Author: Fernando Metelli

Coordinatori: Marina Brogi (Università degli Studi di Roma La Sapienza) e Maurizio Vallino (Banca Carige)
PMO: Oliver Wyman
La transizione verso un’economia sostenibile, ossia verso modelli di business che sappiano conciliare i tipici obiettivi della gestione economico-patrimoniale con gli aspetti e le implicazioni di natura ambientale, sociale e di governance (Environmental, Social, Governance – ESG) sta raccogliendo una crescente attenzione da parte di tutti i principali stakeholder che siano essi rappresentanti del mondo politico, scientifico e sociale, autorità di regolamentazione e supervisione, investitori di mercato, lavoratori e consumatori.
Le imprese (industriali e finanziarie) che meglio sapranno rispondere a questa tendenza di mercato saranno quelle che affronteranno le tematiche ESG non in ottica di pura risposta alla pressione pubblica e regolamentazione, ma quelle che ne faranno un vantaggio competitivo duraturo e di crescita di lungo termine, assumendo una posizione di leadership attiva nella sostenibilità.
Per il settore bancario, in particolare, le implicazioni saranno notevoli, dato il ruolo fondamentale che le banche ricoprono nel finanziamento all’economia e alle imprese. Riuscire, infatti, ad individuare in modo puntuale i settori, le imprese e le iniziative di business maggiormente esposti a queste tendenze risulterà un fattore fondamentale per riuscire, da un lato, a comprendere, identificare, misurare e mitigare in modo efficace i nuovi rischi ad esse associate, dall’altro, a cogliere tempestivamente le nuove opportunità collegate al supporto e al finanziamento della riconversione verso un’economia maggiormente sostenibile.
Nell’attuale contesto, inoltre, una grande opportunità in tal senso è rappresentata dalla possibilità di veicolare verso iniziative di economia sostenibile una quota consistente dei fondi pubblici messi a disposizione dai governi dell’Area Euro per il rilancio dell’economia a seguito dell’emergenza pandemica. In dettaglio il quadro finanziario pluriennale 2021-2027 dell’Unione Europea prevede una dotazione di 1.074,3 miliardi mentre il Next Generation EU ne prevede 750 miliardi; buona parte di tali fondi saranno vincolati a progetti ESG.
Per rispondere in modo adeguato alle sfide e opportunità poste dal nuovo contesto ed essere preparati ad intercettare in qualità di intermediari tale importante massa di finanziamenti, dovranno essere ripensati diversi aspetti del modo tradizionale di fare banca con molteplici implicazioni a livello di priorità strategiche, governance, organizzazione interna, dati e strumenti a supporto.
In questa direzione la Banca Centrale Europea ha pubblicato lo scorso Novembre la Guida sui rischi climatici e ambientali nella quale ha esplicitato tredici aspettative di vigilanza attinenti alle seguenti aree tematiche;

• i modelli imprenditoriali e alla strategia aziendale;
• la governance e alla propensione al rischio;
• la gestione dei rischi;
• la disclosure.

In tale ambito, la funzione di risk management sarà chiamata a svolgere un ruolo chiave non solo nella misurazione e mitigazione dei rischi ESG, ma anche come funzione di supporto nell’individuazione delle nuove aree di opportunità e nella promozione di strategie, politiche e comportamenti a sostegno dell’economia sostenibile, attraverso l’incorporazione di tali elementi nelle logiche di definizione del risk appetite della banca e, a cascata, nei processi decisionali core della stessa.
L’obiettivo della Commissione è di analizzare le priorità strategiche per le banche nell’affrontare i rischi e le opportunità collegati alla transizione verso un’economia sostenibile, di individuare le iniziative a maggior valore aggiunto per il mercato e i rispettivi fattori abilitanti per la loro concreta realizzazione.
Il Position Paper affronterà e svilupperà le seguenti tematiche:

• Contesto di mercato, analisi dei vincoli di destinazione dei fondi europei e tendenze osservabili nel settore bancario a livello internazionale.
• Stato dell’arte delle banche italiane relativamente all’integrazione degli aspetti ESG nei processi decisionali core quali la gestione del rischio e posizionamento delle stesse rispetto alle aspettative esplicitate da BCE nella Guida sui rischi climatici e ambientali
• Politiche e strategie creditizie e la definizione della proposizione commerciale.
• Priorità strategiche per le banche: come posizionarsi quali attori chiave nel finanziare la transizione verso un’economia sostenibile.
• Potenziali iniziative concretamente attivabili per affrontare efficacemente le sfide e le opportunità connesse ai temi ESG.
• I fattori chiave di successo: la governance, le implicazioni a livello organizzativo e di talent management, l’incorporazione delle strategie ESG nei processi decisionali core della banca, lo sviluppo di capabilities innovative in termini di dati e analytics.
• Il ruolo del risk management come funzione di misurazione e mitigazione dei rischi ESG e di supporto all’individuazione di nuove opportunità di business.

Coordinatori: Rossella Locatelli (Università degli Studi dell’Insubria) e Fabio Salis (Creval)
PMO: Giovanni Pepe (KPMG)
Contesto
Nell’ultimo decennio un accesso più agevole alla capacità computazionale e la disponibilità di nuove informazioni attinenti ad individui ed imprese, anche legati all’utilizzo diffuso di Internet, hanno creato le condizioni per lo sviluppo e l’applicazione di tecniche di intelligenza artificiale nell’attività di impresa.
In ambito bancario, un aspetto di grande rilevanza consiste nell’applicazione di queste tecniche al settore di Credit Risk Models, per più motivi.
Innanzitutto, le banche da molti anni utilizzano modelli per la valutazione del rischio di credito. Si tratta di modelli sviluppati con approcci “tradizionali” e basati sulla raccolta e l’utilizzo di dati di tipo strutturato.
Grazie a questi modelli il Credit Risk Management ha conquistato un ruolo cruciale nella gestione aziendale e nell’interlocuzione con le Autorità di regolamentazione. Le evoluzioni del contesto richiedono ora ai Credit Risk Manager di affrontare una nuova sfida, legata all’utilizzo di informazioni “nuove”, anche non strutturate, e di tecniche di Artificial Intelligence.
Per vincere questa nuova sfida i risk manager dovranno essere in grado sfruttare le potenzialità offerte da tecniche e dati nuovi senza tralasciare il tema della interpretabilità e prestando la dovuta attenzione agli aspetti etici, che l’impiego dell’Intelligenza Artificiale sempre pone.
L’importanza della tematica è enfatizzata dal fatto che dal 2019 è in vigore la direttiva europea sui servizi di pagamento, c.d. PSD2, che nel tempo consentirà alle banche l’accesso a nuove informazioni, che dovranno essere sfruttate nel modo più accurato possibile.
Inoltre, la forte discontinuità creata dalla crisi economica da COVID-19 ha dimostrato come l’impiego di dati alternativi, ad esempio quelli transazionali, possa supportare la capacità predittiva dei modelli in presenza di un regime change, che i modelli tradizionali fanno fatica a scorgere.
I principali operatori hanno già intrapreso passi significativi in questa direzione, creando quindi le condizioni per una riflessione su come i dati alternativi, e.g. dati transazionali, possano essere inclusi nei modelli di rischio di credito e quali tecniche di modelling alternative possano essere utilizzate per coglierne il valore aggiunto.
Nell’ambito di tale riflessione potrà anche essere valutato quali specifici elementi di attenzione siano necessari per utilizzare i nuovi approcci in ambito regolamentare.
 
Obiettivi della Commissione
La Commissione si pone innanzitutto l’obiettivo di pervenire a una rappresentazione delle aree  di utilizzo di tecniche e dati alternativi nell’ambito dei modelli di Credit Risk Management.
Ciò fatto, la Commissione ha l’ambizione di identificare ed analizzare diversi approcci metodologici per l’utilizzo di tecniche e/o dati alternativi a fini manageriali e regolamentari.
Il presupposto per l’avvio della Commissione è che la combinazione di tecniche di modellistica tradizionali e tecniche di Artificial Intelligence e l’utilizzo di dati alternativi, può aumentare la capacità predittiva dei modelli di rating, permettendo una maggiore discriminazione del rischio.
I modelli di rating manageriali e regolamentari prevedono attualmente l’utilizzo di dati tradizionali (i.e. andamentali, finanziari, anagrafici etc.) nei modelli di rating e di tecniche di modellizzazione tradizionali (i.e. regressioni lineari, regressioni logistiche, alberi decisionali etc).
Nel combinare tecniche e dati tradizionali con tecniche e dati alternativi, si possono indagare diverse soluzioni:
–        È possibile incrementare il set informativo di partenza, aggiungendo ai dati tradizionali quelli alternativi e modellandoli con tecniche alternative.
–        È possibile sfruttare al massimo il potere informativo dei dati alternativi (ad es. transazionali, reputazionali), modellandoli con una combinazione di tecniche tradizionali e alternative, anche con approcci a due stadi.
 
Nel primo caso, il solo utilizzo di tecniche di Artificial Intelligence permette di sfruttare maggiormente il potere informativo dei dati a disposizione, incrementando le performance dei modelli e quindi la capacità di discriminare il rischio, elemento di grande importanza in generale ed in particolare in un contesto di notevole incertezza, quale quello successivo alla crisi da COVID-19.
L’utilizzo di un approccio c.d. “two-step”, ovvero l’aggiunta di una componente modulare sviluppata con tecniche alternative a valle di un modello sviluppato con tecniche e dati tradizionali, permette di bilanciare problemi di performance e interpretabilità.
Tale circostanza assume rilievo in relazione al fatto che l’applicazione di tecniche alternative conduce ad una maggiore accuratezza dei modelli di rating, ma provoca una loro maggiore complessità e quindi difficoltà nella loro interpretazione, che non sussistono invece nel caso dei modelli tradizionali.
Il tema della interpretabilità dei modelli assume poi specifica rilevanza nel contesto dell’applicazione dei modelli di rating ai fini regolamentari.
A titolo esemplificativo e non esaustivo il Position Paper approfondirà i seguenti aspetti metodologici:
–         Come includere i dati alternativi nei modelli di rischio di credito
–         Come selezionare il migliore algoritmo di Machine Learning
–         Come utilizzare le tecniche di Artificial Intelligence e prevenirne le problematiche etiche e di tutela della privacy
–         Two-stage approach per l’inclusione della componente di Machine Learning nei modelli per il rischio di credito
–         Come interpretare i risultati dei modelli di Artificial Intelligence
–         Come utilizzare i “nuovi” modelli per il rischio di credito ai fini regolamentari
 
Avvio dei lavori
Gli interessati sono pregati di iscriversi con una mail a amministrazione@aifirm.it. Si ricorda che la partecipazione ai lavori è riservata ai soli soci AIFIRM.
 
Tempistica
La finalizzazione del Position Paper è prevista per fine settembre 2021

Coordinatori: Paolo Palliola (Credit Agricole), Giuseppe Torluccio (Università di Bologna)
PMO: DELOITTE
 
Contesto
Il Principio IFRS9 richiede alle istituzioni finanziarie di produrre stime di perdita attesa sul credito ancorate al ciclo economico corrente (c.d. point in time) e che considerino gli elementi prospettici disponibili (c.d. forward looking).
A tal fine la gestione degli impatti economici della crisi sanitaria generata dalla pandemia Covid 19 pone significative sfide agli intermediari finanziari. In tale contesto i Regulator hanno fornito nel corso degli ultimi mesi una rilevante serie di indicazioni e linee guida per il trattamento delle esposizioni creditizie nel contesto Covid.
Tuttavia la stima delle perdite attese IFRS9 continua a porre una serie di significative sfide per le Istituzioni Finanziarie, ad esempio con riferimento ai seguenti aspetti

• Relazioni tra gli scenari macroeconomici prospettici e le perdite sui crediti, in presenza di un verosimile break strutturale nelle relazioni storicamente osservate, anche in considerazione del differente impatto sui diversi settori economici
• Trattamento delle moratorie nelle serie storiche di sviluppo e calibrazione dei parametri di rischio IFRS9
• Trattamento delle moratorie attive (sia staging che calcolo ECL)
• Gestione delle misure di sostegno definite a livello Nazionale ed Europeo (e.g. Next generation EU) ai fini delle stime forward looking

In tale contesto le Banche ricevono peraltro importanti e condivisibili sollecitazioni affinché continuino a mantenere il massimo sostegno all’economia.
Obiettivo della commissione
L’obiettivo della commissione è definire alcune indicazioni utili per il trattamento delle esposizioni creditizie ai fini IFRS9. Il Position Paper potrebbe affrontare, tra l’altro, i seguenti temi:

• l’esame del quadro regolamentare e delle indicazioni dei Regulator;
• mil trattamento degli impatti Covid nelle serie storiche di sviluppo;
• il trattamento degli interventi pubblici e settoriali di sostegno.