El riesgo es inherente a los mercados de capitales, pero implementar evaluaciones dinámicas de riesgo proporciona a los bancos la visibilidad que necesitan para mantener su ventaja competitiva en tiempos turbulentos.
La incertidumbre se está convirtiendo en algo demasiado rutinario en el funcionamiento de los negocios.
Por regla general, los esfuerzos de gestión del riesgo se enfrentan a factores, como la incertidumbre económica y acontecimientos inesperados, como los conflictos regionales y los desastres naturales.
Además, los equipos directivos a menudo se sienten sobrepasados por nuevos riesgos, que van desde la exposición a las criptomonedas y la volatilidad de los activos digitales hasta el cambio climático y las amenazas cibernéticas.
Pero un problema mayor para los bancos es que los métodos tradicionales estáticos para las pruebas de resistencia se quedan cortas en el entorno actual. Los métodos suelen ser reactivos e intensivos en tiempo y carecen de la capacidad para evaluar el impacto del riesgo en tiempo real.
El riesgo siempre será una parte de la industria de los mercados de capitales, pero, con la conversión de las pruebas estáticas de estrés a evaluaciones dinámicas del riesgo, los bancos pueden identificar de forma proactiva los riesgos y el posible impacto casi en tiempo real.
A continuación, cinco principales deficiencias de las pruebas de resistencia estáticas, así como recomendaciones sobre cómo la automatización y las nuevas herramientas de gestión de riesgos crean procesos preparados para tiempos turbulentos.
- Las pruebas de tensión tradicionales en la gestión de riesgos son muy reactivas.
La mayoría de los procesos de pruebas de estrés son, en gran medida, retrospectivos. Los modelos se basan en gran medida en datos históricos e indicadores económicos, lo que dificulta la evaluación de riesgos más nuevos y menos conocidos. Por ejemplo, muchas pruebas de estrés no modelan adecuadamente cómo los cambios en la política climática podrían afectar a los valores de los activos a largo plazo, o cómo las caídas del mercado de criptomonedas podrían afectar a las operaciones bancarias tradicionales.
Cómo se pueden adaptar los bancos: Las nuevas tecnologías permiten pruebas proactivas. Por ejemplo, la integración de sistemas de alertas temprana, los bancos pueden identificar la acumulación de riesgos basados en acontecimientos en tiempo real. La alerta temprana proporciona a los bancos tiempo para poner en marcha medidas para protegerse y prevenir pérdidas.
2. Los plazos son largos y los procesos de soporte, manuales.
Los procesos tradicionales descansan en secuencia estricta de conjunto de datos, evaluación de riesgo, creación de escenario e informes de estrés. Este flujo de trabajo es, en gran medida, manual y suele durar de cuatro a seis meses. El resultado son retrasos potencialmente costosos en la comprensión de los riesgos y la toma de decisiones.
Cómo se pueden adaptar los bancos: La generación dinámica de escenarios automatiza las pruebas de estrés y reduce el proceso de manera notable. También aporta la ventaja de basarse en estudios de mercado y el conocimiento de acontecimientos anteriores. Por ejemplo, al automatizar los informes de resumen de eventos, la generación dinámica de escenarios permite a los bancos agilizar considerablemente las pruebas de resistencia. La generación dinámica de escenarios es solo un ejemplo de las ventajas de un marco de estrés basado en inteligencia artificial. Los marcos basados en IA pueden automatizar una serie de tareas, desde la identificación de riesgos y la generación de escenarios hasta la elaboración de informes de estrés, lo que permite a los gestores de riesgos centrarse en la mitigación proactiva de riesgos en lugar de en tareas manuales repetitivas.
3. El soporte de infraestructura es insuficiente.
Calcular y predecir medidas intensivas de riesgo exigen una infraestructura robusta lista para escalar. Pero muchos bancos todavía operan en sistemas de riesgo legacy on-premise que no están diseñados para gestionar la volatilidad del mercado en tiempo real. Los sistemas desfasados resultan en ineficiencias computacionales y dificultan la capacidad de los bancos para analizar los riesgos a escala. Su falta de flexibilidad dificulta integrar los datos en tiempo real y análisis avanzados para pruebas de estrés eficientes.
Cómo se pueden adaptar los bancos: Las tecnologías digitales y cloud pueden ayudar a las instituciones financieras a gestionar velocidades y variedades crecientes de datos para pruebas de estrés bajo demanda y funciones empresariales del día a día. Cuando se trata de pruebas de estrés, las infraestructuras modernas ofrecen varias ventajas. Por ejemplo, permiten a los bancos procesar datos a gran escala de forma eficiente con recursos de computación escalables. También ejecutan pruebas de estrés en múltiples grupos de riesgo, como la equidad, tipos de interés y riesgo de crédito. Y lo que es más importante reducen significativamente los costes operativos. Por ejemplo, nuestro modelo de pruebas de estrés basado en la IA, alojado en una infraestructura basada en la nube, permite a los clientes reducir los costes en hasta un 60%.
4. Los datos en silos dificultan identificar los riesgos en las unidades de negocio.
Los frameworks tradicionales de pruebas de estrés modelos de riesgo fragmentado en las unidades de negocio, a menudo, descansan en modelos de riesgo fragmentado, lo que conduce a puntos ciegos en la exposición al riesgo. Sin una integración de datos interfuncional, los equipos de riesgos tienen dificultades para detectar las interdependencias entre los riesgos de mercado, de crédito y operativos
Cómo se pueden adaptar los bancos: Las soluciones de IA / machine learning (ML) identifican patrones y estructuras, permitiendo a los bancos anticipar posibles riesgos y vulnerabilidades en líneas de negocio. Por ejemplo, un sistema basado en la AI puede detectar una correlación entre los depósitos y retiradas de fondos, y el aumento de la volatilidad de las divisas, lo que indica un posible riesgo de liquidez. Esta detección permite a los bancos adoptar medidas preventivas, mitigando las perturbaciones financieras antes de que se agraven. Los modelos de ML aumentan la eficiencia y la precisión, y reducen el tiempo total necesario para las pruebas de estrés, lo que permite a los bancos tomar decisiones inteligentes y basadas en datos.
5. Las pruebas de estrés tienen un alto coste.
Las actuales pruebas de estrés es un proceso largo y costoso. Implica infraestructura y múltiples requisitos de datos, y también requiere el desarrollo y mantenimiento de modelos con profesionales cualificados. Como ya se ha señalado, la identificación de eventos y la investigación de mercado suelen realizarse manualmente. Cada proceso implica costes y tiempo, con repeticiones del sistema, generación de escenarios y validación de la exposición que suman enormes costes operativos.
Cómo se pueden adaptar los bancos: Las pruebas dinámicas de estrés tienen el potencial de reducir los costes operativos hasta en un 75%. Además de ahorrar costes, la IA/ML libera a los gestores de riesgo de tareas manuales, como realizar informes y equiparlos con información detallada del evento y conocimiento de por qué ocurrió. Es más, les permite crear e incorporar escenarios al instante. Y lo que es igual de importante, establecer un entorno de cumplimiento holístico y con visión de futuro al acelerar los tiempos de ejecución y aumentar la eficiencia.
Si bien el riesgo es inherente a los mercados de capitales, la evaluación dinámica del riesgo da a los bancos la visibilidad que necesitan para mantener su competitividad en tiempos turbulentos.
