Translate

domenica 29 maggio 2016

LAST LOOK: LA PRATICA CHE CONSENTE ALLE BANCHE DI VINCERE SEMPRE SUL FOREX. IL CASO BARCLAYS. PT.4

Trovate qui la terza parte.
Alcuni clienti più sofisticati iniziarono a raffrontare sia la percentuale di ordini inevasi sia il tempo medio di esecuzione della Barclays con quelli conseguiti presso altri primari istituti di credito. In certe occasioni, alcuni di questi clienti manifestarono le proprie preoccupazioni,circa l'elevato numero di ordini rifiutati, direttamente alla Barclays che, dal canto suo, si impegnò a fornire spiegazioni ed a rettificare il sia tempo di ritenzione degli ordini che le soglie di variazione dei prezzi al fine di determinare una riduzione del numero di ordini rigettati.
In uno dei tanti materiali pubblicitari riguardanti la BARX GUI, la banca affermava: «Non pratichiamo il #LastLook – ciò che vedi è ciò che avrai». Questa presentazione non distingueva, però, in maniera esplicita la piattaforma GUI da quella FIX/API, né spiegava che che il #LastLook fosse praticato sugli ordini dei clienti FIX/API.
Alcuni dipendenti senior della banca, inoltre, istruirono i traders ed i dipendenti del settore IT di non informare gli addetti alle vendite dell'esistenza del #LastLook.
  • In data 6 Giugno 2011, in una discussione svoltasi via e-mail ed avente ad oggetto il #LastLook, un Managing Director della Barclays ed il Capo del Trading su Forex Automatico ed Elettronico scrivevano: «Non coinvolgete il reparto vendite in nessuno modo. Evitate di menzionare del tutto l'esistenza, presso BATS, della funzionalità Lastlook. Qualora doveste ricevere quesiti sul punto, offuscate ed ostacolate il tutto».
  • In data 4 Agosto 2011, un dipendete della Barclays scriveva ad un trader: «Per il futuro, il reparto vendite ignora assolutamente al 100% l'esistenza del #LastLook e non dovrebbe interessarsene».
  • In data 7 Novembre 2011, gli stessi soggetti di cui al primo punto scrivevano: «Non parlate del #LastLook con il reparto vendite. Qualora dovesse esserci un aumento nel numero di trades rifiutati, imputatelo a problemi tecnici e dite che sono in via di risoluzione».
Dal 15 Dicembre 2015 al 19 Febbraio 2016 la Barclays ha accettato di sottoporsi ad un processo di monitoraggio indipendente avente ad oggetto le procedure trattate in questa serie di post.

martedì 24 maggio 2016

OLTRE I PANAMA PAPERS: I CAYMAN SECRETS SUI DIVIDENDI USA PT.1

Gli Hedge Funds e le società di investimento offshore  sono -notoriamente- importanti operatori del mercato USA, in quanto negoziatori di ampi volumi azionari e destinatari di enormi flussi di dividendi.
Molti di questi operatori avevano (ed in parte hanno) sede in paradisi (o ex paradisi) fiscali; essendo soggetti non USA i dividendi loro destinati erano (sono) soggetti ad una ritenuta del 30%.
Dal 1990 al 2014 gli investitori non statunitensi hanno cercato di ridurre il carico fiscale patito sui dividendi al fine di conseguire significativi risparmi e rendimenti effettivi (netti) più alti (cosiddetto “dividends enhancement” ): in che modo? Impiegando complessi strumenti finanziari, primariamente equity swaps e stock loans, quali componenti di transazioni strutturate al fine di consentire agli investitori stranieri di poter godere di tutti i benefici economici connessi al possesso di azioni USA, dividendi inclusi, senza pagare -in tutto o in parte- le tasse dovute. In particolar modo, gli HF negoziavano i termini degli accordi con alcune istituzioni finanziarie primarie statunitensi, spesso ponendosi l'una come controparte dell'altra al fine di conseguire il più ampio risparmio d'imposta possibile. Gli HF, inoltre, non mantenevano alcuna sede fisica, alcun ufficio ed alcun dipendente nei paesi offshore, agendo principalmente sotto il controllo di general partners ed investment managers USA.
Stock Swaps e Loan Transactions
Gli stock swaps abusivi avevano -essenzialmente- come fine la riqualificazione giuridica dei pagamenti dei dividendi in swap payments, chiavi d' accesso al trattamento fiscale favorevole a questi accordato nel caso in cui parti dell' accordo fossero soggetti, entità giuridiche, non statunitensi.
Infatti, mentre i dividendi pagati a soggetti non USA erano sottoposti, come detto, ad un prelievo del 30% i “dividend equivalents” a questi pagati -in qualità di parti di swap agreemets” non subivano alcun prelievo fiscale. Il senso dell'operatività sin qui descritta in breve, era quello di sfruttare tale disparità di trattamento fiscale.
Proviamo a fare un esempio riguardante uno dei prodotti giuridici maggiormente serventi lo scopo. Pochi giorni prima dello stacco del dividendo, un HF offshore vendeva il relativo titolo ad una istituzione finanziaria USA; contemporaneamente, stipulava con la stessa uno swap agreement volto a rimpiazzare le azioni appena cedute e legato alla performance economica del medesimo titolo appena fuoriuscito dal suo portafoglio. Successivamente allo stacco del dividendo, l' HF riceveva dall' istituzione finanziaria il pagamento di un “dividend equivalent” derivante dallo swap agreement, il cui importo corrispondeva esattamente all'ammontare del dividendo appena staccato al netto di una piccola commissione. L'ammontare della commissione applicata dall'istituzione finanziaria dipendeva, normalmente, dall'entità del risparmio fiscale conseguito dall' HFe comunque compreso tra il 3-8% dell' ammontare del dividendo. Qual era il risultato netto dell' operazione? L' HF offshore riceveva tra il 97% ed il 92% del dividendo anziché il 70% che avrebbe conseguito ove avessero pagato il 30% di imposte. Qualche giorno dopo lo stacco della cedola, l' HF poneva fine allo swap agreement e riacquistava il titolo, ritornando nella stessa condizione in cui si trovava prima dell' avvio della transazione.
Quindi, quel tipo di transazione consentiva all'operatore offshore di mantenere gli stessi benefici economici (tra i quali l'incasso del dividendo) e gli stessi rischi di mercato derivanti da possesso dell' azione “reale; nel mentre, l'operatore evadeva le tasse dovute sui pagamenti derivanti dallo swap agreement ed equivalenti a i dividendi veri e proprio In futuro, tempo permettendo, ci soffermeremo su alcune combinazioni più complesse.
Analizziamo l'altro tipo di operatività prevalente: il prestito di titoli. Un' istituzione finanziaria USA utilizzava una società offshore di sua proprietà ed il cui controllo serviva a consentire alla prima la presa in prestito del titolo USA dall' HF offshore. La società prendeva in prestito l'azione pochi giorni prima dello stacco cedolare, vendeva il titolo e -simultaneamente- stipulava uno swap agreement con l'istituzione finanziaria madre (controllante). Dopo aver ricevuto il pagamento in regime di swap agreement, la società offshore girava il pagamento (detto substitute dividend) al fondo offshore dal quale aveva preso in presto il titolo. Pochi giorni dopo lo stacco, la società restituiva il titolo preso in prestito al fondo, il quale riguadagnava lo stesso status ante prestito dell' azione.
Allorquando questo tipo di transazioni cominciarono a fare la loro comparsa, JP Morgan rese edotta la Morgan Stanley che le operazioni di cui sopra, potevano considerarsi tax-free solo nel caso in cui una delle entità coinvolte avesse pagato, all' inizio della catena procedurale, l'importo comunque dovuto sui dividendi a titolo di imposta.
Cosa c'entrano le Isole Cayman in tutto questo? Gran parte delle transazioni coinvolgeva alcuni degli oltre 10 mila HF ivi costituiti


In foto, una mail interna ad UBS avente come oggetto “ Dividend Enhancement Flow” e come file allegato un .doc denominano “Dividend Enhancement”

martedì 17 maggio 2016

LAST LOOK: LA PRATICA CHE CONSENTE ALLE BANCHE DI VINCERE SEMPRE SUL FOREX. IL CASO BARCLAYS. PT.3

Per la seconda parte clicca qui

Barclays (ma come detto il discorso può essere astrattamente esteso ad altre banche) applicava anche protocolli simili al #LastLook al fine di trattenere (ovvero di ritardare l'esecuzione) di ordini immessi condizionatamente, come gli stop loss (SLO) o gli stop limit (SLI)
Su cosa siano gli ordini SLO e SLI non mi soffermerò, visto che li conoscete di già. Detti ordini, normalmente, sono posizionati sull' orders book del market maker che cercherà di garantirne l'eseguito al prezzo settato dal cliente fatto salvo il rischio di slippage che può materializzarsi nelle fasi di fast market.
Fatta queste breve premessa, ritorniamo alla Barclays: cosa faceva la nota banca? Applicava un protocollo non molto diverso dal #LastLook al fine di trattenere gli ordini SLO, ritardandone dunque l'esecuzione. Inoltre, gli stessi ordini potevano essere soggetti a diverse ritenzioni da #LastLook nel caso in cui i movimenti intercorsi in ognuno delle finestre temporali stabilite dalla banca superassero alcune soglie che divenivano parametro di riferimento proprio allo scadere della durata della finestra medesima.
In diverse occasioni, tra il 2009 ed il 2014, alcuni dipendenti della banca fornirono ai propri clienti informazioni insufficienti e/o incomplete  circa l'uso del #LastLook. In particolar modo, la banca non dichiarò -nelle comunicazioni loro inviate- le ragioni alla base del rifiuto dei alcuni trades.  Infatti, questi ricevevano soltanto un messaggio contenente la seguente dicitura: «NACK»,che stava per “Not Ackowledged”.
In alcune occasioni i clienti, ricevuti i messaggi con dicitura NACK, si premurarono di chiedere spiegazioni alla banca la quale non rispondeva o raccontava la solita storia dei problemi tecnici. Altre volte, succedeva quanto di seguito riportato.
  • In data 10.10.2008, un dipendente della New York Barclays Client Services, annunciava entusiasta il lancio del #LastLook enfatizzando il fatto che questo tool avrebbe consentito loro «di effettuare una verifica della profittabilità delle operazioni». L'impiegato aggiungeva poi -rivolgendosi ai suoi colleghi- che «i clienti utilizzanti la GUI, per ogni ordine rifiutato, vedranno comparire una finestra pop-up nella quale sarà riportato il seguente messaggio: “Mancata esecuzione del trade dovuta alla latenza”. Quelli utilizzanti la FIX riceveranno dalla piattaforma un messaggio di rigetto. Qualora qualcuno di essi dovesse porre delle domande circa le ragioni del rifiuto a negoziare l'operazione […] è importante che voi, in ciascuna comunicazione affermiate che IL TRADE E' STATO RIFIUTATO A CAUSA DELLA LATENZA […] Non fate parola del controllo interno riguardante i profitti e le perdite dei trades».
  • In data 15 Dicembre 2010, un alto cliente della banca scriveva: «Abbiamo notato l'esistenza di oltre 300 ordini da voi rifiutati oggi e che la spiegazione data è “NACK”. Potreste cortesemente verificarli e dirci quale sia stata la causa?». Non avendo ricevuto una risposta ritenuta adeguata, il cliente ritornava alla carica due giorni più tardi, scrivendo: «Non abbiamo ricevuto risposta alcuna con riguardo ai trades rifiutati e questa problematica è divenuta abbastanza seria.... I nostri ordini sono stati da voi rigettati 9 volte su 10 laddove avremmo potuto ottenere l'eseguito presso altri liquidity providers che garantiscono tassi competitivi... Potrebbe qualcuno di voi gettare una qualche luce sulle rejections? Sono forse dovuti a difficoltà tecniche o a decisioni commerciali?» Non risulta che Barclays abbia mai risposto a tali quesiti.
  • In data 28 Settembre 2011, trascorsi numerosi giorni dal momento in cui un cliente della banca chiese di sapere se le trades rejections fossero dovute a ritardi sperimentati dal price engine oppure se fossero il risultato di movimenti/eventi estremi dei mercati, un membro dello staff di Barclays istruì un dipendente addetto al settore delle vendite dicendogli: «Poiché il cliente, da lunedì, non ci ha compulsato ulteriormente al fine di avere una risposta sull' ordine rigettato in conseguenza del #LastLook, abbiamo deciso di accantonare il caso per adesso e, ove dovesse dovesse tornare alla carica, un tuo collega gli spiegherà che la rejection era dovuta alla forte volatilità sperimentata dal mercato».
  • In data 25 Febbraio 2013, dopo aver inavvertitamente inviato ad un cliente della banca un messaggio legato alla rejection presentante il seguente contenuto «Transazione antieconomica non eseguita per mancato superamento del controllo», un dipendente delle vendite della Barclays istruì il resto dei colleghi dicendo: «Dovremmo iniziare urgentemente a rinominare tutti i messaggi di rifiuto con lo stesso nome “NACK” … I clienti cominciano a fare domande».
  • In data 27 Agosto 2013, un dipendente a supporto di un' ECN notava: «Barclays sta rigettando frequentemente le esecuzioni sull'ultima quotazione disponibile oppure sta inviando messaggi di rigetto senza una chiara motivazione». Nelle e-mails concatenate, i dipendenti della Barclays suggerivano di spiegare all' ECN cosa fosse il #LastLook.
  • In data 10 Ottobre 2013, dopo che un cliente della Barclays chiese di conoscere la ragione dell' «inusuale ammontare di ordini rigettati», causati dal #LastLook, un dipendente posto a supporto della BARX, conscio dell' esistenza e del funzionamento del #LaskLook scriveva al competente addetto alle vendite: «Potresti recarti dal cliente e dargli delle spiegazioni con gentilezza? BARX non può confermare né negare l'esistenza del #LastLook».
  • In data 4 Settembre 2014, un dipendente del settore vendite di Barclays scriveva una mail ad un dipendente assegnato al BARX Support. Questo rispondeva al predetto descrivendo il #LastLook come: «Un setup di controllo contro i clienti di BARX, volto ad assicurare a Barclays la profittabilità dei trades eseguiti». Il dipendente aggiungeva poi che: «Il nostro Team, generalmente, non condivide questa informazione con i clienti ai quali diciamo, semplicemente, trattarsi di un business reject».

domenica 8 maggio 2016

ECCO COME, IN FUTURO, GLI ALGOS DEI FONDI METTERANNO NEL MIRINO LE BANCHE DA SHORTARE (O DA COMPRARE). PT.3

Qui trovate la seconda parte.
Facciamo un breve riepilogo.
  • Al fine di predire il rating futuro assegnato alle banche, con riguardo al progetto illustrato nei posts precedenti, verranno impiegati numerosi meta-learning algorithms utilizzando -al contempo- SVMs in qualità di base learners. La conferma della bontà del metodo prescelto potrà essere supportata confrontando i dati ottenuti da detta combinazione con quelli ottenibili utilizzando un altro base learner come il MLP (clicca qui).
  • Allo stato attuale, sembra che il RSS Method performi meglio rispetto ad altri meta-learning algorithms (multiboosting, adaboosting, bagging, dagging, rotation forest). Il RSS Method, come detto, utilizza molti base learners sistematicamente costruiti selezionando in maniera casuale sottoinsiemi dei componenti del vettore di riferimento.
Gli algos, quindi, andranno a sfruttare l'accresciuto -per gli stakeholders- valore delle dichiarazioni a contenuto finanziario. Anche se le strutture di tali dichiarazioni risultano essere funzione della legislazione contabile del Paese di riferimento, la qualità delle informazioni rese pubbliche è -normalmente- oggetto di valutazione da parte di esperti del settore.
Il management comunica i risultati finanziari agli stakeholders nella parte testuale dei reports annuali: questo vale per tanto per le banche quanto per le società non bancarie. Nonostante le differenze -anche normative- legate ai settori produttivi di appartenenza, banche e società non bancarie sono obbligate a rendere pubbliche vere e non distorte informazioni circa le rispettive attività.
L'estensione e la qualità del contenuto informativo versato nei reports aventi ad oggetto le attività economiche, espressione della disciplina vigente, presentano fattori di rilevanza quantitativa e qualitativa, ragion per cui gli algos le utilizzeranno -unitamente agli input propriamente finanziari- al fine di predire i rispettivi rating grades. In tal senso, i risultati di alcune recenti ricerche accademiche, mostrano che la significatività informativa del sentiment nascosto nei report annuali dovrebbe essere considerata un elemento determinante nei modelli di predizione degli stress finanziari riguardanti i vari tipi di società. Inoltre, i RSS meta-learning algorithms sembrano migliorare nettamente la performance dei base learners -SVM e MLP- specialmente nel caso delle banche.
In futuro, nuovi modelli previsionali potranno nascere dalla comparazione/integrazione tra il dictionary approach qui illustrato ed i machine learning algorithms come, ad esempio, quelli appartenenti al novero dei Naïve Bayes.

venerdì 6 maggio 2016

ECCO COME, IN FUTURO, GLI ALGOS DEI FONDI METTERANNO NEL MIRINO LE BANCHE DA SHORTARE (O DA COMPRARE). PT. 2

Trovate qui la prima parte.
Posteriormente alla crisi finanziaria del 2008 i temi maggiormente trattati a livello regolamentare e giornalistico hanno riguardato: la dimensione dei capitali degli istituti di credito, del rischio operativo, della liquidità (intesa in senso lato), della liquidità connotante gli assets e le passività iscritti a bilancio e rapportati al più ampio contesto di mercato.
Ciò che sino ad ora è invece mancata, anche a livello di costruzione di algoritmi, è stata un' analisi delle dichiarazioni finanziariamente rilevanti da condurre con la lente del sentiment di mercato. Tale assenza può considerarsi giustificata dalla difficoltà d'analisi del comportamento degli azionisti, influenzato da una pluralità di attributi finanziari. E' noto, infatti, che i fattori psicologici impattano spesso il processo decisionale sino a deviarlo dal raggiungimento dell' optimum teorico. Informazioni qualitative e ratios patrimoniali (quantitative) sono, però, utilizzati da diverso tempo nel tentativo di prevedere casi futuri di fallimento e/o di upgrading/downgrading del rating assegnato agli istituti di credito. A tale scopo, negli anni, è stata elaborata una vasta gamma di metodi computazionali: suppport vector machines, reti neurali, algorithms e meta-learning algorithms.
Negli USA, il Camel Mode è un approccio utilizzato per valutare la performance delle banche. Più precisamente, detto modello processa, supportando la significatività dei canonici dati finanziari, le informazioni riguardanti le seguenti aree:
  • adeguatezza del capitale;
  • assets;
  • management;
  • utili;
  • liquidità.
All' esito della valutazione, le banche vengono poi classificate in 5 categorie: dalla prima (la migliore) alla quinta (la peggiore). L'indagine viene condotta da esperti di regolamentazione bancaria ovvero, alternativamente, da rappresentati della: FED, dell' Office of the Compotroller of the Currency, della National Credit Union Administration, della Federal Deposit Insurance Corporation. Il giudizio elaborato all' esito del processo valutativo viene poi comunicato esclusivamente ai managers delle banche e non reso pubblico. Tuttavia, le banche mostranti segni di una progressiva degradazione del complessivo contesto operativo -evidenziato anche dal Camel Model o per quando riguarda l' UE dagli esiti delle valutazioni periodicamente condotte dalla BCE- sono portate ad affrontare in maniera più efficace la parte narrativa dei propri reports annuali (anche su base trimestrale). In particolar modo, nelle comunicazioni destinate agli azionisti, faranno uso del “sentiment” al fine di illustrare loro la posizione della banca nell'ambito della conduzione delle varie attività aziendali.
Fatta questa premessa, concentriamoci sul modello algoritmico che ci guiderà nella scelta della banca da vendere allo scoperto.
Quali dati dovrà leggere il processore? Non diversamente da quanto contemplato dalla metodologia utilizzata nell'ambito dell' analisi delle società non bancarie, i dati-input afferiscono a due categorie:
  • indicatori finanziari;
  • sentiment indicators.

I primi monitorano:
  • la profittabilità (EPS);
  • la situazione del mercato finanziario di riferimento (coefficiente β; minimi e massimi del prezzo dell'azione, deviazione standard del prezzo dell'azione);
  • l'andamento degli affari (effective tax rate);
  • la struttura degli assets (fixed assets/total assets);
  • i leverage ratios (market debt/total capital, book debt/total capital);
  • la dividend policy (dividend yield);
  • la struttura proprietaria (presenza di eventuali stock options, articolazione delle partecipazioni).

I secondi, invece, monitorano:
  • la qualità (intesa in senso lato) della business position rilevata dal management.
Ecco qui un riepilogo degli input
Normalmente, oggetto della valutazione contenuta nella parte discorsiva dei reports sono: la performance complessivamente considerata, i rischi assunti, le strategie future, il giudizio reso sulla condizione finanziaria, le guide per gli investimenti futuri ecc. Gli indicatori finanziari sono disponibili presso i comuni data vendors oppure in rete (negli USA possono essere rinvenuti nel Value Line database e nei documenti 10-Ks liberamente consultabili presso l' U.S. Securities and Exchange Commission EDGAR System). L'investment/ non investment grade associato alla banca viene rilevato tra quelli assegnati da una delle agenzie di rating (S&P normalmente).

I sentiment indicators, sono poi processati in due fasi:
  1. Processing linguistico (tokenization, clicca qui, e lemmatisation, clicca qui), volto ad ottenere un set predeterminato di termini prestabiliti.
  2. Il set di cui al punto precedente vieni poi comparato con le sentiment categories estrapolate da un dizionario finanziario oggetto di upload.
A questo punto, la funzione peso tf-idf (term frequency–inverse document frequency – clicca qui) viene adoperata per determinare l'importanza (il peso) dei termini. A tal proposito, viene calcolato il peso medio di ogni sentiment category (negativa, positiva, incertezza, litigiosità, modal strong e modal weak). Per tutti i dati, i valori mancanti vengono sostituiti da quelli mediani e standardizzati usando lo Z-score (clicca qui) al fine di risolvere i problemi riscontrabili con le differenti scale.

domenica 1 maggio 2016

ECCO COME, IN FUTURO, GLI ALGOS DEI FONDI METTERANNO NEL MIRINO LE BANCHE DA SHORTARE (O DA COMPRARE). PT. 1

Tra Gennaio e Febbraio 2016, nel mentre molti fondi europei iniziavano a vendere allo scoperto le banche italiane, alcuni pseudopatrioti si espressero in senso favorevole alla messa al bando del covered short selling, causa -a loro dire- della distruzione della ricchezza finanziaria degli azionisti. Si tratta di una tesi assolutamente strampalata, assurda, che presuppone un'ignoranza grossolana circa il funzionamento dei mercati finanziari in generale e circa il ruolo imprescindibile degli short sellers anche con riguardo alla significatività dei prezzi che ogni giorno si formano sui mercati. In realtà, la funzione socio-economica degli short sellers rileva per tanti altri motivi: dalla prevenzione esercitata -in alcuni casi- rispetto al rischio di formazione di potenziali bolle settoriali, alla facilitazione della scoperta di vere e proprie frodi societarie: a questi temi dedicherò, in futuro, altri posts.
Come viene deciso cosa sia meritevole di vendita allo scoperto o meno? Prescindendo dalle questione tecniche in ordine al prestito dei titoli, non è possibile dare una risposta onnicomprensiva. C'è chi vende sulla base dell' analisi tecnica (retail), chi sulla base di un' approfondita analisi fondamentale condotta a mezzo umani o a mezzo algos, chi on the news e così via.
In questo post vorrei soffermarmi su quella che – a mio modestissimo parere- sarà una delle tendenze prevalenti del futuro prossimo nell' ambito della costruzione di algos orientati a rilevare la presenza, sui mercati, di titoli bancari sopravvalutati -e quindi meritevoli di short selling- poiché attinenti ad istituzioni creditizie ritenute – in base a quanto elaborato dalle macchine- prossime a vivere fasi più o meno acute di stress finanziario.
Punto di partenza e di supporto nella trattazione del tema di cui al titolo non può che essere lo studio condotto da alcuni docenti cechi Hájek, Olej e Myšková, limitato -nel caso- di specie al sistema bancario USA ma astrattamente applicabile, mutatis mutandis, a tutti i sistemi bancari del mondo. Il punto cruciale dello studio e della tendenza futura nella costruzione di algoritmi è quello concernente l'utilizzo di un modello poggiante su di un random subspace method (per saperne di più clicca qui) e volto a predire gli investment/non investment rating grades attribuiti alle banche, impiegando support vector machines (SVMs -clicca qui) in qualità di base learners (clicca qui) quali parti di un modello di meta-learning (clicca qui), tendente a sfruttare, a sua volta, tanto le informazioni finanziarie propriamente dette quanto quelle non finanziarie (sentiment) quali variabili utili a prevedere future condizioni di stress (di banche e società appartenenti ad altri settori industriali).
La ratio seguita può essere così riassunta ed approssimata:

  • uno dei problemi principali da evitare nel momento in cui vengono istruiti i base learners è l'over-ftting (clicca qui). Al fine di superare tale problema, il random subspace method (RSS) andrà a rappresentare un learning algorithm parallelo in grado di generare ogni base learner in maniera indipendente, dimostrandosi utile per i processi computazionali paralleli e di fast learning evitando, al contempo, il rischio del local optimum trapping.
  • I meta-learning algorithms, dal canto loro, dovrebbero dimostrarsi particolarmente utili in ragione del fatto che i vari base learners tenderanno ad imitare le decisioni di singoli esperti finanziari, producenti una decisione definitiva considerabile frutto di un decision-making process di tipo collettivo e quindi, verosimilmente, più affidabile.
  • A differenza del passato, allorquando venivano utilizzati esclusivamente indicatori di performance finanziaria nell'ottica previsionale della sola bancarotta, i nuovi sistemi tenderanno a processare sia il singolo -nonché sintetico- rating grade fornito dalle agenzie sia i dati finanziari e non finanziari (qualitativi) considerati utili nella valutazione/previsione delle condizioni di stress finanziario. In particolar modo, quelli qualitativi verranno estrapolati anche dalle componenti testuali dei reports annuali degli istituti di credito e sottoposti ad una sentiment analysis.