L’uso del machine learning per l’analisi del rischio di credito ha suscitato un vivace dibattito. Tale etichetta racchiude tecniche estremamente diverse, che non dovrebbero essere trattate allo stesso modo: gli approcci più consolidati e maturi garantiscono infatti un’elevata trasparenza e bassi rischi di eccessivo adattamento (overfitting). Questi modelli possono essere utilizzati per finalità di calcolo del capitale regolamentare, ma rispondono anche a finalità più ampie: ridurre i costi, accorciare i tempi di risposta, rafforzare il monitoraggio, migliorare i canali distributivi e rafforzare le relazioni con i clienti. Scoraggiarne l’uso può porre le banche in condizione di svantaggio rispetto agli operatori innovativi, a tutto detrimento della reale efficacia della vigilanza. The use of machine learning (Ml) for credit risk analysis has sparked a lively debate. Ml refers to a set of heterogeneous techniques, and one should not treat them all in the same way, since the most consolidated and stable approaches guarantee a high level of transparency and a low risk of overfitting. They can be used for regulatory capital calculation purposes, but may also serve broader purposes: reducing costs, shortening response times, strengthening credit monitoring, improving distribution channels and cementing customer relationships. Discouraging their use can put banks at a disadvantage vis à vis their most innovative competitors, making supervision less effective.

Machine learning per il rischio di credito: quale ruolo nei modelli regolamentari?

Gnutti, Rita;Resti, Andrea;
2022

Abstract

L’uso del machine learning per l’analisi del rischio di credito ha suscitato un vivace dibattito. Tale etichetta racchiude tecniche estremamente diverse, che non dovrebbero essere trattate allo stesso modo: gli approcci più consolidati e maturi garantiscono infatti un’elevata trasparenza e bassi rischi di eccessivo adattamento (overfitting). Questi modelli possono essere utilizzati per finalità di calcolo del capitale regolamentare, ma rispondono anche a finalità più ampie: ridurre i costi, accorciare i tempi di risposta, rafforzare il monitoraggio, migliorare i canali distributivi e rafforzare le relazioni con i clienti. Scoraggiarne l’uso può porre le banche in condizione di svantaggio rispetto agli operatori innovativi, a tutto detrimento della reale efficacia della vigilanza. The use of machine learning (Ml) for credit risk analysis has sparked a lively debate. Ml refers to a set of heterogeneous techniques, and one should not treat them all in the same way, since the most consolidated and stable approaches guarantee a high level of transparency and a low risk of overfitting. They can be used for regulatory capital calculation purposes, but may also serve broader purposes: reducing costs, shortening response times, strengthening credit monitoring, improving distribution channels and cementing customer relationships. Discouraging their use can put banks at a disadvantage vis à vis their most innovative competitors, making supervision less effective.
2022
2022
Di Biasi, Paolo; Gnutti, Rita; Resti, Andrea; Vergari, Daniele
File in questo prodotto:
File Dimensione Formato  
06-Resti_74_82.pdf

non disponibili

Descrizione: Articolo finale
Tipologia: Pdf editoriale (Publisher's layout)
Licenza: Copyright dell'editore
Dimensione 1.36 MB
Formato Adobe PDF
1.36 MB Adobe PDF   Visualizza/Apri

I documenti in IRIS sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/11565/4058156
Citazioni
  • ???jsp.display-item.citation.pmc??? ND
  • Scopus ND
  • ???jsp.display-item.citation.isi??? ND
social impact