I rischi per il settore bancario italiano: le evidenze ricavate dagli andamenti azionari

30 marzo 2020

Giacomo Tizzanini, Lea Zicchino

Un’analisi del rischio sistemico ottenuta dalle quotazioni azionarie conferma che la crisi può avere un forte impatto sul settore bancario anche attraverso effetti di spillover che amplificano l’effetto diretto della relazione con gli altri settori dell’economia. Ecco perché servono misure che possano ridurre l’esposizione al rischio di credito del settore bancario, permettendogli di continuare la funzione essenziale di offrire prestiti a famiglie e imprese

 

L’emergenza sanitaria che stiamo attraversando sta provocando una crisi sui mercati finanziari – gli indici azionari di Usa ed Europa sono caduti di circa il 30% da inizio anno mentre gli spread dei titoli corporate i sono impennati come neppure nella crisi del 2008-2009 – e determinerà una recessione mondiale di cui è ancora difficile stimare entità e durata, vista l’eccezionalità dello shock.

Stavolta la crisi ha origini diverse e non è stata accompagnata, almeno per ora, da un calo di fiducia nel settore finanziario. Tuttavia le banche potrebbero comunque pagare costi elevatissimi derivanti dalla vulnerabilità di famiglie e imprese, e il conseguente forte aumento dei default sul credito. E questo nonostante gli interventi di sostegno messi in campo dai governi. Oltre a questo aspetto, per gli istituti si profilano perdite sul portafoglio di attività finanziarie, almeno per la parte più rischiosa, oltre a una forte riduzione dei ricavi. Ciononostante il settore, grazie agli sforzi per aumentare la propria solidità patrimoniale e ridurre i rischi di liquidità, dovrebbe essere maggiormente in grado di sostenere l’impatto della crisi.

Il deterioramento delle condizioni finanziarie e macroeconomiche comporta anche un aumento del rischio sistemico, attraverso effetti di spillover tra imprese. Questi possono essere l’effetto diretto di relazioni tra le società oppure il risultato indiretto dell’effetto dello stress sui prezzi degli attivi finanziari e sulla liquidità. La misura di rischio più comune in finanza è il Value at risk (VaR), che tuttavia considera la rischiosità di una società indipendentemente dalle altre, ignorando cioè le interconnessioni nel sistema. Per ovviare a questa limitazione, Adrian e Brunnermeier (2016) hanno proposto una nuova misura di rischio sistemico, il ∆CoVaR, che considera la relazione bivariata tra due imprese (cattura i co-movimenti nella coda della distribuzione congiunta) [1]. Nel dettaglio, questa misura di rischio è pari alla differenza tra il livello di stress (VaR) della società i condizionato al fatto che la società j sia soggetta a un certo livello di deterioramento o si trovi nel suo stato mediano.

 
 

L’indicatore è direzionale (per effetto del condizionamento), poiché misura il deterioramento per coppie di società al netto dell’interrelazione che intercorre tra le due in condizioni di “normalità”, ma “cattura” questa relazione di coda in modo non causale (non vi sono ipotesi di Granger-Causality).

Sebbene vi siano vari approcci per stimare questa misura di rischio, nella nostra analisi abbiamo utilizzato un approccio Dynamic Conditional Correlation GARCH multivariato (DCC-GARCH, Engle 2002) con distribuzione normale multivariata [2], preferendolo alla stima “classica” mediante regressione quantilica (Bassett e Koenker 1976) che richiede un ulteriore condizionamento a variabili di stato (indicatori macrofinanziari) per ottenere un indicatore variabile nel tempo.

Per misurare il rischio sistemico del mercato azionario italiano abbiamo adottato l’approccio proposto da Adrian e Brunnermeier (2016) e analizzato le quotazioni medie settimanali dei 18 “super sectors” identificati da Borsa Italiana a partire da gennaio 1980 e forniti da Refinitiv. I risultati riportati sono espressi come dati medi mensili per ridurre l’erraticità delle stime.

Nella Figura 1 è mostrato il grado di rischio del settore bancario italiano condizionato allo stress di ciascuno dei settori analizzati. La conclusione è che le banche italiane sono variamente esposte allo stress dei vari settori, con maggiore evidenza per il comparto finanziario, assicurativo, costruzioni e materiali, e automobilistico. 

La Figura 2 mostra il rischio del settore bancario a livello sistemico, non ancora tornato sui livelli massimi raggiunti durante il referendum sulla Brexit (episodio tuttavia di breve durata) ma che ha avuto una caduta repentina, come mai si era verificato da metà anni ’90. 

La misura del rischio sistemico del settore bancario ottenuta dai prezzi dei titoli azionari conferma il forte impatto che questa crisi sta avendo sul settore bancario, anche attraverso meccanismi di spillover, e la necessità di misure che possano ridurre l’esposizione al rischio di credito del settore nella sua funzione essenziale di continuare a offrire prestiti a famiglie e imprese.


 
Figura 1: ∆CoVaR(99%) del Sistema bancario italiano a marzo 2020
 
Figura 2: range interquartile 5-95% cross-section del ∆CoVaR(99%) relativo al Sistema bancario condizionato a ogni altro singolo settore
 
 
 
[1] Il ∆CoVaR è strettamente correlato sia alla letteratura relativa ai modelli di volatilità e rischi di coda (tra gli altri il CaViaR di Engle e Manganelli (2004), il systemic risk indicator di Brownlees e Engle (2015)), sia al filone di ricerca sul contagio e spillover di volatilità (Claessens e Forbes (2001)).
[2] Si veda Adrian e Brunnermeier (2016) per dettagli sul metodo di stima.


 
 

BIBLIOGRAFIA:

Adrian, T. and Brunnermeier, M. K. (2016). “CoVaR”, The American Economic Review, 106(7), 1705.

Bassett, G. W. and Koenker, R. (1976). “Regression Quantiles”, Econometrica, 46(1): 33–50.Brownlees, C. and Engle, R. F. (2017). “SRISK: A conditional capital shortfall measure of systemic risk”, The Review of Financial Studies, 30(1), 48-79.
Claessens, S. and Forbes, K. (2001). “International Financial Contagion”, Springer: New York.
Engle, R. (2002). “Dynamic conditional correlation: A simple class of multivariate generalized autoregressive conditional heteroskedasticity models”, Journal of Business & Economic Statistics, 20(3), 339-350.
Engle, R. F. and Manganelli, S. (2004). “CAViaR: Conditional Autoregressive Value at Risk by Regression Quantiles”, Journal of Business and Economic Statistics, 23(4).

Leggi tutti gli insight