Risk Management
Risk Management
Risk Management
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
Soluzioni Applicative per il <strong>Risk</strong> <strong>Management</strong>:<br />
IT e Innovazione tecnologica applicate<br />
ai Sistemi di <strong>Risk</strong> Mangement<br />
Un approccio innovativo
Agenda: Indice degli argomenti trattati<br />
Premessa<br />
<strong>Risk</strong> <strong>Management</strong> e Sistemi Informativi<br />
Rischio di Credito<br />
Definizione funzionale e sistemi informativi<br />
Soluzioni applicative<br />
Rischio di Mercato<br />
Definizione funzionale e sistemi informativi<br />
Soluzioni applicative<br />
Rischio di Controparte<br />
Definizione funzionale e sistemi informativi<br />
Soluzioni applicative<br />
Rischio Operativo<br />
Definizione funzionale e sistemi informativi<br />
Soluzioni applicative<br />
Integrazione dei Rischi<br />
Aspetti funzionali<br />
Architetture applicative<br />
Conclusioni
Premessa<br />
Nell’attuale contesto di particolare turbolenza dei mercati finanziari, le soluzioni<br />
applicative a supporto del <strong>Risk</strong> <strong>Management</strong> svolgono un ruolo fondamentale per:<br />
l’accuratezza e la tempestività nella<br />
determinazione di misure di rischio e rendimento;<br />
l’elaborazione delle potenziali evoluzioni di<br />
portafoglio e di dinamica dei fattori di rischio in<br />
funzione dell’ operatività sui mercati;<br />
l’applicazione continua di esercizi di simulazione e<br />
di stress testing con logica full evaluation del<br />
portafoglio;<br />
l’elaborazione dei rischi in ottica integrata di<br />
Enterprise wide <strong>Risk</strong> <strong>Management</strong>.<br />
Massimizzazione del profilo rischio/rendimento (risk appetite)
<strong>Risk</strong> <strong>Management</strong> e Sistemi Informativi<br />
Il Consorzio Operativo GruppoMontepaschi ha supportato il <strong>Risk</strong> <strong>Management</strong><br />
nella progettazione e nello sviluppo di una serie di soluzioni applicative in risposta ad<br />
esigenze via via più complesse.<br />
Esigenze Risposte<br />
Performance dei sistemi<br />
di misurazione dei rischi<br />
Sofisticatezza Sofisticazione dei modelli matematici<br />
Sistemi di analisi e controllo<br />
Archiviazione delle informazioni /dati<br />
Fruibilità delle informazioni<br />
Richieste on-demand<br />
Articolate analisi di simulazione di portafoglio<br />
Elevata complessità computazionale<br />
di spazio e di tempo<br />
Integrazione architetture e applicazioni<br />
Reporting direzionale<br />
Algoritmi time-consuming<br />
di simulazione Monte Carlo<br />
Reporting operativo on-demand<br />
Sistemi complessi di archiviazione dati<br />
(tracciabilità e rintracciabilità)<br />
Stress testing con molteplicità di fattori di rischio<br />
Data Quality
Rischio di Credito - Definizione funzionale e Sistemi Informativi<br />
Il rischio di credito consiste nelle variazioni inattese nel valore di<br />
mercato di un’esposizione, o di un portafoglio di esposizioni creditizie,<br />
dovuto a movimenti avversi del merito di credito della controparte.<br />
Capitale Regolamentare: modello AIRB<br />
Molteplicità ed eterogeneità di fonti dati<br />
Verifica, validazione, archiviazione e storicizzazioni dati<br />
Calibrazione periodica dei modelli validati<br />
Reporting a tutti i livelli<br />
Capitale Interno: Modello di Portafoglio Simulativo<br />
Complessità degli algoritmi di elaborazione<br />
Simulazioni MonteCarlo multistep<br />
Verifica, validazione, archiviazione e<br />
storicizzazioni dati<br />
Modello multidimensionale<br />
Reporting a tutti i livelli<br />
Probability Probability Density Density Function Function<br />
of of Losses Losses<br />
Expected loss<br />
Allocated economic capital<br />
CreditVaR<br />
Problemi RM Soluzioni IT<br />
Data Warehouse<br />
Catastrophe loss<br />
Business Intelligence
Rischio di Credito - Soluzioni Applicative<br />
Il data warehousing è un ambiente che copre un’area nella quale si dispone di informazioni, derivate dai diversi<br />
sistemi LOB (line of business), rielaborati in differenti strutture dati con finalità di analisi e reportistica.<br />
Per loro natura, le applicazioni LOB poggiano su strutture dati più orientate al dettaglio, che poco si adattano a<br />
esigenze di sintesi:<br />
Struttura Finalità<br />
Relazionale Gestione storico<br />
OLTP (applicazioni LOB) Data Warehouse / OLAP (on line analysis processing)<br />
Informazioni di dettaglio<br />
(es. numero di posti liberi in data 22/02/2002 sul volo Milano<br />
– Copenaghen delle 09:00 )<br />
Normalizzazione dati<br />
Reportistica<br />
Informazioni aggregate<br />
(es. media dei posti liberi sui voli Italia-Danimarca, su periodi<br />
mensili/annuali, in diverse fasce orarie)<br />
Visione sul dato attuale Visione su storico / sintesi / dato aggregato<br />
Es: numero posti liberi in data x sul volo Milano-Roma Es: Media dei posti liberi sui voli in Italia nel mese/anno<br />
Consente di eseguire attività<br />
(es.vendere il biglietto).<br />
Consente di eseguire decisioni<br />
(es.sopprimere un volo scarsamente frequentato).<br />
Da un concetto di data warehousing puro, che nella forma più semplice consiste in una normalizzazione delle diverse<br />
sorgenti dati, si passa al concetto più esteso della Business Intelligence, dove le strutture dati subiscono una modifica<br />
sostanziale ed un’elaborazione più spinta (strutture OLAP) per consentire il pre-calcolo delle aggregazioni che saranno<br />
richieste dall’utente in fase di analisi o reportistica avanzata.<br />
Data<br />
Warehouse<br />
Struttura Finalità<br />
Multidimensionale Reportistica avanzata<br />
OLAP<br />
Analisi e Pivoting<br />
Data mining<br />
Caratteristiche comuni<br />
Data Quality<br />
Data Dictionary<br />
Maggiore capacità di<br />
analisi avanzate
Rischio di Mercato - Definizione funzionale e sistemi informativi<br />
Il rischio di mercato è definito come la massima perdita<br />
finanziaria potenziale che si può verificare sulle posizioni<br />
detenute in portafoglio, a seguito di variazioni sfavorevoli<br />
nei parametri di mercato rilevanti (risk factors).<br />
Problemi RM<br />
Modelli di stress testing dei fattori di rischio<br />
(sensitivity vs scenario)<br />
Reporting a tutti i livelli<br />
Simulazioni giornaliere di variazioni<br />
ipotetiche di portafoglio (analisi di what if)<br />
Simulazioni storiche di molteplici fattori di mercato<br />
Modelli di pricing (flexible)<br />
Elaborazioni giornaliere dei modelli di portafoglio<br />
,027<br />
,020<br />
,013<br />
,007<br />
,000<br />
0<br />
0,50 1,75 3,00 4,25 5,50<br />
Soluzioni IT<br />
Grid Architetture<br />
Schede CUDA<br />
539<br />
404,2<br />
269,5<br />
134,7
Rischio di Mercato - Soluzioni Applicative<br />
Infrastruttura software che abilita un numero di computer isolati (server, workstation o<br />
anche desktop) a comportarsi come un singolo server multiprocessore.<br />
Caratteristiche<br />
Architettura GRID - definizione<br />
Non richiede particolari tipologie di rete o computer, ben<br />
adattandosi ai computer già esistenti in azienda<br />
Comporta una drastica riduzione dei tempi di calcolo grazie alla<br />
esecuzione parallela di più pacchetti di lavoro<br />
SINGLE SERVER<br />
GRID APPROACH<br />
START 25000 operations<br />
STOP<br />
5000 op.<br />
5000 op.<br />
START 5000 op.<br />
STOP<br />
5000 op.<br />
5000 op.<br />
TIME
Rischio di Mercato - Soluzioni Applicative<br />
Il componente chiave di una architettura GRID è il Resource Manager, che si occupa<br />
di smistare i pacchetti di lavoro in cui è stato suddiviso il calcolo complessivo verso i<br />
computer (o “nodi”) liberi, scelti tra quelli iscritti nell’infrastruttura.<br />
In maniera simile alla torre di controllo di un aeroporto, che organizza ed ordina tutti<br />
gli aerei in atterraggio e decollo in modo che condividano le stesse piste, allo stesso<br />
modo il Resource Manager sapendo quali sono i computer disponibili e quali sono<br />
quelli più scarichi fa si che le richieste di elaborazione vengano eseguite dai computer<br />
meno occupati, evitando di congestionare i computer che già stanno lavorando.<br />
…vantaggi<br />
I nodi possono essere condivisi con altre applicazioni<br />
Il Resource Manager identifica e corregge eventuali<br />
failure di un nodo reindirizzando il pacchetto di<br />
lavoro verso altri nodi disponibili<br />
Massima valorizzazione del parco macchine<br />
(utilizzando anche Desktop e workstation)
Rischio di Mercato - Soluzioni Applicative<br />
Evoluzione<br />
Il modello CUDA<br />
Il modello CUDA trae origine dal fenomeno di rapida evoluzione delle schede<br />
video a fronte delle richieste di mercato in termini di editing video e gaming.<br />
Negli ultimi anni le aziende del settore hanno commercializzato un numero<br />
crescente di schede grafiche con performance di assoluto rilievo in termini di<br />
capacità di calcolo.<br />
Dalla comparazione fra la capacità di calcolo dei nuovi processori grafici<br />
(GPU- Graphics Processing Unit) ed il costo di acquisto, è in corso una<br />
variazione del paradigma che vede la scheda video non più dedicata alla sola<br />
grafica, ma utilizzata da altre tipologie di applicazioni che per loro natura<br />
sono CPU intensive<br />
…vantaggi<br />
Elevata capacità di calcolo<br />
Ottimo rapporto prezzo/prestazioni<br />
Migliori prestazioni<br />
Prime evidenze<br />
… la scheda CUDA può raggiungere la potenza di 100 CPU ed è più<br />
perfomante quanto più complesso è lo strumento di cui si valuta il VaR
Rischio di Mercato - Soluzioni Applicative<br />
Altri territori da esplorare<br />
Il gruppo MPS monitora costantemente il<br />
mercato alla ricerca di tecnologie che<br />
sfruttano il calcolo parallelo e che<br />
potrebbero essere utilizzate in campo<br />
finanziario per ridurre i tempi di<br />
elaborazione. Una di queste è costituita<br />
dai dispositivi FPGA (Field Programmable<br />
Gate Array), device digitali<br />
riprogrammabili che promettono capacità<br />
di calcolo di 400 CPU in un singolo<br />
dispositivo.
Rischio di Controparte - Definizione funzionale e sistemi informativi<br />
Il rischio di controparte è il rischio che la controparte di<br />
una transazione avente a oggetto determinati strumenti<br />
finanziari risulti inadempiente prima del regolamento della<br />
transazione stessa.<br />
Problemi RM<br />
Modelli di princing<br />
(derivati complessi)<br />
Simulazione Monte Carlo<br />
(n timestep e m/000 scenari)<br />
Soluzioni IT<br />
Schede Cuda<br />
Macchine Virtuali
Rischio di Controparte - Soluzioni Applicative<br />
Creazione di un ambiente computazionale isolato (macchina virtuale), sulla quale<br />
possa essere messo in esecuzione un sistema operativo completo.<br />
Il sistema operativo ospite<br />
lavora come se fosse in<br />
esecuzione direttamente su<br />
hardware fisico. Questo<br />
comportamento è reso possibile<br />
da un programma di controllo<br />
che è l’unico che accede alle<br />
risorse fisiche e le controlla<br />
rendendole disponibili alle<br />
macchine virtuali.<br />
…vantaggi<br />
Virtualizzazione - definizione<br />
Macchina<br />
Reale<br />
massimizzazione dello sfruttamento Hardware dell’azienda<br />
diminuzione dei costi dell’hardware<br />
Macchina Virtuale 1<br />
Applicazioni 1<br />
Sistema Operativo (Linux…)<br />
CPU, RAM, dischi, rete<br />
diminuzione dei costi di gestione e dei servizi di disaster recovery<br />
…<br />
Macchina Virtuale 1<br />
Applicazioni 1<br />
Sistema Operativo (Linux…)<br />
CPU, RAM, dischi, rete<br />
Programma di controllo (Virtual Platform)<br />
CPU(x86,ppc,…) motherboard, dischi, rete, RAM
Rischio di Mercato - Soluzioni Applicative<br />
Altri territori da esplorare<br />
Un’ altra tecnologia in corso di valutazione<br />
è rappresentata dal Cloud Computing<br />
attraverso l’utilizzo di Open Nebula.<br />
In questa prima fase stiamo lavorando<br />
nella direzione di un Internal Cloud. In<br />
prospettiva questo modello è adatto a<br />
sperimentare soluzioni che vedano il<br />
ricorso a potenza di calcolo esterna<br />
(strabordo) in situazione di saturazione<br />
della potenza interna.
Costo ell’informazione (€)<br />
Rischio Operativo - Definizione funzionale e sistemi informativi<br />
Il rischio operativo è il rischio di subire perdite derivanti<br />
dall’inadeguatezza o dalla disfunzione di procedure, risorse umane e<br />
sistemi interni, oppure da eventi esogeni.<br />
General Ledger Level<br />
<strong>Management</strong> DB<br />
Level<br />
G.MontePaschi<br />
Le informazioni raccolte a livello di branch assicurano<br />
la completezza delle informazioni a fronte, però, di un<br />
significativo effort in termini di gestione e di IT.<br />
Le informazioni sulle perdite operative sono raccolte in un DB. A<br />
questo livello è possibile definire un owner responsabile<br />
dell’accuratezza e completezza delle informazioni raccolte.<br />
Livello ottimale per la gestione dei rischi operativi :<br />
un sistema contabile in cui sono dettagliate tutte le<br />
informazioni relative alle perdite potenziali.<br />
Dettagli delle informazioni<br />
Branches Level
Rischio Operativo - Soluzioni Applicative<br />
Il trattamento delle informazioni relative a tale rischio, è in carico all’applicativo Op<strong>Risk</strong>.<br />
L’infrastruttura supporta tutte le fasi di governo del rischio operativo di competenza delle<br />
società del Gruppo MPS.<br />
Il software utilizzato permette di<br />
Storicizzare i dati di perdita;<br />
Elaborare analisi quantitative;<br />
Creare scenari di tipo simulativo<br />
Integrità del dato<br />
Caratteristiche<br />
Tracciabilità<br />
Accesso<br />
Data<br />
Warehouse<br />
OLAP
Integrazione dei Rischi - aspetti funzionali<br />
Il Gruppo MPS determina il capitale interno<br />
complessivo atto a fronteggiare tutti i rischi a<br />
cui il Gruppo Bancario risulta esposto in<br />
condizioni fisiologiche di mercato ed in ipotesi di<br />
stress test mediante un approccio simulativo a<br />
copula.<br />
Complessità e numerosità delle prove di stress testing e di stima<br />
delle misure prospettiche di capitale interno<br />
Analisi di back testing dei risultati<br />
Eterogeneità dei flussi relativi ai singoli rischi<br />
complessità dei modelli di integrazione<br />
(numerose simulazioni MC)<br />
i<strong>Risk</strong><br />
Molteplicità ed eterogeneità dei modelli di stima dei singoli rischi<br />
Strumenti di controllo e di validazione della qualità del dato<br />
Reporting operativo e direzionale<br />
Calibrazioni periodiche dei parametri di stima<br />
Tracciabilità e rintracciabilità delle elaborazione a tutti i livelli di calcolo
Integrazione dei Rischi- architetture applicative<br />
I principi di organizzazione secondo un modello SOA rispondono ad esigenze di controllo della<br />
complessa organizzazione dei processi.<br />
SOA definisce un modello in cui la logica complessiva di automazione è partizionata in unità più<br />
semplici e distinte (o servizi) che rappresentano i sottoprocessi, ove le chiamate fra servizi avvengono<br />
in maniera trasparente.<br />
Agilità ed efficienza, in un modello SOA, derivano da 3 caratteristiche principali:<br />
•Flessibilità e facilità di manutenzione - Un servizio presenta necessariamente un grado di<br />
complessità inferiore che implica migliore capacità di manutenzione. La scomposizione in unità isolate<br />
ma omogenee dal punto di vista funzionale garantisce la flessibilità necessaria per rispondere alle<br />
modifiche dei business requirements.<br />
•Riutilizzo – I servizi, progettati come unità elementari, presentano un grado di riutilizzo elevato.<br />
•Disaccoppiamento funzionale e tecnologico – L’isolamento delle funzionalità in servizi consente il<br />
disaccoppiamento necessario e fondamentale fra l’evoluzione a medio e lungo termine dei requisiti<br />
business con i cicli di innovazione tecnologica che intrinsecamente hanno natura a breve termine.
Conclusioni<br />
La struttura IT è “condannata” a rispondere alle nuove sfide esplorando<br />
continuamente soluzioni innovative per i sistemi di <strong>Risk</strong> <strong>Management</strong>.<br />
La principale difficoltà consiste nel ripensare soluzioni emergenti sul mercato ai fini<br />
di rispondere alle complessità operative del <strong>Risk</strong> <strong>Management</strong>.
Financial Data<br />
WareHouse<br />
Applicazione di tecniche di<br />
warehousing alla finanza<br />
FDWH
Sommario<br />
•Modellazione di un DataWarehouse<br />
•Componenti di un modello di Data<br />
Warehouse<br />
• Differenze tra DB relazionali<br />
normalizzati e Data Warehouse<br />
• Star Schema e Snowflake Schema<br />
• Applicazioni alla finanza<br />
FDWH
Data Warehouse - Definizione<br />
W.H.Immon, è stato il primo a parlare di data<br />
warehouse (letteralmente magazzino dati), lo<br />
definisce come:<br />
– A subject-oriented, integrated, time-variant and<br />
non-volatile collection of data in support of<br />
management's decision making.<br />
● Subject-oriented:<br />
– organizzato attorno a degli specifici aspetti<br />
dell'azienda (clienti, vendite, ordini, etc...)<br />
– focalizzato sui dati utili al processo decisionale, e<br />
non sulle operazioni giornaliere<br />
– contiene tipicamente dati aggregati<br />
FDWH
Data Warehouse - Definizione<br />
● Integrated<br />
– integra dati da sorgenti diverse e di tipo eterogeneo<br />
(database relazionali, file di testo, database transazionali,<br />
etc...)<br />
– assicura la consistenza dei dati integrati utilizzando tecniche<br />
di data cleaning e data integration.<br />
● i dati vengono convertiti per assicurarne la consistenza e solo<br />
successivamente inseriti nel Data Warehouse<br />
● Time-variant<br />
– i dati non forniscono solo informazioni attuali ma hanno una<br />
prospettiva storica (per esempio, dati sugli ultimi 5-10 anni)<br />
FDWH
Data Warehouse - Definizione<br />
Non volatile<br />
– è un archivio fisicamente separato dalle basi di<br />
dati usate per le operazioni quotidiane.<br />
● non è possibile dunque che si tratti di una “vista”<br />
all'interno del database operativo.<br />
– non richiede operazioni di aggiornamento continuo<br />
e dunque non necessità di supporto per la gestione<br />
delle transazioni e della concorrenza.<br />
– le uniche operazioni effettuabili su un data<br />
warehouse sono il caricamento iniziale dei dati e<br />
l'accesso in lettura.<br />
FDWH
Data Warehouse - Definizione<br />
… IN CONCLUSIONE…<br />
Un data warehouse è una raccolta organica di<br />
informazioni da più sorgenti anche eterogenee<br />
(database aziendali, database di<br />
altre aziende, internet, flat file) che<br />
– è mantenuta separatamente dal database<br />
principale della organizzazione;<br />
– serve da supporto per le attività decisionali,<br />
fornendo una serie di dati storici consistenti.<br />
FDWH
Data Warehouse – Obiettivi e finalità<br />
•Possibilità di accedere a tutti i dati<br />
centralizzati in un solo database<br />
•Coerenza e consolidamento dei dati<br />
•Velocità nell’accesso alle informazioni<br />
•Strumento di supporto decisionale<br />
•Base informativa per costruire sistemi di<br />
analisi e previsione:<br />
•Reports<br />
•On-Line Analytical Processing (OLAP)<br />
•Data Mining<br />
FDWH
Data Warehouse – OLAP, OLPT<br />
I sistemi informativi che si poggiano su un database<br />
tradizionale vengono spesso chiamati sistemi OLTP (online<br />
transaction processing).<br />
– La loro funzione è eseguire le operazioni giornaliere:<br />
modifica dei dati e semplici operazioni di lettura.<br />
● Un data-warehouse, invece, è il cuore di un sistema<br />
OLAP (online analytical processing).<br />
– La loro funzione è fornire supporto a operazioni di analisi<br />
dei dati e a processi decisionali.<br />
FDWH
FDWH<br />
DB Olap<br />
Caratteristiche di un database per un ambiente<br />
analitico:<br />
•Entità denormalizzate<br />
•Disegno del database più semplice (meno tabelle e<br />
meno associazioni) per una comprensione più facile<br />
da parte dell’utente<br />
•I dati memorizzati possono essere aggregati<br />
(riassuntivi)<br />
•Le interrogazioni richiedono poche join<br />
•Ottimizzato per la consultazione, per l’utente è<br />
read-only
1<br />
2<br />
Data Warehouse – Architettura<br />
Source OLTP<br />
Systems<br />
Data<br />
Warehouse<br />
FDWH<br />
Data Marts<br />
3 4 5<br />
Clients<br />
Retrieve Data Populate Populate Query<br />
Transform Data Data Warehouse Data Marts Data
Market <strong>Risk</strong> <strong>Management</strong><br />
Siena 3 giugno 2011<br />
Ufficio Finanza e <strong>Risk</strong> <strong>Management</strong>
IT FOR FINANCE<br />
MARKET RISK MANAGEMENT
IT FOR FINANCE<br />
MARKET RISK MANAGEMENT
IT FOR FINANCE<br />
MARKET RISK MANAGEMENT
IT FOR FINANCE<br />
MARKET RISK MANAGEMENT
IT FOR FINANCE<br />
MARKET RISK MANAGEMENT
IT FOR FINANCE<br />
MARKET RISK MANAGEMENT
IT FOR FINANCE<br />
MARKET RISK MANAGEMENT
IT FOR FINANCE<br />
MARKET RISK MANAGEMENT
IT FOR FINANCE<br />
MARKET RISK MANAGEMENT
IT FOR FINANCE<br />
MARKET RISK MANAGEMENT<br />
4.5.4
IT FOR FINANCE<br />
MARKET RISK MANAGEMENT
IT FOR FINANCE<br />
MARKET RISK MANAGEMENT<br />
4 h escludendo le flex options
IT FOR FINANCE<br />
MARKET RISK MANAGEMENT<br />
Requisiti Regolamentari: Modello Interno per i Rischi di Mercato<br />
Le banche che utilizzano il Modello Interno devono soddisfare un requisito patrimoniale<br />
corrispondente al maggiore tra i due importi seguenti:<br />
1. La misura del valore a rischio (VaR) del giorno precedente sommata, ove del caso, al<br />
requisito aggiuntivo per il rischio di default;<br />
2. La media delle misure del VaR giornaliero nei 60 giorni operativi precedenti, moltiplicata<br />
per un fattore non inferiore a 3, eventualmente maggiorato sulla base dei risultati dei test<br />
retrospettivi e sommata ove nel caso al requisito aggiuntivo per il rischio di default.<br />
C<br />
t<br />
max<br />
VaRGS<br />
t<br />
1<br />
;<br />
*<br />
1<br />
60<br />
60<br />
i<br />
1<br />
VaRGS<br />
t<br />
i<br />
RD
IT FOR FINANCE<br />
MARKET RISK MANAGEMENT<br />
Calcolo del Requisito Patrimoniale a fronte dei Rischi di Mercato<br />
C<br />
t<br />
max<br />
VaRGS<br />
t 1<br />
;<br />
1<br />
*<br />
60<br />
60<br />
i 1<br />
VaRGS<br />
t<br />
i<br />
dove:<br />
•Ct: è il requisito patrimoniale al giorno t;<br />
• VaRGSt-i: è il VaR Generico-Specifico ovvero il Value at <strong>Risk</strong> calcolato secondo il modello interno per il<br />
portafoglio detenuto al giorno t-i (i=1,2,3,…60) e relativo al rischio Generico e Specifico (idiosincratico e di<br />
evento); il VaR deve essere al 99% a 10 giorni.<br />
• β : rappresenta il fattore moltiplicativo pari a 3, eventualmente maggiorato fino a 4 da parte di Banca d’Italia, in<br />
seguito alla risultanza negativa dei test retrospettivi o a fronte di accertate inadeguatezze del modello;<br />
RD: identifica la porzione di Rischio di Default eventualmente non considerata nel modello all’interno del<br />
VaRGS. L’RD identificato in letteratura anche come Incremental Default <strong>Risk</strong> Charge (IDRC) rappresenta la<br />
vera novità di Basilea 2 per quanto riguarda i Rischi di Mercato. Occorre precisare che al momento non sono<br />
disponibili best practices internazionali circa la determinazione/stima di questa componente e anche la Vigilanza<br />
non ha ancora rilasciato linee guida certe da applicare.<br />
RD
IT FOR FINANCE<br />
MARKET RISK MANAGEMENT<br />
ARCHITETTURA TECNICA E APPLICATIVA IN MPS GROUP<br />
Architettura applicativa – Modello Interno<br />
Architettura applicativa - ALGO SUITE<br />
Architettura tecnica<br />
Schema macchine
INFO PROVIDER<br />
DWHR<br />
Anagrafiche e<br />
dati di mercato<br />
Misure<br />
di rischio<br />
ALGORITMICS<br />
IT FOR FINANCE<br />
MARKET RISK MANAGEMENT<br />
SAF<br />
EAST<br />
Posizioni dati di mercato e<br />
strumenti OTC<br />
FDWH<br />
MUREX<br />
Viste<br />
Misure di rischio<br />
Albero dei portafogli<br />
Volatilità e dividendi discreti<br />
P&L -- Back testing effettivo<br />
Back Office<br />
TPRM<br />
INFO PROVIDER<br />
BCU
IT FOR FINANCE<br />
MARKET RISK MANAGEMENT<br />
MUREX: applicativo in uso alle B.U. Finanza di gruppo. E’ utilizzato per intermediare le operazioni di Trading ed Hedging chiuse con<br />
controparti interne ed esterne. L’applicativo contiene le informazioni relative ai contratti intermediati, siano essi di posizione, di<br />
anagrafica o di mercato. Le valorizzazioni calcolate dall'applicativo, lì dove non siano disponibili valori di mercato, acquisiscono valore<br />
di ufficialità all'interno della Banca. Giornalmente, all’end of day del front office, i dati relativi a strumenti e posizioni vengono riportati<br />
sul DWH.<br />
EAST: applicativo che gestisce le informazioni anagrafiche e i dati di mercato consolidati delle attività finanziarie di varia natura<br />
(azioni, obbligazioni, warrant, fondi, derivati, altre attività finanziarie), oltre alle anagrafiche dei soggetti collegati alle attività<br />
finanziarie (emittenti e/o garanti e controparti). EAST è un presidio "Master" unico di gestione delle anagrafiche e dei dati di mercato da<br />
alimentare con informazioni corrette e affidabili. Il prodotto è "Multi - Istituto", ovvero è in grado di gestire, per ogni titolo,<br />
informazioni particolari per ogni banca. Giornalmente i dati relativi alle anagrafiche degli strumenti presenti nel portafoglio di<br />
negoziazione ed i dati di mercato vengono riportati sul DWH.<br />
TPRM: applicativo in dotazione alle Business Control Unit e al ARM (Area<strong>Risk</strong> <strong>Management</strong>) per la gestione operativa dei controlli di<br />
linea (controllore dei parametri che entrano in Murex ai fini della validazione del P&L gestionale), per il monitoraggio dei limiti<br />
operativi a qualsiasi livello dell'albero dei portafogli e per la produzione della reportistica quotidiana. Nell'ambito dell'architettura<br />
applicativa svolge dunque il duplice ruolo di fornitore di dati (contributore dei parametri complessi, volatilità implicite e correlazioni,<br />
validati ai fini del calcolo delle misure di rischio) e di strumento di reportistica gestionale per gli operatori. TPRM fornisce inoltre la<br />
struttura dell’albero dei portafogli per finalità di <strong>Risk</strong> <strong>Management</strong>.
IT FOR FINANCE<br />
MARKET RISK MANAGEMENT
IT FOR FINANCE<br />
MARKET RISK MANAGEMENT<br />
RISK MAPPER: Modulo di caricamento delle anagrafiche, delle posizione e dei dati di mercato tramite il servizio<br />
UDS.<br />
UDS (Algo Data Server): Servizio di I /O dati su AIDB.<br />
AIDB (Algo Input Data Base): Base dati non storica delle informazioni (anagrafiche, posizioni e dati di mercato)<br />
da fornire in input ai motori di calcolo. Permette di filtrare i dati per una elaborazione parallela.<br />
ASE DB (Algo Scenario Engine): Base dati dei fattori di rischio utilizzati nella generazione degli scenari storici.<br />
ASE Server: Motore di calcolo degli scenari storici utilizzati da <strong>Risk</strong>watch per il calcolo degli indicatori di rischio.<br />
RISK WATCH: Motore di calcolo degli indicatori di rischio (VaR) tramite la valutazione delle posizioni detenute<br />
in portafoglio su ogni scenario generato dal modulo ASE.<br />
AHS (Algo Hierarchy Server), ARE (Algo <strong>Risk</strong> Engine), RPM (Report Production Manager): Server Algo per<br />
la riaggregazione dei cubi e la creazione dei reports che verranno storicizzati all’interno del DWH.
IT FOR FINANCE<br />
MARKET RISK MANAGEMENT
IT FOR FINANCE<br />
MARKET RISK MANAGEMENT<br />
Nel disegno dell’architettura tecnica è stato attribuito particolare rilievo ai requisiti di performance, sicurezza (dei<br />
dati, del software e dell’hardware) e affidabilità. A tal proposito elementi qualificanti sono:<br />
il sistema operativo scelto per la Suite Algo – LINUX;<br />
l’architettura applicativa GRID che permette la scalabilità del sistema;<br />
l’ambiente di DISASTER RECOVERY - parco server composto da 2 application server xseries 8 processori, 2 DB Server Oracle<br />
4 processori, più 6 nodi di calcolo (server biprocessori) sul sito di Siena; 2 application server xseries 8 processori, 2 DB Server<br />
Oracle 4 processori, più 6 nodi di calcolo (server biprocessori) sul sito di Firenze.<br />
I dati sono su Storage Area Network, gestiti per il Disaster recovery.<br />
Ambienti distinti - produzione, collaudo, laboratorio, test, rigiro elaborazioni e disaster ricovery<br />
Monitoraggio processi - per l’applicativo (batch) viene utilizzato uno schedulatore IBM (OPC-TIVOLI), che permette il<br />
monitoraggio del processo applicativo presso l’ufficio del Consorzio “Presidio Flussi” (dalle 7.00 alle 3.20 del giorno seguente).<br />
Monitoraggio hardware, i servizi indispensabili ed il batch tramite il Guardian-Tivoli, che invia allarmi all’ufficio del Consorzio<br />
della Control Room, che presidia i sistemi 24 ore su 24, compresi i giorni festivi.<br />
Ci avvaliamo inoltre di tutti gli ausili informatici messi a disposizione dal Consorzio Operativo GMPS per le sicurezze, intese<br />
come riconoscimento dell’utente e relativa assegnazione di ruolo, nell’accesso ai dati e nella gestione del software (distribuzione<br />
automatizzata e versioning).
VaR<br />
IT FOR FINANCE<br />
MARKET RISK MANAGEMENT<br />
Si effettua una “pesatura” degli strumenti per<br />
ottenere una serie di micro-elaborazioni<br />
computazionalmente uguali tra loro.<br />
.<br />
.<br />
.<br />
GRID<br />
Architettura per il calcolo parallelo<br />
Distribuito. Utilizza un insieme<br />
eterogeneo di macchine.
IT FOR FINANCE<br />
MARKET RISK MANAGEMENT
IT FOR FINANCE<br />
MARKET RISK MANAGEMENT
TPRM-System<br />
Equity Volatility<br />
IT FOR FINANCE<br />
MARKET RISK MANAGEMENT<br />
• TPRM System è un software applicativo utilizzato nelle <strong>Risk</strong> Control Unit per il<br />
monitoraggio del P&L (Profit and Loss) e del rischio finanziario.<br />
• Applicativo che fa parte di TPRM System.<br />
• Genera una superficie di volatilità per ogni sottostante azionario.<br />
• La volatilità misura la potenziale variazione di prezzo di un azione.<br />
Utilizzo della volatilità<br />
• Pricing dello strumento finanziario opzione.<br />
• Calcolo del VaR (Value-at-<strong>Risk</strong>) definito come la perdita di valore di un portafoglio in un<br />
certo periodo di tempo e con una certa probabilità.
IT FOR FINANCE<br />
MARKET RISK MANAGEMENT<br />
•La volatilità quotata dal mercato non è costante come è invece stato ipotizzato da Black-Scholes-Merton, ma varia in<br />
funzione del livello del prezzo futuro e della scadenza dell’opzione.<br />
•Propriamente, si osserva un profilo con smile (letteralmente "sorriso"), quando le opzioni ITM e OTM presentano una<br />
volatilità implicita superiore rispetto a quelle ATM. L’entità dello smile è misurata dalla differenza tra le volatilità implicite OTM<br />
e ATM. Non sempre si osserva uno smile simmetrico rispetto allo strike ATM per cui le differenze rispetto al valore ATM del<br />
dei put OTM (con strike inferiore al prezzo corrente) è superiore (o inferiore) a quella osservata per i call OTM (con strike<br />
superiore): un tale profilo può dipendere dall'asimmetria della distribuzione. Negli anni passati questo fenomeno era<br />
ricondotto all’esistenza di una minore liquidità di alcune tipologie di opzioni che giustificava l’applicazione di prezzi più elevati<br />
e quindi la presenza di una volatilità implicita maggiore. Un’altra spiegazione di questa situazione, relativamente alle opzioni<br />
OTM, era ricondotta all’effetto lotteria, alla possibilità cioè di poter ritrarre ampi payoff spendendo piccole somme di denaro;<br />
questo induceva gli operatori ad acquistare questo tipo di opzioni facendone salire il prezzo e di conseguenza anche la<br />
volatilità implicita. Spiegazioni più recenti riconducono, invece, l’effetto smile all’esistenza di due caratteristiche nella<br />
distribuzione a scadenza che i prezzi dell’attività sottostante possono assumere; esse sono:<br />
- la presenza di code spesse (fat tails);<br />
- l’esistenza di asimmetrie (skew).<br />
•Un secondo elemento che giustifica volatilità differenziate<br />
per strike è la presenza di un effetto skew (o asimmetria)<br />
nella distribuzione. Una distribuzione asimmetrica indica che<br />
le probabilità associate ad un rialzo o ad un ribasso nelle<br />
quotazioni dell’attività sottostante non sono uguali.
Interpolazione lineare:<br />
IT FOR FINANCE<br />
MARKET RISK MANAGEMENT<br />
Input: matrice di volatilità puntuale (Scadenze x Strike), ottenuta da<br />
un elaborazione di dati prelevati dal mercato.<br />
Km<br />
Km<br />
Km<br />
Km<br />
( m, t)<br />
v(<br />
Km<br />
, t)<br />
v(<br />
Km<br />
, t)<br />
K K<br />
K K<br />
K m<br />
S<br />
m<br />
M<br />
m<br />
dove con s prezzo spot<br />
M vettore moneyness<br />
Fitting delle scadenze:<br />
σ(<br />
m)<br />
con<br />
x<br />
σ<br />
max<br />
( m)<br />
( m)<br />
min ( m)<br />
max ( m)<br />
x(<br />
m)<br />
m<br />
( T<br />
m<br />
t)<br />
e<br />
Tvettore scadenze<br />
t data considerata<br />
, parametri di ottimizzazione<br />
( T<br />
t)
IT FOR FINANCE<br />
MARKET RISK MANAGEMENT<br />
Output: superficie continua di volatilità (Nuove Scadenze x Moneyness)<br />
Moneyness<br />
prezzo Strike<br />
prezzo Spot<br />
La nuova matrice<br />
viene spedita al<br />
motore di calcolo del<br />
VaR.
Crescente importanza delle schede video<br />
Nell’ambito della Computer Grafica<br />
Programmi di fotoritocco<br />
Progettazione CAD<br />
Computer animation<br />
In ambito entertainment<br />
Realizzazione di videogiochi<br />
Riproduzione di filmati in alta definizione<br />
Recentemente in ambito GPU computing<br />
IT FOR FINANCE<br />
MARKET RISK MANAGEMENT<br />
Utilizzo di GPU nel Pricing di Strumenti<br />
Derivati Complessi<br />
Esecuzione di applicazioni non grafiche su hardware grafico quali:<br />
Simulazione di sistemi complessi (molecole, fluidi)<br />
Analisi dei segnali<br />
Applicazioni finanziarie<br />
…
IT FOR FINANCE<br />
MARKET RISK MANAGEMENT<br />
GPU Computing: quali applicazioni?<br />
Le applicazioni si adattano bene all’hardware grafico se presentano:<br />
Elevata regolarità<br />
Elevato parallelismo<br />
Elevato volume di calcolo
IT FOR FINANCE<br />
MARKET RISK MANAGEMENT<br />
I prodotti finanziari e il problema della loro valutazione<br />
Gli Strumenti Finanziari Derivati:<br />
Dipendenza da un “sottostante” (es.: merci, valute, azioni, …)<br />
Utilizzati per:<br />
Copertura di portafoglio<br />
Speculazione<br />
Arbitraggio<br />
Notevolmente raffinati ma complessi<br />
Difficile valutarli con tecniche analitiche<br />
Necessità di utilizzare tecniche numeriche quali il metodo Monte Carlo
Idea base:<br />
IT FOR FINANCE<br />
MARKET RISK MANAGEMENT<br />
Il metodo Monte Carlo in finanza<br />
Si simula l’andamento del sottostante<br />
Si calcola il pay-off sulla base delle simulazioni<br />
Si ottiene il valore dello strumento come media di quelli ottenuti nelle varie simulazioni<br />
Caratteristiche:<br />
Risultati più affidabili al crescere del numero di simulazioni<br />
Computazionalmente oneroso<br />
Indipendenza delle simulazioni
IT FOR FINANCE<br />
MARKET RISK MANAGEMENT<br />
NVIDIA CUDA<br />
(Compute Unified Device Architecture)<br />
Un semplice esempio: la somma di due vettori di 128 componenti<br />
//kernel<br />
__global__ void vectorSum(float *d_C, float*d_A,<br />
}<br />
float*d_B){<br />
idx = blockIdx.x*blockDim.x + threadIdx.x;<br />
d_C[idx] = d_A[idx] + d_B[idx];<br />
main(){<br />
//puntatori ai dati nella memoria del device<br />
float *d_A, *d_B, *d_C;<br />
}<br />
...<br />
//invocazione del kernel che esegue la somma<br />
vectorSum>(d_C,d_A,d_B);<br />
...<br />
CUDA<br />
Thread<br />
+<br />
+<br />
+<br />
+<br />
+<br />
+<br />
+<br />
=<br />
=<br />
=<br />
=<br />
=<br />
=<br />
=<br />
d_A d_B d_C
IT FOR FINANCE<br />
MARKET RISK MANAGEMENT<br />
Architettura della prima<br />
GPU CUDA: il chip G80<br />
Nel chip G80:<br />
8 cluster (TPC) di multiprocessori<br />
2 multiprocessori (SM) per cluster<br />
8 processori scalari (SP) o core per multiprocessore<br />
In totale quindi 8*2*8 = 128 core<br />
Nelle recenti GPU NVIDIA (chip GT200) i core salgono a 240<br />
La GPU è organizzata<br />
come un array di<br />
multiprocessori detti<br />
Streaming<br />
Multiprocessors (SM)
Azione 1<br />
Azione 2<br />
Azione 3<br />
.<br />
.<br />
.<br />
Azione n<br />
Date di monitoraggio<br />
IT FOR FINANCE<br />
MARKET RISK MANAGEMENT<br />
Le opzioni di tipo Altiplano<br />
1 m m+1<br />
2m<br />
Tempo<br />
Cedola<br />
1<br />
L’opzione periodicamente stacca cedole composte da:<br />
Cedola<br />
2<br />
Date pagamento<br />
cedola<br />
una componente fissa (indipendente dal sottostante)<br />
. . .<br />
Possiedono come sottostante<br />
un paniere di azioni (basket)<br />
Il sottostante viene osservato<br />
solo nelle “date di<br />
monitoraggio”<br />
una componente aggiuntiva (legata all’andamento del sottostante secondo le regole di<br />
pay-off)<br />
Cedola<br />
c-1<br />
... ...<br />
...<br />
2m+1 (c-1)m (c-1)m+1<br />
cm<br />
Cedola<br />
c
IT FOR FINANCE<br />
MARKET RISK MANAGEMENT<br />
WORK IN PROGRESS E PROSSIMI SVILUPPI<br />
E-Rack 7118 Preconfigured Clusters<br />
8 Tesla S1070 Preconfigured Cluster<br />
• 32 Tesla T10 GPUs<br />
• 8 Server E7118 with Dual-socket Quad-core Xeon 2.66 GHz<br />
• 1 Server E7125 with Dual-socket Quad-core server Xeon 2.66 GHz<br />
• 128 GB GPU memory