Peter Plochan, EMEA huvudansvarig för riskhantering på SAS – Intervjuserie

Peter Plochan är den EMEA huvudansvarig för riskhantering på SAS som hjälper finansiella institutioner att hantera sina utmaningar kring finansiella och riskregler, företagsriskhantering, riskstyrning, framåtblickande riskanalys, stresstestning, modellriskhantering, riskmodellering och klimatförändringsriskhantering.

Peter har en finansbakgrund (masterexamen i bankväsen) och är certifierad Financial Risk Manager (FRM) med mer än 19 år av erfarenhet av riskhantering inom den finansiella sektorn. Han har bistått olika bank- och försäkringsinstitutioner med storskaliga riskhanteringsimplementeringar både internt och externt som riskhanteringsrådgivare (PwC). Sedan han började på SAS 2014 fungerar Peter som en global verksamhets­expert – utnyttjar de senaste trenderna inom riskanalys och teknik med sin djupa kunskap om riskhantering och finans.

Du har arbetat på stora finansiella institutioner och rådgivningsföretag inklusive PwC, ABN AMRO, Atradius och nu SAS, med omfattande erfarenhet av bankreglering, företagsriskhantering och finansiell stresstestning. När du ser tillbaka på din karriär, vilka strukturella svagheter i hur banker hanterar geopolitisk risk har förblivit förvånansvärt olösta?

Jag var värd för ett nyligt webbseminarium med specialister på geopolitisk risk. En banks chef för riskhantering sammanfattade den pågående utmaningen väl när han noterade: “Långsam riskhantering är dålig riskhantering.” När banker möter geopolitiska chocker behöver de ofta ett plötsligt och snabbt svar.

Världsekonomin blir alltmer sammankopplad. Och det betyder att hastigheten på eventuell smitta från en geopolitisk chock också ökar.

Naturligtvis är geopolitiska chocker varierande, från förändringar i oljepriser till handelskrig och tullar till skottkrig, bland annat.

Banker och finansiella tjänsteinstitutioner har inte råd att vänta för länge med att bedöma effekterna av sådana chocker på sina balansräkningar. Hastighet är fortfarande kung.

Under de senaste 10 åren har finanssektorn förbättrat sin förmåga att köra riskberäkningar snabbare än någonsin. Ändå är stresstestning fortfarande en av de mest beräkningsintensiva och processkrävande aktiviteterna på finansiella institutioner.

Banker måste göra en inventering av sina lån och tillgångar, för att sedan bedöma vilka delar av deras balansräkning som är mottagliga för specifika chocker. En viktig drivkraft för framgång i detta arbete är hur detaljerad och komplett bankerna gör dessa inventarier, samt hur grundliga deras analyser och riskbedömningar är.

Till exempel måste banker inte bara titta på de geopolitiska chockerna själva, utan också på deras indirekta effekter, som ibland är mindre uppenbara och utvecklas långsammare än själva chockerna. Vad gör en oljeprisökning inte bara vid bensinstationen utan över hela försörjningskedjan? Och hur kan en ökning av oljepriser påverka inte bara bensin, diesel och andra transportkostnader, utan även kostnader och priser för gödningsmedel, plast och till och med läkemedel som produceras i ett specifikt land eller region?

I många fall har banker ingen djup förståelse för de potentiella effekterna av geopolitiska chocker på sina kunder och deras kunders försörjningskedjor, vilket gör geopolitisk riskhantering svårare.

Genom geopolitisk riskhantering försöker banker bättre förstå och bedöma effekterna av chocker på sina kunder och kundernas lån, som utgör majoriteten av bankernas balansräkningar. Geopolitisk riskhantering för banker försöker svara på en fråga som är enkel på ytan men komplicerad under: Vad kommer denna chock att innebära för varje bankkund och deras förmåga att återbetala lån?

Precis som med klimatriskhantering (som har många paralleller med geopolitisk riskhantering) måste varje bank gå mycket djupare än de vanligtvis gör. Genom att samla in och analysera rätt data och tillämpa metoder som stresstestning kan en bank bättre förstå sina kunders exponering för en chock och sin egen balansrisk.

Genom att behandla all riskhantering – för geopolitisk risk, klimatrisk, kreditrisk, likviditetsrisk med mera – som mycket mer än en efterlevnadsövning, kan banker upptäcka insikter som kan vägleda kärnverksamhetens planering.

Genom att använda analytiska insikter från ett robust riskhanteringsprogram (inklusive stresstestning) kan banken fatta bättre affärsbeslut för att mildra geopolitisk och annan risk samt stärka sin operativa motståndskraft.

För läsare som inte är bekanta med termen, vad exakt är ”stresstestning” inom bankvärlden, och varför har det blivit allt viktigare i dagens geopolitiska och ekonomiska miljö?

Stresstestning är en form av scenarioberäkning. Genom att använda framåtblickande simuleringar kan en bank eller annan finansiell tjänsteföretag undersöka en ekonomisk situation (t.ex. minskad inflation, ökade skatter eller elpriser) eller förändring och bedöma dess påverkan på bankens finansiella och riskindikatorer samt resultat.

Stresstestning är en av de mest komplicerade och beräkningsintensiva aktiviteterna på en finansiell institution och kräver många komplexa beräkningar. För att besvara viktiga ”vad‑om”-frågor och bättre förstå effekterna av geopolitisk, klimat‑ och andra risker måste banker samla in data om sina kunder, ekonomiska trender (från offentliga och privata källor) och deras känslighet för de specifika riskerna de vill bedöma. De måste sedan analysera dessa data för att upptäcka potentiella påverkan på sina låneportföljer och balansräkningar.

Geopolitisk stresstestning fokuserar på att bestämma en banks framtida prestation baserat på effekterna av chocker som krig, handelsrestriktioner, tullar och sanktioner, bland annat. Geopolitisk stresstestning delar många av samma egenskaper som klimatstresstestning, som fokuserar på effekterna av klimatchocker (t.ex. översvämningar eller ständigt ökande temperaturer).

Stresstestning är ett viktigt verktyg för riskhantering och en beslutsmotor. Eftersom ingen bank har en kristallkula vet de inte vilken scenarie eller chock som kommer härnäst. Men banker kan utföra vad‑om‑analyser baserade på möjliga scenarier för att fastställa framtida risker och möjligheter – även möjligheter – för sina kunder och sin egen verksamhet och använda resultaten för att börja förbereda sig därefter.

Geopolitisk risk ökar, med chocker som kommer snabbare än någonsin och ofta överlappar varandra. Eftersom geopolitiska händelser påverkar marknader, handel och försörjningskedjor samtidigt, hjälper stresstestning banker att simulera framtida scenarier tidigare och förbereda potentiella svar.

Som en annan CRO påpekade för mig i en nylig panel: ”Insikt utan handling har nollvärde.” Genom att tillämpa analytiska insikter stödjer stresstestning bättre affärsbeslut. Resultatet? Banker kan vidta informerade åtgärder för att navigera geopolitiska chocker samtidigt som de finjusterar sin affärsstrategi.

Geopolitiska chocker idag utvecklas ofta samtidigt över handel, energi, råvaror, cyberhot och försörjningskedjor. Är traditionella bankriskmodeller fortfarande kapabla att hantera denna typ av sammankopplad systemrisk?

Delvis.

När vi tänker på traditionell bankriskmodellering och dess förmåga att hantera sammankopplad och systemisk risk, finns det två lager där banker bedömer påverkan av geopolitiska chocker på sina portföljer.

Det första lagret är på makroekonomisk nivå. Om det till exempel finns en oljeprischock kommer en bank att försöka förstå den övergripande påverkan på den regionala eller lokala ekonomi där en kund befinner sig.

Så om en banks kund är en stor tillverkare baserad i Texas kan den statens ekonomi faktiskt förbättras under en oljechock, eftersom den producerar olja. Bankens makroekonomiska riskmodellering kan indikera att företag i Texas sannolikt kommer att blomstra när arbetslösheten minskar och affärsvolymen ökar lokalt, till exempel. Å andra sidan kommer de flesta andra ekonomier att påverkas negativt, vilket skulle påverka affärsverksamheten för alla texanska företag negativt.

Idag har de flesta banker på makroekonomisk nivå en solid grund när det gäller modellering. I sina stresstestningar kan de omvandla geopolitiska chocker till makroekonomiska indikatorer (på delstat, land eller regional nivå).

Med vårt exempel kommer en bank ha en modell som förutsäger vad som händer med tillverkningssektorn i Texas i termer av sannolikhet för default om statens BNP ökar med en viss procentandel.

Så bankriskmodeller är redan utrustade för att analysera de makroekonomiska effekterna av geopolitiska chocker på bankens kunder (och låntagare).

Men det andra lagret förblir en utmaning.

På mikro-nivå måste en bank zooma in för att bedöma en specifik kunds känslighet för en viss geopolitisk chock och den kundens risk för default som ett resultat.

Vad kommer ett fall på 50 % i produktionen av gödningsmedel att göra för en biltillverkare? Inte mycket, åtminstone inte direkt (även om denna tillverkare sannolikt kommer att känna av de resulterande höga inflationseffekterna). Men om kunden är en jordbruksproducent kan det innebära en stor intäktsminskning.

På mikro‑nivå behöver banker datagranülaritet och specifikhet i sin stresstestning och riskmodellering. De måste zooma in på affärssektorer, regioner och enskilda motparter i sina portföljer och förstå vilka kunder som är känsliga för vilka typer av geopolitiska risker. I slutändan behöver bankerna insikter om hur en specifik chock kommer att påverka varje kund och dess förmåga att återbetala lån, samt stödja beslut om huruvida man ska bevilja lån, ändra villkor eller till och med välja att inte bevilja kredit.

Det som gör mikro‑modellering särskilt utmanande är att man ofta inte kan generalisera över en bransch eller region. En av bankens jordbrukskunder kan vara en grön producent som inte använder några gödningsmedel. Så att göra antaganden baserade på en kunds bransch eller sektor kan leda till felaktig information och beslut.

Eftersom banker vanligtvis inte har granular data om en kunds verksamhet, måste de balansera kostnaden och ansträngningen för att samla in denna detaljerade data – via undersökningar och frågeformulär, till exempel – med de fördelar de får av att ha mer granularitet i sina modeller.

Ibland är denna data svår att få tag på. En banks kund kanske inte vet om deras gödningsmedel transporteras genom Hormuzsundet, till exempel.

Ju mer granular data en bank samlar in, desto fler potentiella insikter kan den härleda. Men ju djupare den går, desto dyrare blir det i tid och ansträngning att samla in denna information.

För att kringgå denna utmaning använder banker ofta ett Pareto‑tillvägagångssätt – den gamla 80/20‑regeln gäller fortfarande. Banker har ofta 80 % av sin exponering eller risk inom 20 % av sin portfölj eller sina kunder. Så de kan koncentrera sig på sina största exponeringar och försöka förenkla resten. Förenkling skulle innebära att utföra analyser på (sub)region‑ och/eller (sub)sektornivå snarare än på individuell kundnivå.

Precis som vid klimatstresstestning är brist på data ingen ursäkt för att hoppa över dessa riskbedömningar.

Det viktigaste budskapet från Europeiska centralbankens (ECB) vägledning om klimatrisk gäller även för geopolitisk risk. ECB erkände att banker ofta inte har all den data som behövs för att genomföra klimatstresstestning. Och att banker som vidtar åtgärder baserade på begränsad data kommer att introducera utmaningar och fel. Men ECB påpekade att att inte vidta någon åtgärd är en ännu högre risk. Så banker måste agera, även med begränsad data. Samma logik gäller för geopolitisk riskanalys.

Hur börjar banker använda artificiell intelligens och stora språkmodeller för att övervaka geopolitiska utvecklingar i realtid och omvandla dem till handlingsbara riskbedömningar?

Banker börjar använda AI‑agenter för att analysera ostrukturerad data, ett typiskt användningsområde för AI.

Till exempel kan banker tillämpa AI‑agenter på nyhetsportaler, leta efter fördefinierad text som kan indikera att en geopolitisk chock är på väg, och därmed låta larm gå inom institutionen.

Och som tidigare diskuterats vill banker bättre förstå sina nyckelkunder och var deras verksamheter och försörjningskedjor är geografiskt fördelade. Vissa banker implementerar AI‑agenter för att genomsöka kundupplysningar och annan offentlig information för att förstå var ett företags nyckelfabriker och leverantörer är belägna. När en chock inträffar i en viss region kan banken bättre förstå dess påverkan på den kunden.

Banker med hundratals företag i sin portfölj måste köra dessa analyser i skala. AI‑agenter kan hjälpa till att automatisera delar av stresstestningsberäkningarna. Så om vissa geopolitiska händelser överskrider fördefinierade tröskelvärden som banken har satt, kan agenten förbereda makroekonomiska scenarier och automatiskt utföra en stresstestningsberäkning.

Och i ett annat exempel kan AI och stora språkmodeller (LLM) hjälpa till att förklara resultaten av stresstestet för affärsanvändare och seniora chefer. Baserat på fördefinierade handlingsplaner kan AI‑agenterna till och med föreslå vissa korrigerande åtgärder.

Så AI används redan för olika delar av stresstestningsprocessen, även om vi befinner oss i ett tidigt skede.

Många finansiella institutioner har redan personal‑ och resursbegränsningar inom risk‑ och efterlevnadsteam. Var ger AI för närvarande den största operativa fördelen?

För bankernas risk‑ och efterlevnadsteam hjälper AI till att automatisera datainsamling, scenariogenerering, beräkningsutförande och tolkning. Detta ger dessa team mer tid att ägna åt att tolka resultaten av modellanalys och rådgiva ledningen om riskstrategi.

Traditionell, generativ och agentbaserad AI stödjer också många aktiviteter i geopolitisk stresstestning. Detta inkluderar att samla in data om och analysera kundernas (och deras verksamheter, försörjningskedjor osv.) känslighet för geopolitiska chocker samt bankportföljernas exponering. Som tidigare nämnt kan LLM och AI‑agenter även hjälpa till att förklara resultaten av stresstestning för ledningen för att stödja bättre beslut.

Det är värt att nämna att användning av AI och analytiska modeller för beslut introducerar ytterligare risker, eftersom modellen kan vara felaktig eller inte tillräckligt exakt.

Banker har bedrivit modellriskhantering i mer än ett decennium. Och som många modellriskchefer gillar att säga: ”Alla modeller är fel, men vissa är användbara.”

Eftersom modeller är en förenkling av ett framtida tillstånd är de per definition inte helt exakta. Banker och finansiella tjänsteorganisationer måste vara medvetna om och hantera modellrisk när de implementerar AI‑drivna modeller för stresstestning och riskhantering.

AI‑styrning är avgörande för banker och finansiella tjänsteföretag. Det hjälper dem att skydda och hantera känslig data och följa regelverk samtidigt som de säkerställer transparens och riskhantering.

Styrning är särskilt viktig för AI‑ och maskininlärningsmodeller (ML), som kan göra korrekta prognoser men också kan reagera olämpligt på oväntade situationer, vilket leder till dåliga beslut. AI‑ och ML‑modeller kräver frekvent prestandaövervakning och datagranskning. Övervakning via AI‑styrning och modellriskhantering säkerställer transparens, så att en bank tydligt kan förklara – för tillsynsmyndigheter och senior ledning – både hur dess AI‑modeller fungerar och de beslut som följer av dem.

Du har tillbringat år med att arbeta med klimatrisk och hållbarhetsramverk för finansiella institutioner. Ser du att geopolitisk stresstestning blir lika strategiskt viktig som klimatriskanalys?

Ja. Geopolitisk riskhantering kommer i allt högre grad att bli affärsverksamhet som vanligt för banker och finansiella tjänsteföretag. Allt oftare kommer dessa risker att integreras i traditionella kredit‑ och marknadsriskmodeller när de blir en standarddel av de övergripande riskhanteringsinsatserna i bank‑ och finanssektorn.

Klimatrisk har drivit banker att modernisera sina stresstestningsramverk på grund av dess komplexitet och potentiellt enorma påverkan på finansiell prestation.

På liknande sätt kan geopolitisk risk – och hastigheten och frekvensen av händelser och chocker – väsentligt påverka bankernas finansiella resultat. Det sätter press på banker att bedöma (genom stresstestning), mildra och redovisa den.

Båda är och kommer fortsätta att vara strategiskt viktiga, när banker hanterar geopolitiska chocker som konflikten i Iran och dess följder, samt fortsatta klimatrelaterade effekter som ”Super” eller ”Godzilla” El Niño‑prognosen för detta år.

Många organisationer ser fortfarande stresstestning främst som ett regulatoriskt krav snarare än ett strategiskt verktyg. Vilka möjligheter missar banker genom att anta detta tillvägagångssätt?

Det är kortsiktigt för en bank att fokusera sin stresstestning främst på att uppnå regulatorisk efterlevnad. Även om efterlevnad av regler är avgörande, kan stresstestning hjälpa finansiella tjänsteorganisationer att göra mycket mer än bara efterlevnad.

Genom att anta ett mer strategiskt förhållningssätt till stresstestning kan banker genomföra vad‑om‑analyser som bedömer möjliga scenarier och effekterna av alternativa svar på både geopolitiska chocker och klimatförändringar.

Resultaten av dessa vad‑om‑analyser kan hjälpa en bank att välja den optimala vägen framåt, identifiera nya affärsmöjligheter, justera sin utlåningsstrategi och hitta konkurrensfördelar genom sina riskhanteringsinsatser.

Data och modeller finns redan. Det är en missad möjlighet att inte använda dem fullt ut.

Självklart kommer effektiviteten, flexibiliteten och mognaden i en banks underliggande stresstestningsprocesser och system att avgöra vad banken kan uppnå. Och huruvida stresstestning är ett enbart svar på regulatorisk efterlevnad eller en mer omfattande beslutsstöds‑motor.

Som den CRO:n berättade för mig: ”Insikt utan handling har nollvärde.”

Den senaste rapporten, Metodologier för klimatstresstestning: nuvarande praxis, utmaningar och vägen framåt, jämför nuvarande praxis; identifierar luckor i modellering, styrning och infrastruktur; och erbjuder praktiska råd för att integrera klimatstresstestning i kärnriskramverk. Rapporten, från United Nations Environment Programme Finance Initiative (UNEP FI) och SAS, baseras på bidrag från 21 globala banker.

Eftersom finansiella institutioner i allt högre grad förlitar sig på AI‑drivna system och automatiserad modellering, är du orolig för nya former av modellrisk som uppstår inom bankinfrastrukturen själv?

Som tidigare nämnt har modellriskhantering varit en kärnprocess i banker i mer än 10 år. Och den accelererande antagandet av AI och analytiska modeller introducerar ytterligare risk, eftersom de kan vara inexakta.

Nyligen modererade jag en virtuell paneldiskussion med ledare för modellriskhantering (MRM). En av de viktigaste slutsatserna, bekräftad av både experterna och den globala publiken, var att AI‑risker är avsevärt högre än klassiska modellrisker.

Banker och finansiella tjänsteföretag måste omfamna och anta omfattande AI‑styrning för att skydda och hantera känslig data, följa regelverk och säkerställa transparens samt effektiv riskhantering.

Vilka geopolitiska riskfaktorer tror du för närvarande är mest underskattade av den finansiella sektorn: cyberkonflikt, handelsfragmentering, suverän skuldpress, energistörning, försörjningskedjeinstabilitet eller något annat?

Alla dessa är riskdrivare som kan uppstå från geopolitiska händelser. Och jag skulle säga att den som orsakar mest huvudvärk för banker är störningar i försörjningskedjan.

Detta kopplar till vår tidigare diskussion om makro‑ och mikro‑ekonomiska faktorer.

Om det till exempel finns en oljeprischock kan en bank analysera makronumren och se den resulterande marknadsvolatiliteten samt pressen på kredit och likviditet.

Men det är svårare för banker att bedöma påverkan på sin portfölj eftersom de flesta banker inte har granular mikro‑kundnivåinformation om hur en sådan chock påverkar varje kund och deras verksamhet.

För banker handlar det om att använda stresstestning för att bättre fastställa hur geopolitiska händelser och klimatförändringar påverkar deras låneportfölj och varje kunds förmåga att återbetala dem.

Naturligtvis inträffar dessa riskdrivare oftare i kombination snarare än isolerat. Så det är inte så att banker underskattar någon av dem. Genom det kraftfulla verktyget stresstestning kan banker bättre bedöma påverkan av flera drivkrafter och faktorer på sin verksamhet och totala riskexponering.

Ser du fem år framåt, hur tror du att AI‑förstärkt stresstestning kommer att förändra hur banker allokerar kapital, utvärderar risk och förbereder sig för framtida kriser?

Under de kommande fem åren kommer AI att hjälpa banker att skapa en mycket bättre bild av framtida scenarier. Och AI‑driven stresstestning kommer att vara mindre en periodisk övning och mer en kontinuerlig förmåga.

Banker kommer att köra fler scenarier, oftare, och använda dem för att informera affärsbeslut.

Eftersom finansiella tjänsteföretag som kan agera snabbt på AI‑drivna insikter kommer att ha en tydlig konkurrensfördel, särskilt i snabbt föränderliga geopolitiska kriser.

Banker samt deras tekniska team och partners måste förbli engagerade i att skapa processer som bygger mer förtroende för AI‑drivna beräkningar.

Så när en bank använder ett generativt AI‑verktyg med sitt Asset & Liability Management (ALM)-system, till exempel, kan den lita på resultaten och inte oroa sig alltför mycket för hallucinationer.

Eller när den kör ett geopolitisk eller klimatrisk‑stresstest, kan banken ha ännu större förtroende för analysresultaten och de affärsbeslut den fattar som ett resultat.

Tack för den fantastiska intervjun. Läsare som vill lära sig mer om Peter Plochans arbete och tankeledarskap kan besöka PeterPlochan.com eller utforska de riskhanterings-, analys- och AI‑lösningar som erbjuds av SAS.