Modelli di intelligenza Modelli di intelligenza artificiale: artificiale: Default Risk e Rating Default Risk e Rating Analysis Analysis G. Calabrese, G. Falavigna e A. Manello Ceris-Cnr Moncalieri Convergeing Technologies: ICT4LAW Secondo incontro WP11 Moncalieri, 31 maggio 2010
25
Embed
CERIS-CNR Modelli di intelligenza artificiale: Default Risk e Rating Analysis G. Calabrese, G. Falavigna e A. Manello Ceris-Cnr Moncalieri Convergeing.
This document is posted to help you gain knowledge. Please leave a comment to let me know what you think about it! Share it to your friends and learn new things together.
Transcript
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
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.
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