• artificial intelligence
• Intelligenza artificiale

Il rischio di credito emerge come una delle maggiori cause di perdita per le banche, rivestendo un'importanza fondamentale anche per gli organi di vigilanza bancaria, poiché incide in modo decisivo sul calcolo dei requisiti minimi di capitale prescritti dalle normative. Queste ultime mirano a instaurare un solido sistema di vigilanza patrimoniale, attraverso l'istituzione di cuscinetti e riserve di capitale ogni volta che una banca si espone al rischio di credito. L'accumulo di tali riserve ha lo scopo di fornire alle banche gli strumenti necessari per affrontare i rischi di liquidità e mantenere la stabilità anche quando alcune esposizioni si rivelano inadempienti o problematiche, fallendo nel rimborso dei debiti.
L'obiettivo ultimo è preservare la stabilità finanziaria sia dell'istituzione bancaria sia dell'intero sistema economico.
Le banche hanno la possibilità di adottare modelli standardizzati, che si allineano alle normative per la formazione di cuscinetti patrimoniali, o di optare per sistemi basati sui rating interni. Questi ultimi impiegano metodologie statistiche come i modelli logit e probit, basandosi sui dati storici dei debitori, o tecniche di machine learning, per valutare il rischio. Nonostante ciò, tali modelli possono incontrare limiti nella loro capacità di prevedere gli eventi di default.
La presente tesi è strutturata in due sezioni principali: la prima offre uno sguardo d'insieme alla gestione del rischio di credito all'interno delle banche, analizzando sia il quadro normativo sia le strategie di misurazione impiegate. La seconda sezione invece, si concentra sui modelli attuali di probabilità di default, che si avvalgono di dati storici e finanziari per effettuare analisi statistiche e elaborare modelli. Questi strumenti sono progettati per permettere alle banche di gestire vasti volumi di dati, facilitando la previsione della probabilità di default.
Negli ultimi anni, il panorama globale ha subito cambiamenti significativi a causa di eventi come la crisi finanziaria del 2008, la digitalizzazione e la globalizzazione.
La recente pandemia di Covid-19 ha ulteriormente accentuato l'incertezza, coinvolgendo temi come la gestione dell'emergenza sanitaria, l'efficacia dei vaccini e gli impatti economici a lungo termine. In questo contesto, il sistema bancario è cruciale nel fornire il supporto necessario per superare l'emergenza e adattarsi al "new normal". Le banche devono focalizzarsi sull'analisi prospettica del merito di credito, considerando fattori che influenzano i rapporti creditizi privati e il successo delle imprese nel medio-lungo termine.
Attualmente, i metodi di rating interno si basano su informazioni retrospettive, con limiti evidenti in situazioni di discontinuità. La necessità di modelli più orientati al futuro è stata evidenziata già dopo la crisi del 2008. Le linee guida EBA sottolineano l'importanza di una visione prospettica integrata per la concessione e il monitoraggio dei prestiti.
In sostanza, il rischio di credito, ovvero la possibilità che un'azienda o un ente privato non rimborsi un prestito, è una delle principali fonti di perdite per le banche. Misurare questo rischio è fondamentale anche per la vigilanza sui servizi finanziari, influenzando i requisiti minimi di capitale che le normative richiedono alle banche.
Le banche utilizzano modelli statistici, basati su dati storici per valutare il rischio di credito. Tuttavia, questi modelli presentano limiti nella previsione degli eventi di insolvenza. Nella prima parte, la tesi fornisce una panoramica sul rischio di credito, approfondendo la tematica del rating il suo utilizzo e il contesto normativo di riferimento.
Nella seconda parte della tesi si esplorano le metodologie standard e una specifica metodologia basata sui rating interni impiegata da grandi banche come Intesa Sanpaolo, Crédit Agricole, BPER Banca e Banca Mediolanum per gestire il rischio di credito. Questa sezione mira a delineare in modo dettagliato i diversi approcci adottati nel campo della gestione del rischio di credito, con un focus particolare sulle evoluzioni delle tecniche di misurazione. Si evidenzia l'importanza storica di tali tecniche, fondamentali per l'evoluzione degli approcci tradizionali di credit scoring e per lo sviluppo di modelli di Probability of Default (PD). Particolare attenzione viene data all'analisi statistica dei dati attraverso l'uso di codici, che consente un approccio metodico per affinare i modelli di credit scoring e di PD. Questo approccio, puramente statistico si basa su un'analisi quantitativa rigorosa per migliorare la precisione nella valutazione del rischio di credito.
La terza e ultima parte si concentra sull'implementazione di approcci innovativi, strettamente correlati alla crescente diffusione dell'intelligenza artificiale. Attraverso l'utilizzo di modelli di machine learning di nuova generazione, l’obiettivo è quello di illustrare la creazione di metodologie all'avanguardia per la valutazione della probabilità di default, dello scoring creditizio quindi per la gestione del rischio di credito. Questi approcci si basano su analisi passate e sull'impiego di indicatori economici e patrimoniali, ma integrano anche l'innovazione tecnologica e l'efficacia delle tecniche di intelligenza artificiale. In linea con il progresso tecnologico, è necessario fare riferimento allo sviluppo di nuovi modelli in grado di elaborare un vasto insieme di informazioni. L’allenamento e l'addestramento di modelli avanzati, permette di creare strumenti che, combinati con l'intuito e l'esperienza umana, possano fornire previsioni essenziali per prevenire situazioni di default.