Laboratory of bank loan pricing
A.A. 2021/2022
Obiettivi formativi
Students will gain a thorough understanding of the practices currently used by banks when originating (pricing) a bank loan. The course will offer insight into the various areas of the bank involved when pricing a bank loan (Finance department for funding, Chief Risk Officer area for loans balancesheet provisioning, CFO area for capital allocation). The course will then present students the case for the impact on the Bank Loan Pricing of the new Securitization Framework and advanced Machine Learning techniques for default prediction (internal PD model) and projection (satellite PD model).
Risultati apprendimento attesi
At the end of the course students will gain an overview of the various departments at work within a bank when originating a loan. They will also get a measure of the impact on loan pricing of alternative Machine Learning methodologies for default prediction and the impact of the new securitization framework for loan portfolio capital allocation.
Periodo: Terzo trimestre
Modalità di valutazione: Giudizio di approvazione
Giudizio di valutazione: superato/non superato
Corso singolo
Questo insegnamento non può essere seguito come corso singolo. Puoi trovare gli insegnamenti disponibili consultando il catalogo corsi singoli.
Programma e organizzazione didattica
Edizione unica
Responsabile
Periodo
Terzo trimestre
Svolgimento lezioni su Teams a meno di diverse indicazioni
Programma
Di seguito l'elenco degli approfondimenti oggetto del laboratorio:
Bank Loan Pricing attraverso target IRR: CoL (costo della liquidità) + CoC (costo del credito) + CoK (costo del capitale).
CoL: costruzione della curvva blended.
CoL: framework regolamentare: LCR e NSFR.
CoK: Capitale di Vigilanza e Risk Weighted Assets
CoK: Risk Weighted Assets nel caso di banche con segnalazione con metodo Standard e AIRB.
CoK: nuovo quadro regolamentare per cartolarizzazioni
CoK: calcolo degli Risk Weighted Assets per un portafoglio cartolarizzato
CoK: Trasferimento Significativo del Rischio per un portafoglio cartolarizzato
CoC: Perdita Attesa Lifetime. Probability of Default (PD) e Loss Given Default (LGD).
CoC: modelli predittivi del Default. Struttura dataset, architettura moduli e orizzonte di proiezione.
CoC: modelli predittivi del Default. Regressione Logistica Univariata e Multivariata.
CoC: modelli predittivi del Default. Trasformazione delle variabili di input e Cross Validation.
CoC: modelli predittivi del Default. Regression e Classification Trees.
CoC: modelli predittivi del Default. Random Forest: Bagging e Boosting.
CoC: modelli predittivi del Default. impatto di diversi algoritmi sul Bank Loan Pricing.
CoC: modelli satellite. impatto degli scenari macro-economici sugli accantonamenti crediti e sul capitale di vigilanza.
CoC: modelli satellite: Bayesian Model Average come soluzione di problemi c.d. sparsi.
Bank Loan Pricing attraverso target IRR: CoL (costo della liquidità) + CoC (costo del credito) + CoK (costo del capitale).
CoL: costruzione della curvva blended.
CoL: framework regolamentare: LCR e NSFR.
CoK: Capitale di Vigilanza e Risk Weighted Assets
CoK: Risk Weighted Assets nel caso di banche con segnalazione con metodo Standard e AIRB.
CoK: nuovo quadro regolamentare per cartolarizzazioni
CoK: calcolo degli Risk Weighted Assets per un portafoglio cartolarizzato
CoK: Trasferimento Significativo del Rischio per un portafoglio cartolarizzato
CoC: Perdita Attesa Lifetime. Probability of Default (PD) e Loss Given Default (LGD).
CoC: modelli predittivi del Default. Struttura dataset, architettura moduli e orizzonte di proiezione.
CoC: modelli predittivi del Default. Regressione Logistica Univariata e Multivariata.
CoC: modelli predittivi del Default. Trasformazione delle variabili di input e Cross Validation.
CoC: modelli predittivi del Default. Regression e Classification Trees.
CoC: modelli predittivi del Default. Random Forest: Bagging e Boosting.
CoC: modelli predittivi del Default. impatto di diversi algoritmi sul Bank Loan Pricing.
CoC: modelli satellite. impatto degli scenari macro-economici sugli accantonamenti crediti e sul capitale di vigilanza.
CoC: modelli satellite: Bayesian Model Average come soluzione di problemi c.d. sparsi.
Prerequisiti
Students are required to have already completed the following courses:
https://www.unimi.it/it/corsi/insegnamenti-dei-corsi-di-laurea/2022/data-mining-and-computational-statistics
https://www.unimi.it/it/corsi/insegnamenti-dei-corsi-di-laurea/2022/risk-management
In order to complete the final assignment, students will need to have programming skills in any language of their choice (matlab, R, python, C)
https://www.unimi.it/it/corsi/insegnamenti-dei-corsi-di-laurea/2022/data-mining-and-computational-statistics
https://www.unimi.it/it/corsi/insegnamenti-dei-corsi-di-laurea/2022/risk-management
In order to complete the final assignment, students will need to have programming skills in any language of their choice (matlab, R, python, C)
Metodi didattici
presentazione a video del materiale delle lezioni
Materiale di riferimento
Sala-i Martin, X., Doppelhofer, G., and Miller, R. I. (2004). Determinants of longterm
growth: A bayesian averaging of classical estimates (bace) approach. American Eonomic Review,
94(4):813-835.
Schwarz, G. (1978). Estimating the dimension of a model. Annals of Statistics, 6(2):461-464.
Torresetti, R. (2021), A comparison of the performance of alternative Machine Learning algorithms on a credit risk dataset, Working Paper, available at www.ssrn.com
Torresetti, R. (2021), Bayesian Model Averaging for Satellite Models in Bank's Credit Risk Projections, Working Paper, available at www.ssrn.com
growth: A bayesian averaging of classical estimates (bace) approach. American Eonomic Review,
94(4):813-835.
Schwarz, G. (1978). Estimating the dimension of a model. Annals of Statistics, 6(2):461-464.
Torresetti, R. (2021), A comparison of the performance of alternative Machine Learning algorithms on a credit risk dataset, Working Paper, available at www.ssrn.com
Torresetti, R. (2021), Bayesian Model Averaging for Satellite Models in Bank's Credit Risk Projections, Working Paper, available at www.ssrn.com
Modalità di verifica dell’apprendimento e criteri di valutazione
Progetto da svolgere individualmente
SECS-P/01 - ECONOMIA POLITICA
SECS-P/02 - POLITICA ECONOMICA
SECS-P/02 - POLITICA ECONOMICA
Attivita' di laboratorio: 20 ore
Docente:
Torresetti Roberto
Docente/i
Ricevimento:
tutti i Venerdi 18:00-19:00, da 23 Aprile a 25 Giugno
Teams