Doelgroep

CROs, CFOs, Heads of model risk, Heads of model risk and validation, Chief Actuary, Chief Compliance Officer, Head of Data science, Heads of actuarial function, Heads of operational risk, Model risk managers, Model Owners, Model Developers, Model users..

De belangrijkste bevindingen op een rijtje

• Kaders voor modelrisicobeheer (MRM) bevatten nu een breder scala aan modellen in vergelijking met 2021, waaronder ESG-modellen als een aparte categorie.
• MRM-leveranciersoplossingen worden het meest toegepast bij grote banken en verzekeraars, waarbij MS Excel nog steeds de meest gebruikte tooling is voor kleinere bedrijven. 
• Banken migreren de rol van modeleigenaar van modelontwikkelaars naar de modelgebruikers, dus de modelontwikkelaar neemt een leveranciersrol in bedrijven op zich. Verzekeraars ondervinden weerstand van modeleigenaren om verantwoordelijkheid te nemen voor alle onderdelen van de modelrol.
• Meer dan de helft van de deelnemers past modelleringstechnieken voor kunstmatige intelligentie (AI) en/of machine learning (ML) toe, waarbij de meerderheid van de deelnemers de transparantie-uitdagingen van het gebruik van dergelijke technieken erkent.

Inleiding

In juli en september 2023 namen 119 bedrijven (85 banken en 34 verzekeraars) in Europa, het Midden-Oosten en Zuid-Afrika deel aan de EMEA Model Risk Management (MRM) Survey 2023. Deze laatste MRM-enquête (na de vorige die in 2021 werd uitgevoerd) toonde een toename van de deelname van banken en markeerde de inaugurele deelname van verzekeraars. De resultaten van onze enquête geven inzicht in de huidige staat van MRM bij banken en verzekeraars in heel EMEA.
De enquête had betrekking op vier kernthema's:

1. modellandschap en inventaris;
2. technologie en tooling;
3. governance; en
4. machine learning en AI.

Belangrijkste bevindingen van de enquête

De resultaten van de enquête laten een duidelijk verschil zien tussen de looptijd van MRM bij banken en verzekeraars.

In de banksector wordt het concept van modelrisico algemeen erkend, maar de volwassenheid van de implementatie varieert per modeltype en gebruik, met onvolledig en gedeeltelijk effectief modelrisicobeheer als gevolg.

In de verzekeringssector wordt het onderwerp modelrisico steeds volwassener en wordt het steeds meer erkend als een apart en belangrijk risicotype. Binnen modelinventarisaties worden meer modeltypen en -toepassingen geïdentificeerd die effectief modelrisicobeheer vereisen.

Als we dieper ingaan op de vier kernthema's van de enquête, laten de resultaten enkele duidelijke trends en patronen zien (ten opzichte van 2021).

Modellandschap en inventaris

• Meer dan een derde van de banken en twee derde van de verzekeraars heeft ESG-gerelateerde modellen ontwikkeld.
• ESG-modellen zijn opgenomen in de scope van MRM voor meer van de grote banken en grote/middelgrote verzekeraars, vergeleken met respectievelijk de kleinere banken en verzekeraars.
• De MRM-kaders van banken omvatten een breder scala aan modellen in vergelijking met onze enquêteresultaten uit 2021, waarbij een groter aantal nalevingsgerelateerde modellen (bijv. AML, KYC en transactiemonitoring) is opgenomen in modelinventarissen.

Technologie en tooling

• Banken zijn in MRM-technologie en tooling overgestapt van MS Excel naar in-house ontwikkelde oplossingen en oplossingen van leveranciers. Voor verzekeraars wordt MS Excel vaker gebruikt als basis voor MRM-tooling.
• Vendor solutions worden vaker toegepast bij grote banken en verzekeraars, maar MS Excel is nog steeds de meest gebruikte tooling. Meer dan de helft van de middelgrote en kleine verzekeraars gebruikt tooling voor MRM en ze maken vaker gebruik van in-house oplossingen (waaronder MS Excel-gebaseerde tools).

Bestuur

• Voor verzekeraars is de belangrijkste uitdaging op het gebied van governance ervoor te zorgen dat modeleigenaren verantwoordelijkheid nemen voor alle onderdelen van het model.
• Voor banken wordt de rol van modeleigenaar steeds meer toebedeeld aan de modelgebruiker, waardoor de dubbele rol van de modelontwikkelaar + modeleigenaar afneemt.

Kunstmatige intelligentie (AI)

• Meer dan de helft van de deelnemers past modelleringstechnieken uit kunstmatige intelligentie (AI) en/of machine learning (ML) toe.
• Respondenten van de enquête gaven aan dat de modeldefinitie is bijgewerkt om AI- en/of ML-modellen op te nemen in het toepassingsgebied van het MRM-framework. Ongeveer de helft van de respondenten heeft geen beleid met betrekking tot generatieve AI en grote taalmodellen (bijv. ChatGPT, MS Copilot of Gemini).
  
• AI/ML-technieken worden voornamelijk gebruikt voor Anti Money Laundering (AML), transactiemonitoring, fraudedetectie, het verbeteren van de klantervaring, marketing en zakelijke besluitvorming, plus verzekeringsprijzen en acceptatiemodellen.
  
• De meerderheid van de deelnemers erkent de uitdagingen op het gebied van transparantie in verband met het gebruik van AI/ML-modellen.
  
• Momenteel zijn drie van de vijf deelnemers het erover eens (althans tot op zekere hoogte) dat AI/ML van cruciaal belang is voor het algehele succes van hun organisatie in de komende 5 jaar.

Sinds de publicatie van  SR 11-7 Supervisory Guidance in 2011 zijn de verwachtingen van de regelgevende instanties ten aanzien van modelrisicobeheer blijven toenemen. In de Britse PRA-toezichtsverklaring over MRM-principes voor banken (gepubliceerd in 2023) wordt gewezen op de toegenomen verwachtingen voor een breder scala aan modellen. De EBA-raadpleging over een toezichtshandboek met betrekking tot de validatie van IRB-modellen (oktober 2022) heeft de verwachtingen voor controles en controles verduidelijkt. De publicatie van de Centrale Bank van de VAE van de Model Management Guidance in november 2022 illustreert de wereldwijde uitbreiding van MRM-normen. Verdere MRM-regelgevingsvereisten worden verwacht met de aanstaande EU-AI-verordening, waarbij een sterke nadruk wordt gelegd op AI/ML-gerelateerde onderwerpen, waardoor vereisten voor MRM in nieuwe industrieën en sectoren worden gestimuleerd.

In de volgende paragrafen wordt dieper ingegaan op de gevolgen voor banken en verzekeraars. Als u verder wilt gaan naar het gedeelte dat voor u relevant is, kunt u deze links aan de rechterkant voor banken en verzekeraars gebruiken.

Implicaties voor banken

De resultaten van de enquête leverden de volgende inzichten op in de huidige staat van MRM-frameworks bij banken. De modelinventarisatie is een centrale opslagplaats voor modelgerelateerde informatie en vormt de basis van een effectief MRM-framework. Het definieert de reikwijdte van MRM in de bank en is de belangrijkste bron van informatie over modelrisico's. Hoewel financiële risicomodellen het vaakst in de inventarisatie worden opgenomen, is 65% van de deelnemende banken begonnen met het opnemen van andere soorten modellen, zoals compliance-, cyber-, marketing- en HR-modellen.

Succesvolle implementaties van MRM-frameworks worden vaak ondersteund door MRM-tooling die de modelinventarisatie, documentopslagplaats, levenscyclusbeheer en workflow, en analytische en rapportagemogelijkheden integreert in één platform. Uit de enquêteresultaten blijkt dat banken de afgelopen jaren zijn overgestapt van MS Excel naar andere intern ontwikkelde tools, omdat ze de noodzaak inzien om af te stappen van op MS Excel gebaseerde oplossingen om hun MRM-processen in hun organisaties verder te verbeteren.

Sterk modelbeheer gedurende de gehele levenscyclus van het model is een belangrijke vereiste voor het MRM-framework. De rol van modeleigenaar blijft belangrijk: 87% van de reagerende banken heeft deze rol duidelijk gedefinieerd en gedocumenteerd. Modeleigenaren worden steeds meer gescheiden van modelontwikkelaars, en modelgebruikers gedragen zich steeds vaker als modeleigenaren. De belangrijkste gebieden die verbetering behoeven, hebben echter betrekking op governance en controles, met inbegrip van monitoring en validatie.

In 46% van de banken rapporteert het hoofd van de MRM-functie rechtstreeks aan de CRO, wat als een toonaangevende praktijk wordt beschouwd, terwijl voor de overige 54% het hoofd van de MRM rapporteert op een niveau onder de CRO of zich conformeert aan een andere rapportagestructuur; wat aangeeft dat modelrisico als minder kritiek wordt beschouwd dan andere soorten risico's in het risicobeheer van ondernemingen.

Meer dan de helft van de ondervraagde banken gebruikt een variatie van AI/ML-technieken, waarbij 80% van de grote banken dergelijke technieken gebruikt, vergeleken met slechts 20% van de kleine banken. Slechts 33% van de banken heeft de impact van de EU-AI-wet (die naar verwachting in H1 2024 in EU-wetgeving zal worden omgezet) op hun bedrijf geanalyseerd, en 31% van de respondenten ontdekte dat hun organisatie AI/ML-modellen met een hoog risico gebruikt die strengere eisen zullen stellen (waaronder die rond governance, risicobeoordelingen en validatie). Drie van de vijf banken zijn het erover eens dat AI/ML van cruciaal belang is voor het algehele succes van hun organisaties in de komende 5 jaar.

Implicaties voor verzekeraars

De resultaten van de enquête leverden de volgende inzichten op in de huidige staat van MRM-kaders bij verzekeraars. De modelinventarisatie is een centrale opslagplaats voor modelgerelateerde informatie en de basis van een effectief MRM-framework, te beginnen met een duidelijke organisatiebrede definitie van een model. Volgens het onderzoek heeft 74% van de deelnemende verzekeraars een gedocumenteerde modeldefinitie, vergeleken met ongeveer 90% van de banken. 60% van de deelnemende verzekeraars is begonnen met het opnemen van andere soorten modellen (bijv. marktrisicomodellen, ESG-, cyber-, marketing- en HR-modellen) in de modelinventarisatie, die niet altijd aan regelgeving zijn onderworpen. Er is nog meer werk nodig om te zorgen voor een consistente vastlegging van de informatie die de reikwijdte en schaal van MRM definieert.

Succesvolle implementaties van MRM-frameworks voor verzekeraars worden vaak ondersteund door MRM-tooling die de modelinventarisatie, de documentopslagplaats, het levenscyclusbeheer en de workflow, en de analytische en rapportagemogelijkheden in één platform integreert. Volgens de resultaten van het onderzoek geeft echter 40% van de deelnemende verzekeraars aan geen tooling te gebruiken voor Model Risk Management.

Sterk modelbeheer gedurende de gehele levenscyclus van het model is een belangrijke vereiste voor het MRM-framework. De rol van de modeleigenaar is belangrijk: 74% van de deelnemende verzekeraars heeft deze rol duidelijk gedefinieerd en gedocumenteerd en 64% wijst modeleigenaren aan van buiten de modelontwikkelingsteams.

Meer dan de helft van de ondervraagde verzekeraars gebruikt een variatie van AI/ML-technieken, waarbij 67% van de grote verzekeraars dergelijke technieken gebruikt, vergeleken met slechts 27% van de kleine verzekeraars. Het vinden van een evenwicht tussen innovatie en risicobeperkende maatregelen is cruciaal voor organisaties, omdat het ervoor zorgt dat AI-modellen de nauwkeurigheid verbeteren en tegelijkertijd de eerlijkheid en stabiliteit binnen risicomodellering handhaven. Uit ons onderzoek bleek dat meer dan drie van de vijf verzekeraars het ermee eens zijn dat AI/ML van cruciaal belang is voor het algehele succes van hun organisaties in de komende 5 jaar. 86% van de deelnemende verzekeraars heeft echter geen processen, methodologieën of instrumenten vastgesteld om de eerlijkheid van hun AI/ML-modellen te waarborgen.

De regelgevende verwachtingen voor MRM worden als minder volwassen beschouwd binnen de verzekeringssector, maar zullen naar verwachting snel toenemen. Specifieke vereisten voor modelrisico binnen de context van het raamwerk voor operationele risico's en voor interne kapitaalmodellen zijn al van kracht. Verder verwachten we dat toezichthouders zich steeds meer zullen richten op MRM, waarbij ze veel belang hechten aan het toezicht op en de uitdaging van het bestuur met betrekking tot het model; effectieve, onafhankelijke modelvalidatie; en de organisatorische status van modelrisicomanagement die dit mogelijk maakt. De MRM-expertise van Deloitte kan verzekeraars helpen deze uitdagingen het hoofd te bieden en effectieve MRM-raamwerken te implementeren. Met ons diepgaande inzicht in de implicaties voor verzekeraars kunnen we helpen bij het opbouwen van een sterk modelbeheer gedurende de gehele levenscyclus van het model, bij het implementeren van effectieve MRM-tooling en bij het inzetten van AI/ML-technieken om de nauwkeurigheid te verbeteren zonder afbreuk te doen aan de eerlijkheid en stabiliteit.

Slotopmerking en volgende stappen

Bij Deloitte is het onze missie om onze klanten te helpen meer verantwoorde bedrijven te worden die duurzaam kunnen groeien, en we geloven dat MRM een cruciale factor is om dit doel te bereiken. Een volwassen MRM-raamwerk creëert inzicht in het gehele modellandschap van het bedrijf, waardoor het bewustzijn toeneemt en modelrisico's in alle stappen van de modellevenscyclus worden beperkt. Deloitte De expertise van 'Model Risk Management' kan bedrijven helpen om de verwachtingen van regelgevende instanties voor te blijven en effectieve MRM-raamwerken te implementeren die voldoen aan de eisen van alle belanghebbenden, zodat managementteams over de juiste waarborgen beschikken om modellen te implementeren en te gebruiken om betere zakelijke beslissingen te nemen. 

De toenemende risico's van AI en machine learning worden erkend door regelgevers en risicobeoefenaars over de hele wereld, waardoor MRM kritischer is dan ooit tevoren. We moedigen lezers aan om na te denken over onze enquête en het gesprek over Model Risk Management voort te zetten, om een beter begrip te krijgen van de uitdagingen en kansen waarmee banken en verzekeraars worden geconfronteerd. 

U kunt de rapporten downloaden van deze site, en als volgende stap zal Deloitte de opnames publiceren van het webinar waarin de onderzoeksrapporten worden gepresenteerd.

Tot slot willen we onze dank uitspreken aan alle deelnemers aan de enquête die de tijd hebben genomen om antwoorden te geven en waardevolle kwalitatieve inzichten te delen die de basis hebben gevormd van deze blog.