Вероятность дефолта итальянских банков: выявление критических признаков у двух категорий банков

Среди различных видов банковских рисков кредитный риск традиционно привлекает особое внимание регуляторов и исследователей, вследствие чего расчет вероятности дефолта (PD) заемщика остается одной из центральных задач современного управления кредитным риском и банковского регулирования. Проблема состоит в том, что оценка вероятности дефолта математически формулируется как задача бинарной классификации с выраженным дисбалансом классов, а низкодефолтный характер банковских портфелей делает современные алгоритмы — нейросетевые модели, градиентный бустинг, ансамбли деревьев — чувствительными к малому размеру выборки и склонными к переобучению. Исследовательская задача работы заключается в отборе и статистическом обосновании наиболее значимых признаков вероятности дефолта итальянских банков на горизонтах прогнозирования в один, три и пять лет, а также в выявлении различий между кооперативными (BCC) и акционерными (S.p.A.) банками. Методологической базой исследования выступают подход на основе внутренних рейтингов (IRB) и трактовка события дефолта в соответствии со стандартами Basel и CRR. В качестве методов исследования используются логистическая регрессия, линейный и квадратичный дискриминантный анализ, дискриминантный анализ на основе копул, методы ранжирования признаков ANOVA и RFE, а также предложенная методология отбора признаков на основе динамики метрики качества алгоритма. Результаты исследования показывают, что наилучшее качество классификации демонстрирует квадратичный дискриминантный анализ, а ключевыми предикторами дефолта выступают показатели достаточности капитала (CCN/TA, CCN/PN) и рентабельности (ROE), значимость которых существенно различается для категорий BCC и S.p.A. Сделан вывод о необходимости раздельной калибровки моделей вероятности дефолта для разных категорий банков, что применимо и к российской банковской системе с ее разделением на базовые и универсальные лицензии. 

1. Bei , W., Yudong, S., Tao, Z., & Takenao, S. (2020). Bayesian classifi er with multivariate distribution based on D-vine copula model for awake/drowsiness interpretation during power nap. Biomedical Signal Processing and Control, 5 6 , 101686. https://doi.org/10.1016/j.bspc.2019.101686.

2. Benjamin, N., Cathcart, A., & Ryan, K. (2006). Low default portfolios: A proposal for conservative estimation of default probabilities (Expert Group Paper). UK Financial Services Authority.

3. Bradley, A. P. (1997). The use of the area under the ROC curve in the evaluation of machine learning algorithms. Pattern Recognition, 30 (7), 1145–1159. https://doi.org/10.1016/S00313203(96)00142-2.

4. Burova, A., Penikas, H., & Popova, S. (2021). Probability of Default Model to Estimate Ex Ante Credit Risk. Russian Journal of Money and Finance, 80 (3), 49–72. https://doi.org/10.31477/rjmf.202103.49.

5. Cincinelli, P., & Piatti, D. (2021). How inefficient is an inefficient credit process? An analysis of the Italian banking system. The Journal of Risk Finance, 22 (3/4), 209–239. https://doi.org/10.1108/JRF-08-2020-0184.

6. Chironna, G., & Orlando, G. (2023). At Night All Cats Are Gray, but at Day They Are Not: Default (PD) Forecasts Capturing Italian Banks’ Idiosyncrasy (SSRN Scholarly Paper 4141518). Social Science Research Network. https://doi.org/10.2139/ssrn.4141518.

7. Davis, J., & Goadrich, M. (2006). The relationship between Precision-Recall and ROC curves. Proceedings of the 23rd International Conference on Machine Learning ICML ’0 6 , 233–240. https://doi.org/10.1145/1143844.1143874.

8. Ermolova, M. D., & Penikas, H. I. (2017). PD-LGD correlation study: Evidence from the Russian corporate bond market. Model Assisted Statistics and Applications, 12 (4), 335–358. https://doi.org/10.3233/MAS-170408.

9. Famfollet, J., & Sankotová, E. (2020). Italian bank crisis: Flexible application of BRRD rules, or a bailout in disguise? Review of Economic Perspectives, 20 (2), 109–135. https://doi. org/10.2478/revecp-2020-0006.

10. Fawcett, T. (2006). An introduction to ROC analysis. Pattern Recognition Letters, 2 7 (8), 861–874. https://doi.org/10.1016/j.patrec.2005.10.010.

11. Ferriani, F., Cornacchia, W., Farroni, P., Ferrara, E., Guarino, F., & Pisanti, F. (2019). An Early Warning System for Less Significant Italian Banks (SSRN Scholarly Paper 3432522). Social Science Research Network . https://doi.org/10.2139/ssrn.3432522.

12. Han, F., Zhao, T., & Liu, H. (2013). CODA: High dimensional Copula Discriminant Analysis. Journal of Machine Learning Research, 14 (1), 629–671.

13. Han, S., Williamson, B. D., & Fong, Y. (2021). Improving random forest predictions in small datasets from two-phase sampling designs. B MC Medical Informatics and Decision Making, 21 (1), 322. https://doi.org/10.1186/s12911-021-01688-3.

14. He, Y., Xinsheng, Z., & Pingping, W. (2016). Discriminant analysis on high dimensional Gaussian copula model. Statistics & Probability Letters, 11 7 , 100–112. https://doi.org/10.1016/j.spl.2016.05.018.

15. Kennedy, K., Mac Namee, B., & Delany, S. J. (2010). Learning without default: A study of one-class classification and the low-default portfolio problem. In L. Coyle & J. Freyne (Eds.), Artificial Intelligence and Cognitive Science (p. 174–187). Springer. https://doi.org/10.1007/978-3-642-17080-5_20.

16. Kennedy, K., Namee, B. M., & Delany, S. J. (2013). Using semi-supervised classifiers for credit scoring. Journal of the Operational Research Society, 64 (4), 513–529. https://doi.org/10.1057/jors.2011.30.

17. Luo, J., Yuan, Y., & Xu, S. (2024). Improving GBDT Performance on Imbalanced Datasets: An Empirical Study of Class-Balanced Loss Functions (arXiv:2407.14381). arXiv. https://doi.org/10.48550/arXiv.2407.14381.

18. Moscatelli, M., Narizzano, S., Parlapiano, F., & Viggiano, G. (2019). Corporate default forecasting with machine learning. Banca d’Italia. https://doi.org/10.32057/0.TD.2019.1256.

19. Penikas, H. (2020). Low Default Portfolios in Basel II and Basel III as a Special Case of Significantly Unbalanced Classes in Binary Choice Models. Russian Journal of Money and Finance, 101–128. https://doi.org/10.31477/rjmf.202002.101.

20. Priyatno, A. M., & Widiyaningtyas, T. (2024). A systematic literature review: Recursive feature elimination algorithms. JITK (Jurnal Ilmu Pengetahuan dan Teknologi Komputer), 9 (2), 196–207. https://doi.org/10.33480/jitk.v9i2.5015.

21. Rich, J. T., Neely, J. G., Paniello, R. C., Voelker, C. C. J., Nussenbaum, B., & Wang, E. W. (2010). A practical guide to understanding Kaplan-Meier curves. Otolaryngology–Head and Neck Surgery, 143 (3), 331–336. https://doi.org/10.1016/j.otohns.2010.05.007.

22. Saito, T., & Rehmsmeier, M. (2015). The precision-recall plot is more informative than the ROC plot when evaluating binary classifiers on imbalanced datasets. PLOS ONE, 10 (3), e0118432. https://doi.org/10.1371/journal.pone.0118432.

23. Sakho, A., Malherbe, E., & Scornet, E. (2025). Do we need rebalancing strategies? A theoretical and empirical study around SMOTE and its variants (arXiv:2402.03819). arXiv. https://doi.org/10.48550/arXiv.2402.03819.

24. Salmerón, R., García, C., & García, J. (2020). Overcoming the inconsistences of the variance inflation factor: A redefined VIF and a test to detect statistical troubling multicollinearity (arXiv:2005.02245). arXiv. https://doi.org/10.48550/arXiv.2005.02245.

25. Shenevskaia, V., Grishunin, S., & Astakhova, A. (2024). Evaluating Machine Learning Approaches for Forecasting Creditworthiness of Industrial Companies in Low-Default Portfolios. In M. H. Bilgin, H. Danış, E. Demir, & E. Yazgan (Eds.), Eurasian Business and Economics Perspectives (p. 209–229). Springer Nature Switzerland. https://doi.org/10.1007/978-3-031-69237-6_12.

26. Stefancic, M. (2017). Troubles of the Italian banking system and the smothered hopes of Europe. Review of Innovation and Competitiveness, 3 , 99–116. https://doi.org/10.32728/ ric.2017.32/6.

27. van den Goorbergh, R., van Smeden, M., Timmerman, D., & Van Calster, B. (2022). The harm of class imbalance corrections for risk prediction models: Illustration and simulation using logistic regression. Journal of the American Medical Informatics Association, 29 (9), 15251534. https://doi.org/10.1093/jamia/ocac093.