Page 1
Modelli predittivi delle agenzie di rating internazionali:
il modello MEU evoluto (maximum expected utility)
Mattia Ciprian*, Daria Marassi°, Valentino Pediroda*
[email protected] [email protected] [email protected]
* Dipartimento di Ingegneria Meccanica, Università di Trieste, Trieste, Italy
° Dipartimento di Economia e Tecnica Aziendale, Università di Trieste, Trieste, Italy
Page 2
Introduzione – DataBase - Analisi Indici – Meu – Risultati - Conclusioni
Il modello MEU evoluto che qui presentiamo analizza le aziende del DB COMPLEX al fine di determinarne il loro grado di rischiosità in
termini di probabilità di default
La probabilità di default viene definita quale rischio per l’impresa di non riuscire a far
fronte alle proprie obbligazioni
Page 3
Introduzione – DataBase - Analisi Indici – Meu – Risultati - Conclusioni
Il processo di valutazione del default dell’impresa si divide in diverse fasi
Page 4
Introduzione – DataBase - Analisi Indici – Meu – Risultati - Conclusioni
Gli indicatori ovvero i dati di input del modello Meu vengono anche definiti
indicatori predittivi del default in quanto possiedono un forte valore predittivo verso
l’insolvenza dell’impresa.
Al fine di definire un indicatore predittivo del default è necessario distinguere le aziende
in due sottocampioni: - Imprese fallite - Imprese non fallite
Page 5
Introduzione – DataBase - Analisi Indici – Meu – Risultati - Conclusioni
Scelta degli indici di bilancio più correlati alla
probabilità di default analisi statistica.
Varie metodologie disponibili:• parametro di t-Student;• SOM (Self Organizing Maps);• Default Frequency.
Ogni metodologia dà informazioni aggiuntive.
Utilizzo contemporaneo degli indici di correlazione.
Page 6
Parametro di t-Student: indice statistico per la significatività della media di due popolazioni distinte (default-No default).
Ogni indice viene diviso in due intervalli (metà inferiore-metà superiore).
Introduzione – DataBase - Analisi Indici – Meu – Risultati - Conclusioni
D
twoone
two twoione oneiD
s
xxt
NNNN
xxxxs
2121
2211
2
Page 7
Introduzione – DataBase - Analisi Indici – Meu – Risultati - Conclusioni
Indici eliminati
Page 8
SOM (Self Organizing Maps)
Necessità di usare anche strumenti più efficienti di indagine;
L’idea è stata di utilizzare un potente strumento di indagine: le SOM (Self-Organizing Maps) .
Le SOM permettono di esplicitare i rapporti tra gli elementi per mezzo di una proiezione non lineare da uno spazio di dati multi-dimensionale ad un piano bidimensionale.
Introduzione – DataBase - Analisi Indici – Meu – Risultati - Conclusioni
Page 9
Introduzione – DataBase - Analisi Indici – Meu – Risultati - Conclusioni
Correlazione Nessuna correlazione
Page 10
Introduzione – DataBase - Analisi Indici – Meu – Risultati - Conclusioni
La relazione tra gli indici con alto potere predittivo e il default è generalmente monotona.
Default Frequency: analisi della distribuzione probabilistica tra imprese in default e meno, in relazione agli indici di bilancio
Page 11
Introduzione – DataBase - Analisi Indici – Meu – Risultati - Conclusioni
Esempio di indice non correlato con il default, analizzato con Default Frequency.
Page 12
Metodologia MEU (Maximum Expected Utility)
Dati il vettore delle osservazioni X (indici di bilancio) e la variabile Y 0,1 (no default-default) bisogna trovare la misura di probabilità condizionata p(1|x)
Metodologie esistenti: Fitting Logistic Regression Models, Clustering, Reti Neurali, Support Vector Machines.
Nessuna considerazione finanziaria
Introduzione – DataBase - Analisi Indici – Meu – Risultati - Conclusioni
Page 13
Idea base di MEU:
1. Cercare la misura di probabilità che massimizza la funzione utilità di un investitore sui dati futuri (non conosciuti);
2. Il modello deve essere consistente con i dati conosciuti (DataBase).
Il problema diventa MULTI OBIETTIVO
Introduzione – DataBase - Analisi Indici – Meu – Risultati - Conclusioni
Page 14
Massimizzazione della funzione utilità
Dati due modelli 1 e 2 con misure di probabilità dell’evento q1 e q2 si può definire il fattore entropia relativa:
Il modello 1 sarà migliore del modello 2 se Du,O>0
Introduzione – DataBase - Analisi Indici – Meu – Risultati - Conclusioni
y
yyyy
yyyOU OqbUqOqbUqqqD ))(())(()( 2*
1*
21,
Page 15
Consistenza con i dati
La consistenza del modello con i dati conosciuti deve essere una funzione strettamente decrescente rispetto la differenza tra il kernel calcolato sui dati reali e quelli modellati.
I valori c sono i parametri liberi del modello evitare valori elevati (problema dell’overfitting)
Introduzione – DataBase - Analisi Indici – Meu – Risultati - Conclusioni
0)(
)()(1
21
cNcq
qqTdata
datadata
Page 16
Algoritmo
Introduzione – DataBase - Analisi Indici – Meu – Risultati - Conclusioni
Nxyp
exypZ
xypeZ
xyp
Nxyp
Nh
h
k
T
T
yk
xyf
yx
xyf
x
Tk
N
kk
1:0
),(
1,0
0
0),()(
1
)(
*
1
)(
)()( e
)()(
1)(con
)(log1
)(con
)(maxarg Trova
Massimizzazione di una likelihood (massimizzazione funzione utilità).
Minimizzazione valore assoluto pesi (consistenza dati).
parametro di peso tra gli obiettivi
Page 17
Funzioni di kernel
Lineare
Quadratica
Kernel
Introduzione – DataBase - Analisi Indici – Meu – Risultati - Conclusioni
jxxyf )(),(
ji xxxyf )()(),(
2
2)(
))(())((),( ax
jj exgxgxyf
Page 18
Test numerico (tratto da relazione tecnica Standard & Poor’s)
Introduzione – DataBase - Analisi Indici – Meu – Risultati - Conclusioni
1,0
21),1(
2,1
212121
x
xxxxxxp
Page 19
Introduzione – DataBase - Analisi Indici – Meu – Risultati - Conclusioni
Superficie di probabilità modellata con MEU
Page 20
Utilizzo di MEU per la probabilità di default d’impresa
Dati:• 580 imprese (490 no default-90 default)• 11 indici di bilancio (utilizzate SOM, t-Student, Default
Frequency).
Kernel: utilizzo delle tre metodologie (lineare, quadratico, esponenziale).
Metodo di Newton per la minimizzazione della funzione likelihood (MATLAB).
Introduzione – DataBase - Analisi Indici – Meu – Risultati - Conclusioni
Page 21
Introduzione – DataBase - Analisi Indici – Meu – Risultati - Conclusioni
Buona aderenza tra risultati del modello e dati del database
Page 22
Introduzione – DataBase - Analisi Indici – Meu – Risultati - Conclusioni
Valori dei parametri del modello limitati (-100,100)
buona probabilità di evitare l’overfitting
Page 23
Con la metodologia MEU è possibile rappresentare la superficie di probabilità, correlandola a due indici di bilancio
Introduzione – DataBase - Analisi Indici – Meu – Risultati - Conclusioni
Importante contributo del termine esponenziale
Page 24
Introduzione – DataBase - Analisi Indici – Meu – Risultati - Conclusioni
In questa zona dello spazio delle variabili importanza del termine quadratico.
Metodologia adattativa
Page 25
Introduzione – DataBase - Analisi Indici – Meu – Risultati - Conclusioni
Buona aderenza tra risultati del modello e dati del database
Page 26
Introduzione – DataBase - Analisi Indici – Meu – Risultati - Conclusioni
Il numero di imprese viste in termini di probabilità di default
Page 27
Introduzione – DataBase - Analisi Indici – Meu – Risultati - Conclusioni
La frequenza delle imprese in termini di probabilità di default
Page 28
• La metodologia MEU può essere considerata un utile tecnologia numerica per determinare la probabilità di default (incoraggianti primi test).
• Ottimi fondamenti numerici: si parte da considerazioni finanziarie.
• Fondamentale è la conoscenza approfondita del problema che si vuole esaminare (data base completo).
• Tempi di calcolo lunghi (5-10 ore).• Dipendenza del modello dai dati di ingresso:
− Studio sul potere predittivo degli indici;− Studio della metodologia per la gestione degli outliers e dei missing
data− Studio delle variabili qualitative nonché macroeconomiche quali
input del modello MEU• Sviluppi futuri:
– Possibilità di utilizzare/sviluppare diverse tecnologie di kernel;– Determinare diverse funzioni utilità;
Introduzione – DataBase - Analisi Indici – Meu – Risultati - Conclusioni