N. 1337 - Indicatori di allerta del rischio di liquidità per le banche italiane: un approccio basato sul machine learning

di Maria Ludovica Drudi e Stefano Nobili
Giugno 2021
Go to the english version Cerca nel sito

Il lavoro sviluppa un modello di early warning delle crisi di liquidità per le banche italiane, confrontando l'efficacia di tre metodi di machine learning (logistic LASSO, random forest e Extreme Gradient Boosting) nel prevedere la probabilità di una crisi. Si utilizza un dataset originale costruito a partire dai casi di ELA, e si calibrano i segnali dei modelli tramite un'ottimizzazione basata sulle preferenze tra l'errore di I tipo (mancata segnalazione di una crisi) e di II tipo (falso allarme).

I tre metodi di stima utilizzati hanno un'ottima performance previsiva, che migliora combinandoli tra loro (attraverso una media semplice o ponderata). I modelli combinati sono in grado di ottenere una bassa percentuale di mancate segnalazioni di una crisi (falsi negativi) pur limitando allo stesso tempo i falsi allarme (falsi positivi).

Testo della pubblicazione

  1. 22 giugno 2021
    N. 1337 - Indicatori di allerta del rischio di liquidità per le banche italiane: un approccio basato sul machine learning
    PDF 1.9 MB

    (testo in inglese)

Sezione di approfondimento