A chi serve questa voce — A chi usa stime, segnali, valutazioni o misure di rischio per prendere decisioni e vuole controllare non solo il calcolo, ma l'intero percorso tra dati, modello, output e uso.
La guida congiunta Federal Reserve, OCC e FDIC del 2026 definisce il rischio di modello come la possibilità di conseguenze finanziarie avverse associate ai modelli, risultanti da decisioni prese sulla base dei loro output.
Un modello è una rappresentazione semplificata: trasforma dati attraverso teorie, ipotesi e metodi per produrre stime. Proprio perché seleziona e semplifica, può essere utile senza essere una descrizione completa del mondo.
In parole semplici — Il modello può calcolare esattamente ciò per cui è stato costruito e generare comunque una decisione fragile se i dati, lo scopo, le condizioni o l'interpretazione non sono adeguati.
Rischio di modello non significa solo errore
| Fonte | Esempio |
|---|---|
| Dati | Campione incompleto, dato non disponibile al momento della decisione, qualità o rappresentatività insufficiente |
| Ipotesi e metodo | Distribuzione, dipendenze o dinamiche inadatte al fenomeno |
| Sviluppo e implementazione | Formula errata, bug, mapping o versione non coerente con la documentazione |
| Valutazione | Payoff, prezzi, costi o liquidità rappresentati in modo insufficiente |
| Uso | Modello applicato fuori dal perimetro, orizzonte o finalità originari |
| Interpretazione | Output trattato come certezza, limite o raccomandazione automatica |
| Governance | Ruoli, challenge, inventario, modifiche o incidenti non tracciati |
Un model error è quindi una possibile causa del rischio di modello, non il suo sinonimo. La guida 2026 osserva che anche un modello fondamentalmente solido e coerente con il proprio obiettivo può avere rischio elevato se viene usato male o per uno scopo diverso.
Esempio: un VaR correttamente calcolato su una finestra tranquilla può essere inadatto come unico limite durante un cambio di regime. Il problema può essere nei dati e nell'uso, anche senza un errore aritmetico.
Materialità e proporzionalità
La quantità di controllo non deriva da una cadenza universale. Dipende da:
- rischio intrinseco: complessità, ipotesi, qualità e limiti dei dati;
- esposizione: quanto output e decisioni incidono su capitale o attività;
- scopo: importanza della funzione sostenuta dal modello;
- uso: persone, processi, automazioni e possibilità di uso improprio;
- dipendenze aggregate: dati, metodi o assunzioni comuni a più modelli.
Modelli più materiali richiedono challenge e controlli più rigorosi. Modelli diversi che condividono lo stesso dataset o la stessa ipotesi possono fallire insieme: l'inventario va quindi letto anche a livello aggregato.
Controllo lungo il ciclo di vita
- Scopo e uso previsto — Descrivere decisione, utenti, output, limiti e condizioni nelle quali il modello non deve essere usato.
- Sviluppo e test — Documentare dati, selezioni, ipotesi, metodo, implementazione e test fuori campione o fuori tempo quando pertinenti.
- Validazione — Valutare solidità concettuale, affidabilità, limiti e analisi degli esiti con competenza e obiettività adeguate.
- Prima dell'uso — La guida considera prassi generale validare prima del primo impiego; eventuali eccezioni richiedono limiti, comunicazione e controlli rafforzati, non un lasciapassare implicito.
- Monitoraggio continuo — Confrontare output ed esiti, verificare deterioramento, cambiamenti dei dati, dei prodotti e del mercato.
- Modifiche e remediation — Tracciare overlay, ricalibrazioni, versioni, eccezioni, correzioni e decisione di ritirare il modello.
- Governance — Assegnare owner, approvazioni, challenge indipendente, escalation, inventario e documentazione.
La frequenza e la profondità di validazione e monitoraggio dipendono da scopo, metodo, cambiamenti, disponibilità dei dati e materialità. Un controllo mensile o annuale non è corretto per definizione soltanto perché ricorre sul calendario.
Modelli di terze parti e strumenti collegati
Acquistare dati, parametri o un modello non trasferisce al fornitore la responsabilità di comprenderne rischi e limiti. Codice o metodologia proprietari possono ridurre la trasparenza, ma restano necessari valutazione, validazione, monitoraggio degli esiti e controllo delle personalizzazioni.
Overfitting, data leakage e mancanza di robustezza sono fonti importanti, ma non esauriscono il rischio di modello: restano uso, esposizione, dipendenze, interpretazione e governance.
La guida SR 26-2 riguarda modelli quantitativi tradizionali e AI non generativa né agentica; esclude dal proprio perimetro AI generativa e agentica. Questa delimitazione della fonte non implica che tali strumenti siano privi di rischio, ma impedisce di attribuire loro automaticamente lo stesso standard.
Che cosa non prova una validazione
- non dimostra che il modello rappresenti ogni regime futuro;
- non elimina i rischi materiali residui;
- non autorizza un uso fuori scopo;
- non sostituisce benchmark, giudizio informato e analisi complementari;
- non rende un output una decisione automatica.
Errore tipico — Ridurre il controllo a “il codice gira” o “il backtest passa”. Sviluppo, uso, limiti, monitoraggio e governance sono parti dello stesso rischio.
Perimetro della fonte istituzionale
SR 26-2 è stata pubblicata il 17 aprile 2026 e sostituisce SR 11-7. È una guida di vigilanza basata sul rischio, indicata come più rilevante per organizzazioni bancarie con oltre 30 miliardi di dollari di attivi; non stabilisce requisiti universali per ogni trader. Qui viene usata come riferimento istituzionale per definizioni e struttura del ciclo di controllo.
Fonti
- Federal Reserve — SR 26-2, Revised Guidance on Model Risk Management
- Federal Reserve, OCC e FDIC — Supervisory Guidance on Model Risk Management, allegato a SR 26-2