Peter Plochan, EMEA hovedrådgiver for risikostyring hos SAS – Intervjuserie

Peter Plochan er EMEA hovedrådgiver for risikostyring hos SAS som hjelper finansinstitusjoner med å håndtere deres utfordringer rundt finans‑ og risikoreguleringer, bedriftsrisikostyring, risikostyringsstyring, fremtidsrettet risikoanalyse, stresstesting, modellrisikostyring, risikomodellering og risikostyring knyttet til klimaendringer.

Peter har en finansbakgrunn (mastergrad i bankvirksomhet) og er sertifisert Financial Risk Manager (FRM) med 19+ års erfaring innen risikostyring i finanssektoren. Han har bistått ulike bank‑ og forsikringsinstitusjoner med storskala implementeringer av risikostyring både internt og eksternt som risikostyringsrådgiver (PwC). Siden han begynte i SAS i 2014, fungerer Peter som en global fungerende domenespesialist – utnytter de nyeste trendene innen risikoanalyse & teknologi med sin dype kompetanse innen risikostyring & finans.

Du har jobbet i store finansinstitusjoner og rådgivningsfirmaer inkludert PwC, ABN AMRO, Atradius og nå SAS, med omfattende erfaring innen bankregulering, bedriftsrisikostyring og finansstresstesting. Når du ser tilbake på karrieren din, hvilke strukturelle svakheter i hvordan banker håndterer geopolitisk risiko har overraskende nok forblitt uløste?

Jeg var vert for et nylig webinar med spesialister på geopolitisk risiko. En banks sjef for risikostyring oppsummerte den pågående utfordringen treffende da han bemerket: «Langsom risikostyring er dårlig risikostyring». Når man står overfor geopolitiske sjokk, trenger banker ofte en plutselig og rask respons.

Verdensøkonomien blir stadig mer sammenkoblet. Og det betyr at hastigheten på enhver smitte fra et geopolitisk sjokk også øker.

Selvfølgelig er geopolitiske sjokk varierte, fra endringer i oljepriser til handelskriger og tollsatser til skyteskuddkriger, blant annet.

Banker og finansielle tjenesteleverandører har ikke råd til å vente for lenge med å vurdere virkningen av slike sjokk på balansen deres. Hastighet er fortsatt konge.

De siste 10 årene har finanssektoren forbedret evnen til å kjøre risikoberegninger raskere enn noen gang. Likevel er stresstesting en av de mest beregningsintensive og prosesskrevende aktivitetene i finansinstitusjoner.

Banker må lage en oversikt over sine lån og eiendeler, og deretter vurdere hvilke deler av balansen som er utsatt for spesifikke sjokk. En nøkkeldriver for suksess i dette arbeidet er hvor detaljert og komplett bankene setter opp disse oversiktene, og hvor grundige analysene og risikovurderingene deres er.

For eksempel må banker ikke bare se på de geopolitiske sjokkene i seg selv, men også på deres indirekte effekter, som noen ganger er mindre åpenbare og utvikler seg langsommere enn selve sjokkene. Hva gjør en oljeprisøkning ikke bare ved bensinstasjonen, men i hele forsyningskjeden? Og hvordan kan en økning i oljepriser påvirke ikke bare bensin, diesel og andre transportkostnader, men også kostnader og priser for gjødsel, plast og til og med farmasøytiske legemidler produsert i et bestemt land eller region?

I mange tilfeller har banker ikke en dyp forståelse av de potensielle effektene av geopolitiske sjokk på sine kunder og kundenes forsyningskjeder, noe som gjør geopolitisk risikostyring vanskeligere.

Gjennom geopolitisk risikostyring prøver banker å bedre forstå og vurdere virkningen av sjokk på sine kunder og kundenes lån, som utgjør hoveddelen av bankenes balanse. Geopolitisk risikostyring for banker prøver å svare på et spørsmål som er enkelt på overflaten, men komplisert under overflaten: Hva vil dette sjokket bety for hver bankkunde og deres evne til å tilbakebetale lån?

Som med klimarisikostyring (som har mange paralleller med geopolitisk risikostyring), må hver bank gå mye dypere enn de vanligvis gjør. Ved å samle inn og analysere riktig data og anvende metodologier som stresstesting, kan en bank bedre forstå kundenes eksponering for et sjokk og sin egen balanse‑risiko.

Ved å behandle all risikostyring – for geopolitisk risiko, klimarisiko, kreditt‑risiko, likviditets‑risiko o.l. – som mer enn bare en etterlevelsesøvelse, kan banker avdekke innsikter som kan styre kjerneforretningsplanleggingen.

Ved å bruke analytiske innsikter fra et robust risikostyringsprogram (inkludert stresstesting), kan banken ta bedre forretningsbeslutninger for å dempe geopolitisk og annen risiko og styrke sin operasjonelle motstandskraft.

For lesere som ikke er kjent med begrepet, hva er egentlig «stresstesting» i bankvirksomhet, og hvorfor har det blitt stadig viktigere i dagens geopolitisk og økonomisk miljø?

Stresstesting er en form for scenarioplanlegging. Ved å bruke fremtidsrettede simuleringer kan en bank eller annen finansinstitusjon undersøke en økonomisk situasjon (f.eks. inflasjon som faller, skatter eller strømpriser som stiger) eller endring og vurdere dens innvirkning på bankens finansielle og risikokriterier og ytelse.

Stresstesting er en av de mest kompliserte og beregningsintensive aktivitetene i en finansinstitusjon, og krever mange komplekse beregninger. For å svare på viktige «hva‑om‑»‑spørsmål og bedre forstå effektene av geopolitisk, klima‑ og annen risiko, må banker samle inn data om sine kunder, økonomiske trender (fra offentlige og private kilder) og deres sensitivitet for de spesifikke risikoene de ønsker å vurdere. Deretter må de analysere disse dataene for å oppdage potensielle påvirkninger på låneporteføljene og balansen.

Geopolitisk stresstesting fokuserer på å fastslå fremtidig ytelse for en bank basert på effektene av sjokk som krig, handelsrestriksjoner, tollsatser og sanksjoner, blant annet. Geopolitisk stresstesting deler mange av de samme egenskapene som klimastresstesting, som fokuserer på effektene av klimatiske sjokk (f.eks. flom eller stadig økende temperaturer).

Stresstesting er et viktig verktøy for risikostyring og en beslutningsmotor. Siden ingen bank har en krystallkule, vet de ikke hvilket scenario eller sjokk som vil skje neste gang. Men banker kan utføre «hva‑om‑»‑analyser basert på mulige scenarioer for å fastslå fremtidige risikoer og muligheter – og til og med muligheter – for sine kunder og egne operasjoner, og bruke resultatene til å begynne å forberede seg tilsvarende.

Geopolitisk risiko er på vei opp, med sjokk som kommer raskere enn noen gang og ofte overlapper. Siden geopolitisk hendelser påvirker markeder, handel og forsyningskjeder samtidig, hjelper stresstesting banker med å simulere fremtidige scenarioer tidligere og forberede potensielle svar.

Som en annen CRO bemerket til meg i en nylig paneldiskusjon: «Innsikt uten handling har null verdi». Ved å anvende analytiske innsikter støtter stresstesting bedre forretningsbeslutninger. Resultatet? Banker kan ta informerte handlinger for å navigere geopolitisk sjokk mens de finjusterer sin forretningsstrategi.

Geopolitiske sjokk i dag utvikler seg ofte samtidig på tvers av handel, energi, råvarer, cybertrusler og forsyningskjeder. Er tradisjonelle bankrisikomodeller fortsatt i stand til å håndtere denne typen sammenknyttet systemisk risiko?

Partially.

Når vi tenker på tradisjonell bankrisikomodellering og dens evne til å håndtere sammenhengende og systemisk risiko, er det to lag der bankene vurderer virkningen av geopolitiske sjokk på porteføljene deres.

Det første laget er på makroøkonomisk nivå. Hvis det for eksempel oppstår et oljeprissjokk, vil en bank prøve å forstå påvirkningen på høyt nivå på den regionale eller lokale økonomien der en kunde sitter.

Så hvis en banks kunde er en stor Texas-basert produsent, kan statens økonomi faktisk forbedres under et oljesjokk, siden den produserer olje. Bankens makroøkonomiske risikomodellering kan indikere at selskaper i Texas er mer sannsynlig å blomstre ettersom arbeidsledigheten går ned og forretningsvolumet øker lokalt, for eksempel. På den annen side vil de fleste andre økonomier bli påvirket negativt, noe som vil påvirke forretningsaktivitetene til alle Texas-selskaper negativt.

I dag, på makroøkonomisk nivå, har de fleste banker et solid fundament når det gjelder modellering. I sin stresstesting kan de oversette geopolitiske sjokk til makroøkonomiske indikatorer (på statlig, land eller regionalt nivå).

Ved å bruke vårt eksempel vil en bank ha på plass en modell som forutsier hva som vil skje med produksjonssektoren i Texas når det gjelder sannsynlighet for mislighold dersom statens BNP øker med en bestemt prosentandel.

Så bankrisikomodeller er allerede utstyrt for å analysere de makroøkonomiske virkningene av geopolitiske sjokk på bankens kunder (og låntakere).

But the second layer remains a challenge.

På mikro nivå, må en bank zoome inn for å vurdere en spesifikk kundes følsomhet for et bestemt geopolitisk sjokk og kundens risiko for mislighold som et resultat.

Hva vil et fall på 50 % i produksjonen av gjødsel gjøre for en bilprodusent? Ikke mye, i hvert fall ikke direkte (selv om denne produsenten nesten helt sikkert ville føle effekten av resulterende høy inflasjon). Men hvis kunden er en landbruksprodusent, kan det bety et stort fall i inntektene.

På mikronivå trenger banker datagranularitet og spesifisitet i deres stresstesting og risikomodellering. De må zoome inn på næringssektorer, regioner og individuelle motparter i sine porteføljer, og forstå hvilke kunder som er følsomme for hvilke typer geopolitiske risikoer. Til syvende og sist trenger bankene innsikt i hvordan et spesifikt sjokk vil påvirke hver enkelt kunde og dens evne til å betale tilbake lån, samt støtte beslutninger om hvorvidt de skal forlenge lån, endre vilkår eller til og med velge å ikke gi kreditt.

Det som gjør mikromodellering spesielt utfordrende er at du ofte ikke kan generalisere på tvers av en bransje eller region. En av bankens landbrukskunder kan være en grønn produsent som ikke bruker gjødsel. Så å gjøre antagelser basert på en kundes bransje eller sektor kan føre til dårlig informasjon og beslutninger.

Siden banker vanligvis ikke har detaljerte data om en kundes operasjoner, må de balansere kostnadene og innsatsen for å samle inn disse detaljerte dataene – for eksempel via undersøkelser og spørreskjemaer – med fordelene de får ved å ha mer granularitet i modellene sine.

Noen ganger er disse dataene vanskelige å få tak i. En banks kunde vet kanskje ikke om gjødselen deres går gjennom Hormuzstredet, for eksempel.

Jo mer detaljert dataene en bank samler inn, jo mer potensiell innsikt kan den utlede. Men jo dypere det går, jo dyrere er det i form av tid og krefter å samle inn denne informasjonen.

For å omgå denne utfordringen bruker bankene ofte en Pareto-tilnærming – den gamle 80/20-regelen gjelder fortsatt. Bankene har ofte 80 % av eksponeringen eller risikoen innenfor 20 % av porteføljen eller kundene. Så de kan konsentrere seg om toppeksponeringene sine og prøve å forenkle resten. Forenkling vil inkludere å utføre analyser på (under)region og/eller (under)sektornivå i stedet for på individuelle kundenivå.

Som med klimastresstesting er det å ha begrensede eller ingen data ikke en unnskyldning for å spare på disse risikovurderingene.

Nøkkelbudskapet fra den europeiske sentralbankens veiledning om klimarisiko gjelder også geopolitisk risiko. ECB erkjente at bankene ofte ikke har alle dataene som trengs for å utføre klimastresstesting. Og at banker som tar grep basert på begrensede data vil introdusere utfordringer og feil. Men ECB bemerket at det å ikke gjøre noe er enda en høyere risiko. Så bankene må handle, selv med begrensede data. Den samme logikken gjelder for geopolitisk risikoanalyse.

Hvordan begynner bankene å bruke kunstig intelligens og store språkmodeller for å overvåke sanntids geopolitisk utvikling og gjøre dem om til handlingsdyktige risikovurderinger?

Banker begynner å bruke AI-agenter for å analysere ustrukturerte data, en typisk brukssak for AI.

Banker kan for eksempel bruke AI-agenter på nyhetsportaler, lete etter forhåndsdefinert tekst som kan indikere at et geopolitisk sjokk kommer, og ringe alarmklokkene i institusjonen.

Og som tidligere diskutert ønsker bankene å bedre forstå nøkkelkundene deres og hvor deres operasjoner og forsyningskjeder er fordelt geografisk. Noen banker bruker AI-agenter for å gjennomgå kundeavsløringer og annen offentlig informasjon for å forstå hvor et selskaps nøkkelfabrikker og leverandører befinner seg. Når et sjokk inntreffer i en bestemt region, kan banken bedre forstå effekten på den kunden.

Banker med hundrevis av selskaper i porteføljen må kjøre disse analysene i stor skala. AI-agenter kan hjelpe med å automatisere deler av stresstestberegningene. Så hvis visse geopolitiske hendelser bryter forhåndsdefinerte terskler som banken har satt, kan agenten utarbeide makroøkonomiske scenarier og utføre en stresstestberegning automatisk.

Og i et annet eksempel kan AI og store språkmodeller (LLM) bidra til å forklare resultatene av stresstesten for bedriftsbrukere og toppledere. Basert på forhåndsdefinerte spillebøker, kan AI-agentene til og med foreslå visse korrigerende handlinger.

Så AI blir allerede brukt til forskjellige deler av stresstestprosessen, selv om vi er i de tidlige stadiene.

Mange finansinstitusjoner står allerede overfor bemannings- og ressursbegrensninger i risiko- og complianceteam. Hvor gir AI den største operasjonelle fordelen for øyeblikket?

For bankrisiko- og overholdelsesteam hjelper AI med å automatisere datainnsamling, generering av scenarier, utførelse og tolkning av beregninger. Dette gir disse teamene mer tid til å bruke på å tolke resultatene av modellanalysen og gi råd til ledelsen om risikostrategi.

Tradisjonell, generativ og agent AI støtter også mange aktiviteter innen geopolitisk stresstesting. Dette inkluderer å samle inn data om og analysere følsomheten til kunder (og deres operasjoner, forsyningskjeder, etc.) og bankporteføljer for geopolitiske sjokk. Som nevnt tidligere, kan LLM-er og AI-agenter også bidra til å forklare resultatene av stresstester for ledere for å støtte bedre beslutninger.

Det er verdt å nevne at bruk av AI og analytiske modeller for beslutninger introduserer ytterligere risikoer, fordi modellen kan være feil eller ikke nøyaktig nok.

Banker har utført modellrisikostyring i mer enn et tiår. Og som mange modellrisikoforvaltere liker å si: “Alle modeller er feil, men noen er nyttige.”

Siden modeller er en forenkling av en fremtidig tilstand, er de per definisjon ikke helt nøyaktige. Banker og finansielle tjenesteorganisasjoner må være oppmerksomme på og administrere modellrisiko når de distribuerer AI-drevne modeller for stresstester og risikostyring.

AI-styring er avgjørende for banker og finanstjenester. Det hjelper dem med å beskytte og administrere sensitive data og overholde forskrifter, samtidig som det sikrer åpenhet og håndtering av risiko.

Styring er spesielt viktig for AI- og maskinlæringsmodeller (ML), som kan gi nøyaktige spådommer, men som også kan reagere upassende på uventede situasjoner, noe som fører til dårlige beslutninger. AI- og ML-modeller trenger hyppig ytelsesovervåking og datagjennomgang. Tilsyn via AI-styring og modellrisikostyring sikrer åpenhet, med en bank i stand til å tydelig forklare – til regulatorer og toppledelse – både hvordan AI-modellene fungerer og beslutningene som kommer fra dem.

Du har brukt år på å jobbe med rammeverk for klimarisiko og bærekraft for finansinstitusjoner. Ser du at geopolitisk risikostresstesting blir like strategisk viktig som klimarisikoanalyse?

Ja. Geopolitisk risikostyring vil i økende grad bli business as usual for banker og finansielle tjenester. Mer og mer vil disse risikoene bli integrert i tradisjonelle kreditt- og markedsrisikomodeller ettersom de blir en standard del av den samlede risikostyringsarbeidet i bank- og finanssektoren.

Klimarisiko har presset banker til å modernisere rammeverket for stresstesting, på grunn av kompleksiteten og potensielt massiv innvirkning på økonomiske resultater.

Tilsvarende kan geopolitisk risiko – og hastigheten og hyppigheten av hendelser og sjokk – påvirke bankenes økonomiske resultater betydelig. Det legger press på bankene til å vurdere (gjennom stresstesting), dempe og redegjøre for det.

Begge er og vil fortsette å være strategisk viktige, ettersom banker håndterer geopolitiske sjokk som konflikten i Iran og dens ettervirkninger, samt fortsatte klimarelaterte effekter som “Super” eller “Godzilla” ElNiño-prognosen for i år.

Mange organisasjoner ser fortsatt på stresstesting primært som et regulatorisk krav snarere enn et strategisk verktøy. Hvilke muligheter går bankene glipp av ved å ta den tilnærmingen?

Det er kortsiktig for en bank å fokusere stresstestingen sin primært på å oppnå etterlevelse av regelverk. Selv om det er avgjørende å følge regelverket, kan stresstesting hjelpe finansielle tjenesteorganisasjoner til å gjøre mye mer enn bare overholdelse.

Ved å ta en mer strategisk tilnærming til stresstesting, kan bankene gjennomføre hva-hvis-analyser som vurderer mulige scenarier og effekten av alternative reaksjoner på både geopolitiske sjokk og klimaendringer.

Resultatene av disse hva-hvis-analysene kan hjelpe en bank å velge den optimale veien videre, gjenkjenne nye forretningsmuligheter, justere utlånsstrategien og finne konkurransefortrinn gjennom innsatsen for risikostyring.

Dataene og modellene er der allerede. Det er en tapt mulighet å ikke bruke dem fullt ut.

Selvfølgelig vil effektiviteten, fleksibiliteten og modenheten til en banks underliggende stresstestingsprosesser og -systemer avgjøre hva banken kan oppnå. Og om stresstesting bare er et svar på regeloverholdelse eller en mer omfattende beslutningsstøttemotor.

As that CRO told me, “Insight without action has zero value.”

Den ferske rapporten, Metoder for testing av klimastress: nåværende praksis, utfordringer og veien videre, benchmarks gjeldende praksis; identifiserer hull i modellering, styring og infrastruktur; og gir praktiske råd for integrering av klimastresstesting i kjernerisikorammer. Rapporten, fra United Nations Environment Program Finance Initiative (UNEP FI) og SAS, er basert på innspill fra 21 globale banker.

Ettersom finansinstitusjoner i økende grad stoler på AI-drevne systemer og automatisert modellering, er du bekymret for nye former for modellrisiko som dukker opp i selve bankinfrastrukturen?

Som nevnt tidligere har modellrisikostyring vært en kjerneprosess i bankene i mer enn 10 år. Og den akselererende bruken av AI og analytiske modeller introduserer ytterligere risiko, fordi de kan være unøyaktige.

Nylig modererte jeg en virtuell paneldiskusjon med ledere for modellrisikostyring (MRM). En av hovedkonklusjonene, bekreftet av både ekspertene og det globale publikummet, var at AI-risikoen er betydelig høyere enn risikoen for klassisk modell.

Banker og finansielle tjenesteselskaper må omfavne og ta i bruk omfattende AI-styring for å beskytte og administrere sensitive data, overholde regelverk og sikre åpenhet og effektiv risikostyring.

Hvilke geopolitiske risikofaktorer mener du for tiden undervurderes mest av finanssektoren: cyberkonflikt, handelsfragmentering, statsgjeldspress, energiavbrudd, ustabilitet i forsyningskjeden eller noe annet?

Alle disse er risikodrivere som kan dukke opp fra geopolitiske hendelser. Og jeg vil si at den som forårsaker mest hodepine for bankene er forstyrrelser i forsyningskjeden.

Dette kobles til vår tidligere diskusjon av makro- og mikroøkonomiske faktorer.

Hvis det for eksempel er et oljeprissjokk, kan en bank analysere makrotallene og se den resulterende markedsvolatiliteten og presset på kreditt og likviditet.

Men det er vanskeligere for bankene å vurdere innvirkningen på deres portefølje fordi de fleste banker ikke har detaljert informasjon på mikrokundenivå om hvordan et slikt sjokk påvirker hver kunde og deres virksomhet.

For banker koker det ned til å bruke stresstester for å bedre finne ut hvordan geopolitiske hendelser og klimaendringer påvirker deres portefølje av lån og evnen til hver enkelt kunde til å tilbakebetale dem.

Selvfølgelig, oftere enn ikke, forekommer disse risikodriverne ikke isolert, men i kombinasjon. Så det er ikke slik at bankene undervurderer noen av dem. Gjennom det kraftige verktøyet stresstesting kan banker bedre vurdere virkningen av flere drivere og faktorer på deres virksomhet og den totale risikoeksponeringen.

Når du ser fremover over de neste fem årene, hvordan ser du AI-forbedret stresstester endre måten bankene allokerer kapital på, vurderer risiko og forbereder seg på fremtidige kriser?

I løpet av de neste fem årene vil kunstig intelligens hjelpe bankene til å danne seg et mye bedre syn på fremtidige scenarier. Og AI-drevet stresstesting vil være mindre en periodisk trening og mer en kontinuerlig evne.

Banker vil kjøre flere scenarier, oftere, og bruke dem til å informere forretningsbeslutninger.

Fordi finansielle tjenestefirmaer som kan handle raskt på AI-drevet innsikt, vil ha et klart konkurransefortrinn, spesielt i raskt bevegende geopolitiske kriser.

Banker og deres teknologiteam og partnere må forbli forpliktet til å skape prosesser som bygger mer tillit til AI-drevne beregninger.

Så når en bank bruker et generativt AI-verktøy med Asset & Liability Management-systemet (ALM), for eksempel, kan den stole på resultatene og ikke bekymre seg for hallusinasjoner.

Eller når den kjører en geopolitisk eller klimarisikostresstest, kan banken ha enda mer tillit til resultatene av analysen og forretningsbeslutningene den tar som et resultat.

Takk for det flotte intervjuet. Lesere som ønsker å lære mer om Peter Plochans arbeid og tankeledelse kan besøke PeterPlochan.com eller utforske risikostyringen, analysene og AI-løsningene som tilbys av SAS.