I dettagli alla base della modellizzazione comportamentale

Nell'episodio 7 di TheAiCR , Joe Furlong intervista Dick Kazarian, amministratore delegato del Borrower Analytics Group del MIAC. Dick ha sviluppato e applicato modelli comportamentali nei mercati dei mutui ipotecari nel corso di diversi cicli creditizi, tra cui la crisi del peso, la grande crisi finanziaria e la pandemia di COVID-19. Spiega come vengono costruiti i modelli, in quali casi falliscono e perché la competenza in materia non può essere sostituita dal solo machine learning. 

Di cosa si occupa il Borrower Analytics Group del MIAC? 

Il Borrower Analytics Group di MIAC sviluppa e gestisce i modelli comportamentali che supportano le attività di valutazione, copertura, intermediazione e consulenza di MIAC. Il gruppo produce tre tipi di output analitici: valutazioni che calcolano il prezzo di mercato dato uno spread o uno spread dato un prezzo di mercato, analisi di copertura che misurano di quanto un prezzo si muoverà se i tassi cambiano e analisi di stress che eseguono scenari di fattori macroeconomici per proiettare come si comporteranno le attività in condizioni avverse. I modelli supportano sia i team di produzione interni di MIAC sia i clienti software esterni che utilizzano la piattaforma analitica di MIAC su licenza. 

Come vengono elaborati i modelli comportamentali? 

Lo sviluppo del modello segue un ciclo di vita ben definito. Si inizia con la comprensione dei requisiti aziendali, per poi passare all'acquisizione, alla preparazione e alla normalizzazione dei dati. Il team individua quali set di dati rispondono al meglio alla domanda che il modello intende affrontare, specifica la struttura del modello ed esegue il processo di stima. Seguono approfonditi test retrospettivi e attività diagnostiche. Il modello deve quindi essere implementato nel software, fase che, secondo Dick, segna l'inizio della maggior parte del lavoro vero e proprio. I test di implementazione mettono in luce problemi che la sola stima non è in grado di rilevare. Da lì, il modello passa attraverso la documentazione e la convalida, per poi essere sottoposto a una valutazione continua delle prestazioni, poiché i modelli diventano obsoleti e devono essere monitorati costantemente. 

Perché la qualità dei dati è così importante per la modellizzazione comportamentale? 

La qualità dei dati determina ogni risultato prodotto da un modello. Se i dati in ingresso sono incompleti, incoerenti o riflettono periodi anomali che non sono stati descritti con precisione, il modello produrrà risultati inaffidabili. Dick è categorico: tutti operano nel settore dei dati. L'unica domanda è se lo faranno bene. I modelli costruiti su dati incompleti o distorti si adatteranno al passato, ma non riusciranno a fornire previsioni accurate. La grande crisi finanziaria ne è l'esempio più lampante. Durante la crisi, i rapporti prestito/valore (LTV) a livello di prestito hanno raggiunto il 130%, uno scenario per il quale nessun modello costruito nel 2006 disponeva di dati storici su cui basarsi, poiché nessun originatore concedeva prestiti con tali LTV. I dati relativi a quello scenario semplicemente non esistevano prima che si verificasse. 

Perché l'intelligenza artificiale e l'apprendimento automatico non possono sostituire la competenza specialistica nella modellizzazione comportamentale? 

I modelli di machine learning svolgono un ruolo nell'analisi dei mutui, ma non sostituiscono la competenza in materia. Dick individua le condizioni in cui il machine learning funziona bene: molte variabili, un'intuizione economica limitata su come tali variabili siano correlate tra loro, grandi quantità di dati di addestramento e ambienti stabili privi di interventi politici. I mercati dei mutui non soddisfano molte di queste condizioni. Il mutuo è la passività più consistente che grava sulla maggior parte dei proprietari di immobili, il che significa che le autorità di regolamentazione, il Congresso e le agenzie statali intervengono costantemente. L'HARP ha cambiato da un giorno all'altro la velocità dei rimborsi anticipati. Il Dodd-Frank ha modificato strutturalmente la qualità delle valutazioni. Il COVID ha interrotto completamente la relazione storica tra disoccupazione e perdite su crediti, poiché i programmi di sostegno del governo hanno fatto sì che le persone fossero finanziariamente meglio senza lavoro che con un impiego. Un modello di machine learning addestrato sui dati storici avrebbe prodotto risultati errati per tutti questi scenari. La competenza in materia è ciò che permette a un team di riconoscere quando i dati sono fuorvianti e di adeguarsi di conseguenza. 

Come vengono formulate le ipotesi relative al pagamento anticipato e all'insolvenza? 

Il comportamento in materia di estinzione anticipata e insolvenza è determinato da una combinazione di caratteristiche del prestito e fattori macroeconomici. Il saldo del prestito, il rapporto prestito/valore (LTV), la qualità del credito, l’anzianità del prestito e il tipo di prodotto sono tutti elementi rilevanti. Lo stesso vale per i tassi di interesse, l'apprezzamento dei prezzi delle case, la disoccupazione e l'inflazione sia a livello nazionale che a livello di MSA. I prestiti VA sono un utile esempio di come interagiscono i fattori specifici del prodotto. I prestiti VA vengono rimborsati anticipatamente a circa il 50% del CPR, in modo significativamente più rapido rispetto ad altri tipi di prodotto, poiché i mutuatari VA tendono ad avere un credito solido e il processo di rifinanziamento semplificato VA è sufficientemente efficiente da consentire ai mutuatari di rifinanziare rapidamente una volta che i tassi scendono. L'LTV è importante sia per la performance creditizia che per i rimborsi anticipati in tutti i tipi di prodotto, ma i mutuatari VA mostrano una performance creditizia migliore rispetto ai mutuatari FHA a LTV comparabili, il che rappresenta una distinzione importante per chiunque costruisca o interpreti modelli relativi ai prodotti di prestito governativi. 

Qual è il ruolo dei dati raccolti durante l'intero ciclo nella modellizzazione comportamentale? 

Per costruire modelli validi in contesti economici diversi occorrono dati che coprano più cicli creditizi. Un modello stimato solo sulla base di dati relativi a un periodo stabile non sarà in grado di prevedere il comportamento dei mutuatari in caso di forte calo dei prezzi delle case, picchi di disoccupazione o interventi politici che alterano le normali relazioni tra le variabili. Le annate della bolla dal 2003 al 2005 hanno prodotto perdite su crediti che i modelli di quell'epoca non avrebbero potuto prevedere, poiché le distribuzioni LTV emerse durante la crisi erano al di fuori dell'intervallo di qualsiasi esperienza di origination precedente. Le origini post-crisi hanno mostrato perdite di credito inferiori rispetto a quelle pre-crisi anche dopo l'adeguamento alle differenze di qualità del credito, in gran parte perché la qualità delle valutazioni è migliorata significativamente dopo che le riforme Dodd-Frank hanno eliminato le valutazioni commissionate dai mediatori. Disporre di dati relativi a più cicli è ciò che consente a un team di modellizzazione di comprendere quali relazioni sono strutturali e quali sono specifiche di un determinato periodo. 

Cosa riserva il futuro al mercato dei mutui residenziali? 

La visione di Dick all'inizio del 2026 verte su due temi. Il primo è l'ampliamento della disponibilità dei dati. I dati delle agenzie di valutazione del merito creditizio, che mostrano l'indebitamento complessivo di un mutuatario e non solo il debito ipotecario, stanno diventando più accessibili e consentiranno, nel tempo, una modellizzazione comportamentale più precisa. Il secondo è il rischio politico. Il mercato dei mutui è soggetto a continui interventi normativi e legislativi, e tali interventi possono produrre cambiamenti radicali nei comportamenti relativi al rimborso anticipato e al credito. Le strutture LLPA sono attualmente al centro del dibattito politico da entrambe le parti, e le modifiche apportate potrebbero avere effetti significativi a valle sulla velocità dei rimborsi anticipati e sulla performance creditizia. Conclusione di Dick: il rischio politico è molto difficile da prevedere e ha un impatto molto forte quando si manifesta. 

Domande frequenti sulla modellizzazione comportamentale nei mercati dei mutui 

Che cos'è la modellizzazione comportamentale nel settore dei mutui ipotecari? 

La modellizzazione comportamentale nel settore dei mutui ipotecari consiste nella creazione di modelli quantitativi che prevedono il comportamento dei mutuatari nel tempo, in particolare la probabilità che questi procedano al rimborso anticipato, entrino in default o diventino morosi. Questi modelli utilizzano dati relativi ai singoli prestiti e input macroeconomici per generare risultati impiegati nella valutazione, nella copertura, nelle prove di stress e nella pianificazione del capitale. 

Quali dati vengono utilizzati nei modelli di pagamento anticipato e di insolvenza? 

I modelli relativi al rimborso anticipato e all'insolvenza utilizzano una combinazione di caratteristiche specifiche dei prestiti, tra cui il rapporto prestito/valore (LTV), il saldo del prestito, il punteggio di credito, l'anzianità del prestito e il tipo di prodotto, oltre a fattori macroeconomici quali i tassi di interesse, l'apprezzamento dei prezzi delle abitazioni, la disoccupazione e l'inflazione. È proprio l'interazione tra le caratteristiche dei prestiti e i fattori macroeconomici a determinare il comportamento dei mutuatari, e i modelli necessitano di dati che coprano più cicli economici per cogliere come tali relazioni cambino a seconda dei diversi contesti. 

Perché i modelli comportamentali hanno fallito durante la grande crisi finanziaria? 

I modelli sviluppati prima della grande crisi finanziaria non disponevano di dati storici sul comportamento dei mutuatari ai livelli di LTV emersi durante la crisi. Nessun originatore concedeva prestiti con un LTV pari a 130 in condizioni normali, quindi non esistevano dati di addestramento per quello scenario. Inoltre, la qualità delle valutazioni era scarsa prima delle riforme Dodd-Frank, il che significa che i valori delle garanzie sottostanti agli LTV dei prestiti erano gonfiati in modi che i modelli non tenevano in considerazione. La crisi ha messo in luce quanto l'accuratezza dei modelli dipenda dalla qualità e dalla completezza dei dati utilizzati per costruirli. 

Che cos'è il Gruppo di analisi dei mutuatari del MIAC? 

Il gruppo di analisi dei mutuatari del MIAC sviluppa e gestisce i modelli comportamentali che supportano i servizi di valutazione, copertura e consulenza di MIAC. Il gruppo sviluppa modelli di rimborso anticipato, insolvenza e gravità per i vari tipi di prestiti residenziali, commerciali e al consumo, e supporta sia le unità produttive interne di MIAC sia i clienti esterni che utilizzano la piattaforma software analitica di MIAC.