Sistemi di valutazione soggettiva o basati su valutazioni soggettive

Come evidenziato precedentemente, la misurazione quantitativa dell'OpVaR non sem- pre è agevole. Per questo motivo, in attesa di miglioramenti in ambito quantitativo, sono stati deniti dei sistemi di valutazione di tipo soggettivo (c.d. self-assessment) degli ele- menti di debolezza che danno origine alle perdite operative.

Questa metodologia soggettiva si fonda principalmente sull'utilizzo di questionari o intervi- ste rivolte ai responsabili delle distinte unità di business per produrre un valore del rischio operativo, oppure per ottenere, dalle informazioni soggettive ricavate, dei veri e propri rating di questo rischio che vengono poi adoperati per ricavare la severity e la frequency dei vari eventi di perdita e di conseguenza, una stima dell'Operational Value at Risk. Una proposta metodologica fornita in questo ambito è presentata da Cosma, Salvadori, Dell'Anna (2014 [27]) in un loro articolo pubblicato sulla rivista Bancaria, dove illustra- no un metodo per ricavare la misura dell'OpVaR sulla base solamente delle opinioni di esperti raccolte attraverso un Risk Self Assessment.

Il modello si basa sul presupposto che non tutti gli intermediari nanziari possiedono delle serie storiche delle perdite operative sucientemente complete e idonee su cui poter uti- lizzare le metodologie di tipo statistico per la misurazione del rischio operativo, perciò, gli autori ritengono che le uniche fonti informative che possono essere adoperate, in questi casi, sono quelle ricavate dall'esperienza maturata nel tempo dai responsabili di rischi, funzioni e processi in relazione alle perdite sperimentate e potenziali, ossia dati che pos- sono essere rinvenuti nelle schede di RSA (Risk Self Assessment). In sostanza, l'idea su cui si fonda questo lavoro consiste nell'utilizzare le informazione che si possono ricavare dalle schede di RSA per creare una base dati delle perdite su cui poi procedere con metodi quantitativi per il calcolo dell'OpVaR. Tale database, inoltre, sarà costruito attraverso un processo di simulazione delle perdite operative sulla base proprio delle esperienze e delle opinioni raccolte in questi RSA20_.

20_{Se si desidera approfondire l'argomento, si veda COSMA, S., SALVADORI, G., DELL'ANNA, L.,}

Ovviamente, anche questo diverso approccio alla misurazione del rischio operativo non è esente da alcune problematicità: un programma di RCSA (Risk and Control Self- Assessment) idoneo non può essere comunque ritenuto adeguato ed eciente per la mi- surazione del rischio operativo. Nonostante la sua riconosciuta capacità di individuare eventuali mancanze nel processo di controllo, di fornire possibili soluzioni a tali mancanze e di tenere sotto osservazione i miglioramenti apportati, gli strumenti RCSA sono caratte- rizzati dal problema che si possono sempre vericare situazioni in cui i responsabili delle business unit o i dipendenti stessi nascondino o evitino di segnalare alcuni rischi intrapresi o perdite subite: ciò altera sia la frequenza che l'intensità delle perdite operative e, di conseguenza, la determinazione dell'ammontare dello stesso rischio operativo.

3.3.4 Criticità dei modelli quantitativi del rischio operativo

Tutti i modelli illustrati nei paragra precedenti dimostrano la possibilità di usufruire di tecniche quantitative per la computazione del rischio operativo. Tali tecniche possono sicuramente essere una base per la determinazione del rischio operativo, ma purtroppo non sono adabili quanto i modelli utilizzati per la determinazione del rischio di mercato e di credito, a causa di alcune limitazioni che le attengono:

• la denizione del rischio operativo: la misurazione del rischio operativo viene inuen- zata in maniera negativa anche dal fatto che le perdite connesse a tale tipologia di rischio possono essere confuse e associate ad altre tipologie di rischio;

• i database disponibili per la computazione: essi sono prevalentemente di modesta entità (le informazioni catalogate sono alle volte scarse e solitamente sono riferite ad un arco temporale assai limitato) e non sempre adabili;

• l'attività di normalizzazione: nel caso si utilizzino, come base dati, le informazioni ricavate da database consortili o RSA, l'attività di normalizzazione dei dati, eser- citata dai gestori di tali sistemi, alle volte può non risultare suciente per elimi- nare sensibilità e dierenze tra le informazioni raccolte, fornendo, perciò, dati non omogenei;

• i fattori di rischio: essi sono spesso rappresentati dalle macro-categorie date dalla denizione, ossia risorse umane, processi interni, tecnologie ed eventi esogeni, le quali non sono facilmente identicabili in modo univoco e obiettivo;

• la stima della correlazione e del grado di dipendenza: la correlazione e le dipendenze che sono instaurate tra le perdite operative e le macro-categorie rappresentative dei fattori di rischio sono di dicile rilevazione e denizione, perciò, tale circostanza inuisce negativamente anche sulla stima dell'Operational Value at Risk.

Anche nel caso si faccia ricorso a metodologie soggettive che si fondano principalmente sull'utilizzo di questionari o interviste per produrre un valore del rischio operativo, oppure per ottenere, dalle informazioni soggettive ricavate, dei veri e propri rating di questo rischio che vengono poi adoperati per ricavare la severity e la frequency dei vari eventi di perdita e di conseguenza, una stima dell'Operational Value at Risk, sono comunque soggette alle criticità sopra denite, oltre al problema dell'adabilità dei dati raccolti.

Come già aermato, per quanto concerne i sistemi di quanticazione del rischio ope- rativo, essi sono ancora ad una fase iniziale, rispetto agli stessi sistemi utilizzati per la misurazione del rischio di mercato o di credito, benché esso sia uno dei rischi più impor- tanti e rilevanti.

Il principale ostacolo all'utilizzo dei metodi quantitativi deriva dal fatto che la base dati di riferimento non sia sucientemente ampia e sviluppata, nonostante molti istituti abbiano iniziato dagli anni Novanta a raccogliere e classicare dati. A questo proposito, alcuni ritengono che col tempo tale problematica verrà risolta.

Analisi empirica relativa alla

quanticazione del Value at Risk

Il presente capitolo illustra la prima analisi empirica che verrà condotta sulla misura di rischio corrispondente al Value at Risk.

In tale sede si desidera eettuare innanzitutto un confronto fra la percentuale di Value at Risk determinata attraverso la pura applicazione dell'approccio parametrico e la percen- tuale dello stesso ottenuta mediante l'impiego del medesimo approccio, ma tenendo conto del decadimento temporale dei dati utilizzati; inne, si vuole vericare l'ecacia del VaR tramite un backtesting.

4.1 Confronto fra l'applicazione lineare dell'approccio para-

metrico e l'applicazione in considerazione del decadimen-

to temporale

Innanzitutto, la prima parte dell'analisi riguarda il confronto tra i valori di Value at Risk che si ottengono mediante l'impiego lineare dell'approccio parametrico e i valori ricavati adottando il metodo del decadimento temporale dei dati allo stesso approccio.

Per operare tale confronto è necessario possedere dei titoli di riferimento su cui sviluppare i calcoli e procedere con gli adeguati confronti.

A tale scopo, si sono estratte da Bloomberg le serie storiche dei seguenti 10 titoli azionari: 1. Goldman Sachs Group Inc/The (GS:US);

2. JPMorgan Chase & Co (JPM:US); 3. Microsoft Corp (MSFT:US); 4. Deutsche Bank AG (DBK:GR);

5. Bayerische Motoren Werke AG (BMW:GR); 6. Banco Bilbao Vizcaya Argentaria SA (BBVA:SM); 7. Intesa Sanpaolo SpA (ISP:IM);

8. ING Groep NV (INGA:NA); 9. BNP Paribas SA (BNP:FP); 10. Safran SA (SAF:FP).

I titoli scelti sono abbastanza eterogenei sotto l'aspetto del settore di riferimento, dell'indu- stria e della nazionalità e di seguito li si elencherà in base a tali caratteristiche, cominciando con la nazione, continuando con il settore e nendo con l'industria:

1. Goldman Sachs Group Inc/The (GS:US): • Stati Uniti d'America;

• Financials;

• Diversied Financials.

2. JPMorgan Chase & Co (JPM:US): • Stati Uniti d'America;

• Financials; • Banks.

3. Microsoft Corp (MSFT:US): • Stati Uniti d'America; • Information Technology; • Software & Services. 4. Deutsche Bank AG (DBK:GR):

• Germania; • Financials;

• Diversied Financials.

5. Bayerische Motoren Werke AG (BMW:GR): • Germania;

• Automobiles & Components.

6. Banco Bilbao Vizcaya Argentaria SA (BBVA:SM): • Spagna;

• Financials; • Banks.

7. Intesa Sanpaolo SpA (ISP:IM): • Italia;

• Financials; • Banks.

8. ING Groep NV (INGA:NA): • Olanda; • Financials; • Banks. 9. BNP Paribas SA (BNP:FP): • Francia; • Financials; • Banks. 10. Safran SA (SAF:FP): • Francia • Industrial; • Capital Goods.

Ogni serie storica è rappresentata dai valori giornalieri delle quotazioni di borsa a partire dal 1◦ _{gennaio 2007, no al 4 maggio 2017.}

Una volta ricavate le serie storiche di tutti i suddetti titoli, si è proceduto prima, a deter- minare la percentuale di Value at Risk a 10 giorni con un livello di condenza del 99%, attraverso l'applicazione lineare dell'approccio parametrico e successivamente, mediante l'impiego del medesimo approccio corretto per i relativi fattori di decadimento temporale.

4.1.1 Calcolo del VaR attraverso l'applicazione dell'approccio parame-