Una recente ricerca analizza la Probabilità di Default (Probability of Default, PD) delle imprese non finanziarie europee, valutando l’impiego di tecniche di machine learning — in particolare il metodo delle Random Forests (RF) — nell’ambito degli esercizi di stress testing del settore bancario.
L’analisi combina i dati relativi ai bilanci delle imprese, tratti dal database Orbis, con le informazioni sulle esposizioni creditizie delle banche provenienti da AnaCredit, consentendo di esaminare le interconnessioni tra imprese e intermediari finanziari e i relativi effetti sulla trasmissione degli scenari avversi.
I risultati mostrano che il modello basato sulle Random Forests presenta una maggiore sensibilità al rischio rispetto alla regressione logistica nell’ambito degli stress test. In particolare, la metodologia consente di cogliere con maggiore efficacia la natura non lineare della relazione tra la gravità dello scenario avverso e la probabilità di default delle imprese.
La ricerca propone inoltre un approccio di stress testing fondato sulla rappresentazione del sistema bancario e produttivo come una rete di relazioni tra banche e imprese, nella quale le esposizioni creditizie costituiscono un importante canale di trasmissione degli shock. La PD stimata mediante Random Forests viene così integrata nell’analisi della rete, permettendo di valutare come il deterioramento della situazione finanziaria delle imprese possa riflettersi sulla rischiosità degli intermediari.
Un’analisi più granulare degli indici di rischiosità bancaria elaborati sulla base della rete evidenzia, inoltre, la capacità della metodologia di individuare le cosiddette “tail banks”, ossia gli intermediari che presentano una maggiore esposizione agli scenari avversi. Tale caratteristica contribuisce a spiegare la maggiore efficacia delle Random Forests nel cogliere dinamiche non lineari rispetto ai modelli tradizionali.
I risultati assumono particolare rilievo per le banche centrali e le autorità di vigilanza, in quanto suggeriscono che l’impiego di tecniche di machine learning e di modelli basati sulle reti di interconnessione tra imprese e banche può rafforzare la capacità di individuare vulnerabilità e concentrazioni di rischio nel sistema finanziario. Lo studio offre, pertanto, ulteriori elementi di riflessione sull’evoluzione degli strumenti quantitativi utilizzati per la valutazione della stabilità finanziaria e per lo stress testing prudenziale.
