Cos'è la gestione del rischio dei modelli?

Un modello è qualsiasi approccio, metodo o sistema quantitativo che elabora i dati di input e produce stime quantitative.¹ I modelli vengono generalmente applicati quando si prendono decisioni aziendali, si determinano opportunità e rischi, si elaborano strategie e si gestiscono le operazioni aziendali.

Gli istituti finanziari, ad esempio, si affidano a diversi modelli per la determinazione dei prezzi, la valutazione, l'individuazione e la prevenzione di frodi e riciclaggio di denaro, tra gli altri servizi offerti. L'uso dei modelli spesso comporta dei rischi, il che rende la gestione del rischio dei modelli (MRM) una considerazione cruciale per le aziende.

La crisi finanziaria globale del 2007-2008, per esempio, è stata in parte imputata a modelli di valore a rischio (VaR) difettosi, che stimavano le perdite future che gli investimenti avrebbero potuto subire.² Nel 2012, la "London Whale", debacle commerciale di JPMorgan Chase, ha provocato 6 miliardi di dollari di perdite e quasi 1 miliardo di dollari di multe.³ Ciò è stato in parte dovuto a un errore del foglio di calcolo del modello, che sottostimava il rischio.⁴ 

Nel 2021, la società di mercato immobiliare Zillow ha preso una svalutazione del magazzino di 304 milioni di dollari e ha pianificato di tagliare un quarto della sua forza lavoro in seguito al fallimento della sua impresa di acquisto di immobili, in parte causato dalla scarsa capacità del suo modello di valutazione di prevedere accuratamente i prezzi delle case^.5

Il rischio dei modelli può derivare da varie cause:

Se non gestito, il rischio dei modelli può essere devastante per le finanze, le operazioni e la reputazione di un'organizzazione. Una gestione efficace del rischio dei modelli richiede un framework che consideri il rischio in ogni fase del ciclo di vita di un modello.

La gestione del rischio dei modelli implica anche il rispetto delle linee guida normative. Negli Stati Uniti, ad esempio, la Federal Reserve e l'Office of the Comptroller of the Currency (OCC) hanno rilasciato una guida di vigilanza sulla gestione del rischio dei modelli, che funge da punto di riferimento per un framework MRM.

Ecco sei passi comuni da intraprendere per creare un'efficace struttura di gestione del rischio modello:

L'identificazione del rischio è il primo passo nella gestione del rischio dei modelli. Ciò comporta l'esecuzione di un inventario dei modelli e la definizione dei rischi associati a ciascuno di essi.

Il passaggio successivo consiste nel misurare e valutare il rischio dei modelli. Le aziende possono elaborare un sistema di valutazione che classifica i rischi dei modelli in base alla priorità, alla probabilità di accadimento e alla gravità dei loro effetti, tra le altre metriche.

Oltre alla misurazione del rischio del singolo modello, le aziende possono considerare anche il rischio aggregato dei modelli, ovvero i rischi posti dalle dipendenze e dalle interazioni tra diversi tipi di modelli. Ad esempio, i risultati di un modello di diagnostica sanitaria potrebbero confluire in un modello di previsione dell'assistenza ai pazienti. Se il modello diagnostico contiene dei bias, questi potrebbero essere trasferiti al modello di previsione, influenzando chi può ricevere cure urgenti.

Per attenuare il rischio è necessario affrontarne le fonti e le cause. Ecco alcune strategie di attenuazione dei rischi che possono essere integrate in un framework di gestione del rischio di modello:

• Audit e revisioni: le aziende possono condurre audit interni dei propri modelli o impiegare esperti terzi per effettuare revisioni indipendenti.

• Standard: la creazione di standard per il processo di modellazione aiuta a minimizzare i rischi. È possibile creare standard per la raccolta dei dati, il processo di progettazione e sviluppo, i test, la documentazione e l'uso del modello.

Non tutti i rischi possono essere mitigati, quindi le imprese possono comunque essere parzialmente esposte a un margine di rischio. Pertanto, potrebbero trovare utile definire la propria propensione al rischio. Si tratta del livello di rischio che un'azienda è disposta e preparata a tollerare e che può assumersi quando utilizza i modelli.

Il processo di convalida è la sfida efficace di un modello per verificarne la qualità e i risultati. La convalida dei modelli viene eseguita dopo l'implementazione e prima del rilascio agli utenti, e comprende approcci sia quantitativi che qualitativi.

La convalida quantitativa dei modelli include le seguenti strategie:

• Il backtesting è una forma di analisi dei risultati che utilizza dati storici del mondo reale per testare un modello, valutandone così l'accuratezza e l'efficacia.

• I modelli challenger sono modelli alternativi sviluppati per sfidare un modello "campione". Sia il modello campione che quello challenger utilizzano gli stessi dati, e i loro risultati vengono confrontati per rivelare eventuali rischi, potenziali o nascosti.

• L'analisi della sensibilità esamina come la modifica di una variabile specifica in determinate condizioni influisca sulle altre variabili.

• Gli stress test applicano simulazioni basate su scenari speculativi o teorici per vedere come risponde un modello.

La convalida qualitativa del modello considera invece fattori come l'idoneità di un modello per il suo scopo e se un modello è conforme agli standard o alle normative.

Il monitoraggio dei modelli esamina continuamente i modelli per verificare se funzionano ancora come previsto e continuano a offrire le stesse prestazioni. Individua eventuali rischi aggiuntivi che potrebbero sorgere o aggiornamenti necessari a seguito di modifiche ai dati, ai processi e alle normative.

Solitamente, la convalida del modello fa parte del processo di monitoraggio continuo. In questa fase, i rapporti di monitoraggio e convalida vengono prodotti e rivisti dalle parti interessate per raccomandare le azioni necessarie.

La governance dei modelli offre la supervisione dell'intero processo di modellazione e stabilisce un sistema di proprietà e controllo attraverso politiche e procedure. Una solida governance del rischio dei modelli richiede un team variegato di decisori e stakeholder, dal consiglio di amministrazione all'alta dirigenza, dai proprietari agli sviluppatori di modelli, fino agli utenti.

Molti dei modelli moderni utilizzano l'AI e il machine learning in qualche modo, in particolare durante la generazione e il test dei modelli.

Ad esempio, l'AI è comunemente applicata nel settore finanziario per modellare il rischio di credito, il rischio di mercato e il rischio operativo. La tecnologia può aiutare a valutare il rischio di credito e di prestito, a creare modelli di mercato e a rilevare frodi finanziarie e riciclaggio di denaro.

L'AI e il machine learning possono essere applicati anche alla gestione del rischio dei modelli, in particolare durante la loro convalida (come lo stress test dei modelli di mercato) e il monitoraggi in tempo reale. Di seguito sono riportati alcuni algoritmi e metodi di machine learning comunemente utilizzati nella gestione del rischio dei modelli:

• Il clustering può essere implementato per l'analisi di sensibilità, al fine di rilevare anomalie che potrebbero indicare un rischio quando le variabili vengono modificate o quando si simulano scenari specifici.

• Gli alberi decisionali possono essere combinati con le reti neurali per monitorare i modelli di trading, ad esempio avvisando i trader delle modifiche ai modelli sottostanti durante la loro attività.

• Sia il deep learning che l'apprendimento per rinforzo possono essere utilizzati per monitorare i modelli in tempo reale, rilevare i problemi e raccomandare automaticamente le risoluzioni.

• Le reti neurali possono agevolare gli stress test, aiutando le banche a modellare la propria liquidità in condizioni economiche difficili, come una recessione.

Il software di gestione del rischio dei modelli può aiutare le organizzazioni a gestire il rischio dei modelli in modo più efficace. Fornisce infatti funzionalità avanzate, come l'inventario dei modelli e il monitoraggio e la mappatura di metriche, modelli e politiche in base a molteplici requisiti normativi. Altri strumenti di gestione del rischio dei modelli supportano anche la gestione dei modelli di AI e machine learning, con funzionalità che includono l'automazione del monitoraggio e la convalida dei modelli.