N. 666 - Una regola decisionale per identificare un livello di qualità dei dati non sufficiente

un'applicazione di tecniche di "statistical learning" ai dati bancari sui crediti deteriorati

di Barbara La Ganga, Paolo Cimbali, Marco De Leonardis, Alessio Fiume, Luciana Meoli e Marco Orlandi
Febbraio 2022
Go to the english version Cerca nel sito

Il lavoro presenta una metodologia per valutare la qualità complessiva delle revisioni ai dati sui crediti deteriorati che le banche inviano alla Banca d'Italia. L'approccio si basa su un indicatore sintetico della qualità dei dati inviati dalle singole banche che, tramite l'utilizzo di tecniche di machine learning e sfruttando le informazioni risultanti dall'attività di controllo, consente di valutare se le correzioni apportate migliorano effettivamente le informazioni precedentemente trasmesse.

La metodologia proposta considera come dimensioni della qualità dei dati il numero e la gravità delle anomalie segnaletiche, nonché la probabilità che i dati sottostanti vengano confermati dalla banca segnalante. Tale probabilità è stimata mediante una tecnica di statistical learning. Rispetto all'approccio attualmente utilizzato in Banca d'Italia, la nuova metodologia è in grado di identificare con più precisione i casi nei quali le rettifiche inviate peggiorano la qualità complessiva dei dati.

Testo della pubblicazione

  1. 02 febbraio 2022
    N. 666 - Una regola decisionale per identificare un livello di qualità dei dati non sufficiente
    PDF 3 MB

    un'applicazione di tecniche di "statistical learning" ai dati bancari sui crediti deteriorati (testo in inglese)