジメント活動を通じて競争優位性を見出すのに役立ちます。

データとモデルはすでに存在しています。これらを十分に活用しないのは機会損失です。

もちろん、銀行の基盤となるストレステストプロセスやシステムの効率性、柔軟性、成熟度が、銀行が達成できることを決定します。また、ストレステストが単なる規制遵守への回答なのか、より包括的な意思決定支援エンジンなのかも重要です。

そのCROが言ったように「洞察だけでは価値がない」。

最近のClimate Stress Testing Methodologies: Current Practices, Challenges, and the Road Ahead（気候ストレステスト手法：現行実務、課題、今後の道筋）というレポートは、現行の実務をベンチマークし、モデリング、ガバナンス、インフラストラクチャのギャップを特定し、気候ストレステストをコアリスクフレームワークに統合するための実践的な助言を提供しています。このレポートは、国連環境計画金融イニシアチブ（UNEP FI）と SAS が共同で作成し、21 のグローバル銀行からの意見を基にしています。

金融機関が AI 主導のシステムや自動化モデリングにますます依存する中、銀行インフラ自体に新たなモデルリスクが出現することを懸念していますか？

前述のとおり、モデルリスクマネジメントは銀行において10年以上のコアプロセスです。そして、AI と分析モデルの採用が加速することで、モデルが不正確になる可能性があり、追加のリスクが生じます。

最近、モデルリスクマネジメント（MRM）部門長が参加するバーチャルパネルディスカッションを司会しました。専門家とグローバルな聴衆の両方が確認した主要な結論の一つは、AI リスクが従来のモデルリスクよりもはるかに高いということです。

銀行や金融サービス企業は、機密データを保護・管理し、規制を遵守し、透明性と効果的なリスクマネジメントを確保するために、包括的な AI ガバナンスを受け入れ、導入する必要があります。

金融セクターが現在最も過小評価していると考える地政学的リスク要因はどれですか: サイバー紛争、貿易分断、主権債務圧力、エネルギー混乱、サプライチェーン不安定、あるいはその他でしょうか？

これらはすべて地政学的出来事から生じ得るリスクドライバーです。私が言うなら、銀行にとって最も頭痛の種となっているのはサプライチェーンの混乱です。

これは、先ほどのマクロおよびミクロ経済要因の議論とつながります。

例えば、原油価格ショックがある場合、銀行はマクロ指標を分析し、市場のボラティリティや信用・流動性への圧力を把握できます。

しかし、ほとんどの銀行はそのようなショックが各顧客やその事業にどのように影響するかについて、詳細なミクロレベルの顧客情報を持っていないため、ポートフォリオへの影響を評価するのは難しいです。

銀行にとっては、ストレステストを活用して地政学的出来事や気候変動がローンポートフォリオと各顧客の返済能力にどのように影響するかをより正確に判断することが要点です。

もちろん、これらのリスクドライバーは単独で発生することは少なく、むしろ組み合わせて発生します。したがって、銀行がどれかを過小評価しているわけではありません。強力なストレステストツールを通じて、銀行は複数のドライバーや要因が事業や全体的なリスクエクスポージャーに与える影響をよりよく評価できます。

今後5年間を見据えて、AI 強化されたストレステストが銀行の資本配分、リスク評価、将来の危機への備えにどのように変化をもたらすと考えますか？

今後5年間で、AI は銀行が将来シナリオをはるかに正確に把握するのに役立ちます。そして、AI 主導のストレステストは、定期的な演習から継続的な能力へと変わっていくでしょう。

銀行はより多くのシナリオを、より頻繁に実行し、それらをビジネス判断に活用します。

AI による洞察を迅速に活用できる金融サービス企業は、特に変化の速い地政学的危機において明確な競争優位性を持つことになります。

銀行とその技術チーム、パートナーは、AI 主導の計算への信頼を高めるプロセスの構築に引き続き取り組む必要があります。

例えば、銀行が資産・負債管理（ALM）システムと共に生成的 AI ツールを使用する場合、結果を信頼でき、幻覚（ハルシネーション）を過度に心配する必要はありません。

あるいは、地政学的リスクや気候リスクのストレステストを実施する際、銀行は分析結果とそれに基づくビジネス判断に対してさらに自信を持つことができます。

素晴らしいインタビューをありがとうございました。Peter Plochan の仕事や思想的リーダーシップについて詳しく知りたい読者は、PeterPlochan.com を訪れるか、SAS が提供するリスクマネジメント、分析、AI ソリューションをご覧ください。