La presentazione è in caricamento. Aspetta per favore

La presentazione è in caricamento. Aspetta per favore

CERIS-CNR Modelli di intelligenza artificiale: Default Risk e Rating Analysis G. Calabrese, G. Falavigna e A. Manello Ceris-Cnr Moncalieri Convergeing.

Presentazioni simili


Presentazione sul tema: "CERIS-CNR Modelli di intelligenza artificiale: Default Risk e Rating Analysis G. Calabrese, G. Falavigna e A. Manello Ceris-Cnr Moncalieri Convergeing."— Transcript della presentazione:

1 CERIS-CNR Modelli di intelligenza artificiale: Default Risk e Rating Analysis G. Calabrese, G. Falavigna e A. Manello Ceris-Cnr Moncalieri Convergeing Technologies: ICT4LAW Secondo incontro WP11 Moncalieri, 31 maggio 2010

2 2/27 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 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 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 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 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 7/27 Dal Ceris model ai ICT4LAW models Debiti Produzione Debiti Capitale Investito MON Produzione MON Capitale Investito Netto MOL Debiti Fonti ML Capitale fisso MOL Oneri finanziari Ceris model Crediti BT Debiti BT MON Tasse Circolante netto Produzione Debiti finanziari Patrimonio Valore aggiunto Costo del lavoro Utile corrente Patrimonio

8 8/27 Dal Ceris model ai ICT4LAW models Debiti Produzione Debiti Capitale Investito MON Produzione MON Capitale Investito Netto MOL Debiti Fonti ML Capitale fisso MOL Oneri finanziari Produzione Capitale fisso Crediti BT Debiti BT MON Tasse Circolante netto Produzione Debiti finanziari Patrimonio Valore aggiunto Costo del lavoro Utile corrente Patrimonio

9 9/27 Dal Ceris model ai ICT4LAW models Debiti Produzione Debiti Capitale Investito MON Produzione MON Capitale Investito Netto MOL Debiti Fonti ML Capitale fisso MOL Oneri finanziari Produzione Capitale fisso Crediti BT Debiti BT MON Tasse Circolante netto Produzione Debiti finanziari Patrimonio Valore aggiunto Costo del lavoro Utile corrente Patrimonio MON Capitale Investito MON Debiti Patrimonio Capitale fisso MON Oneri finanziari ICT4LAW model

10 10/27 Dal Ceris model ai ICT4LAW models Debiti Produzione Debiti Capitale Investito MON Produzione Capitale fisso MON Capitale Investito MON Debiti Patrimonio Capitale fisso MON Oneri finanziari ICT4LAW models

11 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 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 default per ogni impresa Rete neurale artificiale feed-forward con back propagation

13 13/27 Il modello ICT4LAW 1 e la PD PD

14 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

15 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 AAA AA A BBB BB B CCC D FASE 3

16 16/27 ICT4LAW model 2: primo test (micro firms) 15,57% di errori

17 17/27 ICT4LAW model 2: secondo test (micro+medium firms) 21,13% di errori

18 18/27 ICT4LAW model 2: terzo test (micro+medium+large firms) 27,15% di errori

19 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 = Training set = e Validation set = 5.157

20 20/27 Ultimi risultati (manufacturing sector) 37,62% errori di una fascia 0.41% errori di due fasce

21 21/27 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 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 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

24 24/27 Impatto delle normative ambientali (3)  Approccio agent-based  Agenti imprese, consumatori e regolatore  Diverse classi di imprese a seconda della strategia: àAbbattimento emissioni (end of pipe strategy) àContrazione output àCambiamento dei processi produttivi  Diverse classi di consumatori àDiversamente informati àCon preferenze diverse su “green producers” àCon possibilità di evolversi e cambiare preferenze  Il regolatore tenta di minimizzare il totale delle emissioni àTasse sulle emissioni àStandard di inquinamento àObbligo di rilasciare informazioni (Registri pubblici)  Interazione via simulazione

25 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 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

27 27/27 GRAZIE PER L’ATTENZIONE


Scaricare ppt "CERIS-CNR Modelli di intelligenza artificiale: Default Risk e Rating Analysis G. Calabrese, G. Falavigna e A. Manello Ceris-Cnr Moncalieri Convergeing."

Presentazioni simili


Annunci Google