Marzo 2021
Coordinatori: Rossella Locatelli (Università degli Studi dell’Insubria) e Fabio Salis (Creval)
PMO: Giovanni Pepe (KPMG)
Contesto
Nell’ultimo decennio un accesso più agevole alla capacità computazionale e la disponibilità di nuove informazioni attinenti ad individui ed imprese, anche legati all’utilizzo diffuso di Internet, hanno creato le condizioni per lo sviluppo e l’applicazione di tecniche di intelligenza artificiale nell’attività di impresa.
In ambito bancario, un aspetto di grande rilevanza consiste nell’applicazione di queste tecniche al settore di Credit Risk Models, per più motivi.
Innanzitutto, le banche da molti anni utilizzano modelli per la valutazione del rischio di credito. Si tratta di modelli sviluppati con approcci “tradizionali” e basati sulla raccolta e l’utilizzo di dati di tipo strutturato.
Grazie a questi modelli il Credit Risk Management ha conquistato un ruolo cruciale nella gestione aziendale e nell’interlocuzione con le Autorità di regolamentazione. Le evoluzioni del contesto richiedono ora ai Credit Risk Manager di affrontare una nuova sfida, legata all’utilizzo di informazioni “nuove”, anche non strutturate, e di tecniche di Artificial Intelligence.
Per vincere questa nuova sfida i risk manager dovranno essere in grado sfruttare le potenzialità offerte da tecniche e dati nuovi senza tralasciare il tema della interpretabilità e prestando la dovuta attenzione agli aspetti etici, che l’impiego dell’Intelligenza Artificiale sempre pone.
L’importanza della tematica è enfatizzata dal fatto che dal 2019 è in vigore la direttiva europea sui servizi di pagamento, c.d. PSD2, che nel tempo consentirà alle banche l’accesso a nuove informazioni, che dovranno essere sfruttate nel modo più accurato possibile.
Inoltre, la forte discontinuità creata dalla crisi economica da COVID-19 ha dimostrato come l’impiego di dati alternativi, ad esempio quelli transazionali, possa supportare la capacità predittiva dei modelli in presenza di un regime change, che i modelli tradizionali fanno fatica a scorgere.
I principali operatori hanno già intrapreso passi significativi in questa direzione, creando quindi le condizioni per una riflessione su come i dati alternativi, e.g. dati transazionali, possano essere inclusi nei modelli di rischio di credito e quali tecniche di modelling alternative possano essere utilizzate per coglierne il valore aggiunto.
Nell’ambito di tale riflessione potrà anche essere valutato quali specifici elementi di attenzione siano necessari per utilizzare i nuovi approcci in ambito regolamentare.
Obiettivi della Commissione
La Commissione si pone innanzitutto l’obiettivo di pervenire a una rappresentazione delle aree di utilizzo di tecniche e dati alternativi nell’ambito dei modelli di Credit Risk Management.
Ciò fatto, la Commissione ha l’ambizione di identificare ed analizzare diversi approcci metodologici per l’utilizzo di tecniche e/o dati alternativi a fini manageriali e regolamentari.
Il presupposto per l’avvio della Commissione è che la combinazione di tecniche di modellistica tradizionali e tecniche di Artificial Intelligence e l’utilizzo di dati alternativi, può aumentare la capacità predittiva dei modelli di rating, permettendo una maggiore discriminazione del rischio.
I modelli di rating manageriali e regolamentari prevedono attualmente l’utilizzo di dati tradizionali (i.e. andamentali, finanziari, anagrafici etc.) nei modelli di rating e di tecniche di modellizzazione tradizionali (i.e. regressioni lineari, regressioni logistiche, alberi decisionali etc).
Nel combinare tecniche e dati tradizionali con tecniche e dati alternativi, si possono indagare diverse soluzioni:
– È possibile incrementare il set informativo di partenza, aggiungendo ai dati tradizionali quelli alternativi e modellandoli con tecniche alternative.
– È possibile sfruttare al massimo il potere informativo dei dati alternativi (ad es. transazionali, reputazionali), modellandoli con una combinazione di tecniche tradizionali e alternative, anche con approcci a due stadi.
Nel primo caso, il solo utilizzo di tecniche di Artificial Intelligence permette di sfruttare maggiormente il potere informativo dei dati a disposizione, incrementando le performance dei modelli e quindi la capacità di discriminare il rischio, elemento di grande importanza in generale ed in particolare in un contesto di notevole incertezza, quale quello successivo alla crisi da COVID-19.
L’utilizzo di un approccio c.d. “two-step”, ovvero l’aggiunta di una componente modulare sviluppata con tecniche alternative a valle di un modello sviluppato con tecniche e dati tradizionali, permette di bilanciare problemi di performance e interpretabilità.
Tale circostanza assume rilievo in relazione al fatto che l’applicazione di tecniche alternative conduce ad una maggiore accuratezza dei modelli di rating, ma provoca una loro maggiore complessità e quindi difficoltà nella loro interpretazione, che non sussistono invece nel caso dei modelli tradizionali.
Il tema della interpretabilità dei modelli assume poi specifica rilevanza nel contesto dell’applicazione dei modelli di rating ai fini regolamentari.
A titolo esemplificativo e non esaustivo il Position Paper approfondirà i seguenti aspetti metodologici:
– Come includere i dati alternativi nei modelli di rischio di credito
– Come selezionare il migliore algoritmo di Machine Learning
– Come utilizzare le tecniche di Artificial Intelligence e prevenirne le problematiche etiche e di tutela della privacy
– Two-stage approach per l’inclusione della componente di Machine Learning nei modelli per il rischio di credito
– Come interpretare i risultati dei modelli di Artificial Intelligence
– Come utilizzare i “nuovi” modelli per il rischio di credito ai fini regolamentari
Avvio dei lavori
Gli interessati sono pregati di iscriversi con una mail a amministrazione@aifirm.it. Si ricorda che la partecipazione ai lavori è riservata ai soli soci AIFIRM.
Tempistica
La finalizzazione del Position Paper è prevista per fine settembre 2021
