CERIS-CNR Modelli di intelligenza artificiale: Default Risk e Rating Analysis G. Calabrese, G. Falavigna e A. Manello Ceris-Cnr Moncalieri Convergeing.

CE

RIS

- CN

R

Modelli di intelligenza artificiale: Modelli di intelligenza artificiale: Default Risk e Rating Analysis Default Risk e Rating Analysis

G. Calabrese, G. Falavigna e A. ManelloCeris-Cnr Moncalieri

Convergeing Technologies: ICT4LAWSecondo incontro WP11

Moncalieri, 31 maggio 2010

2/27

Risk Default and Management Risk default (valutazione tecnica)

Bilanci delle imprese fallite Analisi per imprese con serie storiche di bilancio limitate Società di persone Perché le imprese non falliscono?

Impatto del cambiamento normativo sui bilanci Normative ambientali Riduzione dei tempi di pagamento Ricapitalizzazione delle imprese

Risk default (valutazione tecnica + soggettiva) Interpretazione semantica dei documenti

Nota integrativa Web Relazioni

3/27

Premessa I modelli sviluppati dal Ceris-CNR relativi al rischio di

insolvenza aziendale sono nati nel progetto FIRB

“Softcomputing techniques (neural networks and genetic algorithms) for the analysis of complex

systems applied to modern finance”

Obiettivi principali della ricerca sono stati quelli di elaborare dei modelli di rating, sulla base di quanto previsto dall’Accordo di Basilea2

4/27

Il punto di partenza Il calcolo della probabilità di default e i modelli

tradizionali di rating sono di difficile applicazione quando i dati sono scarsi e si è in possesso di un solo bilancio Società di capitale con dati non dettagliati Società di persone

Il calcolo della probabilità di default e i modelli tradizionali di rating richiedono molto tempo per il caricamento dei dati

SEMPLIFICAZIONE

5/27

Voci di bilancio richieste

Attivo patrimoniale Crediti verso soci Totale immobilizzazioni Capitale circolante lordo

Passivo patrimoniale Capitale proprio Fondi rischi Totale debiti

Conto economico Valore produzione Totale costi della produzione Oneri finanziari

6/27

Obiettivi Calcolare la probabilità di default delle imprese

partendo dai bilanci delle imprese fallite e costruire un modello autonomo di rating con pochi dati e un solo anno?

Costruire un modello che simuli i giudizi di rating assegnati alle imprese da una riconosciuta agenzia di rating per le imprese con pochi dati e un solo anno?

MODELLI COMPLESSI

7/27

Dal Ceris model ai ICT4LAW models

Debiti

Produzione

Debiti

Capitale Investito

MON

ProduzioneMON

Capitale Investito

Netto

MOL

Debiti

Fonti ML

Capitalefisso

MOL

Onerifinanziari

Ceris model

Crediti BT

Debiti BT

MON

Tasse

Circolantenetto

Produzione

Debitifinanziari

Patrimonio

ValoreaggiuntoCosto del

lavoro

Utilecorrente

Patrimonio

10/27

Dal Ceris model ai ICT4LAW models

Debiti

Produzione

Debiti

Capitale Investito

MON

Produzione

Produzione

Capitalefisso

MON

Capitale Investito

MON

Debiti

Patrimonio

Capitalefisso

MON

Onerifinanziari

ICT4LAW models

11/27

Utilizzo ICT4LAW models

Operatori indistinti via internet Probabilità di default a due anni Calcolo rating su 8 classi

Operatori privilegiati Verifica rating interni Rating di società di persone Pre-rating

12/27

ICT4LAW model 1: Probabilità di Default DB formato da imprese best e fallite nel 2008 Dati di bilancio relativi al 2006

Ottenere una probabilità di defaultper ogni impresa

Rete neurale artificiale feed-forwardcon back propagation

13/27

Il modello ICT4LAW 1 e la PD

PD

14/27

Garson: peso degli indicatori utilizzati L’indice di Garson si ottiene elaborando alcuni dati della rete

(matrici dei pesi) ed esprime per ogni variabile utilizzata il peso percentuale sul risultato raggiunto dal modello

47,94%

15,36%10,26% 7,69%

6,66% 6,07% 3,23% 2,79%

0

5

10

15

20

25

30

35

40

45

50

Indicatori

%

15/27

ICT4LAW model 2: BvD and Ceris rating Costruire un modello capace di assegnare giudizi di rating

simulando quelli stabiliti da BvD Modello suddiviso in tre fasi formate da reti neurali artificiali

feed-forward con back propagation

AAA

AA

A

BBB

BB

B

CCC

D

0 (A)

1 (B)

FASE 1

0 (C)

1 (D)

0 (E)

1 (F)

FASE 2

0

1

0

1

0

1

0

1

AAA

AA

A

BBB

BB

B

CCC

D

FASE 3

16/27

ICT4LAW model 2: primo test(micro firms)

0 20 40 60 80 100 120 140 160 180

D

CCC

B

BB

BBB

A

AA

AAA

Imprese

Ratin

g

Ceris Rating

BvD Rating

15,57% di errori

17/27

ICT4LAW model 2: secondo test(micro+medium firms)

0 200 400 600 800 1000 1200 1400 1600 1800

D

CCC

B

BB

BBB

A

AA

AAA

Imprese

Ratin

g

Ceris Rating

BvD Rating

21,13% di errori

18/27

ICT4LAW model 2: terzo test(micro+medium+large firms)

0 500 1000 1500 2000 2500

D

CCC

B

BB

BBB

A

AA

AAA

Firms

Ratin

g

Ceris Rating

BvD Rating

27,15% di errori

19/27

ICT4LAW model 3 Obiettivo: testare il modello presentato su differenti

database

Nuovo DB: Tutte le imprese manifatturiere italiane contenute in AIDA

per le quali BvD ha fornito un rating tecnico (anno 2008)

Imprese fallite nel 2008, 2007 e 2006 appartenenti al settore manifatturiero (fonte: BvD)

Totale DB dopo l’eliminazione degli outlier e delle imprese senza gli indicatori necessari = 39.441.

Training set = 34.284 e Validation set = 5.157

20/27

Ultimi risultati (manufacturing sector)

0 500 1000 1500 2000 2500 3000 3500 4000 4500 5000

D

KR1

KR2

KR3

KR4

KR5

KR6

KR8

Firms

Ratin

g

Network Outputs

BvD Outputs

37,62% errori di una fascia

0.41% errori di due fasce

21/27

Impatto sui bilanci:normative ambientali Vincoli ambientali

Importanza crescente (Normative IPPC, European Pollution and Emission Registrer)

Le emissioni diventano fattore rilevante di scelta strategica

Effetti molteplici sul comportamento dell’impresa Costi diretti, come quelli di abbattimento (solo parzialmente informativi) Costi indiretti

Tempo impiegato dai manager per adattare le strategie alla normativa Ripensare molti dei processi produttivi Variare l’input mix (usando input meno inquinanti e di solito più costosi) Attenzione crescente alla misurazione delle emissioni Necessità di formazione specifica per il personale

L’impatto della regolamentazione I dati disponibili sono limitati Approccio Total Factor Productivity proxi del fenomeno

22/27

Impatto delle normative ambientali (1) Necessità di ri-formulare la tecnologia

L’impresa utilizza input e ottiene come risultato due tipologie di output: output buoni (beni) e output cattivi (emissioni)

In molti processi produttivi non è possibile ridurre gli output negativi senza costi (weak disposability assumption)

L’unico modo per non produrre emissioni è non produrre nulla

Produttività totale: approccio non parametrico Viene identificata una approssimazione della frontiera Ogni impresa viene confrontata con essa Si utilizza la Data Envelopment Analysis con modifiche Cambia il concetto stesso di performance Best practice = chi produce più output buoni e meno cattivi

23/27

Impatto delle normative ambientali (2) Ad ogni impresa viene assegnato un indicatore di efficienza

(tecnica e ambientale) Viene quindi ri-formulata la tecnologia sottostante come se si

potesse inquinare liberamente (l’ipotesi di weak disposability delle emissioni viene rimossa)

Si ripete la procedura precedente e ad ogni impresa viene attribuito un diverso indicatore di efficienza

L’impatto della regolamentazione ambientale in termini di output potenziale è specifico per impresa) :

Estensione: la caratterizzazione parametrica della tecnologia permetterà di ottenere una stima dell’impatto marginale di una stretta normativa

ws EFEFRI

24/27

Impatto delle normative ambientali (3) Approccio agent-based

Agenti imprese, consumatori e regolatore Diverse classi di imprese a seconda della strategia:

Abbattimento emissioni (end of pipe strategy) Contrazione output Cambiamento dei processi produttivi

Diverse classi di consumatori Diversamente informati Con preferenze diverse su “green producers” Con possibilità di evolversi e cambiare preferenze

Il regolatore tenta di minimizzare il totale delle emissioni Tasse sulle emissioni Standard di inquinamento Obbligo di rilasciare informazioni (Registri pubblici)

Interazione via simulazione

25/27

Impatto delle normative ambientali (4) Le simulazioni permetteranno di osservare gli effetti di:

Differenti framework di regolazione Livelli diversi di restrittività Differenti distribuzioni delle preferenze dei consumatori

A livello individuale: Output prodotti (buoni e cattivi) Costi totali, investimenti, profittabilità

A livello aggregato: Struttura di mercato (dimensione media, quote, numero) Prodotti ed inquinamento totali

26/27

Impatto sui bilanci:riduzione tempi pagamento Possibili effetti:

Problemi finanziari e minore flessibilità (ricorso a banche) Riduzione costi operativi (più facilità di gestione) Maggiori oneri finanziari

Modello di simulazione ad agenti Focus sul lato dell’impresa Interazione tra imprese grossisti e dettaglianti Particolare attenzione ai vincoli finanziari ed alla sequenza delle azioni

Effetti dalle interazioni: Numero e dimensione media d’impresa Sopravvivenza e probabilità di default

27/27

GRAZIE PERGRAZIE PERL’ATTENZIONEL’ATTENZIONE