Peter Plochan, EMEA Hoofd Risicomanagementadviseur bij SAS – Interviewreeks

Peter Plochan is de EMEA Hoofd Risicomanagementadviseur bij SAS die financiële instellingen helpt omgaan met hun uitdagingen op het gebied van financiële en risicoregels, enterprise risk management, risk governance, vooruitziende risicoanalyse, stress testing, model risk management, risk modelling en klimaatveranderingsrisicomanagement.

Peter heeft een financiële achtergrond (master in Banking) en is gecertificeerd Financial Risk Manager (FRM) met meer dan 19 jaar ervaring in risicomanagement in de financiële sector. Hij heeft verschillende banken en verzekeringsinstellingen geholpen met grootschalige risicomanagementimplementaties, zowel intern als extern als risicomanagementadviseur (PwC). Sinds hij in 2014 bij SAS kwam, fungeert Peter als wereldwijde acterende domeinexpert – waarbij hij de nieuwste trends in risk analytics & technologie benut met zijn diepe expertise in risicomanagement & financiën.

U heeft gewerkt bij grote financiële instellingen en adviesbureaus, waaronder PwC, ABN AMRO, Atradius en nu SAS, met uitgebreide ervaring in bankregulering, enterprise risk management en financiële stress testing. Als u terugkijkt op uw carrière, welke structurele zwaktes in de manier waarop banken geopolitiek risico benaderen, zijn verrassend onopgelost gebleven?

Ik hostte onlangs een webinar met specialisten in geopolitiek risico. Een chief risk officer van een bank vat de voortdurende uitdaging goed samen met de opmerking: “Langzaam risicomanagement is slecht risicomanagement.” Bij geopolitieke schokken hebben banken vaak een plotselinge en snelle reactie nodig.

De wereldeconomie wordt steeds meer onderling verbonden. En dit betekent dat de snelheid van elke besmetting door een geopolitieke schok ook toeneemt.

Natuurlijk zijn geopolitieke schokken divers, variërend van veranderingen in olieprijzen tot handelsoorlogen en tarieven tot schietconflicten, onder andere.

Banken en financiële dienstverleners kunnen zich niet veroorloven te lang te wachten met het beoordelen van de impact van dergelijke schokken op hun balansen. Snelheid blijft koning.

In de afgelopen 10 jaar heeft de financiële dienstverlening haar vermogen om risicocalculaties sneller uit te voeren dan ooit verbeterd. Toch blijft stress testing een van de meest rekenintensieve en procesintensieve activiteiten bij financiële instellingen.

Banken moeten een inventaris maken van hun leningen en activa, en vervolgens beoordelen welke delen van hun balans gevoelig zijn voor specifieke schokken. Een belangrijke succesfactor in deze inspanning is hoe gedetailleerd en compleet de banken deze inventarissen opzetten, en hoe grondig hun analyses en risico‑beoordelingen zijn.

Banken moeten bijvoorbeeld niet alleen naar de geopolitieke schokken zelf kijken, maar ook naar hun indirecte effecten, die soms minder duidelijk en langzamer ontwikkelend zijn dan de schokken zelf. Wat doet een plotselinge stijging van de olieprijs niet alleen bij het tankstation, maar over de hele toeleveringsketen? En hoe kan een stijging van de olieprijs niet alleen benzine, diesel en andere transportkosten beïnvloeden, maar ook de kosten en prijzen van kunstmest, kunststoffen en zelfs farmaceutische geneesmiddelen die in een specifiek land of regio worden geproduceerd?

In veel gevallen hebben banken geen diepgaand inzicht in de potentiële effecten van geopolitieke schokken op hun klanten en de toeleveringsketens van hun klanten, waardoor geopolitiek risicomanagement moeilijker wordt.

Via geopolitiek risicomanagement proberen banken beter te begrijpen en te beoordelen wat de impact van schokken is op hun klanten en de leningen van de klanten, die het grootste deel van de balansen van de banken vormen. Geopolitiek risicomanagement voor banken probeert een vraag te beantwoorden die aan de oppervlakte eenvoudig lijkt, maar eronder ingewikkeld is: Wat zal deze schok betekenen voor elke bankklant en hun vermogen om leningen terug te betalen?

Net als bij klimaatrisicomanagement (dat veel parallellen heeft met geopolitiek risicomanagement) moet elke bank veel dieper gaan dan normaal. Door de juiste gegevens te verzamelen en te analyseren en methodologieën zoals stress testing toe te passen, kan een bank beter de blootstelling van haar klanten aan een schok en het eigen balanst risico begrijpen.

Door al het risicomanagement – voor geopolitiek risico, klimaatrisico, kredietrisico, liquiditeitsrisico enzovoort – te beschouwen als veel meer dan een compliance‑oefening, kunnen banken inzichten ontdekken die de kern van de bedrijfsplanning kunnen sturen.

Door analytische inzichten te gebruiken uit een robuust risicomanagementprogramma (inclusief stress testing), kan de bank betere zakelijke beslissingen nemen om geopolitieke en andere risico’s te mitigeren en haar operationele veerkracht te versterken.

Voor lezers die niet bekend zijn met de term, wat is precies “stress testing” in de bankwereld, en waarom is het steeds belangrijker geworden in het huidige geopolitieke en economische klimaat?

Stress testing is een vorm van scenario‑analyse. Met behulp van vooruitziende simulaties kan een bank of andere financiële dienstverlener een economische situatie (bijv. dalende inflatie, stijgende belastingen of elektriciteitskosten) of verandering onderzoeken en de impact ervan op de financiële en risico‑indicatoren en prestaties van de bank beoordelen.

Stress testing is een van de meest gecompliceerde en rekenintensieve activiteiten bij een financiële instelling, die veel complexe berekeningen vereist. Om belangrijke “what‑if” vragen te beantwoorden en de effecten van geopolitieke, klimaat‑ en andere risico’s beter te begrijpen, moeten banken gegevens verzamelen over hun klanten, economische trends (van publieke en private bronnen) en hun gevoeligheid voor de specifieke risico’s die ze willen beoordelen. Vervolgens moeten ze deze gegevens analyseren om potentiële impact op hun leningsportefeuilles en balansen te ontdekken.

Geopolitiek stress testing richt zich op het bepalen van de toekomstige prestaties van een bank op basis van de effecten van schokken zoals oorlog, handelsbeperkingen, tarieven en sancties, onder andere. Geopolitiek stress testing deelt veel van dezelfde kenmerken als klimaat stress testing, dat zich richt op de effecten van klimaatschokken (bijv. overstromingen of voortdurend stijgende temperaturen).

Stress testing is een belangrijk risicomanagementinstrument en een beslissingsmotor. Omdat geen enkele bank een kristallen bol heeft, weten ze niet welk scenario of welke schok zich als volgende zal voordoen. Maar banken kunnen een what‑if analyse uitvoeren op basis van mogelijke scenario’s om toekomstige risico’s en mogelijkheden – zelfs kansen – voor hun klanten en hun eigen operaties te bepalen en de resultaten gebruiken om zich dienovereenkomstig voor te bereiden.

Geopolitiek risico neemt toe, met schokken die sneller dan ooit komen en vaak overlappen. Omdat geopolitieke gebeurtenissen markten, handel en toeleveringsketens gelijktijdig beïnvloeden, helpt stress testing banken om toekomstige scenario’s eerder te simuleren en mogelijke reacties voor te bereiden.

Zoals een andere CRO me op een recent panel opmerkte: “Inzicht zonder actie heeft geen waarde.” Door analytische inzichten toe te passen, ondersteunt stress testing betere zakelijke beslissingen. Het resultaat? Banken kunnen geïnformeerde acties ondernemen om geopolitieke schokken te navigeren terwijl ze hun bedrijfsstrategie verfijnen.

Geopolitieke schokken vandaag de dag ontvouwen zich vaak gelijktijdig over handel, energie, grondstoffen, cyberdreigingen en toeleveringsketens. Zijn traditionele bankrisicomodellen nog in staat om dit soort onderling verbonden systeemrisico’s te verwerken?

Gedeeltelijk.

Wanneer we nadenken over traditioneel bankrisicomodellering en het vermogen om onderling verbonden en systeemrisico’s te verwerken, zijn er twee lagen waarop banken de impact van geopolitieke schokken op hun portefeuilles beoordelen.

De eerste laag bevindt zich op macro‑economisch niveau. Als er bijvoorbeeld een olieprijsschok is, zal een bank proberen de impact op hoog niveau te begrijpen op de regionale of lokale economie waar een klant zich bevindt.

Dus als een klant van een bank een grote fabrikant uit Texas is, kan de economie van die staat tijdens een olieprijsschok zelfs verbeteren, aangezien die olie produceert. De macro‑economische risicomodellering van de bank kan aangeven dat bedrijven in Texas waarschijnlijk beter zullen presteren doordat de werkloosheid daalt en het bedrijfsvolume lokaal stijgt, bijvoorbeeld. Aan de andere kant zullen de meeste andere economieën negatief worden beïnvloed, wat de bedrijfsactiviteiten van alle Texaanse bedrijven nadelig zal treffen.

Tegenwoordig hebben de meeste banken op macro‑economisch niveau een solide basis wat modellering betreft. In hun stress testing kunnen ze geopolitieke schokken vertalen naar macro‑economische indicatoren (op staats-, land- of regionaal niveau).

Met ons voorbeeld zal een bank een model hebben dat voorspelt wat er met de productiesector in Texas gebeurt in termen van kans op wanbetaling als het BBP van de staat met een bepaald percentage stijgt.

Dus bankrisicomodellen zijn al uitgerust om de macro‑economische impact van geopolitieke schokken op de klanten (en leners) van de bank te analyseren.

Maar de tweede laag blijft een uitdaging.

Op het micro niveau moet een bank inzoomen om de gevoeligheid van een specifieke klant voor een bepaalde geopolitieke schok en het risico op wanbetaling van die klant als gevolg daarvan te beoordelen.

Wat zal een daling van 50 % in de productie van kunstmest doen voor een autofabrikant? Niet veel, althans niet direct (hoewel deze fabrikant vrijwel zeker de effecten van de resulterende hoge inflatie zal voelen). Maar als de klant een landbouwproducent is, kan dit een grote daling van de omzet betekenen.

Op micro‑niveau hebben banken granulaire gegevens en specificiteit nodig in hun stress testing en risicomodellering. Ze moeten inzoomen op bedrijfstakken, regio’s en individuele tegenpartijen in hun portefeuilles, en begrijpen welke klanten gevoelig zijn voor welke soorten geopolitieke risico’s. Uiteindelijk hebben de banken inzicht nodig in hoe een specifieke schok elke klant zal beïnvloeden en diens vermogen om leningen terug te betalen, evenals om beslissingen te ondersteunen over het al dan niet verstrekken van leningen, het wijzigen van voorwaarden of zelfs het kiezen om geen krediet te verstrekken.

Wat micro‑modellering bijzonder uitdagend maakt, is dat je vaak niet kunt generaliseren over een sector of regio. Een van de landbouwklanten van de bank kan een groene producent zijn die geen kunstmest gebruikt. Dus aannames maken op basis van de sector of industrie van een klant kan leiden tot slechte informatie en beslissingen.

Aangezien banken doorgaans geen granulaire gegevens hebben over de operaties van een klant, moeten ze de kosten en inspanningen voor het verzamelen van deze gedetailleerde gegevens – bijvoorbeeld via enquêtes en vragenlijsten – afwegen tegen de voordelen die ze behalen door meer granulariteit in hun modellen.

Soms is deze data moeilijk te verkrijgen. Een klant van een bank weet bijvoorbeeld misschien niet of hun kunstmest door de Straat van Hormuz wordt vervoerd.

Hoe granueler de data die een bank verzamelt, hoe meer potentiële inzichten ze kan afleiden. Maar hoe dieper men gaat, hoe duurder het wordt in tijd en inspanning om deze informatie te verzamelen.

Om deze uitdaging te omzeilen, hanteren banken vaak een Pareto‑benadering – de oude 80/20‑regel blijft van toepassing. Banken hebben vaak 80 % van hun exposure of risico binnen 20 % van hun portefeuille of klanten. Dus kunnen ze zich concentreren op hun grootste exposities en proberen de rest te vereenvoudigen. Vereenvoudiging zou onder meer inhouden dat analyses worden uitgevoerd op (sub)regionaal en/of (sub)sector niveau in plaats van op individueel klantniveau.

Net als bij klimaat stress testing is een gebrek aan of beperkte data geen excuus om deze risico‑beoordelingen te verwaarlozen.

De kernboodschap uit de richtlijnen van de Europese Centrale Bank over klimaatrisico geldt ook voor geopolitiek risico. De ECB erkende dat banken vaak niet over alle benodigde data beschikken om klimaat stress testing uit te voeren. En dat banken die acties ondernemen op basis van beperkte data, uitdagingen en fouten zullen introduceren. Maar de ECB merkte op dat niets doen zelfs een hoger risico is. Dus moeten banken handelen, zelfs met beperkte data. dezelfde logica geldt voor geopolitieke risico‑analyse.

Hoe beginnen banken kunstmatige intelligentie en grote taalmodellen te gebruiken om realtime geopolitieke ontwikkelingen te monitoren en om te zetten in bruikbare risico‑beoordelingen?

Banken beginnen AI‑agents te gebruiken om ongestructureerde data te analyseren, een typisch gebruiksgeval voor AI.

Zo kunnen banken AI‑agents toepassen op nieuwsportalen, op zoek naar vooraf gedefinieerde tekst die kan wijzen op een komende geopolitieke schok, en alarmbellen binnen de instelling laten afgaan.

En zoals eerder besproken willen banken hun belangrijkste klanten beter begrijpen en weten waar hun operaties en toeleveringsketens geografisch zijn verspreid. Sommige banken zetten AI‑agents in om klantopenbaarmakingen en andere openbare informatie te doorzoeken om te begrijpen waar de belangrijkste fabrieken en leveranciers van een bedrijf zich bevinden. Wanneer een schok zich in een bepaalde regio voordoet, kan de bank de impact op die klant beter begrijpen.

Banken met honderden bedrijven in hun portefeuille moeten deze analyses op schaal uitvoeren. AI‑agents kunnen helpen delen van de stress testing‑berekeningen te automatiseren. Dus als bepaalde geopolitieke gebeurtenissen de vooraf gedefinieerde drempels die de bank heeft vastgesteld overschrijden, kan de agent macro‑economische scenario’s voorbereiden en een stress testing‑berekening automatisch uitvoeren.

En in een ander voorbeeld kunnen AI en grote taalmodellen (LLM’s) helpen de resultaten van de stress test uit te leggen aan zakelijke gebruikers en senior managers. Op basis van vooraf gedefinieerde playbooks kunnen de AI‑agents zelfs bepaalde corrigerende acties voorstellen.

Dus AI wordt al gebruikt voor verschillende onderdelen van het stress testing‑proces, hoewel we nog in een vroeg stadium zijn.

Veel financiële instellingen hebben al te maken met personeels- en resource‑beperkingen binnen risic‑ en compliance‑teams. Waar biedt AI momenteel het grootste operationele voordeel?

Voor bank‑risico‑ en compliance‑teams helpt AI bij het automatiseren van gegevensverzameling, scenario‑generatie, uitvoering van berekeningen en interpretatie. Dit geeft deze teams meer tijd om de resultaten van modelanalyse te interpreteren en het leiderschap te adviseren over risicostrategie.

Traditionele, generatieve en agent‑AI ondersteunen ook veel activiteiten in geopolitiek stress testing. Dit omvat het verzamelen van gegevens over en analyseren van de gevoeligheid van klanten (en hun operaties, toeleveringsketens, enz.) en bankportefeuilles voor geopolitieke schokken. Zoals eerder vermeld, kunnen LLM’s en AI‑agents ook helpen de resultaten van stress tests aan het leiderschap uit te leggen om betere beslissingen te ondersteunen.

Het is het vermelden waard dat het gebruik van AI en analytische modellen voor beslissingen extra risico’s met zich meebrengt, omdat het model mogelijk onjuist of niet nauwkeurig genoeg is.

Banken voeren al meer dan een decennium model‑risicomanagement uit. En zoals veel model‑risicomanagers graag zeggen: “Alle modellen zijn fout, maar sommige zijn nuttig.”

Aangezien modellen een vereenvoudiging van een toekomstige toestand zijn, zijn ze per definitie niet volledig nauwkeurig. Banken en financiële dienstverleners moeten zich bewust zijn van en model‑risico beheren wanneer ze AI‑aangedreven modellen inzetten voor stress testing en risicomanagement.

AI governance is cruciaal voor banken en financiële dienstverleners. Het helpt hen gevoelige gegevens te beschermen en te beheren en te voldoen aan regelgeving, terwijl transparantie wordt gewaarborgd en risico wordt beheerd.

Governance is bijzonder belangrijk voor AI‑ en machine‑learning (ML)‑modellen, die nauwkeurige voorspellingen kunnen doen maar ook onjuist kunnen reageren op onverwachte situaties, wat leidt tot slechte beslissingen. AI‑ en ML‑modellen hebben frequente prestatiemonitoring en databeoordeling nodig. Toezicht via AI‑governance en model‑risicomanagement waarborgt transparantie, zodat een bank duidelijk kan uitleggen – aan toezichthouders en senior management – zowel hoe haar AI‑modellen werken als de beslissingen die daaruit voortvloeien.

U heeft jaren gewerkt aan klimaatrisico‑ en duurzaamheidskaders voor financiële instellingen. Ziet u geopolitiek risico‑stress testing net zo strategisch belangrijk worden als klimaatrisico‑analyse?

Ja. Geopolitiek risicomanagement zal steeds meer de norm worden voor banken en financiële dienstverleners. Steeds vaker zullen deze risico’s worden geïntegreerd in traditionele krediet‑ en marktrisicomodellen, aangezien ze een standaardonderdeel worden van de algehele risicomanagementinspanningen in de bank‑ en financiële sector.

Klimaatrisico heeft banken gedwongen hun stress testing‑kaders te moderniseren, vanwege de complexiteit en de potentieel enorme impact op de financiële prestaties.

Evenzo kan geopolitiek risico – en de snelheid en frequentie van gebeurtenissen en schokken – de financiële resultaten van banken aanzienlijk beïnvloeden. Het legt druk op banken om het te beoordelen (via stress testing), te mitigeren en er rekening mee te houden.

Beide zijn en zullen strategisch belangrijk blijven, nu banken omgaan met geopolitieke schokken zoals het conflict in Iran en de gevolgen daarvan, evenals aanhoudende klimaatgerelateerde effecten zoals de “Super” of “Godzilla” El Niño‑voorspelling voor dit jaar.

Veel organisaties zien stress testing nog steeds voornamelijk als een regelgevende verplichting in plaats van een strategisch instrument. Welke kansen missen banken door die benadering?

Het is kortzichtig voor een bank om haar stress testing voornamelijk te richten op het behalen van regelgevende naleving. Hoewel naleving van regelgeving cruciaal is, kan stress testing financiële dienstverleners helpen veel meer te doen dan alleen compliance.

Door een meer strategische benadering van stress testing te hanteren, kunnen banken what‑if‑analyses uitvoeren die mogelijke scenario’s en de impact van alternatieve reacties op zowel geopolitieke schokken als klimaatverandering beoordelen.

De resultaten van deze what‑if‑analyses kunnen een bank helpen de optimale koers te kiezen, nieuwe zakelijke kansen te herkennen, haar kredietstrategie aan te passen en concurrentievoordeel te vinden via haar risicomanagementinspanningen.

De data en modellen zijn er al. Het is een gemiste kans om ze niet volledig te benutten.

Natuurlijk bepalen de efficiëntie, flexibiliteit en volwassenheid van de onderliggende stress testing‑processen en -systemen van een bank wat de bank kan bereiken. En of stress testing slechts een antwoord is op regelgevende compliance of een meer omvattende beslissingsondersteunende motor.

Zoals die CRO me vertelde: “Inzicht zonder actie heeft nul waarde.”

Het recente rapport, Climate Stress Testing Methodologies: Current Practices, Challenges, and the Road Ahead, benchmarkt de huidige praktijken; identificeert lacunes in modellering, governance en infrastructuur; en biedt praktisch advies voor het integreren van klimaat stress testing in kern‑risicokaders. Het rapport, van de United Nations Environment Programme Finance Initiative (UNEP FI) en SAS, is gebaseerd op input van 21 wereldwijde banken.

Naarmate financiële instellingen steeds meer afhankelijk worden van AI‑gedreven systemen en geautomatiseerde modellering, maakt u zich zorgen over nieuwe vormen van modelrisico die zich binnen de bankinfrastructuur zelf kunnen voordoen?

Zoals eerder opgemerkt, is model‑risicomanagement al meer dan 10 jaar een kernproces bij banken. En de versnellende adoptie van AI en analytische modellen introduceert extra risico, omdat ze mogelijk onnauwkeurig zijn.

Recentelijk modereerde ik een virtuele paneldiscussie met model‑risicomanagement (MRM)‑hoofden. Een van de belangrijkste conclusies, bevestigd door zowel de experts als het wereldwijde publiek, was dat AI‑risico’s aanzienlijk hoger zijn dan klassieke modelrisico’s.

Banken en financiële dienstverleners moeten uitgebreide AI‑governance omarmen en toepassen om gevoelige gegevens te beschermen en te beheren, te voldoen aan regelgeving, en transparantie en effectief risicomanagement te waarborgen.

Welke geopolitieke risicofactoren worden volgens u momenteel het meest onderschat door de financiële sector: cyberconflict, handelsfragmentatie, druk op staatsschuld, energieonderbreking, instabiliteit in de toeleveringsketen, of iets anders?

Al deze factoren zijn risicodrijvers die kunnen voortkomen uit geopolitieke gebeurtenissen. En ik zou zeggen dat de factor die de meeste hoofdpijn veroorzaakt voor banken, verstoring van de toeleveringsketen is.

Dit sluit aan bij onze eerdere bespreking van macro‑ en micro‑economische factoren.

Als er bijvoorbeeld een olieprijsschok is, kan een bank de macro‑cijfers analyseren en de resulterende marktvolatiliteit en druk op krediet en liquiditeit zien.

Maar het is moeilijker voor banken om de impact op hun portefeuille te beoordelen, omdat de meeste banken geen granulaire micro‑klantinformatie hebben over hoe zo’n schok elke klant en diens operaties beïnvloedt.

Voor banken komt het neer op het gebruik van stress testing om beter te bepalen hoe geopolitieke gebeurtenissen en klimaatverandering hun leningportefeuille en het vermogen van elke klant om deze terug te betalen beïnvloeden.

Natuurlijk komen deze risicodrijvers vaker niet geïsoleerd voor, maar in combinatie. Het gaat dus niet dat banken een van hen onderschatten. Met behulp van de krachtige tool van stress testing kunnen banken de impact van meerdere drijvers en factoren op hun operaties en algehele risico‑exposure beter beoordelen.

Kijkend naar de komende vijf jaar, hoe ziet u AI‑verbeterde stress testing de manier veranderen waarop banken kapitaal toewijzen, risico evalueren en zich voorbereiden op toekomstige crises?

In de komende vijf jaar zal AI banken helpen een veel beter beeld van toekomstige scenario’s te vormen. En AI‑gedreven stress testing zal minder een periodieke oefening zijn en meer een continue capaciteit.

Banken zullen vaker meer scenario’s uitvoeren en deze gebruiken om zakelijke beslissingen te onderbouwen.

Omdat financiële dienstverleners die snel kunnen handelen op AI‑gedreven inzichten een duidelijk concurrentievoordeel zullen hebben, vooral bij snel bewegende geopolitieke crises.

Banken en hun technologische teams en partners moeten zich blijven inzetten voor het creëren van processen die meer vertrouwen opbouwen in AI‑gedreven berekeningen.

Dus wanneer een bank bijvoorbeeld een generatieve AI‑tool gebruikt met haar Asset & Liability Management (ALM)‑systeem, kan ze de resultaten vertrouwen en zich niet te veel zorgen maken over hallucinaties.

Of wanneer ze een geopolitieke of klimaatrisico‑stress test uitvoert, kan de bank nog meer vertrouwen hebben in de resultaten van de analyse en de zakelijke beslissingen die ze daardoor neemt.

Dank u voor het geweldige interview. Lezers die meer willen weten over het werk en de thought leadership van Peter Plochan kunnen bezoeken PeterPlochan.com of de risicomanagement-, analytics‑ en AI‑oplossingen van SAS verkennen.