IL CALCOLO DEL RISCHIO CON I BIG DATA

Technology Reply applica i Big Data all'analisi quantitativa del rischio di portafoglio per aumentare l’efficienza e ridurre il tempo di elaborazione a meno di 5 minuti.

Scenario

Nelle principali Società di Gestione del Risparmio, il compito principale dei desk delle Gestioni Quantitative è il monitoraggio della rischiosità del portafoglio clienti, svolto al fine di evidenziare potenziali situazioni di rischio e, conseguentemente, riallocare il portafoglio variandone la composizione. L’odierna metodologia di calcolo del rischio e di ottimizzazione del portafoglio è basata su una matrice di correlazione di complessità crescente, che coinvolge tutti gli strumenti finanziari potenzialmente disponibili all’interno di portafogli in costante evoluzione. La frequenza di ottimizzazione è anch’essa in aumento per effetto della naturale evoluzione del comparto.

BENEFICI

  • Scalabilità
  • Repository centralizzato dei dati
  • Efficienza di processo
  • Efficacia analitica
  • Real time
  • Data governance
  • Cost efficiency

SOLUzIONE

Le moderne architetture dati offrono spunti per una rivisitazione tecnologica e metodologica dei processi di gestione della rischiosità del portafoglio clienti (Portfolio Risk), non solo permettendo un aumento sostanziale della velocità di calcolo, ma anche attivando numerosi benefici in termini di efficienza ed efficacia.


  • Scalabilità: la capacità di gestire esigenze crescenti in termini di quantità di dati e frequenza di aggiornamento
  • Repository centralizzato dei dati: capacità di memorizzare i dati multi-strutturati, centralizzando dataset eterogenei
  • Efficienza di processo: capacità di incrementare notevolmente la fase di caricamento dei dati (fast ingestion) e di eseguire operazioni batch su grossi volumi di dati (elaborazione distribuita)
  • Efficacia analitica: possibilità di utilizzare sia la disponibilità di una grande quantità di dati che algoritmi di Machine Learning per identificare gli elementi d’interesse (quali, ad esempio, le target list)
  • Real time: la ricezione ed analisi in tempo reale di flussi dati e lo sfruttamento in qualità di trigger allo scopo di cogliere opportunità di business disponibili per periodi di tempo molto limitati (quali, ad esempio, Customer Engagement, Recommendation, Retention, eccetera)
  • Data governance: migliori opportunità di controllare il ciclo di vita del dato in funzione di reali necessità del business
  • Cost efficiency: la possibilità di basare il sistema su piattaforme di commodity hardware, presentando costi inferiori a parità di storage e capacità di elaborazione

L’intero processo, svolto con strumenti tradizionali, richiede frequenti interventi manuali e comporta elevati tempi di elaborazione. Con la migrazione ad un’architettura dell’informazione basata su paradigmi big data, il calcolo del rischio e la riallocazione dei portafogli possono essere svolti con maggiore efficienza e completa automazione, riducendo il tempo necessario all’elaborazione a meno di 5 minuti nella maggior parte delle circostanze.