L’effetto Covid-19 e delle politiche monetarie, fiscali ed economiche nei modelli comportamentali
a cura di Matteo Formenti

Ott 02 2021
L’effetto Covid-19 e delle politiche monetarie, fiscali ed economiche nei modelli comportamentali a cura di Matteo Formenti

Disclaimer: Le informazioni, e dichiarazioni e le opinioni espresse nell’articolo sono da attribuirsi all’autore solamente e non sono in alcun modo riconducibili al ruolo aziendale svolto all’interno del Gruppo UniCredit né ad UniCredit stessa.

Il malagurato periodo che stiamo vivendo causato dal Covid-19 ha portato con sé molteplici novità nel settore bancario. Novità che hanno comportato un forte cambiamento del comportamento dei clienti bancari e, di conseguenza, una revisione dei modelli comportamentali utilizzati nell’asset-liability management (ALM). In primis, abbiamo osservato un repentino cambiamento dei fattori microeconomici esogeni alla banca, quali il comportamento dei clienti in termini di risparmio e consumo, e quelli macroeconimici, quali la politica monetaria e la politica del governo (fiscale ed economica). In banca la combinazione di tali fattori, avvenuti anche in contemporanea, è stato oggetto di numerose analisi e ragionamenti perché tali variabili sono gli ingredienti fondamentali dei modelli comportamentali che si utilizzano per gestire al meglio la liquidità e mitigare il rischio di tasso di interesse. Questo articolo non ha l’ambizione di ripercorrere ed analizzare tutte le novità introdotte dalla BCE (in tal caso suggerisco Nasti & Pasqualone) o dal governo italiano bensì di focalizzare l’attenzione sulla capacità di mitigare gli effetti indesiderati di tali repentivi stravolgimenti sul bilancio bancario tramite un’efficace gestione dei modelli comportamentali.

Dal punto di vista della politica monetaria, le novità più rilevanti sono state il duplice intervento da parte della Banca Centrale Europea di organizzare il terzo programma di rifinanziamento del settore bancario chiamato “Operazioni mirate di rifinanziamento a più lungo termine” (TLTRO) e di fornire, fin dal primo lockdown, un sostegno immediato alla liquidità del settore bancario per salvaguardare le condizioni dei mercati monetari tramite la serie di “Operazioni di rifinanziamento a più lungo termine aggiuntive” (LTRO). Entrambe le operazioni hanno apportato un’impressionante volume di liquidità, combinata con il massimo incentivo per far sì che tale disponibilità fosse accessibile nel più breve tempo alle imprese ed alle famiglie richiedenti. Questo processo è avvenuto grazie all’impegno delle banche di supportare il sistema dei pagamenti, che a sua volta avrebbe potuto innescare una crisi di liquidità ed una crisi del credito, e parimenti grazie alle regole stabilite da BCE, all’interno del programma TLTRO, per cui tale  prestito è remunerato al -1% dalla BCE (n.b. la BCE paga la banca per aver prestato denaro) in caso in cui la banca finanzi alle imprese un volume almeno pari a quello avvenuto in un periodo precedente alla crisi.

Dal punto di vista della politica economica e fiscale il governo italiano ha approvato i seguenti principali decreti: il decreto Liquidità (D.L 8 aprile 2020)[1] che sostiene i finanziamenti alle piccole, medie e grandi imprese tramite l’estensione delle garanzie pubbliche (Fondo FCG e SACE) e la sospensione dei tributi e contributi, il Decreto Cura Italia (D.L 17 marzo 2020)[2] ed il Decreto Imprese (o Sostegni bis) che hanno permesso, tra le altre cose, di sospendere il pagamento della quota capitale dei finanziamenti o di estendere l’iniziativa, in piedi dal 2019 a favore di alcuni di dipendenti che hanno ridotto l’orario lavorativo, di sospendere la rata dei mutui (grazie anche al ridimensionamento del Fondo Gasparrini).

Dal punto di vista microeconomico, i ripetuti lockdown totali, o parziali, hanno inevitabilmente cambiato il comportamento dei clienti verso la spesa transazionale ordinaria (es. vestiti, ristoranti e piccole spese per la casa), la straordinaria (acquisto automobili, moto… prime o seconde case) nonché l’atteggiamento verso il risparmio gestito. Questi elementi sono alla base dei modelli comportamentali, come discusso in precedenza su FinRiskAlert, per cui un buon modello dei depositi predice il volume che la banca utilizzerà per finanziare i propri asset (prestiti, investimenti) individuando, quanto più possibile a livello di clienti omogenei, quale sia (in %) la spesa ordinaria, straordinaria e quella dedicata la risparmio. Di solito tale analisi non avviene a livello di singolo correntista, non sarebbe utile e forse poco rappresentativo, ma per cluster (gruppi) di clienti che si comportano nello stesso modo. Ed è quest’analisi di clustering che viene favorita dai cosiddetti modelli di machine learning, utili a semplificare un’enorme mole di dati ed individuare dei pattern (comportamenti analoghi in base ad un coefficiente statistico) che saranno alla base poi dell’analisi statistica. Quest’ultima sarà utilizzata per predirre il volume stabile di depositi che possono finanziare gli asset a lungo termine (es. mutui) o il volume core che è utile a stabilizzare il margine di interesse tramite un investimento a tasso fisso (es. derivati swap).

Date queste premese è utile chiedersi se è possibile continuare ad utilizzare la statistica per individuare quale sia il volume di depositi stabili. O se i modelli di machine learning possano essere di supporto per analizzare e prevedere questo cambio di comportamento. Ad una prima valutazione, direi che questi strumenti sono stati di poco aiuto. Perché l’evento Covid-19 è stato dirompente per i frazionati lockdown (in primis), per la politica monetaria, ultra-accomodante, ed una politica fiscale davvero espansiva. Mentre la capacità della statistica e dei modelli di machine learning sono molto utili in periodi ordinari (On-Going scenario) e quando si hanno a disposizione molti dati, così che in un periodo straordinario la pura analisi economica e l’esperienza di chi-fa-banca è ritornata in auge. Questa combinazione di esperienza e modelli quantiativi ha aiutato a navigare in questo periodo. Ha permesso di comprendere la direzione di tali fenomeni straordinari che stavano (e tuttora stanno) avvenendo e, successivamente, per ri-settare i modelli così da utilizzare tali strumenti al meglio. Vediamo come e perché.

Iniziamo dai depositi bancari, aumentati in modo vertiginoso a seguito dei ripetuti lockdown e degli incentivi dati dalla politica fiscale. I depositi delle imprese, ad esempio, sono cresciuti perché quest’ultime hanno interrotto fin dal primo lockdown gli investimenti in corso, sucessivamente hanno rallentato gli investimenti prospettivi e, contemporaneamente, hanno richiesto e poi ricevuto dalle banche, liquidità immediata per far fronte ai pagamenti. In breve, le imprese hanno richiesto ed avuto liquidità per premunirsi dagli eventi inattesi ma quest’ultima è rimasta sui loro conti correnti. In analogia, i depositi della clientela sono aumenti perché il lockdown ha portato negli individui un cambiamento nel comportamento della spesa ordinaria, la cosiddetta componente transazionale, ed un atteggiamento molto prudente verso l’investmento dei propri risparmi. Quest’ultimo driver dei depositi (la componente del risparmio) si è modificato in modo sostanziale ed è stato guidato da una percezione dei depositanti di un periodo prospettico ad “alta incertezza” sui mercati finanziari che, di fatto, ha inibito ogni forma di investimento sia sul mercato azionario (debolissimo dopo lo shock di marzo 2019) e obbligazionario (con bassi rendimenti dovuti alla politica monetaria). Fatte le proporzioni, tale incertezza è stata più percepita che reale, come poi osservato dalla bassa volatilità sui mercati finanziari – effetto dovuto alle manovre della BCE sopra descritte -) sebbene l’effetto sia stato analogo a quello osservato nelle imprese: gli individui hanno lasciato i propri risparmi sul proprio conto corrente in attesa di tempi migliori e occasioni di rendimento. In conclusione, dal punto di vista della banca il cambiamento di comportamento dei suoi clienti (individui ed imprese) è andato nella stessa direzione.

Osserviamo ora gli effetti delle manovre economiche e fiscali sugli asset della banca ovvero sul volume dei prestiti e dei mutui e quindi sul comportamento di imprese ed individui. A seguito delle manovre si è osservato un aumento delle scadenze degli attivi bancari ed una diminuzione dei prepagamenti dei finanziamenti. Nel caso dei mutui, ad esempio, è stato dovuto dal fatto che non si poteva facilmente accedere alla banca e, in secondo luogo, per l’incentivo dato dalle moratorie. Per quanto riguarda i modelli comportamentali, che si prefiggono di stimare quale sia il tasso di prepagamento medio del portafoglio di mutui e imprese, si conferma ciò si poteva immaginare con l’esperienza (e che i dati non potevano prevedere). Il tasso di prepagamento è inizialmente crollato sotto la media storica, per poi riprendere con vigore nella forma delle surroghe avallate dai tassi più bassi di sempre. Per gestire opportunamente il rischio tasso, anche in questo caso, è stato necessario rivedere rapidamente i modelli comportamentali combinandoli con Expert Opinion.

Riassumendo, e traendo una prima conclusione, le novità del Covid-19 nel settore bancario hanno comportato un aumento repentino del volume delle passività (liability) ed un aumento delle scadenze degli attivi (asset). Quando il mismatch temporale tra gli asset e liability aumenta e la curva dei tassi di interesse è poco pendente (negli ultimi mesi si è osservato anche IRS a 30y vicino allo zero ed Euribor 3m a -55bp) l’eccesso di passività bancaria (i depositi, il TLTRO e LTRO) è allocato presso i mercati finanziari o, infine, presso la BCE a tassi negativi. Ne consegue una perdita continua che intacca il bilancio bancario e, d’altra parte, il massimo incentivo ad individuare nuovi clienti, efficientare i costi ed utilizzare al meglio i modelli comportamentali per la gestione del ALM.

Ecco perché ci domandiamo: come possono i modelli comportamentali mitigare il rischio di rifinanziamento e di tasso di interesse. Con Umberto Crespi, nel libro “A Guide to Behavioural Modelling” (Risk.Net, 2019), abbiamo definito alcuni Principi che possono aiutare chi stima (i dipartimenti di Rischio o Finanza), utilizza (la tesoreria per le coperture dei rischi, la pianificazione per la comprensione della redditività) e fruisce (il business commerciale) i modelli comportamentali al fine di affrontare questi eventi inattesi nel modo più appropriato, ed in funzione degli obiettivi prima descritti: ottimizzazione del bilancio e minimizzazione dei rischi di liquidità e tasso. I Principi più rilevanti sono:

  1. Il modello dovrebbe tenere conto delle attuali condizioni di mercato, ambiente competitivo, fattori macroeconomici e dei loro possibili sviluppi
  2. Il modello deve tenere conto del trade-off tra complessità e qualità dei dati utilizzati
  3. Il modello deve essere stimato in uno scenario di normalità, detto anche On-Going basis, avendo coerenza tra il periodo di calibrazione effettuato e quello di applicazione.

Sulla base di questi tre Principi dobbiamo riconoscere che il periodo che abbiamo vissuto non è di certo On-Going basis, ergo dobbiamo rivedere la calibrazione del modello per tenere conto del condizioni di mercato diverse e del contesto macroeconomico. In secondo luogo, dobbiamo inserire delle Expert Opinion per gestire quel trade-off tra la complessità degli attuali modelli e la scarsità dei dati che abbiamo a disposizione (e.g. i dati significativi sono le settimane che abbiamo vissuto in lockdown). Una volta che l’impostazione economica del modello è stata ri-settata in questo scenario Covid-19 possiamo riutilizzare i nostri modelli comportamentali per i nostri fini.

Come fare? Ecco un’idea di scaletta: i) occorre definire un periodo temporale circoscriscritto al periodo Covid-19 e testare statisticamente se il comportamento dei clienti è stato diverso; (ii) definire dei nuovi cluster di clientela distinguendo, ad esempio, quelli che hanno subito le conseguenze dei lockdown, per cui avendo difficoltà hanno richiesto accesso al credito, da coloro che hanno potuto risparmiare dai consumi e dai mancati investimenti (nella imprese si pensi alla differenza tra il settore merceologico o dei trasporti aerei, fortemente in difficoltà per i lockdown, da quello agroalimentare e farmaceutico al contrario richiesti a dismisura; negli individui si pensi a coloro che hanno un contratto a tempo indeterminato statale vs quelli a partita IVA); (iii) applicare la statistica e/o i modelli Machine Learning per stimare (in %) la componente stabile e transazionale dei depositi o la % di prepagamento dei mutui. Infine, sarà utile testare se il risultato che abbiamo individuato in un periodo On-Going sia diverso dal periodo Covid-19. Una volta individuata tale nuova componente bisognerà stabile la “spalmatura” dei depositi, ovvero quanti depositi utilizziamo per finanziare i prestiti, e questo si farà tenendo conto della nuova durata degli asset così da minimizzare il rischio di rifinaziamento e stabilizzare il margine di interesse per un periodo più a lungo. Quest’ultima scelta è sicuramente dettata da una Expert Opinion da tenere monitorata nel corso del tempo per evitare di avere un forte disequilibrio tra gli asset finanziati da tali depositi.

In conclusione, ad oggi possiamo dire che entrambi gli obiettivi prefissati dalla politica monetaria e fiscale, in primis evitare una crisi di liquidità nel sistema bancario e sostenere le imprese in difficoltà, sono stati raggiunti. D’altra parte, le novità sono state stravolgenti e la sfida per i prossimi anni sarà quella di compendere se il cambiamento di comportamento della clientela, più attenta alla componente transazionale e meno propensa a quella del risparmio/speculativa, sarà duraturo o se questo periodo sarà considerato come transitorio. Ecco perché i modelli comportamentali ci potranno aiutare, svolgendo il compito di facilitare le scelte che possono generare valore dalla gestione ottima tra gli asset e le liability.


[1] https://www.gazzettaufficiale.it/eli/gu/2020/04/08/94/sg/pdf

[2] https://www.gazzettaufficiale.it/eli/id/2020/03/17/20G00034/sg

Share

I commenti per questo post sono chiusi