Physical Climate Risk Model Developer, Vice President

La missione principale consiste nel tradurre i rischi fisici legati al clima e alla natura in rischi finanziari e creditizi quantificabili. Ciò significa sviluppare modelli di rischio, esposizione, vulnerabilità e impatto; creare pipeline geospaziali basate su complessi set di dati climatici e relativi ai singoli asset; e tradurre i fattori scientifici in metriche utilizzabili per prove di stress, analisi di scenario e analisi di portafoglio. Il ruolo prevede inoltre di integrare modelli esterni e pubblici di rischio con i dati interni di Citi su rischio e portafogli. Oltre alla modellizzazione, la posizione ha una forte componente di governance. Ti occuperai di analisi di sensibilità, benchmarking e test dei modelli, scriverai codice analitico pronto per la produzione e redigerai la documentazione tecnica necessaria alla convalida da parte della funzione Model Risk Management e alle verifiche normative. Dovrai presentare i risultati sia a interlocutori tecnici sia a un pubblico non specializzato. Nel lungo periodo, l’obiettivo è integrare una quantificazione attendibile del rischio fisico nei processi con cui Citi identifica, misura e rendiconta il rischio climatico tra portafogli, settori e aree geografiche, rendendo il framework della banca solido agli occhi delle autorità di vigilanza e utile per l’attività aziendale.

Questo ruolo si colloca in un punto d’incontro davvero raro tra modellizzazione delle catastrofi, scienza del clima e gestione del rischio bancario. È probabile che chi lo ricopre approfondisca le metodologie di modellizzazione CAT adottate nel settore, i modelli meteorologici e di rischio di fornitori esterni e fonti pubbliche, nonché i requisiti normativi che orientano la rendicontazione del rischio climatico in una banca globale di rilevanza sistemica. Sul piano tecnico, potrai sviluppare competenze pratiche nell’analisi geospaziale, nell’inferenza bayesiana, nella statistica spaziale e nell’apprendimento automatico applicati a enormi set di dati ambientali e relativi agli asset, spesso disomogenei. Scrivere codice pronto per la produzione in un ambiente tecnologico controllato è una competenza distinta dalla creazione di prototipi di ricerca, e questa posizione permette di acquisirla. Anche l’esperienza in ambito governance ha un valore significativo. Preparare metodologie per la convalida MRM e per i requisiti normativi offre a chi si occupa di modellizzazione la credibilità necessaria per passare in futuro alla gestione del rischio dei modelli, alle politiche sul rischio climatico o a ruoli di leadership più ampi nell’ambito della gestione del rischio aziendale.

L’annuncio specifica chiaramente che è richiesta una laurea specialistica o un dottorato in una disciplina quantitativa legata ai rischi naturali, come idrologia, meteorologia, scienze del clima, scienze ambientali o biologiche, statistica, fisica, ingegneria o matematica. A questo si aggiungono da sei a dieci anni di esperienza applicata nella modellizzazione quantitativa, nella data science, nel rischio climatico, nella modellizzazione CAT o nell’analisi dei rischi ambientali: l’asticella è alta. Sul piano tecnico, il profilo ideale combina modellizzazione statistica o machine learning con una solida padronanza di Python, SQL e Unix/Linux, oltre a esperienza comprovata con dati relativi a pericolosità, esposizione e vulnerabilità. La familiarità con i modelli catastrofali dei fornitori e con le fonti di dati climatici conta più di una generica esperienza bancaria. Anche le competenze relazionali sono tutt’altro che secondarie. Il ruolo prevede collaborazioni con fornitori, team di prima e seconda linea e sponsor aziendali: saper illustrare con chiarezza la progettazione, le ipotesi e i limiti dei modelli — e accogliere critiche fondate con professionalità — è importante quanto la modellizzazione stessa.

Poiché i requisiti sono insolitamente specifici — una laurea specialistica o un dottorato in una disciplina attinente ai rischi naturali, oltre a 6–10 o più anni nella modellizzazione dei rischi CAT, climatici o ambientali — il CV dovrebbe mettere subito in evidenza questa combinazione, non presentare un profilo generico di data science. Indica i rischi e i modelli su cui hai lavorato, i dataset utilizzati e se il tuo lavoro ha contribuito agli stress test o alla reportistica normativa. Considerata l’enfasi di Citi sulla governance dei modelli, rappresenta un forte elemento distintivo aver redatto documentazione per comitati di convalida o autorità di vigilanza. Sono particolarmente pertinenti esempi concreti di conversione dei risultati sui rischi fisici in metriche finanziarie o di impatto sul credito, e di implementazione di modelli in ambienti di produzione controllati. Ai colloqui, preparati a illustrare un modello che hai sviluppato dall’inizio alla fine: ipotesi, sensibilità, criteri di benchmark e limiti. Citi attribuisce esplicitamente valore alla capacità di affrontare obiezioni fondate e comunicare con chiarezza a interlocutori non tecnici; esercitati quindi a spiegare in modo semplice il tuo lavoro più tecnico.

In questo caso, la sostenibilità riguarda la quantificazione del rischio climatico, non la riduzione delle emissioni. Il ruolo è incentrato sul versante fisico del rischio climatico: eventi acuti come alluvioni e tempeste, cambiamenti cronici come l’aumento delle temperature e del livello del mare e, sempre più, i rischi legati alla natura. Il lavoro alimenta le analisi di scenario e gli stress test di Citi. Questa attività è alla base del modo in cui una banca sistemica globale valuta gli effetti finanziari dei cambiamenti ambientali: quali attività, settori e aree geografiche sono esposti, quanto sono vulnerabili e quali conseguenze ne derivano per il credito e la stabilità dei portafogli. È quindi centrale per adempiere agli obblighi normativi relativi al rischio climatico. Più in generale, Citi si è impegnata ad allinearsi all’obiettivo zero emissioni nette e a raggiungere traguardi di finanza sostenibile. Il contributo di questo ruolo è però soprattutto analitico: fornire evidenze quantitative solide e sottoposte a governance, affinché la banca possa valutare e gestire i rischi ambientali, non limitarsi a rendicontarli.

La difficoltà maggiore riguarda i dati. I dataset su pericolosità fisica, esposizione e vulnerabilità sono frammentari, utilizzano scale non uniformi e spesso sono controllati dai fornitori. Prima ancora di iniziare a modellizzare, chi ricopre questo ruolo dovrà quindi dedicare tempo a reperire, armonizzare e convalidare gli input. L’allineamento geospaziale tra portafogli e aree geografiche aggiunge un ulteriore livello di complessità. Una seconda sfida è tradurre i risultati. Gli output scientifici e dei modelli di pericolosità raramente si convertono direttamente in metriche finanziarie; conciliare orizzonti temporali, periodi di ritorno e ipotesi di scenario con i framework del rischio di credito richiede capacità di giudizio, sottoposte all’esame del team di Model Risk Management. Infine, c’è la tensione legata alla governance: i modelli devono essere abbastanza innovativi da cogliere i rischi emergenti connessi al clima e alla natura, ma anche sufficientemente stabili, documentati e difendibili da superare la convalida e soddisfare le autorità di vigilanza. È probabile che buona parte della pressione quotidiana derivi proprio dal trovare questo equilibrio.

Una giornata tipo alterna lavoro tecnico approfondito e coordinamento. Ci si può aspettare di dedicare diverse ore alla scrittura e al debug di pipeline in Python e SQL, all’elaborazione di layer geospaziali sui rischi e all’integrazione di dataset dei fornitori con i dati interni sui portafogli, oltre a eseguire test di sensibilità o benchmark sui modelli in fase di sviluppo. Gran parte dell’agenda, tuttavia, è dedicata alla collaborazione. Il ruolo lavora con fornitori esterni per reperire dati e con i team di prima e seconda linea per progettare funzionalità di valutazione del rischio climatico; sono quindi frequenti le riunioni con i team tecnologici, di model risk e con gli sponsor aziendali. Anche la documentazione per la governance e la convalida richiede tempo con regolarità. Il ritmo varia a seconda del ciclo di lavoro: nei periodi più tranquilli prevalgono sviluppo dei modelli e ricerca; durante gli stress test, la preparazione delle comunicazioni normative o le revisioni di convalida, aumentano invece le attività di test, redazione e presentazione dei risultati a interlocutori tecnici e non tecnici.

La visibilità è uno dei principali vantaggi. Poiché la modellizzazione del rischio climatico fisico alimenta stress test, analisi di scenario e reportistica normativa in una banca sistemica globale, il lavoro di qualità viene notato ben oltre il team di riferimento: dai responsabili del rischio a livello aziendale, dal team di Model Risk Management e dalle autorità di vigilanza. Da questa posizione si può proseguire specializzandosi ulteriormente nell’ambito di Climate Risk Analytics, passare a ruoli di responsabilità più ampi nel rischio aziendale o nel model risk, oppure spostarsi verso la finanza sostenibile e le funzioni di strategia climatica. La combinazione di competenze quantitative approfondite ed esperienza di governance è spendibile nel settore bancario, assicurativo e nella consulenza. Inoltre, Citi inserisce il ruolo in una vasta organizzazione dedicata a dati, analytics, reporting e tecnologia. Questo offre occasioni di confronto con l’ingegneria dei dati, l’implementazione tecnologica e i programmi interfunzionali, ampliando notevolmente le possibili traiettorie professionali di chi si occupa di modellizzazione.

All’interno dell’azienda, le collaborazioni più strette sono con il team Climate Risk Analytics, nell’ambito di Credit, Climate and Obligor Risk Analytics, e con i colleghi dell’organizzazione Data, Analytics, Reporting and Technology. I team tecnologici sono interlocutori costanti, perché i modelli devono essere implementati in ambienti di produzione controllati. Al di fuori del team diretto, il ruolo collabora con la First Line of Defence per definire i requisiti e reperire i dati, e con le funzioni di Second Line, tra cui Model Risk Management, per la convalida e la governance. Sponsor aziendali e analisti di portafoglio utilizzano i risultati, perciò presentarli a interlocutori non tecnici è un’attività ricorrente. Tra gli interlocutori esterni figurano i fornitori di dati climatici e di modelli catastrofali, con cui il ruolo valuta e integra i modelli e collabora sui dati relativi a pericolosità, esposizione e vulnerabilità. Le autorità di vigilanza sono un pubblico meno frequente ma di grande rilievo, raggiunto indirettamente tramite la documentazione e la reportistica.