ARTIFICIAL INTELLIGENCE E CREDIT RISK
Tra i co-autori del Position Paper di AIFIRIM, i nostro partners di Studio: Valeria Lazzaroli e Luciano Tarantino. Nell’ultimo decennio l’incremento della capacità computazionale, il consolidamento di nuove metodologie di elaborazione e la disponibilità nonché un accesso più agevole a nuove informazioni attinenti ad individui ed organizzazioni, anche per effetto dell’utilizzo diffuso di Internet, hanno creato le condizioni per lo sviluppo e l’applicazione di tecniche di Artificial Intelligence (di seguito denominata AI) nell’attività di impresa in generale e nell’attività degli intermediari finanziari in particolare. In ambito bancario, assume particolare rilievo la possibile applicazione di queste tecniche e l’utilizzo di un set più ampio di dati al Credit Risk Modelling. 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 consente ad imprese e privati di mettere a disposizione di terzi le informazioni del proprio comportamento bancario. Da molti anni la valutazione del rischio di credito è in buona parte basata sulla modellazione dei dati dei clienti; sinora la maggior parte dei modelli utilizzati a questo scopo sono sviluppati con metodologie “tradizionali” (i.e. regressioni lineari, regressioni logistiche, alberi decisionali etc.) e sfruttano dati altrettanto tradizionali (i.e. finanziari, di comportamento bancario, anagrafici, geosettoriali etc.). La sfida che si apre per i Credit Risk Manager è quella di sfruttare le tecniche di AI e la disponibilità di nuovi dati per accrescere la capacità predittiva dei modelli, non tralasciando tuttavia i problemi posti dall’interpretabilità dei risultati e prestando la dovuta attenzione ai temi etici che l’impiego dell’AI pone. L’utilizzo di tecniche di AI può rilevarsi cruciale per affrontare meglio uno dei problemi più importanti del Credit Risk Modelling: assumere decisioni creditizie rispetto a soggetti non clienti, per i quali non è quindi disponibile una storia del comportamento bancario. 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 regime change, che i modelli tradizionali fanno fatica a scorgere per tempo. I principali player bancari italiani hanno già intrapreso passi significativi in questa direzione, soffermandosi su come i dati alternativi possano essere inclusi nei modelli di rischio di credito e quali tecniche di modelling alternative possano essere utilizzate per coglierne il valore aggiunto.