Visión panorámica de las tendencias tecnológicas aplicadas ... · Infraestructura (30%) •El...

Comunytek Consultores

Visión panorámica de las tendencias tecnológicas aplicadas al negocio de Corporate & Investment Banking

001PR013R01Febrero 2019

VISIÓN PANORÁMICA DE LAS TENDENCIAS TECNOLÓGICAS APLICADAS AL NEGOCIO DE CORPORTATE & INVESTMENT BANKING|COMUNYTEK | 001PR013R01

Índice

1. Resumen.2. Big Data&Analytics.3. Cloud.4. Al. Inteligencia Artificial.5. Blockchain/DLT.6. Quantum Technology.7. Anexos:

7.1 Mapa de Fintech´s en el área de Mercado de Capitales.7.2 Fuentes y referencias.

2


1 Resumen

3


Resumen de tendencias tecnológicas

4

<<<<<<<

“Technology is one of the most powerful levers banks have to address current industry challenges and deliver future opportunities”Fuente: “Technology and Innovation in Europe´s Capital Marktes”. AFME Sep. 2018

Big & Data Analytics1

Cloud Computing/APIs2

Artificial Intelligence

DLT/Blockchain

Incrementa

Ingresos EficienciaServicio a Clientes

Visión del Mercado

Es la tecnología donde se está invirtiendo con mayor intensidad. Proyectos con “break even” en 1 ó 2 años.

Actualmente en general sólo se emplea como repositorio de datos por motivos Regulatorios (BCBS 239, MiFID II, MAR, GDPR,…). Capacidades avanzadas de “Data Governance & Control”.

Uso intensivo de métodos Data Analytispara “monetizar” los Datos.

Prioridad Estado actual Nuevas iniciativas

Reducción de los costes fijos de operación, simplificar la arquitectura y el portfolio de aplicaciones, y para acortar “time to market”.

Uso generalizado de “Private Cloud”, pero aún limitado de “Public Cloud” (29%). El principal obstáculo (28%) es la complejidad de los sistemas IT “legacy” y consideraciones regulatorias.

“Guidelines on Outsourcing Arrangements” (EBA, Q2 2019) potenciará el uso. Uso extendido de PaaS (arquitectura global) y de SaaS (aplicaciones de “nicho”).

Se considera como una inversión a medio plazo (2-3 años). Pilotos en “Trading & Sales”, Compliance.

En 3 años formarán parte esencial de los sistemas en producción, con especial relevancia en Trading y Risk.

Mucho “hypo” sobre su aplicabilidad. Dependiente de la calidad de los Datos para su aplicación. Pilotos en “Trading Sales”, Compliance.

Se considera como una inversión a medio/largo pazo (5 años), dado que para ser eficiente depende de la incorporación de la Industria.

En 5 años se espera que formen parte de la infraestructuras de Mercado en el área de PostTrading. Relevante en TradeFinance. Nuevos modelos de negocio asociados a los “activos digitales”.

Muchos pilotos y anuncios. Pocos proyectos con escala suficiente.Inicio de actividad en “crypto-assets” en algunos IB.

3

4

Acción inmediata 1-3 años > 3 añosVentana de Oportunidad:


¿Cómo están actuando las entidades financieras (1)?

5

40%-60%20-40%0%-20% 60%-80%

¿Cómo están invirtiendo?

Adquiriendo una entidad

Desarrollo “in house”

PartneringComprando la tecnología

No están invirtiendo ahora Están invirtiendo ahora

… y no tienen planes de

invertir en los próximos 3 años

… pero tienen intención de

invertir en los próximos 3 años

… pero reducirán el

nivel de inversión

… y aumentarán el nivel de inversión

Artificial intelligence

Augmented and virtual reality

Blockchain

Cloud technology

Data and analytics

Machine learning

Open platforms/API architectures

Robo-assistants and advisors

Robotic process automation

Smart contracts

% de respuestas

(1)Fuente: “Global banking outlook 2018. Pivoting toward an innovation-led strategy”. EY. Encuesta a 221 entidades financieras a nivel global.


Markets.- Nivel de influencia en la cadena de valor

6

Sales&

CRMTrading Research

TradeProcessing

ProductMgmt

Client Support& Servicing

Risk MgmtFinance & Treasury

Legal Compliance

InfraestructuraTecnológica

Sales & Trading Post Trade Risk Compliance & Finance IT

Alta Alta Media Media Media AltaAlta MediaMedia Media

Media Alta Baja Media Media MediaAlta MediaBaja Media

Baja Baja Baja Media Baja MediaBaja BajaBaja Alta

Baja Baja Baja Alta Baja BajaBaja BajaBaja Media

Mapa Fintech Capital Markets

Big & Data Analytics1

Cloud Computing/APIs2

Artificial Intelligence3

DLT/Blockchain 4

MARKETS

Fuente: “Technology and Innovation in Europe´s Capital Marktes”. AFME Sep. 2018


El presupuesto de IT en la Banca de Inversión

7

CTB(45%)

RTB(25%)

Infraestructura(30%)

• El presupuesto en IT(1)

está en la franja del 8%-15% de los ingresos netos.

• Aproximadamente el 45%(2) se utiliza en CTB

• Sólo el 20% del CTB se utiliza realmente en proyectos de innovación, mientras el 90% se emplea en “Upgrades” de los sistemas actuales.

(1) Nivel medio de inversión de IB. Los PTF (Principal Trading Firms) entre el 20%-30% de los ingresos netos(2) El valor de este ratio se mantiene estable en los últimos años.

• La evidencia empírica sugiere que en EM y Rates es donde mayor rentabilidad se obtiene por cada $ invertido en CTB.

• Las inversiones en IT CTB FO de activos “comodotizados” como “cash equities” es donde la rentabilidad es menor.

• De media la inversión en FICC CTB IT es de 90K$ por “business FTE”.

• La inversión en IT CTB FO en FICC es hasta 3x superior al mismo nivel de inversión en EQ.

• Priorizar la inversión en FICC.

20

40

60

40% 80% 100%

Credit

Commodities

•EM•Rates

•FX

•Eq. Der

•Eq. cash

Nivel de electronificación (%)

Mej

ora

de

Pro

du

ctiv

idad

✓ “Mejora” media por cada $ invertido en IT CTB FO✓ ¿Cómo se utiliza el presupuesto en IT?

Fuente: Fintech in Capital Markets 2018: Boosting productivity through technologu innovation.- BGC y Expand Research. Marzo 2018


2 Big Data & Analytics

8


La tecnología de un vistazo

9

El término Big Data hace referencia a un gran volumen de datos, con estructura o sin ella, que fluyen en una organización y que son analizados en tiempo real con el objetivo de tomar decisiones de valor.

Siempre se parte de un volumen de datos elevado (hablamos de Teras y de Petas)

procedentes de muchas fuentes: noticias, precios de mercado, redes sociales, correos,

llamadas, sms, actividad de clientes, actividad propia… Si no existe volumen elevado de datos

¿tiene sentido aplicar Big Data?

El ritmo al que llega la información puede llegar a ser muy elevado, dados los distintos orígenes de la información procesada. Esto hace que los sistemas Big Data tengan que

estar preparados para procesarla y analizarla para garantizar la generación de

resultados en tiempo real.

Hace referencia a la procedencia de la información. Mientras que en los sistemas

analíticos tradicionales se tiene una o varias fuentes invariables, en Big Data se toman tantas fuentes de información como sea

necesario, aunque su procedencia y estructura sea totalmente distinta.

Variedad

Dada la existencia de cada vez más fuentes de información y sobre todo el libre acceso

para que generarla, es imprescindible asegurar la veracidad de la misma para evitar la toma de decisiones basada en

información errónea.

Dado el coste de poner en práctica las infraestructuras y procesos necesarios y que

las unidades de negocio modifiquen su actividad en función de los resultados, es necesario que de la información se pueda obtener valor que justifique la inversión.

Valor

Standardrelational databases

77%

1. Gestionar el crecimiento de datos.

2. Generación de conclusiones a tiempo.

3. Talento: captación y retención.

4. Integración de fuentes de datos y silos existentes.

5. Validación de datos.6. Seguridad en los datos7. Implicación de la

organización e impacto en negocio.

RET

OS

OP

OR

TUN

IDA

DES

1. Decisiones en tiempo real2. Nuevas fuentes de

información.3. Centralización de

información: Data Lakes.4. Uso de nuevas tecnologías

(Cloud, IA…).

5. Nuevas herramientas para las unidades de negocio.

6. Ocasión para reconsiderar el modelo de negocio.

7. Ocasión para reorganizar los silos de datos y sistemas.

Volumen

Smar

t D

ata

59%

59%

Business Intelligencetools

Standard data integration tools

55%

50%

45%

45%

32%

27%

9% 5%

Data qualitymonitoring tools

CEP Technology Time series database Open-sourcedatabases

Haddoop No SQL databases Big data analytical software

HDFS Propietary databasesoftware

Volumen

Variedad

45%

Fuentes: (1) “3D Data Management”. Meta Group. Gartner- Febrero 2001; (2) “The Four V´s of Big Data”. IBM; (3) ¿Qué es Bid Data?. Oracle. (4) “Data Management Trends in Capital Markets: turning tides” KPMG y Aite Group. Enero 2016. (5) “Big Data Opportunities”, Dzone, Febrero 20175

https://www.ibmbigdatahub.com/infographic/four-vs-big-data

https://www.oracle.com/es/big-data/guide/what-is-big-data.html

https://dzone.com/articles/big-data-opportunties


Principales áreas de influencia

10

OnboardingEmisión Ventas

Global Transaction BankingCorporate and Investment Banking

CRM

Pretrade / trade Post-trade Cash Management Working Capital Trade Finance

Supervisión e Información a Reguladores

KYC / AML

Publicación Datos Maestros

Research / Analytics

Risk & Control

Risk Management

Garantías y Colateral

Gestión Posición

Análisis de Riesgos

Identificación de oportunidades

Monitorización del rendimiento de productos


Elaboración modelos predictivos

Detección de fraude

Trading de Commodities

Reporte normativo Market surveillance Trade Surveillance Suspicious Activity Trade Analysis

Gestión Órdenes

Contratos Maestros Datos Mercado

Actividad del Regulador


Fuentes: (1) “Use of Big Data Technologies in Capital Markets”. Infosys Septiembre 2015; (2) “Big Data. How it can become a differentiator”. Deutsche Bank. Octubre 2015; (3) Elaboración propia.


Algunos ejemplos

11

Trade Execution Analysis

Área Caso de Uso

Smart Data

Análisis de Sentimiento

Plataforma de Análisis

Customer Service

Análisis de noticias


Morgan Stanley intentó en 2010 analizar su portfolio con la tecnología en uso, bases de datos relacionales y grid computing,sufrieron problemas de escalado y migraron a Haddop y MapReduce para poder conseguir realizar el análisis del portfolio.

En 2013 State Street global Advisor anunció el lanzamiento de su plataforma State Street Global Exchange enfocada aproporcionar una plataforma de análisis de datos para modelar portfolios, analizar inversiones y gestión de datos.

BNP ha montado un plan a 3 años en torno a 6 dominios (Client Buying power, Risk Management, Finance, Investment Office,Transaction Advaced Analytics y Operational Process Efficiency) que generará al menos 4 MVP para final de 2018.

RBS construyó un sistema basado en herramientas de Pega Ssystems para poder analizar toda la información existenteacerca de sus clientes y poder realizar recomendaciones específicas para cada uno e incluso diseñar nuevos productos..

ING ha montado un sistema de análisis de noticias para los cerca de 300 traders de su front office que analiza e interpretaalrededor de 3 millones de fuentes de noticias, permitiendo a los traders centrarse en cada momento en lo importante.

Citi ha construido un sistema de análisis de sentimiento y noticias cuyo objetivo es predecir el precio del dólar americano yrecomendaciones de trading. Sistema desarrollado sobre Hadoop y técnicas de reconocimiento de lenguaje natural.

Fuentes: (1) “Morgan Stanley Takes On Big Data With Hadoop” Forbes Mayo 2012; (2) “Big Data in Capital Markets: At the Start of the Journey”. Thomson Reuters. 2014; (3) “Smart Data” BMP Paribas Securities Services y (4) “Exploiting Big Data, Analytics and visualization for Better Decisions and Business Growth” Finextra y Qlik. Julio 2018 (5) elaboración propia.

https://www.forbes.com/sites/tomgroenfeldt/2012/05/30/morgan-stanley-takes-on-big-data-with-hadoop/?utm_source=datafloq&utm_medium=ref&utm_campaign=datafloq#36c406ff16db

https://securities.bnpparibas.com/insights/what-is-smart-data.html

https://www.finextra.com/finextra-downloads/research/documents/23/qlik_2018.pdf


3 Cloud

12


La tecnología en un vistazo

13

Propias• Las nubes privadas están en una infraestructura bajo demanda, gestionada para un solo cliente que controla qué aplicaciones debe ejecutarse y dónde.• Son propietarios del servidor, red, y disco.• Pueden decidir qué usuarios están autorizados a utilizar lainfraestructura.

De terceros• Mantenida y gestionada por terceras personas no vinculadas con la organización.• Se mezclan los datos y procesos de varios clientes.• Aplicaciones, almacenamiento y otros recursos están disponibles al público a través de el proveedor de servicios.• El acceso a los servicios sólo se ofrece de manera remota, normalmente a través de internet.

PúblicasPrivadas Híbridas

Adicionalmente se considera relevantemencionar BPaaS, Business ProcessServices, en los que además deexternalizar la infraestructura y lasaplicaciones, se externaliza también laejecución de las actividades y procesospropios del negocio.

Hardware y virtualizadoInfraestructura escalable

Pago solo por usoSeguridad física

Ofrece servicios básicosOrientados a un negocio

Pila básica de sistemasSin coste de licenciasCurva aprendiz. baja

Aplicaciones completasSin instalación cliente

Pago tiempo o recursosServicios sin app: APISiempre actualizadas

SaaS

PaaS

IaaS

Es la evolución natural de la virtualización, la arquitectura

orientada a servicios y computo distribuido

Los usuarios ya no necesitan tener conocimientos de

servicios, aplicaciones ni el control sobre la infraestructura

Los proveedores ofrecen de forma más rápida y eficiente,

un mayor número de servicios en la red

Los usuarios acceden a servicios con transparencia

e inmediatezy con un modelo de pago

por consumo

El término cloud computing hace referencia a una concepción tecnológica y a un modelo de negocio que reúne un conjunto de ideas en un solo concepto: la nube

Desarrollo de aplicaciones orientadas a microservicios

y API vs Desarrollo de aplicaciones monolíticas.

Posibilidad de uso de contenedores y servicios de

enrutado, gestión configuración y directorio

servicios

Permite la convivencia de servicios implementados en

distintos lenguajes de programación

Reducen el Time to Market y facilitan la

implementación de una estrategia DevOps



14

OnboardingEmisión Ventas


CRM

Pretrade / trade Post-tradeCustodia

Security ServicesCash Management Working Capital Trade Finance


KYC / AML


Research / Analytics

Risk & Control

Afirmación Confirmación

Risk Management

Gestión Posición

Registro propietarios activo

Corporate Actions

Préstamos sindicados

Gestión ingresos y gastos

Pagos internacionales

Gestión financiación

Consolidación libro contable

Trazabilidad ingresos y gastos

Establecimiento condiciones

Entrega de bienes, inspección y pagos

Resolución en términos y confirmaciones

Pagos Internacionales

Información de transacciones KYC / AMLInformación de riesgos de las

entidadesTracking comercio internacional Préstamos sindicados

Garantías y Colateral

A corto plazo A largo plazo

Trade Surveillance

A medio plazo

Conectividad Mercados

Contratos Maestros Gestión Órdenes

Datos Mercado Contabilidad

Fuentes: (1) “The cloud comes of the Age in the Capital Markets”. Celent Diciembre 2016; (2) “Cloud adpotion in Capital Markets: A Perspective”. Cognizant. Abril 2014; (3) “The cloud Advantage in Capital Markets” Infosys 2018 y (4) elaboración propia.


Algunos ejemplos

15

Datos Históricos de Mercado

Área

Servicios Front to Back

Servicios de co-location

Servicios Post-Trading Derivados

Trade Finance

Research y Análisis

Plataforma Trading Minorista

Settlement productos OTC


Caso de Uso

SaaS

SaaS

IaaS

BPaaS

SaaS

SaaS

SaaS

BPaaSSaaS

PaaS

SaaS

PaaS

Kotac Mahindra Bank desarrolló en el pasado 2017 una PoC con JPMorgan Singapur de Cartas de Crédito sobre una plataforma Cloud y Blockchain que permitió reducir el tiempo de emisión de una LoC de 20-30 días a tan sólo unas horas.

FINRA, migró a AWS para crear una plataforma flexible que se puede adaptar a los cambios en las dinámicas del mercado y que ofrece a los analistas herramientas para consultar, de forma interactiva, conjuntos de datos de varios petabytes.

Nasdaq OMX migró su sistema de gestión de Datos Históricos a la infraestructura y servicios proporcionados por Amazon Web Services para poder ofrecer un “Time to Market” mejor a sus clientes y poder reducir los costes que conllevaba.

Calypso creó en el año 2017 la división de servicios Cloud con el objetivo de poder proporcionar a sus clientes un conjunto de servicios de front a back montados sobre un Cloud propio en alianza con Oracle.

El broker de productos financieros Robinhood ha migrado parte de los sistemas que soportan su plataforma de trading a AWS de Amazon, permitiéndoles alcanzar cuotas de usuario concurrentes de varios cientos de miles.

CME ha desarrollador Clearing OTC Data on-demand, como un SaaS basado en Xignite que ofrece servicios de setllement de productos OTC y proporciona datos a otros mercados accesibles vía CME Clearport.

NYSE ha creado una plataforma PaaS llamada NYSE Euronext Capital Markets Community Plaform que permite a sus clientes poder alojar en esta nube sus propias aplicaciones.

BofAML desarrollo en el 2016 una estrategia en torno a un IaaS sobre servidores IBM iData Plex con el objetivo de crear en ella sistemas de análisis de riesgos, analizando en torno a 33.000 transacciones y con un crecimiento de 2.000 por mes.

BBVA cerró a inicio de 2018 una alianza con Sernova Financial para poder hace uso de su plataforma de servicios post-trading de derivados ubicada en la nube.

Indra presentó en el año 2012 su plataforma SaaS ITECBAN que permite cubrir de forma directa el ciclo de vida de las operaciones de comercio exterior cubriendo aspectos de tesorería, financiación y documentación.

El grupo de servicios financieros SEB, selección el pasado 2017 la plataforma basada en Cloud Trade 360 de CGI, como su solución base para el negocio de Trade Finance.

Fuentes: (1) “cloud Computing for the Financial Services Industry”. Sapient Global Market; (2) “Research report on Financ ial Technologies (Fintech)”. IOSCO. Febrero 2017; (3) Otras fuentes de la industria (Morgan Stanley, JPMorgan, Deutsche Bank…) y (4) elaboración propia.


Impacto económico

16

Se estima que la inversión media en Cloud del presupuesto en infraestructra en los Mercados de Capitales crecerá hasta un 29% en 2021

20212016

Pronóstico de ingresos del servicio de nube pública mundial 2017-2021 (en billones de dólares americanos).Consideraciones:BPaaS = business process as a service; IaaS = infrastructure as a service; PaaS = platform as a service; SaaS = software as a service.Nota: Los totales no son aditivos debidoal redondeo.

Cloud Business Process Services (BPaaS) 50,1

2019

Cloud Application Infrastructure Services (PaaS)

2017 2018

24,6 46,4

18,611,9 15,0

58,4

20212020

54,1

18.615,0

Cloud Application Services (SaaS) 87,2

Cloud Management and Security Services

60,2 73,6

12,38,7 10,5

117,1101,9

16.114,1

Cloud Infrastructure Services (Iaas) 52,930,0 40,8 83,567,4

Volumen total mercado 221,1153,5 186,4 302,5260,2

Fuentes: (1) “The cloud comes of the Age in the Capital Markets”. Celent Diciembre 2016; (2) “Gartner Forecasts Worldwide Public Cloud Revenue to Grow 21.4 Percent in 2018”. Gartner. Abril 2018; y (3) elaboración propia.


Estrategia de principales Entidades Financieras (1)

17

Fuente: Credit Suisse Investor Day November 2017

UBS

Entidad

Barclays

Credit Suisse

JP Morgan

BBVA

Citigroup

UBS ha movido su plataforma de Riesgos a Azure (MicroSoft). Publica un ahorro de un 40% en costes de infraestructura. A destacar su capacidad de escalar de forma casi instantánea.

En Marzo del 2018, había movido a la nube el 17% de sus aplicaciones. Objetivo 60% en el 2020. El caso de uso de Market Data

Disminución de data-centers, de 30 a 4 (2020) utilizando tecnología cloud.

Estrategia cloud-hibrida. Cloud privada Gaia lanzada en 2016. Crecimiento anualizado del 200% en nº de aplicaciones en la nube.

Plataforma corporativa Ether, con particularidades para CIB.

Su movimiento a la nube, le ha permitido reducir 12K servidores. Estima que la combinación de RPA, cloud y migración a puestos “móviles” le ahorrarán 1B USD en 2020.

Principales “escollos” para su implantación:1. Requieren software relativamente “moderno”.2. Cibersecuridad y localización (influencia de GDPR)3. Es “más barata” (30-40% de ahorro de infraestructura) pero no para todas las aplicaciones.

(1) Datos suministrados por las Entidades de forma pública y de forma genérica para todo el grupo financiero.


4 AI. Inteligencia artificial

18


Una panoplia de métodos

19

La capacidad de cálculo y el BigData han puesto encima de la mesa una multitud de métodos que se han venido desarrollando en esta industria desde los años 70.



20

PaymentsCapital Markets Market Infrastructure Corporates

Obligaciones de Compliance y Reporting

Análisis Pre-Trade, Due Diligence

Monitorización de las inversiones realizadas por los Clientes

Tratamiento de alertas de abuso de Mercado

Gestión de Incidencias

Post-Trading Workflow

Fidelización con ofertas “a medida”

“Vigilancia” en tiempo real. Mejoras en los algoritmos de precisión

Herramientas predictivas para Trading algorítmico

Rentabilidad de las Inversiones. Uso de herramientas prescriptivas

Riesgos.- Modelos predictivos

Capital Allocation. Portfolio Allocation

Real-Time Pre/Post Trading Risk

Comercialización de servicios analíticos como “as Service”

Nuevos tipos de órdenes y modelos de Mercado

Just in time Lending

Atención personalizada en tiempo real

Comercialización de servicios analíticos como “as Service”

Predicción de impago. Mejoras en eficacia

Asesoramiento personalizado

Simplificando las operaciones habituales

Mejora y Personalización de Servicios actuales

Nuevos Servicios

Fuentes: (1) “Technology and Innovation in Europe´s Capital Marktes”. AFME Sep. 2018; (2) “The New Physics of Financial Services”. World Economic Forum. Agosto 2018; (3) “Artificial intelligence and machine learning in financial services”. Financial Stability Board. Nov 2017 y (4) elaboración propia.


Algunos ejemplos

21

Área Caso de Uso

Análisis Pre-Trade, Due Diligence

Monitorización de las inversiones realizadas por los Clientes

Rentabilidad de las Inversiones. Uso de herramientas prescriptivas

Real-Time Pre/Post Trading Risk

Riesgos

Post-Trading Workflow

Best-Execution

Goldman Sach´s Deal Link ha permitido automatizar la mitad de los 127 pasos de una IPO.

Han anunciado un partnership para implementar soluciones cognitivas de reporting, monitorización y asesoramiento de Clientes.

Su herramienta “Emerging Opportunities Engine” permite identificar Clientes interesados em invertir en Equity, de acuerdo a su posición, condiciones de mercado actuales y su histórico de operaciones.

Herramienta para informar a sus Clientes del impacto en Capital antes de realizar una determinada estrategia de Trading.

Su plataforma “Market Risk” ha sido rediseñada utilizando tecnología AI, lo que le permite gestionar más de 1 billón de sensibilidades.

Aplicación de AI a la optimización del MVA.

Equity Derivatives utiliza técnicas de Machine Learning para detectar proyecciones anómalas en los resultados de stress-Testing.

trueEX ha lanzado una plataforma de post-trade usando RPA, NLP y otras técnicas de IA.

Su plataforma “LOXM” permitirá a la unidad de negocio de European Euities, “aprender” como ejecutar órdenes a la máxima velocidad cumpliendo con los requisitos de MiFIDII de “best-Execution”.

Fuentes: (1) “Technology and Innovation in Europe´s Capital Marktes”. AFME Sep. 2018; (2) “The New Physics of Financial Services”. World Economic Forum. Agosto 2018; (3) “Artificial intelligence and machine learning in financial services”. Financial Stability Board. Nov 2017 y (4) elaboración propia.


Mapa(1) de Fintech´s en Inteligencia Artificial

22


5 Blockchain/DLT

23


La tecnología en un vistazo

24

Un DLT* es un sistema construido sobre un conjunto de tecnologías (red P2P, sellado de tiempo, criptografía…) que combinadas hacen posible gestionar información compartiendo un registro.

La información de la DLT se

transmite y guarda de un

modo extremadamente s

eguro

La información no puede ser

alterada). Cada cambio implica registrar nueva

información

Se puede programar lógica del proceso con Smart Contracts, permitiendo la

automatización de tareas

2 3 4

Blockchain es un tipo de DLT donde todos los intervinientes

tienen acceso a toda la información registrada, la información es validada

generalmente a través de mecanismos de PoW o PoS.

En muchos casos de habla de Blockchain

cuando se refiere realmente a un DLT.

5 6

Este registro se encuentra

distribuido, descentralizado y

sincronizado entre todos los nodos

del DLT

1

BlockchainToda la información se almacena en bloques de registros encadenados.

Almacenamiento

DLT

Privacidad Roles

No existe privacidad, la información está disponible a todos los usuarios.

Solo existe un rol que es capaz de leer o escribir sin restricción (más allá de la

impuesta por el uso del cifrado).

Puede estar almacenada en bloques de registros encadenados o no. No existe

restricción al respecto.

Se implementan mecanismos para incluir privacidad en la información basados en

distintos mecanismos de cifrado.

Pueden existir diferentes roles, con diferentes permisos de lectura y

escritura.



25



OnboardingEmisión

KYC / AML

Trade Post-tradeCustodia

Security ServicesCash Management Working Capital Trade Finance

Emisión de títulos


Representación contratos compra /

venta

Trading de activos de baja liquidez

Liquidación de activos

Clearing de productos derivados

Reconciliaciones

Registro propietarios activo

Corporate Actions


Gestión ingresos y gastos

Pagos internacionales

Gestión financiación

Consolidación libro contable

Trazabilidad ingresos y gastos

Establecimiento condiciones

Entrega de bienes, inspección y pagos

Resolución en términos y confirmaciones

Pagos InternacionalesGestión colateral

Información de transacciones KYC / AML

Información de riesgos de las entidades

Tracking comercio internacional


Eficiencia procesosDelivery versus

paymentPagos instantáneos

Digitalización activosy colateral

Auditorías

Trazabilidad de procesos

Reducción costes operacionales

Incremento resilienciay disponibilidad

Fuentes: (1) “The distributed Ledger Techonolgy Applied to Securuties Markets”. ESMA Enero 2017; (2) “Research report on Financial Technologies (Fintech)”. IOSCO. Febrero 2017; (3) Otras fuentes de la industria(Morgan Stanley, JPMorgan, Deutsche Bank…) y (4) elaboración propia.


Algunos ejemplos

26

Área Caso de Uso

Emisión de activos

Clearing y Settlement

Digitalización de moneda y colateral

Cash Management

Trade Finance

Fast Track Listing, construido por la CNMV, BME, Santander, BBVA, BNP Paribas, CaixaBank, Commerzbank, Société Genérale que simplifica los procesos y rebajar los tiempos necesarios en el registro de emisiones de warrants.

Linq es una solución desarrollada por Nasdaq, que permite a las compañías privadas representar la titularidad de sus acciones y gestionar los procesos que conforman fase pre-IPO.

Desde el año 2015, la Australian Securities Exchange se encuentra en un proyecto de sustitución de sus sistema de clearing y settlement, CHESS, por un nuevo sistema construido sobre un DLT.

DTCC, junto con la compañía Digital Assets, iniciaron un proyecto con el objetivo de dinamizar los procesos de clearingy settlement de REPOs con el objetivo de buscar eficiencias en los procedimientos post-trading.

FXCH ha desarrollado un sistema que permite realizar el clearing y settlement de productos Spot-FX, utilizando la tecnología Blochchain para simplificar el proceso y tratar de reducir costes.

Deutsche Börse ha desarrollado Collco, como una representación de activos aportados como colateral con el objetivo de dinamizar los procesos relacionados con la gestión de colateral.

UBS, Goldman Sachs y Citigroup han desarrollado respectivamente, USC, SETLcoin y CitiCoin como medio de digitalización de moneda con el objetivo de dinamizar procesos post-trading.

BBVA ha desarrollado una sistema de firma de préstamos corporativos sobre una plataforma blockchain, habiendo firmado una primera operación con Repsol por 75 MM€ y otra con ACS por 100 MM€.

Barclays Bank Irlanda ha creado una plataforma que gestiona cartas de crédito, facilitando los procesos de gestión de riesgo en el área de Trade Finance. En Septiembre de 2016 firmo la mi primera carta de crédito a la compañía Ornua.

Santander, junto con otros 8 bancos europeos lanzó el pasado mes de Abril la plataforma we.trade, facilitando las operaciones comerciales internacionales (pedidos, condiciones y acceso a servicios financieros).

BBVA realizó el pasado 27 de Noviembre de 2017 la primera transacción comercial entre España y México sobre la plataforma Wave, reduciendo los tiempos de la transacción de 7 o 10 días a tan solo dos horas y media.


Impacto económico

27

La Tecnología DLT / Blockchain promete

ahorros reales en los Mercados de Capitales, mejorando la eficiencia de múltiples procesos.

Hasta el 70% de ahorro potencial en

los costes de ReportingFinanciero

Entre un 30% y un 50% de ahorro en

los costes operacionales en

Compliance

Hasta un 50% de ahorro potencial en

el coste de operaciones

generales (KYC, onboarding…)

Hasta un 50% de ahorro potencial en

los procesos operacionales del

negocio

1 2 3 4

La Tecnología DLT / Blockchain aplicada

en áreas como Trade Finance puede mejorar la eficiencia operacional y generar ahorros importantes.

En el 2025, el 30% de las nuevas

operaciones se beneficiará de la tecnología DLTs

En el 2025, el 40% del comercio tradicional se moverá a una

gestión documental basada

en DLT

La tecnología DLT podría llegar a

facilitar un volumen de

negocio de 1,1 $ trillones

(americanos)

La inclusión de DLT en Trade Financepodría acortar el

tiempo de las transacciones hasta

un 90%

1 2 3 4

Fuentes: (1) “Banking on Blockchain: A value analysis for Invesment Banks”. Accenture Consulting 2017; (2) “Trade Tech – A New Age for Trade and Supply Chain Finance”. World EconomicForum. Septiembre 2018; (3) Otras fuentes de la industria (Morgan Stanley, JPMorgan, Deutsche Bank…) y (4) elaboración propia.


6 Quantum Technology

28


El ecosistema en un vistazo

29

I BM

Google

Rigetti Computing

Microsoft2

Alibaba Group

D-Wave Systems

Emerging:Honeywell

XanaduQilimanjaro3

Tellus Matrix GroupQuantika

EntanglementPartners

h-bar QuantumConsultants

Quantum BenchmarkStrangeworks

Q-CTRLQindom

ProteinQureQbitLogic

SeeQC7

Silicon QuantumComputing8

PsiQ8

Alpine QuantiumTechnologies

Zapata Computing

Cambridge QuantumComputing

QC Ware

1Qbit

Riverlane

QxBranch

lonQ4,8

QuTech5

Intel

Quantum Circuits6

BraneCell

TundraSystemsGlobal

SERVICES

APPLICATIONS LAYER

SYSTEM SOFTWARE LAYER

SYSTEMS

QUANTUM COMPUTERHARDWARE

Potentialexpansion

End-to-endproviders1

Hardware ʊsystems players

Software ʊ services players Specialists

✓ NO son más rápidos que los tradicionales.

✓ SI son más rápidos, en varios ordenes de magnitud, para cálculos que puedan ser expresados en términos de probabilidad con un número casi infinito de variables.

✓ Aplicables a los casos de uso donde seplanteen problemas complejos deoptimización.

5 QuTech was founted by TU Delf and TNO, and has collaborations with Intel and Microsoft.6 Quantum Circuits (qci) is a spinoff from Yale University.7 SeeQC is a subsidiary of Hypres.8Vision to become end-to-end provider.

1 Based on player´s ambition with varying levels of maturity and service activities.2 Multiple technologies in the labs with focus on topological qubits.3 Quilimanjaro is a spinoff from the University of Barcelona.4 AWS is invested in lonQ.

Fuentes: (1) Quantum Computing Report (quantumcomputingreport.com); (2) elaboración propia


Algunos ejemplos

30

Aunque es una tecnología incipiente, ya hay algunos anuncios del uso de la misma en el ecosistema de “Corporate & Investment Banking”

Algoritmos de Trading

Casos de Uso Actores relevantes

Optimización de Portfolios

Valoración de activos

Modelos de Riesgo de Mercado y de Crédito

Simulación de Mercado

Proveedores relevantes

Fuentes: (1) “The next decade in Quantum Computing and how to play”. Boston Consulting Group. November 2018; (2) “Capital Markets prepare to make a Quantum Leap”.-Tabb Forum. Dec 2018; (3) Elaboración propia.


7 Anexos

31


Mapa(1) de Fintech`s en el área de Mercado de Capitales

32

(1) Fuente: CBInsigths


Fintechs en la Banca de Inversión

33

Principales casos de uso Nivel de penetración (1)

ML/AI:• Análisis predictivo en valoración de empresas y en oportunidades en

M&A.• Análisis avanzado de eventos de Mercado, usando “data sources”

alternativos.• Aprendizaje supervisado aplicado a la supervisión de la operativa,

fraude y modelo de riesgos.

DLT:• Plataformas digitales para préstamos sindicados.• Recambio de Infraestructuras de Mercado con plataformas DLT.• Reingeniería de “recording” de transacciones y de procesos post-

trading.

RPA:• Automatización de operaciones, incluyendo pagos y “on-boarding” de

Clientes.

No. Of Fintechs

2 41 45 6 14

42 1 24

9 9

Primary Pre-trade Execution Post-trade Support

No. Of Fintechs ~100 ~450 ~260 ~90 ~901 Representa la proporción de Fintechs en Capital Markets en cada elemento de la cadena de valor.2 Número total de Fintechs por elemento de la cadena de valor.

Fuente: Fintech in Capital Markets 2018: Boosting productivity through technologu innovation.- BGC y Expand Research. Marzo 2018


Fuentes y referencias

34

▪ AFME.- “Technology and Innovation in Europe´s Capital Markets”. September 2018.▪ Boston Consulting Group.-

• “Fintech in Capital Markets 2018: Boosting productivity through Technology Innovation”. March 2018.• “The next decade in Quantum Computing and how to play”. November 2018

▪ CBInsights.- “Fintech Trends to watch in 2018”.▪ Credit Suisse:

• “Utilizing Technology”. Investor Day 2018. December 2018.• “Efficiency & Productivity”. Investor Day 2017. November 2017.

▪ Deustche Börse Group.- “Investor Day 2018. Roadmap 2020”. May 2018.▪ ESMA.- “The Distributed Ledger Technology Applied to Securities Markets”. January 2017.▪ Finantial Stability Board (FSB).-

• “Artificial intelligence and machine Learning in financial services”. November 2017.• “Financial Stability Implications from FinTech”. June 2017.

▪ IOSCO.- “Research report on Financial Technologies”. February 2017.▪ JPMorgan Chase.- “Strategic Update”, February 2018.▪ Oliver Wyman:

• “Whosale Banks & Asset Managers. Winning under Pressure”. En colaboración con Morgan Stanley Research.• “Global Wealth Managers”. April 2018. En colaboración con Deustche Bank.• “Whosale Payments. Disrupt from within”. 2018

▪ McKinsey&Company.- “Synergy and disruption: Ten trends shaping fintech”. December 2018.▪ Morgan Stanley Research:

• “Digitalisation in Banking: on the cusp of operational revolution? ”. March 2018.• “Valuing the Public Cloud”. June 2018.• “Public Cloud: What´s Is Worth?”.

▪ SIFMA.- “2019 Outlook. Trends in the Capital Markets”.▪ World Economic Forum:

• “The new Physics of Financial Services”. August 2018.• “TradeTech.- A new Age for Trade and Supply Chain Finance”. September 2018.• “Fintech Decoded.- Capturing the oportunity in capital Markets infraestructure”. En colaboración con McKinsey&Company.


Contacta con nosotros

35

Comunytek Consultores, S.L.

C/ Claudio Coello, 79, 1º

28001 Madrid

http://www.comunytek.com

E-mail: [email protected]

Tel: +34 91 426 01 43

Visión panorámica de las tendencias tecnológicas aplicadas ... · Infraestructura (30%) •El...

Documents

Transcript of Visión panorámica de las tendencias tecnológicas aplicadas ... · Infraestructura (30%) •El...