2. Agenda
Confidential - all right reserved2
Fintech e intelligenza artificiale
Il Sistema finanziario e ambiti di applicazione AI
3. Cos’è il Fintech?
Confidential - all right reserved3
Il FinTech è il segmento di mercato in cui si inseriscono le aziende la cui offerta è volta a innovare, mediante le tecnologie
digitali, servizi tradizionali del mondo finanziario. In genere le aziende FinTech:
1. erogano uno specifico servizio, caratteristica tipica delle Startup;
2. possono trovarsi in posizione di concorrenza rispetto ai player tradizionali del mondo Finance, Banche e Assicurazioni.
“Innovazione finanziaria ad alto contenuto tecnologico che può dar luogo a nuovi modelli di
business, applicazioni, processi o prodotti con un effetto associato rilevante su mercati finanziari,
istituzioni, o sull’offerta di servizi finanziari”
EBA
“Offerta di servizi di finanziamento, di pagamento, di investimento e di consulenza ad alta
intensità tecnologica, che comportano forti spinte innovative nel mercato dei servizi finanziari”
Banca d’Italia
Fenomeno rilevante per regolamentazione, sorveglianza, protezione utenti finali
4. Regolamentazione Fintech
Confidential - all right reserved4
Lo sviluppo del fintech pone problemi regolamentari perché oltre a rafforzarne l’infrastruttura espone il sistema
finanziario a nuovi rischi. Il parlamento europeo supporta la crescita del settore ed ha adottato una risoluzione a
Maggio 2017* ed a Marzo 2018 ha definito le linee guida per concedere banking license alle fintech**.
La situazione regolamentare rimane comunque molto frammentata.
* http://www.europarl.europa.eu/sides/getDoc.do?pubRef=-//EP//NONSGML+TA+P8-TA-2017-0211+0+DOC+PDF+V0//EN
** https://www.bankingsupervision.europa.eu/press/pr/date/2018/html/ssm.pr180323.en.html
Fonte: Discussion Paperon the EBA’s approach to financial technology (Fintech), EBA, 4agosto
5. Fintech: dimensioni world
Confidential - all right reserved5
A Novembre 2017 risultano censite a livello worldwide nella piattaforma Medici 11000 Fintech differenziate per tipologia di
core business. https://home.kpmg.com/xx/en/home/media/press-releases/2017/11/the-fintech-100-announcing-the-
worlds-leading-fintech-innovators-for-2017.html
Ai4trading
Fonte: Medici, 20novembre2017
6. Fintech: dimensioni Italia
Confidential - all right reserved6
Lo scenario italiano è costituito da circa 135-140 aziende che hanno lanciato 145 iniziative: le più grandi Moneyfarm e
Satispay (che ha da poco annunciato di entrare anche nel mondo del risparmio)
Fonte: Medici, 20novembre2017
Ai4trading
7. Bilancio bancario
7
• Le banche vendono (prestano) e comprano (prendono a prestito) denaro: sono
“money repackagers” . Sul bilancio ci sono, sia all’attivo, sia al passivo delle
obbligazioni finanziarie.
• Attivo è l’utilizzo di fondi (prestiti, investimenti, contante), il passivo è la fonte dei fondi
(depositi, debito, capitale)
• Il bilancio bancario è il centro del sistema finanziario.
Assets Liabilities
Cash balances 30,500 Savings 40,000
Residential mortgage 25,000 Time Deposits 34,000
Commercial 23,000 Money Market Deposits 6,000
Investments 43,000 Interest bearing long term debt 13,000
Credit Card 3,500 Non-interest bearing liabilities 3,500
Commercial Loans 2,000 Shareholders’ Equity 35,000
Leases 4,500
Total Assets 131,500 Total liabilities & shareholders’ equity 131,500
Deposito del privato, coperti
da garanzia
Emissione di debito:
obbligazione Intesa 5%
Nov/2020
Emissione di equity: Isp
im azione
Prestiti collateralizzati
(mutui) o meno
(credito al consumo)
Interest expenses 2.5%Interest income 5%
8. Banche
8
Le principali funzioni svolte dalle banche, sono:
• Trasformazione delle attività (durata): La banca raccoglie denaro sotto forma di depositi rimborsabili in
qualsiasi momento e li trasforma in attività finanziarie meno liquide, come i prestiti.
• Trasformazione delle dimensioni La banca raccoglie depositi solitamente di piccole dimensioni e investe
in prestiti di volume molto più consistente, mutui e prestiti alle imprese.
• Trasformazione della qualità (rischio). Rispetto ai singoli risparmiatori, la banca ha il vantaggio di poter
diversificare maggiormente i rischi. Le banche hanno una dimensione sufficiente per poter effettuare
prestiti a soggetti che operano in luoghi e settori diversi in modo da limitare la probabilità che tutti
quanti possano trovarsi contemporaneamente in difficoltà.
• Trasformazione delle scadenze Le banche trasformano passività a breve termine, in attività a lungo
termine; sono in grado di utilizzare parte della raccolta per finanziare attività a lunga durata, come i
prestiti alle imprese e i mutui alle famiglie. Consentono di soddisfare la preferenza per la liquidità e
l’avversione al rischio di perdita del capitale dei risparmiatori.
Fonte: Abi, Indagine conoscitiva sulle tematiche relative all'impatto della tecnologia finanziaria sul settore finanziario, creditizio e assicurativo, Roma, 5 dicembre 2017, Giovanni
SABATINI
9. Competizione o collaborazione con settore bancario?
Confidential - all right reserved9
Le aziende fintech possono sviluppare serivizi alternativi o essere di supporto all’operatività bancaria. Ad esempio in una
attività tradizionalmente bancaria come l’erogazione del credito, si prospettano due diversi scenari: l’integrazione nei
processi bancari o la sostituzione del player
Supporto di
alternative
data o
analytics
Sostituzione
integrale del
processo:
esempio borsa
del credito
Fonte: Abi, Indagine conoscitiva sulle tematiche relative all'impatto della tecnologia finanziaria sul settore finanziario, creditizio e assicurativo, Roma, 5 dicembre 2017, Giovanni
SABATINI
10. Borsa del credito: competizione
10
https://www.borsadelcredito.it
Sostituzione integrale del processo: p2p lending
Fonte: web
11. Borsa del credito: competizione
11
https://www.borsadelcredito.it
Altre realtà sono Workinvoice, Soisy, Credimi, Prestiamoci.
In questo caso, lo stop iniziale di Banca d’Italia (TUB) è stato superato dal recepimento della
direttiva europea «Payment Service Directive» del 2010.
La vigilanza è gestita da Banca d’Italia.
Fonte: web
12. Banche e fintech: collaborazione
12
Le 34 principali banche mondiali hanno
investito 118 miliardi di dollari nel settore
del fintech, dal 2013 al 2017.
Guidano la classifica degli istituti di
credito più “innovativi” è
Goldman Sachs (37 miliardi di dollari),
seguita da
Citi Banks (25 miliardi) e
J.P. Morgan (14 miliardi).
Ognuna di queste banche ha una
preferenza di investimento specifica nel
campo della tecnofinanza (gs: prestiti e
regtech, jpm: pagamenti, citi: security e
ecommerce).
Fonte : Medici, ottobre 2017
Fonte : Medici, Apr-18
https://gomedici.com/how-banks-are-using-ai-as-tool-for-transformation/
13. Banche e fintech: collaborazione
13
Fonte : Medici, ottobre 2017
In ambito italiano le fintech non hanno ricevuto capitale di rischio: le strategie implementate
sono state perlopiù di partnership e collaborazione
14. Banche e fintech: Italia
Fonte: Scenario e trend del mercato ICT per il settore bancario, Rapporto ABILab 2017
Le banche italiane pongono il rapporto con le Fintech fra le proprie priorità. Secondo ABI_Lab
Il 70% delle banche italiane ha già sviluppato relazioni con start-up e fintech attraverso:
● la creazione di fondi di investimento dedicati, sia italiani che internazionali;
● le partnership commerciali
● investimenti mirati nel capitale di alcune start-up Fintech;
● creazione di acceleratori ed incubatori per lo sviluppo di Fintech (banca Sella con Fabrick);
● osservatori internazionali per attività di scouting sulle innovazioni Fintech;
●attività di ricerca e sviluppo congiunta con il mondo Fintech.
15. Evoluzioni normative a support del Fintech
15
Second Payment Services Directive (PSD2) in EU e Open banking in UK.
• PSD2 (Gennaio 2018): la nuova direttiva sui servizi di pagamento (PSD2), introduce per gli
utenti che utilizzano un conto corrente online la possibilità di effettuare pagamenti o
accedere alla rendicontazione bancaria attraverso software realizzati da terze parti
autorizzate (PISP, AISP, Card-based).
https://eur-lex.europa.eu/legal-content/IT/TXT/PDF/?uri=CELEX:32015L2366&from=EN
I nuovi player, se autorizzati, potranno operare sui conti correnti degli utenti finali, con un
ulteriore rischio di disintermediazione bancaria.
TPPS= third party providers.
Possono essere suddivisi in:
AISP: si collegano a conti bancari per recuperare
informazioni ed offrire ai consumatori una view sulla
propria situazione finanziaria, abitudini di spesa,
esigenze finanziarie future e relativa ottimizzazione
PISP: permettono di effettuare un pagamento dal
proprio conto ad un venditore, attraverso l’utilizzo di un
software ‘ponte’ tra i due account, Oppure tra singoli
individui o ancora di inviare ed accumulare denaro su
un conto, fino ad un definito obiettivo (raccolte di
fondi, feste, regali di gruppo, piani di risparmio).
Fonte: Pillole di PSD2, PWC, https://www.pwc.com/it/it/industries/banking-capital-markets/psd2.html
16. Evoluzioni normative a supporto del Fintech
16
• Open Banking (Marzo 2018): passo ulteriore rispetto alla PSD2. Ha lo scopo pratico di fornire
la struttura software (api, strutture dati, security) per rendere sicuri ed accessibile
l’interazione tra TPP e individui, attraverso al creazione della Open Banking Implementation
Entity. Questo consente a Londra di consolidare il suo ruolo di capitale fintech in Europa.
Entrambe queste normative nascono con l’idea di aprire il sistema finanziario consentendo la
nascita di nuovi strumenti di pagamento e di nuovi attori, che possano aumentare la
dinamica competitiva nel settore e, conseguentemente, migliorare l’offerta.
Alcuni esempi di regulated-providers in UK:
Chip: app per risparmio automatico, trasferisce il denaro in conto di risparmio «segregato» in
modo simile a Oval money e Satispay
Emma: app per gestione del conto corrente: evita sconfinamenti, trova a e cancella
sottoscrizioni, risparmia, gestisce debito
Swoop: app per finanziamenti a SME
Per ulteriori informazioni:
https://www.openbanking.org.uk/customers/regulated-providers/
17. Evoluzioni normative: IT requirements
17
Due sono le problematiche in questo ambito ovvero:
1. Standard sicuri per l’accesso dei Third Party Provider ai conti correnti bancari, attraverso
interfacce integrabili. La normativa non indica la tecnologia che le Banche da adottare,
Tra le istituzioni finanziarie e le fintech attive nel settore è condivisa l’idea che le API siano
la tecnologia da adottare (UK). La maggior parte delle iniziative legate al mercato digitale
sono già basate sulla tecnologia API.
Account information
Service Providers
Payment information
Service Providers
Fonte: Pillole di PSD2, PWC, https://www.pwc.com/it/it/industries/banking-capital-markets/psd2.html
18. Evoluzioni normative: IT requirements
18
2. Armonizzazione e rafforzamento del processo di autenticazione: diventa un requisito
obbligatorio l’utilizzo di stringenti standard di sicurezza, con l’accertamento dell’identità
attraverso due o più strumenti di autenticazione. Gli strumenti di identificazione sono
classificati come:
• Knowledge (qualcosa che solo l’utente sa: nome del tuo primo cane)
• Possession (qualcosa che solo l’utente ha: token)
• Inherence (qualcosa che solo l’utente è: impronta, viso)
Fonte: Pillole di PSD2, PWC, https://www.pwc.com/it/it/industries/banking-capital-markets/psd2.html
19. Key events in 2018
19
Vediamo sinteticamente gli sviluppi più importanti del mondo fintech come individuati nel
report Medici’s Global State of Fintech 2018
1. La relazione tra banche e fintech sta cambiando dalla competizione alla collaborazione
attraverso: investimenti, acquisizioni e strategie ibride
Fonte: Medici’s Global State of Fintech 2018
20. Key events in 2018
20
2. Invasori Tech in finanza: ulteriore rafforzamento dei giganti tech nei servizi finanziari con
utilizzo delle immense risorse dati e numero di clienti
Fonte: Medici’s Global State of Fintech 2018
21. Key events in 2018
21
3. Ricerca in AI/ML. In particolare in Cina, l’intervento del governo a supporto della ricerca
sta sostenendo sviluppo in nuove aree dove si prospettano rapidi sviluppi
Fonte: Medici’s Global State of Fintech 2018
22. Key events in 2018
22
4. Credito: è stato il settore con maggior funding di VC (18% nel 2017 a livello mondiale): Cina
e US sono le top countries per investimento nel settore del credtio (US 1.9b usd, Cina 700m
usd)
5. Open api: le normative PSD2 e Open Banking forzeranno le banche a fornire accesso ai
conti correnti dei clienti per servizi di pagamento o informativi
6. Altri temi sono pagamenti real time e blockchain oltre la fase di test
23. Intelligenza articiale: macchina in grado di
apprendere dall’esperienza
23
• Intelligenza artificiale: insieme di tecnologie avanzate che permette alle macchine di
ascoltare, capire, vedere, analizzare, ricordare ed agire in modo «simile» all’essere umano.
• Le macchine non sono più strumenti da programmare, ma entità in grado di apprendere e
di migliorarsi con l’esperienza. Diventano «collaboratori» e non strumenti e come tali
devono essere addestrati «fase di training»
• Machine learning e deep learning sono, ad oggi, i tentativi più vicini di raggiungere
l’intelligenza artificiale
• Le applicazioni attuali sono definite Narrow AI, perché eseguono scopi specifici al contrario
della Generic AI (robot) o intelligenza artificiale completa in grado di pensare e ragionare
Human-like fino alla Singolarità ovvero: «the tipping point when artificial intelligence is
exponentially smarter than humans, to the point that it could trigger the end of humanity».
24. Intelligenza artificiale: macchina in grado di
apprendere dall’esperienza
24
AI nasce dalla constatazione che, per molte applicazioni complesse è più facile insegnare ad
un sistema a riconoscere la relazione input-output (2), piuttosto che modellarla o programmarla
(1). Le performance sono spesso superiori rispetto ai metodi tradizionali.
Scientist
Data Scientist
Fase di training/validazione
Implementazione/test
(1)
(2)
26. Intelligenza articiale: perchè oggi?
26
• Disponibilità di mole considerevole di dati, di tipologie diverso e con minore costo di
storage: il 90% dei dati disponibili è stato creato negli ultimi 3-4 anni
• Avanzamenti negli algoritmi, in grado di analizzare dataset complessi
• Potere computazionale: GPU, quantum computing
27. Intelligenza articiale: perchè in finanza?
27
• Dal lato dell’offerta: nuove tipologie di dati (big data) e tecnologie avanzate ma
facilmente implementabili per la loro analisi
• Dal alto della domanda: necessità di migliorare la produttività e remuneratività dell’attività
bancaria, competizione con altre realtà ed una regolamentazione molto tecnica, in cui il
supporto della analisi quantitativa si è rilevato fondamentale.
Fonte: EBA, https://www.eba.europa.eu/documents/10180/1919160/EBA+Discussion+Paper+on+Fintech+%28EBA-DP-2017-02%29.pdf
28. Intelligenza artificiale in finanza: implementazione
28
• Come in altri campi, l’Intelligenza artificiale non è un prodotto, ma un «modello» che può o
meno essere incluso in un hardware.
• Un progetto di intelligenza artificiale è costituito da due componenti:
• Acquisizione ed analisi dei dati, che possono venire da fonti disparate, «Big data» (1)
• Uso delle tecniche appropriate per estrarre informazione dagli stessi, Machine and
Deep learning(2)
Fonte: EBA, https://www.eba.europa.eu/documents/10180/1919160/EBA+Discussion+Paper+on+Fintech+%28EBA-DP-2017-02%29.pdf
(1)(2) La proprietà dei dati
potrebbe diventare una
elevata barriera all’entrata
nel settore
29. Big data
29
• La maggior novità della recente ondata di AI in finanza è lo sviluppo di tecniche (algoritmi)
avanzate, ma facilmente implementabili, in grado di analizzare fonti di dati di natura
diversa, ovvero i «Big data».
• I Big data possono essere distinti per:
• Tipologia: dati strutturati o non strutturati (1)
• Origine: individui, processi e sensori (2)
• Qualità: inerenza all’asset class, contenuto di alpha
(1) (2)
Fonte: Andrew Ng, Coursera Testi (news) e dati numerici sono in genere i
più utilizzati in finance per l’analisi
automatizzata di social media (Tweet), press
release, analysts’ reports
Fonte: JPMorgan Macro QDS
Nasce una nuova area
«data intelligence» per la
raccolta, protezione,
analisi di veridicità e pulizia
dei dati
30. Machine learning
30
• Art and Science of Algorithms that Make Sense of Data (articolo Science
https://www.cs.cmu.edu/~tom/pubs/Science-ML-2015.pdf)
• Sono le tecniche (algoritmi) che permettono alle macchine (computer) di imparare
dall’esperienza. Si trovano a metà tra statistica ed informatica.
• In generale, un problema di apprendimento è definito come eseguire un compito (task)
massimizzando una misura di performance (accuratezza). Ad esempio, nel caso della
detection di frodi, distingurere la frode è il task, la misura dell’accuracy può essere la misura
delle frodi rilevate, oppure i falsi positivi, o, i falsi negativi (come illustrato nella confusion
matrix in figura)
Reali/Previsti Frode Non Frode
Frode 95% 5%
Non frode 3% 97%
31. Machine learning: tipologia di output
31
• Gli algoritmi di machine learning si definiscono in base alla tipologia di output come:
• Algoritmi di classificazione: se determinano come output la probabilità di
appartenenza ad una o più classi (1)
• Algoritmi di regressione: se predicono un valore per la variabile in output (2)
In finanza le classi possono
diventare il tipo di
giornata es: up/down per
un asset
(1) (2)
Prevedere il valore di EURUSD sulla base di altre
varibili di mercato è un problema di regressione
Fonte: https://www.cs.cmu.edu/~tom/pubs/Science-ML-2015.pdf
Fonte: Bloomberg data
32. Machine learning: apporto umano
32
• In base al livello di intervento umano richiesto nel definire l’output, possiamo definire tre tipi
di algoritmi di machine learning:
• Supervised: all’algoritmo vengono presentate dei dati x con relativa label y in una fase
detta di “training” (ad esempio: mail con label spam o non spam, riconoscimento
facciale). In questa fase, esso impara una regola di classificazione generale, terminate
la quale, l’algoritmo produce una previsione di label, quando gli viene presentato un
nuovo dato x. (regressioni, support vector machine, support vector regression, random
forest, knn)
• Unsupervised: i dati presentati all’algoritmo (solo x, no y) non sono labelled, ma è
l’algoritmo che deve riconoscere dei pattern nei dati in base a caratteristiche comuni
e raggrupparli (esempio reti neurali per riconoscimento gattini in facebook, clustering,
analisi fattoriale, analisi compoenent principali)
• Reinforcement Learning: a metà strada tra algoritmi supervisionati e non. Nel
reinforcement learning all’algoritmo sono presentati dei dati senza label, per ogni dato,
l’algoritmo sceglie un’azione e riceve un reward. Come negli algoritmi non
supervisionati non c’è label, ma il modello è funzione del reward. L’algoritmo
massimizza la reward cambiando I parametri del gioco (DeepMind-Go win 2016)
36. Machine learning: classificazione
Fonte: web
• Determinare se l’istante successivo è un up/down move, con la possibilità di estendere
l’analisi a qualsiasi scala temporale, utilizzando caratteristiche dell’asset o altre variabili
rilvevanti
• I modelli di classificazione possono essere estesi a multiclassi e fornire una probabilità di
appartenenza a ciascuna classe.
Decision tree
Calcola la probabilità
dell’andamento up/down
(+/-) del dollaro in funzione
della variazione attuale dello
stesso e del brent
37. Machine learning: regressione
Fonte :web
• Nei modelli di regression, l’obbiettivo è di prevedere un valore per una asset
(performance scarse)
• Il modo in cui utilizziamo questi modelli in finanza è per ricostruire i valori degli asset
relative con reti “speciali” autoencoders, per evidenziare anomalie nel pricing relative.
Ricostruisce il valore
dell’input, sulla base dei
relativi andamenti storici.
38. Deep learning
38
• Forma di machine learning che utilizza diversi layer ( strati) di neuroni, ispirati al
funzionamento del cervello umano. Le reti neurali sono costituite da numerosi neuroni
interconnesi, che funzionano come estrattori di “features” dai dati.
• Ad ogni connessione della rete viene associato un peso, che viene determinato nella
fase di training in modo tale da minimizzare la discrepanza tra l’output e l’osservazione
reale.
Fonte: Andrew Ng, Coursera
La rete minimizza l’errore (o costo) dato
dalla differenza tra output e valore
reale, ottimizzando i pesi (W) che
vengono applicati al dato nei vari layer
della rete. L’ottimizzazione avviene con
un processo di forward e back
propagation.
Layer1=f(W1*Input)
Layer2=f(W2*Layer1)
……
Output=f(W(n)*f(W(n-1)*…f(W1*Input))
39. Deep learning: example
39
• Problema semplice: prevedere il prezzo delle case di Milano (y variabile dipendente) in
base alla metratura (x variabile indipendente).
• In realtà sappiamo che il prezzo delle case dipende da tante variabili: l’idea dei layer
nelle nn è di estrarre dai dati delle varibiali intermedie non visibili che determinano il
risultato finale.
• Un approccio di questo tipo ha senso se il problema di previsione, analisi è complesso
con molte variabili che interagiscono tra loro in modo non lineare.
Fonte: Andrew Ng, Coursera
40. Deep learning
40
• La possibilità di utilizzare potere computazionali (parallelizzazione del calcolo, usando
schede grafiche) e la disponibilità di dati per il training, ha permesso di costruire reti
neurali molto profonde ( elevato numero di layer) con performance superiori ai metodi
tradizionali di machine learning
• In base alla struttura si parla di multilayer perceptron, reti convoluzionali, reti recurrent
etc
Fonte: Andrew Ng, Coursera Fonte: JPMorgan
41. I mercati sono “the candidate” per ML e DL
41
Fonte: Andrew Ng, Coursera
News
Real time Prices
Economic indicators
History
Weather
Date and hour
42. Markets are “the candidate” for ML and DL
42
https://news.efinancialcareers.com/uk-en/309411/j-p-morgan-fixed-in
Quando si utilizzano metodi quantitativi nelle decisioni di investimento si fanno
fondamentalmente due cose:
• Si cerca di prevedere il valore dell’asset a t+1, date le informazioni disponibili in t, e si
prende una posizione direzionale sull’asset (trading direzionale);
• Oppure, si analizza al tempo t il valore relativo di un asset rispetto agli altri (relative
value), che si concretizza in un trade di spread od in una allocazione di portafoglio
In entrambi i casi, le decisioni di trading, in genere, hanno 3 drivers:
• Fondamentali (economici); (1)
• Momentum (trend, sentiment); (2)
• Value (analisi relative, carry, volatilità) (3)
(1)
(3)
(2)
Fonte: Artificial Neural Networks in Financial Modelling Le Reti Neurali Artificiali
nella Modellizzazione Finanziaria Crescenzio Gallo
43. Discretionary versus systematic trading
43
“Systematic” trading indica il trading basato su strategie definite e “codificate”
(programma) nel trading “system”.
L’alternativa al trading “sistematico” è il trading “discrezionale”, in cui il trader prende
decisioni su base singola ed in base alle condizioni di mercato ed elaborazioni personali.
Strenghts del trading sistematico
• Rimuove la componente emotive nelle decisioni di trading
• Automazione
• Backtesting
• Valutazione online dell’algoritmo
Weaknesses
• Nuovi rischi operativi
• Interpretabilità dei segnali
• Effetto occupazionale
La novità è nel potere
computazionali ed utilizzo di nuovi
algoritmi e/o database alternativi
44. Agenda
Confidential - all right reserved44
Fintech e intelligenza artificiale
Il Sistema finanziario e ambiti di applicazione AI
45. Bilancio bancario
45
• Le banche vendono (prestano) e comprano (prendono a prestito) denaro: sono
“money repackagers” . Sul bilancio ci sono, sia all’attivo, sia al passivo delle
obbligazioni finanziarie.
• Attivo è l’utilizzo di fondi (prestiti, investimenti, contante), il passivo è la fonte dei fondi
(depositi, debito, capitale)
• Il bilancio bancario è il centro del sistema finanziario.
Assets Liabilities
Cash balances 30,500 Savings 40,000
Residential mortgage 25,000 Time Deposits 34,000
Commercial 23,000 Money Market Deposits 6,000
Investments 43,000 Interest bearing long term debt 13,000
Credit Card 3,500 Non-interest bearing liabilities 3,500
Commercial Loans 2,000 Shareholders’ Equity 35,000
Leases 4,500
Total Assets 131,500 Total liabilities & shareholders’ equity 131,500
Deposito del privato, coperti
da garanzia
Emissione di debito:
obbligazione Intesa 5%
Nov/2020
Emissione di equity: Isp
im azione
Liquidità e riserve (le
riserve rappresentano il
link con la politica
monetaria)
Investimento:
Bonds, valute di altre
banche o Stati,
partecipazioni
Prestiti collateralizzati
(mutui) o meno
(credito al consumo) Interest expenses 2.5%Interest income 5%
46. Definizioni: assets
Confidential - all right reserved46
Asset = Diritto di proprietà su un bene che può essere monetizzato (terra, auto, grano, brevetto)
Financial asset =Diritto di proprietà di tipo contrattuale, nascono nel bilancio societario: depositi, bond (titoli
o obbligazioni), titoli convertibili, stocks sono caratterizzati da rischio e rendimento proporzionale alla loro
posizione, «seniority», nella liquidazione societaria.
Deposito = Contratto con il quale una banca acquista la proprietà di una somma di denaro e si obbliga a
restituirla nella stessa forma al termine convenuto (d. a scadenza o vincolato) o a richiesta del depositante
(d. libero o a vista) e ne riceve in cambio un rendimento in termini di interessi attivi. Garanzia fino a 100k dal
Fondo Interbancario Tutela Depositi (557 miliardi a fronte dello 0.8% del valore dei depositi
Bond-risk-free = titolo di reddito fisso che ripaga cedole e nominale con ASSOLUTA CERTEZZA
Bond (secured) = titolo di reddito fisso tipicamente corporate garantito da asset segregati a mitigare il rischio
di credito dell’emittente
Bond (unsecured) = titolo di reddito fisso con rischio di credito dell’emittente
Stock = partecipazione al capitale azionario remunerato da dividendi
Credit spread= differenza tra il rendimento risk-free e il rendimento di bond con rischio di credito
Derivato= asset finanziario creato contrattualmente su un asset sottostante
Assets Liabilities
Cash balances 30,500 Savings 40,000
Residential mortgage 25,000 Time Deposits 34,000
Commercial 23,000 Money Market Deposits 6,000
Investments 43,000 Interest bearing long termdebt 13,000
Credit Card 3,500 Non-interest bearing liabilities 3,500
Commercial Loans 2,000 Shareholders’ Equity 35,000
Leases 4,500
Total Assets 131,500 Total liabilities & shareholders’ equity 131,500
47. Redditività del Sistema bancario
47
• Le banche devono bilanciare liquidità e profittabilità. I drivers della redditività bancaria
sono:
• Net interest margin: differenza tra reddito e spese di interesse (espresso in % al totale
degli asset)
• Fees da servizi (negoziazione, pagamenti, operazioni)
• Salari: si tratta di istituzioni molto labour-intensive
• Profitti/perdite da investimento
• Perdite su prestiti (non performing loans)
Due comuni indicatori di redditività sono il ROA (return on asset) ed il ROE (return on equity)
Fonte: BCE, 2016: numero abitanti per impiegato bancario
48. Banche
48
Le principali funzioni svolte dalle banche, sono:
• Trasformazione delle attività: La banca raccoglie denaro sotto forma di depositi rimborsabili in qualsiasi
momento e li trasforma in attività finanziarie meno liquide, come i prestiti.
• Trasformazione delle dimensioni La banca raccoglie depositi solitamente di piccole dimensioni e investe
in prestiti di volume molto più consistente, mutui e prestiti alle imprese.
• Trasformazione della qualità. Rispetto ai singoli risparmiatori, la banca ha il vantaggio di poter
diversificare maggiormente i rischi. Le banche hanno una dimensione sufficiente per poter effettuare
prestiti a soggetti che operano in luoghi e settori diversi in modo da limitare la probabilità che tutti
quanti possano trovarsi contemporaneamente in difficoltà.
• Trasformazione delle scadenze Le banche trasformano passività a breve termine, in attività a lungo
termine; sono in grado di utilizzare parte della raccolta per finanziare attività a lunga durata, come i
prestiti alle imprese e i mutui alle famiglie. Consentono di soddisfare la preferenza per la liquidità e
l’avversione al rischio di perdita del capitale dei risparmiatori.
Fonte: Abi, Indagine conoscitiva sulle tematiche relative all'impatto della tecnologia finanziaria sul settore finanziario, creditizio e assicurativo, Roma, 5 dicembre 2017, Giovanni
SABATINI
49. Rischi del Sistema bancario
49
• Rischio di credito: rischio di perdite sui prestiti dovuto ad assimmetrie informative non
prezzate nel tasso richiesto sul prestito. In genere, si definisce “non performing” il prestito
dopo 30g dalla scadenza rata dovuta.
NPL:
14% su banche significative
17% su banche minori
Migliorare informativa real
time su borrowers, metodi di
credit scoring
50. 50
• Rischio di tasso: tipicamente indebitamento è fatto a breve e investimenti a lungo,
creando un mismatch di scadenze (asset & liabilities management)
• Rischio di trading: le banche operano come dealer nei mercati del debito, stocks,
currencies e come tali sono soggetti ad oscillazioni di mercato (sempre meno a causa
della penalizzazione regolamentare)
• Rischio di liquidità: il “trust” è fondamentale nel Sistema bancario perchè la fonte
principale di funding sono depositi e libretti di risparmio (corsa agli sportelli)
• Rischio di leva: comprare attività a debito, aumenta la rischiosità della banca e la sua
capacità di assorbire perdite
Il maggiore
investimento
storico delle
banche sono
tipicamente i
titoli dello stato
nazionale di
riferimento
Rischi del Sistema bancario
51. Sistema finanziario
51
• Per completare il quadro inseriamo la banca
centrale con la politica monetaria
• A fronte dei depositi, la banca deve detenere le
reserve obbligatorie sul suo conto in CB
• Le reserve rappresentano lo strumento di politica
monetaria
• Quando la CB compra attività sul mercato crea
moneta, attraverso l’eccesso di riserva (attivo
della banca commerciale)
52. La crisi 2008-2009 e seguenti
The big short
52
Le cause della crisi sono generalmente individuate, quali:
• Credit boom con espansione finanziaria e standard di lending in deterioramento
• Aumento di valore degli asset (più pericoloso se riguarda asset che sono utilizzati
come collaterale, in ulteriori operazioni di finanziamento, come gli immobili)
• Shadow banking, ovvero, banche di investimento che si comportano come banche
commerciali assumendo troppo rischio e leva.
• Mancanza di regolamentazione
Risultati: stretta regolamentare
1. Basilea III con nuovi requisiti di capitate per le banche
2. Requisiti sulla liquidità (liquidity ratio e net stable funding)
3. Identificazione degli istituti “systemically important” con maggiori richieste di capitale
e maggior supervisione
4. Maggiore disclosure sui processi di securitization (obbligazioni off-balancesheet,
obbligo di consolidamento)
5. Riduzione schemi comensazione (bonus) nelle banche
6. Riforme sui derivati
7. Mifid 2 e Mifir in Europa: obblighi di trasparenza e reporting
53. Ambiti di applicazione AI nei servizi finanziari
53
• Applicazioni focalizzate sul cliente (bank-tech):
• Credit scoring;
• Chatbots: assistenti virtuali per domande, spiegazioni, consigli
• Realtà aumentata
• Applicazioni focalizzare su processi:
• Ottimizzazione del capitale per migliorare RWA (risk weighted assets), MVA
(margin valuation adjustment), CVA (counterparty valuation adjustment)
• Backtesting di strategie o stress test
• Ottimizzazione dell’attività di trading per ridurre errori e perdite nell’esecuzione,
miglioramenti nell’attività di pricing
54. Ambiti di applicazione AI nei servizi finanziari
54
• Applicazioni focalizzate sul trading e gestione di portafoglio (wealth-tech):
• Esecuzione e pricing nel trading (market making)
• Gestione di portafoglio, fondi (circa 1tr su 40tr di AUM di fondi globali, gestito
quantitativamente)
• Anomalie nei mercati
• Rilevazione di rischio sistemico
• Applicazioni focalizzare su compliance regolamentare e supervision (reg-tech)
• Applicazioni focalizzare su previsioni economiche, utilizzando dati di mercato e non.
(NowCasting) https://www.newyorkfed.org/medialibrary/media/research/staff_reports/sr830.pdf
57. Confidential - all right reserved57
DISCLAIMER
The information in this document has been prepared by Advanced Global Solution AGS S.p.A. (VAT IT01692340035,
also as AGS S.p.A.) and is general background information about AGS activities current as at the date of this
presentation. This information is given in summary form and does not purport to be complete. Information in this
presentation, including forecast financial information, should not be considered as advice or a recommendation to
investors or potential investors in relation to holding, purchasing or selling securities or other financial products or
instruments. All securities and financial product or instrument transactions involve risks, which include (among others)
the risk of adverse or unanticipated market, financial or political developments and, in international transactions,
currency risk.
All industrial and intellectual property rights on any information that AGS S.p.A. communicate or make available in
this document, as well as on the results of the experimental activities carried out are and remain of AGS S.p.A. The
communication or making available of such Confidential Information or the results achieved cannot be considered
an assignment or license of industrial or intellectual property rights by AGS S.p.A.