• 9 Febbraio 2021

L’analisi del Rischio di Credito e gli Alternative Data

L’analisi del Rischio di Credito e gli Alternative Data

L’analisi del Rischio di Credito e gli Alternative Data 920 450 FinScience

di Eugenio Ciamprone

L’analisi del Rischio di Credito

Il rischio di credito è uno degli aspetti più rilevanti dell’attività di intermediazione finanziaria e si può definire come la possibilità che una variazione inattesa del merito creditizio di una controparte generi una corrispondente variazione inattesa del valore corrente della relativa esposizione creditizia.

Bisogna notare come nella definizione viene sottolineata la parola “inattesa”, questo perché vi sono essenzialmente due componenti di rischio, la perdita attesa (Expected Loss) e appunto quella inattesa (Unexpected Loss), e solamente l’ultima di queste costituisce la vera fonte di rischio. La perdita attesa, infatti, trattandosi di una stima ex-ante, non costituisce un vero e proprio rischio ma piuttosto un’aspettativa di costo già inclusa negli accantonamenti prudenziali dell’intermediario finanziario.

Alla luce di quanto appena detto, appare scontato affermare che al fine di minimizzare le perdite inattese è di fondamentale importanza per l’intermediario finanziario effettuare un’attenta gestione del rischio di credito attraverso una corretta valutazione delle controparti e una corretta allocazione degli impieghi.

Come già ribadito, la condizione necessaria perché si possa presentare un rischio è che risulti una variazione inattesa di una posizione creditizia, e tale rischio non riguarda solamente la possibilità di insolvenza di una controparte, ma anche un deterioramento del merito creditizio della stessa.

Il rischio di credito, infatti, non riguarda solamente il rischio di insolvenza ma è possibile distinguerne differenti tipologie: 

  • il Rischio di downgrading e dunque la possibilità che si deteriori il merito creditizio di una controparte;
  • il Rischio paese se la controparte ha sede legale in un paese con profilo di rischio elevato;
  • il Rischio di spread se a parità di default aumenta lo spread e quindi il grado di copertura richiesto;
  • il Rischio di esposizione se l’esposizione verso una controparte aumenta al verificarsi del default;
  • il Rischio di concentrazione se si detiene un portafogli con un basso grado di diversificazione;
  • il Rischio di recupero che si verifica se il tasso di recupero di un’esposizione si rivela inferiore a quanto previsto.

Vediamo di seguito come viene misurato il rischio di credito, e in che modo l’utilizzo dei Big Data, del Machine Learning e degli Alternative Data può impattare positivamente su questa attività.

I modelli di Credit Scoring

La misurazione del rischio di credito si concretizza in un processo di assegnazione di un punteggio per stabilire la solvibilità creditizia di una controparte. I modelli di scoring, infatti, vengono utilizzati per effettuare delle previsioni riguardo le probabilità di insolvenza o meno di una controparte, al fine di decidere se concedere o meno un finanziamento.

I modelli di scoring assegnano un punteggio alla controparte e di conseguenza una specifica classe di rating. Alla base del processo di assegnazione del punteggio vi sono valutazioni di tipo economico-finanziarie per l’impresa o socio-demografiche se si tratta di un soggetto.

Un aspetto costante, invece, è l’utilizzo di informazioni storiche come l’analisi della vita creditizia di un soggetto o quella dei bilanci per un’impresa. Per questo motivo molto spesso si prendono decisioni su eventi passati e non sulla situazione reale attualmente in capo alla controparte.

Costruire un modello di scoring vuol dire disporre di un campione di comportamenti affidabili o insolventi di controparti e individuare le variabili che hanno caratterizzato l’evento di insolvenza. Ma spesso anche le informazioni relative allo storico sono carenti o non disponibili e dunque l’intermediario si trova in una situazione di scarsità di dati. Inoltre, i continui mutamenti normativi e di mercato possono rendere poco incisive le evidenze che emergono da un’analisi dello storico.

Per risolvere tali problematiche, o almeno mitigarne gli impatti, ci vengono in aiuto i Big Data e l’analisi dei dati alternativi. I dati presenti sul web e sui social, se analizzati e gestiti correttamente, permettono di ottenere in anticipo indicazioni su mutamenti del mercato e di conseguenza su possibili modifiche del grado di solvibilità di una controparte. Il solo dato storico non è più efficace se non supportato dall’analisi dei dati attuali.

 Gli Alternative Data nell’Analisi del Rischio di Credito

L’utilizzo dei Big Data e delle tecniche di Machine Learning permette di intercettare e di analizzare grandi moli e differenti tipologie di dati in continuo aggiornamento. L’applicazione di queste tecniche ai modelli di credit scoring permette di migliorarne notevolmente le performance.

Attraverso l’utilizzo del Machine Learning inoltre, si può trarre il massimo beneficio dal corretto utilizzo del set informativo a disposizione, in modo tale da acquisire un vantaggio competitivo nell’ottimizzazione dei processi decisionali.

In particolare, per intercettare nuovi set informativi e affiancare l’analisi dei dati storici tradizionali occorre utilizzare gli Alternative Data, ovvero dati ottenuti da fonti non tradizionali che possono migliorare le performance del credit scoring nell’analisi e nella gestione del rischio di credito. 

L’analisi con gli Alternative Data consente di intercettare in anticipo possibili situazioni o avvenimenti nel settore di riferimento che possono impattare sulla solvibilità di clienti o fornitori. Inoltre, gli Alternative Data consentono anche l’individuazione dei cosiddetti segnali deboli, informazioni apparentemente casuali o inizialmente poco inerenti ma che collegate ad altre possono essere riconosciute come significative per prevedere il grado di solvibilità di una controparte.

SCOPRI GLI ALTERNATIVE SCORES DI FINSCIENCE

Datrix Data Breakfast

Le newsletter di approfondimento del gruppo Datrix

Trend, novità e casi studio sull'applicazione di dati e Intelligenza Artificiale a Marketing & Sales, Investing e Publishing.

Iscriviti subito