A Dynamic 4s-dsdm Framework for Banking Supervision: Evidence From the South Caucasus Banking Sector Transformation

Nel mondo della finanza, le banche sono i motori che tengono in movimento le economie, prestando denaro per costruire case, avviare imprese e finanziare la vita quotidiana. Ma quando questi motori girano troppo caldi o troppo freddi, l'intero sistema può stallare o surriscaldarsi. Per decenni, i regolatori hanno cercato di mantenere questi motori sicuri utilizzando una lista di controllo standard, molto simile a un meccanico che ispeziona un'auto. Essi osservano quanta denaro una banca ha in riserva, quanto bene gestisce i suoi prestiti e quanto profitto genera. Questa lista di controllo ha funzionato bene quando tutte le banche in una regione si muovevano nella stessa direzione. Tuttavia, il mondo finanziario moderno sta cambiando rapidamente. In alcuni luoghi, le banche stanno crescendo in modo selvaggio, mentre in altri stanno diventando più conservative o stanno cambiando completamente le loro strategie. Quando ogni banca è diversa, una singola, rigida lista di controllo non riesce a vedere i pericoli specifici che ciascuna di esse affronta. La sfida per i supervisori moderni è trovare un modo per vedere chiaramente queste differenze e adattare le loro regole di sicurezza in tempo reale, invece di aspettare che una crisi riveli un problema.

Un ricercatore ha affrontato questo problema studiando i sistemi bancari di tre paesi vicini nel Caucaso meridionale: Armenia, Azerbaigjan e Georgia. Tra il 2024 e il 2026, queste tre nazioni hanno vissuto un periodo di crescita rapida ma molto diversa. L'Armenia ha visto le sue banche prestare denaro a un ritmo record, scatenando preoccupazioni sul fatto che avessero abbastanza cuscinetti di sicurezza. La Georgia ha visto le sue banche crescere costantemente riducendo la dipendenza dalle valute estere. L'Azerbaigjan ha visto le sue banche espandersi più lentamente ma con un'immensa forza, portando i regolatori a introdurre nuove regole per rallentare la crescita del credito. Nonostante queste differenze, le banche centrali di ciascun paese utilizzavano ancora i vecchi metodi statici per giudicare il rischio. Il ricercatore ha sostenuto che questi metodi erano come cercare di misurare il meteo in tre climi diversi con un unico termometro; non potevano catturare il rischio unico di ciascuna nazione del settore bancario.

Per risolvere questo, il ricercatore ha costruito un nuovo framework flessibile chiamato Dynamic 4S-DSDM. Inve invece di affidarsi agli esperti per indovinare quali fattori fossero più importanti, ha lasciato che i dati parlassero da soli. Ha raccolto informazioni da ogni singola banca commerciale in questi tre paesi — 58 banche in totale — in un periodo di dodici anni. Ha inserito questa enorme quantità di informazioni in un sistema informatico che utilizza il machine learning, un tipo di intelligenza artificiale che impara i modelli dai dati. Il sistema ha analizzato quattro aree chiave: quanto le banche fossero sicure, quanto fosse stabile il loro finanziamento, quanto profitto avessero generato e quanto fossero grandi. Fondamentalmente, il computer ha deciso da solo quali di queste aree contassero di più in un dato momento, invece di utilizzare regole fisse. Ha scoperto che l'importanza di questi fattori cambiava man mano che le banche evolvevano.

Utilizzando questo sistema di pesatura intelligente, il ricercatore ha raggruppato le banche in tre tipi distinti, o "archetipi", basati su come si comportavano effettivamente. Il primo gruppo, chiamato "Leader Strategici", era composto da banche che bilanciavano molto bene sicurezza e profitto. Il secondo gruppo, i "Risparmiatori Tradizionali", erano le banche prudenti che davano priorità alla stabilità rispetto alla crescita rapida. Il terzo gruppo, la "Crescita Aggressiva", includeva banche che stavano correndo grandi rischi per espandersi rapidamente. Lo studio ha scoperto che questi gruppi non erano casuali; rappresentavano modelli di business reali e stabili che persistevano nel tempo. Il ricercatore ha poi testato le sue scoperte per assicurarsi che non fossero solo un caso fortuito, utilizzando rigorosi controlli statistici per confermare che questi gruppi rimanessero distinti anche quando i dati venivano rimescolati o visti da diverse angolazioni.

I risultati hanno rivelato una storia affascinante su come il sistema bancario di ciascun paese si stesse evolvendo. In Armenia, il settore bancario mostrava segni di diversità strutturale, con più banche che si allontanavano dal modello tradizionale verso nuove e variegate strategie. Tuttavia, lo studio ha anche scoperto che il sistema dell'Armenia era altamente sensibile agli shock esterni. Quando si è verificato un importante evento geopolitico nel 2022, le banche armene hanno reagito rapidamente e drammaticamente, spostandosi in massa verso il modello più sicuro del "Risparmiatore Tradizionale". Questo era un segno di un sistema che poteva essere fragile sotto pressione. Al contrario, il sistema bancario dell'Azerbaigjan era un mix di tutti e tre i tipi, mostrando un alto livello di diversità che sembrava renderlo più resiliente agli shock. Le sue banche non si sono mosse tutte nella stessa direzione quando è iniziato il problema; invece, i diversi tipi di banche coesistevano, fornendo un buffer naturale. Il sistema della Georgia mostrava un tipo diverso di forza, caratterizzato da "elasticità strutturale". Si era assestato in un modello stabile prima dei suoi vicini, con una grande parte delle sue banche che operava già come "Leader Strategici", permettendole di assorbire lo stress senza collassare o congelarsi.

Il ricercatore ha anche sviluppato un nuovo modo per misurare quanto un sistema bancario sia "maturo" o stabile, utilizzando un concetto chiamato entropia, che in questo contesto misura quanto le banche siano miste o uniformi. Un sistema in cui tutte le banche sono uguali ha una bassa entropia, mentre un sistema con molti tipi diversi di banche ha un'alta entropia. Lo studio ha mostrato che, sebbene i tre paesi avessero punti di partenza differenti, hanno tutti reagito allo shock del 2022 in modo simile, con i loro sistemi che diventavano più uniformi mentre le banche correvano verso la sicurezza. Questa reazione sincronizzata suggerisce che gli eventi regionali influenzano tutti e tre i paesi, indipendentemente dalle loro singole strutture bancarie.

Il risultato più importante di questo lavoro è un nuovo strumento per i regolatori chiamato Supervisory Intensity Score (Punteggio di Intensità di Supervisione). Questo punteggio dice a una banca centrale esattamente quanta attenzione necessiti un tipo specifico di banca. Per i "Leader Strategici", il punteggio è basso, il che significa che possono essere monitorati con controlli standard. Per i "Risparmiatori Tradizionali", il punteggio è moderato, richiedendo stress test periodici. Ma per le banche a "Crescita Aggressiva", il punteggio è alto, segnalando che queste istituzioni necessitano di audit costanti e mirati e di regole più severe. Questo approccio permette ai regolatori di abbandonare una strategia "taglia unica". Invece di trattare ogni banca allo stesso modo, possono ora applicare il giusto livello di supervisione alla giusta banca, basandosi sul suo effettivo comportamento e profilo di rischio.

Lo studio conclude che il vecchio modo di supervisionare le banche non è più sufficiente per un mondo in cui i sistemi finanziari cambiano così velocemente. Utilizzando i dati per comprendere il carattere unico di ogni banca e di ogni paese, i regolatori possono essere più proattivi. Possono individuare una banca che sta diventando troppo rischiosa prima che causi un problema, e possono sostenere le banche che stanno facendo la cosa giusta. La ricerca suggerisce che per il Caucaso meridionale, e potenzialmente per altri mercati emergenti, il futuro della sicurezza bancaria risiede nella flessibilità. Si tratta di passare da regole rigide a un sistema che impara, si adatta e risponde alla reale e vivente complessità del mondo finanziario. Le scoperte non sono solo un esercizio teorico; offrono una via pratica, basata sull'evidenza, per mantenere i motori dell'economia in funzione in sicurezza, anche quando la strada diventa accidentata.