L’applicazione di tecniche di ML al Credit Risk Management e ai modelli IRB

Alcuni casi di successo dall’esperienza CRIF e Intesa Sanpaolo.

L’utilizzo del Machine Learning (ML) nel Risk Management e, in particolare, nei sistemi IRB ha alimentato un acceso dibattito a livello internazionale come testimoniano le diverse pubblicazioni sul tema sia da parte dell’ambienteaccademico sia del mercato bancario. Su quest’ultimo fronte, ricordiamo il consultation paper di European Banking Authority sul possibile uso del ML per i modelli di rating interni (IRB) pubblicato nel novembre del 2021.

Al centro del dibattito, sono poste alcune questioni fondamentali in merito all’adozione di metodologie di machine learning:

• potenziali benefici, ovvero gli ambiti modellistici in cui essi creano valore, quali la capacità offerta di arricchimento informativo da informazioni destrutturate e il ruolo di supporto di processi sempre più digitali;
• costi diretti e indiretti, come quelli legati alla acquisizione di nuove competenze analitiche o di nuovi asset informativi o ancora i costi derivanti dall’inazione, ovvero la mancata evoluzione verso tali metodologie in un mercato sempre più competitivo e regolamentato;
• rispetto di vincoli normativi (ad esempio, la disciplina dei modelli IRB nella regolamentazione prudenziale, GDPR, ecc.);
• livello di fiducia che si può avere in tali metodologie con particolare riguardo alla tenuta della performance del modello (gestione dell’overfitting), alla capacità di “capire” il modello (la cosiddetta, interpretabilità) e governarne tutti gli step del processo di sviluppo (human oversight sul processo) per essere così in grado di prevenire questioni di eticità e correttezza legate all’utilizzo del modello di ML.

Per fare maggiore chiarezza su questo ambito e dare risposte alle sfide poste dall’adozione del Machine Learning nel Risk Management, Banca Intesa Sanpaolo e CRIF hanno messo a fattor comune la propria esperienza nel position paper dal titolo “Machine Learning for Credit Risk management and IRB models: lessons from successful case histories”.
Dopo una breve introduzione sul machine learning e al potenziale binomio col mercato bancario, il paper propone una attenta analisi del contesto normativo di riferimento per poi rispondere alle sfide “pratiche” dell’adozione di tali metodologie attraverso cinque case history.
Il lavoro svolto da CRIF-Intesa Sanpaolo è stato presentato alla European Banking Authority (EBA) a fine marzo 2022.