Consulenza finanziaria evoluta: come integrare investimenti e assicurazioni, un caso pratico
La resilienza finanziaria è fondamentale, le avversità possono colpire in qualunque momento patrimonio, lavoro, salute e affetti. Diciamo che recentemente ne abbiamo avuto un bell’assaggio.
Tuttavia, anche se un certo senso d’incertezza è diventato familiare a molti di noi, non sono altrettanto familiari le soluzioni che portano alla resilienza finanziaria, un obiettivo primario della cosiddetta “consulenza evoluta”, sulla quale molti intermediari finanziari puntano e che consiste nell’integrare investimenti, protezioni assicurative ed eventuali finanziamenti.
Eccovi allora un caso pratico per capire come funziona la suddetta integrazione, usando la strumentazione tecnologica che vi mettiamo a disposizione noi di Virtual B.
Il cliente: situazione di partenza
Ipotizziamo il seguente caso.
Capire la probabile evoluzione del patrimonio investito è il primo passo, ed è ormai un grande classico di qualsiasi consulente finanziario: il grafico seguente mostra l’evoluzione della gestione patrimoniale nei successivi trent’anni.
Si tratta di una simulazione Monte Carlo, nella quale in ogni istante futuro il rendimento del portafoglio è considerato incerto, ed è rappresentato da una distribuzione di probabilità che incorpora eventi estremi come crisi finanziarie, recessioni, pandemie. Insomma, “fat tails”.
Fatto 100 l’investimento oggi, la simulazione genera migliaia di traiettorie possibili, dalle migliori alle peggiori, evidenziando le situazioni più probabili (in questo caso, lo scenario “base”, ossia la traiettoria mediana).
Questo tipo di analisi è fondamentale. Ma non è abbastanza.
Andare oltre: includere il passivo di un individuo
Guardare soltanto l’attivo significa ignorare “the dark side of the moon”, cioè il passivo di un individuo o di una famiglia.
Il passivo ha molti volti. Può essere un mutuo (o altro prestito), ma anche un evento aleatorio e improvviso, come la perdita del reddito lavorativo (la pandemia ha insegnato qualcosa in merito), o un evento legato alla salute. Cose che implicano uscite di cassa, a volte grandi. Di fronte a queste ipotesi si può reagire con gli scongiuri, ripetendosi come nei film “andrà tutto bene”. Oppure, più razionalmente, si possono usare gli strumenti appropriati per proteggersi: i contratti di assicurazione.
Il punto, però, che ogni buon consulente sa, non è attivare protezioni assicurative in modo approssimativo o sulla base del livello di ansia percepita, bensì sulla base di un check-up puntuale, basato sui seguenti punti.
Ed ecco che entra in gioco il Machine Learning, grazie al quale dai dati a disposizione si ricavano i bisogni del cliente (e altri aspetti del profilo finanziariamente rilevanti): sostanzialmente, emergono dallo “statistical learning” della sua storia di cliente, dai dati socio-demografici, dai suoi comportamenti finanziari e da quelli di soggetti simili, da eventi accaduti a persone come lui.
Nel caso del nostro cliente, il check-up basato su Machine Learning individua tre bisogni non attualmente soddisfatti da alcun prodotto:
A questo punto entra in gioco l’iALM: in base ai dati di soggetti come lui, dalle probabilità di andare incontro a gravi malattie ai costi a queste associati (un processo stocastico), viene generata una serie di scenari relativi alla sua salute, che vanno a integrare quelli puramente finanziari già visti in precedenza.
Si nota subito che nei successivi 20 anni l’estremo inferiore del cono probabilistico che rappresenta il patrimonio complessivo del cliente si abbassa drasticamente: questo perché potrebbe perdere l’autosufficienza, magari a 70-80 anni, con grossi esborsi per cure e assistenza. Il patrimonio, nei casi peggiori, si può azzerare.
Con il quadro completo del cliente fornito dai dati, emerge che l’indice di benessere finanziario, il FWI, è bassino:
Il messaggio ricavato dai dati è chiaro:
- i mercati attraversano crisi, ma su archi temporali lunghi la storia ci insegna che la probabilità di rendimenti negativi (cioè di intaccare il capitale) è piccola (si veda il grafico seguente);
- la probabilità che una persona di 65 anni perda l’autosufficienza per un periodo lungo è del 52%, e questo può mandare in rovina una persona o una famiglia;
- il FWI riflette tutto ciò.
Migliorare il benessere finanziario del cliente
Ma vediamo cosa succede se si utilizza attivamente l’iALM: si tratta di ottimizzare congiuntamente attivo e passivo del cliente, mirando al massimo benessere finanziario del cliente. Utilizziamo vari algoritmi, sia di programmazione matematica, sia euristiche, che hanno come obiettivo la massimizzazione del FWI.
Nel caso specifico, l’algoritmo suggerisce come prima mossa l’acquisto di una polizza Long Term Care (LTC). E allora le prospettive patrimoniali del cliente cambiano. Drasticamente.
Il cono probabilistico associato al patrimonio si è normalizzato, i pesantissimi “drawdown” sono scomparsi, perché il rischio è stato neutralizzato dal contratto LTC. Il valore atteso e il minimo si riducono un po’, per via del premio ricorrente dell’assicurazione LTC. Ma la situazione patrimoniale è sostenibile, anche nei casi peggiori.
Questa è la resilienza finanziaria. E in queste condizioni, ha assolutamente senso proporre una maggiore esposizione a rischi finanziari (per esempio più azionario, o Megatrend, visto che l’orizzonte temporale è lungo). Ciò, in tutto o in parte, contribuisce nel lungo termine a ripagare il premio assicurativo. Discorso analogo per gli altri bisogni insoddisfatti.
Questa è un’analisi dinamica, che si aggiorna al cambiare delle situazioni, anche solo perché passa il tempo e il cliente invecchia. Ne emerge una situazione sempre aggiornata dei bisogni dei clienti e delle soluzioni personalizzate: questa è una consulenza finanziaria orientata al lungo termine, in grado di aggiungere valore più della spesso vana ricerca dell’alfa della gestione, che (sempre dati alla mano) è sfuggente, se non inesistente.
Una simile strumentazione aiuta il financial advisor nella consulenza a tutto tondo degli aspetti patrimoniali (la gestione “olistica” del cliente, che include investimenti, assicurazioni, finanziamenti). E fa capire al cliente il significato di prodotti e soluzioni che possono apparire lontane dal suo mondo.
Noi in Virtual B ci occupiamo di questo e abbiamo già aiutato migliaia di advisor a lavorare meglio. Per una demo dei nostri tool, potete contattarci al link sottostante e scoprire come applicare le logiche del Machine Learning ai vostri processi aziendali.