Standardizzazione avanzata della classificazione dei valori di rischio creditizio Tier 2 nelle banche italiane: un approccio operativo dal livello esperto

1. Fondamenti della classificazione del rischio creditizio Tier 2

a) Nel quadro normativo italiano, il rischio creditizio Tier 2 è disciplinato da Basilea III, in particolare dall’attuazione della Direttiva CRD IV/CRR, e da linee guida specifiche della Banca d’Italia, che richiedono una valutazione rigorosa e una categorizzazione proattiva degli asset al di sotto del grado standard (sub-standard, deteriorati, in attesa di recupero). Il Tier 2 si focalizza su crediti con elevato rischio di insolvenza, dove il capitale proprio e le riserve di recupero assorbono le perdite prima che raggiungano il sistema bancario. A differenza del Tier 1, che si basa su requisiti patrimoniali minimi, il Tier 2 integra strumenti come il capitale di conservazione e il capitale anti-ciclico, ma la classificazione Tier 2 rimane il fulcro per la gestione interna del rischio creditizio, richiedendo classificazioni dinamiche e precise.

b) La categorizzazione dei valori di rischio Tier 2 si suddivide in classi R10-R30, dove R10 indica asset con deterioramento lieve (sub-standard), R20-R30 segnalano deterioramento avanzato o in fase di recupero. Gli asset sono distinti non solo per rating interno ma anche per caratteristiche oggettive: rapporto debito/valore (D/V), storico di insolvenza, presenza di garanzie mobiliari e qualità della gestione. La granularità della classificazione è fondamentale per evitare sovrapposizioni e garantire che i modelli di provisioning e stress test siano coerenti con la realtà economica del portafoglio.

c) La differenza tra rischio creditizio di grado 1 (standard) e Tier 2 risiede nella soglia di tolleranza al rischio e nei criteri operativi: il grado 1 richiede rating >= BBB- (S&P), mentre Tier 2 si applica a asset con rating da BB+ a BBB-, dove la valutazione si basa su indicatori quantitativi e qualitativi, con revisioni frequenti e trigger automatici in caso di deterioramento. Questo livello operativo richiede una metodologia ibrida che combini modelli statistici (PD, LGD, EAD) con giudizi esperti calibrati localmente.

2. Metodologia per la standardizzazione della classificazione Tier 2

a) La standardizzazione si fonda su un approccio ibrido che integra modelli probabilistici (Probability of Default – PD) con analisi di Loss Given Default (LGD) ed Exposure at Default (EAD), affinché la classificazione rifletta non solo la probabilità di default, ma anche l’entità e la tempistica del danno potenziale. Per il Tier 2, il modello deve incorporare scenari macroeconomici locali (es. tassi di disoccupazione regionale, PIL settoriale) e dati storici di recupero per calibrare soglie di transizione dinamiche. Un esempio pratico: in ambito tessile, dove la volatilità ciclica è elevata, il LGD può essere sistemato in una fascia più alta a causa della maggiore incertezza di recupero.

b) Il metodo Asset-Based Modelling (ABM) è centrale: si parte da un database storico di asset, con dati dettagliati su D/V, rating, garanzie, durata residua e recuperi passati. Questi dati vengono arricchiti con indicatori qualitativi (stabilità del management, settore economico) e pesati mediante un sistema esperto calibrato su benchmark italiani. La metodologia prevede una fase di aggregazione per classe R10-R30, con soglie fisse basate su percentili statistici (es. D/V > 60% = R30), ma con aggiustamenti dinamici ogni 90 giorni o in seguito a eventi critici (default, ristrutturazioni).

c) Le soglie di classificazione R10-R99 (alto rischio), R100-R299 (rischio moderato), R300+ (stabile) non sono fisse ma dipendono da parametri quantitativi (es. rapporto D/V, PD > 15%) e qualitativi (qualità della gestione, rating ESI). Un esempio di soglia operativa: un asset con D/V > 70% e PD stimato 20% è assegnato a R30 con trigger automatico per revisione trimestrale obbligatoria. La coerenza temporale è assicurata tramite allineamento delle date di ingresso e aggiornamenti, evitando discrepanze tra valutazioni.

3. Fase 1: raccolta, validazione e armonizzazione dei dati istituzionali

a) La fase di preparazione inizia con l’estrazione dati da sistemi legacy (core banking, CRM, rating interni), spesso frammentati e con formati eterogenei. È fondamentale pulire i dati: eliminare duplicati, correggere errori di immissione e uniformare codifiche (es. rating ESI, classificazioni interne). Si mappano variabili critiche: rapporto debito/valore, storia di insolvenza, presenza e qualità delle garanzie mobiliari, rating ESI (External Supervisory Rating), e dati macroeconomici regionali (es. tasso di disoccupazione industriale).

b) La validazione include controlli incrociati: verifica della coerenza temporale (allineamento date di ingresso valutazione), integrità referenziale (corrispondenza tra rating e storico recupero), e confronto con benchmark interni (es. media D/V per classe R10). Strumenti come script Python o ETL (es. Talend) automatizzano la pulizia e la standardizzazione, garantendo dati pronti per l’analisi.

c) Un’incoerenza frequente è la mancanza di uniformità regionale: in Lombardia, asset industriali mostrano D/V più elevati ma recuperi più rapidi rispetto al Sud, dove il contesto economico è meno favorevole. Questo richiede una normalizzazione contestuale, non solo numerica, per evitare classificazioni distorte.

4. Fase 2: sviluppo del modello di scoring per Tier 2 (approccio ibrido)

a) Si costruisce un modello di scoring quantitativo basato su regressione logistica per stimare il PD, alberi decisionali per segmentare rischi qualitativi (es. settore, gestione), e integrazione di pesi esperziali (es. 10% per qualità management, 30% per rapporto D/V). Il modello usa variabili strutturate (dati contabili, rating ESI) e non strutturate (notizie, documenti), con tecniche NLP per estrarre segnali da bilanci e news.

b) La pesatura esperta si realizza tramite workshop multidisciplinari con credit, compliance e risk manager, che assegnano punteggi ponderati in base a scenari locali: ad esempio, in ambito tessile, un asset con D/V 68% e PD 18% può ricevere un punteggio ridotto se il settore ha cicli stagionali prevedibili.

c) La calibrazione locale implica adattamento parametrico: in regioni con alta concentrazione industriale (es. Emilia-Romagna), il limite di R30 è spostato a D/V 65% per riflettere maggiore recuperabilità.

1. Definire variabili predittive: D/V, PD, rating ESI, durata residua, garanzie
2. Costruire modello di regressione logistica con training su dati storici di recupero
3. Assegnare pesi esperti: qualità management (+15%), settore (-10%), garanzie (+25%)
4. Calibrare soglie di transizione con dati regionali e KPI di performance

5. Fase 3: definizione delle fasce di classificazione e regole di transizione

a) La matrice di transizione dinamica è composta da tre fasce: R10-R99 (alto rischio), R100-R299 (moderato), R300+ (stabile), con soglie calibrate su percentili storici. Ad esempio, R10 indica asset con D/V >70% o PD >15% e rating ESI <3; R300+ richiede D/V <40%, PD <10% e rating ESI >4.