Modelling non-maturing deposits liquidity : from statistical models to machine learning

Non-Maturing Deposits (NMDs) are a technical form of bank’s liability that do not have a contractually agreed maturity. Banks have the option to adjust the deposit rate at any time as a matter of policy, while customers are allowed to access their funds without notice and with no penalties. Because of this latter embedded option that clients may exercise at any time, the overall bank deposit volume might drop significantly in a short period of time, potentially inducing liquidity risk to the bank. Inspired by the existing technical literature, we developed a 2-layer behavioural model using the Random Forest methodology and Accelerated Failure Time model to handle these aspects, in a framework that is compliant with the rules established by the European Banking Authority and the Basel Committee of Banking Supervision. The first layer of the model determines the stable component of NMDs (i.e., the portion which remains undrawn with a high probability), by estimating the monthly cash-out rate from the NMDs pool leveraging account-related data. To this end, the Random Forest is the most effective approach, which easily outperforms the logistic regression, showing that linear models are not the most adequate to capture the heterogeneity of customer behaviour. The second layer of the model constructs an amortization curve for NMDs under the assumption that the bank does not create new NMDs, linking the survival rate of an account to both financial and non-financial risk factors. This is done with an Accelerated Failure Time model. In this setting, we found that the Weibull distribution is particularly suited to describe the phenomenon and to compute the behavioural duration for these overnight financial instruments. Both layers of the model show that non-economic features (creditor status of the depositor, class of average amount on the account, geographic location, elapsed time class since the account’s opening, if the account is shared by more entities) play a significant role in determining the withdrawal decision, together with economic or financial features (market interest rates, spreads between customer rate and comparable investment rates, and other macro and financial factors).

I Non-Maturing Deposits (NMDs) sono una forma tecnica di passività bancaria senza scadenza contrattualmente stabilita. Le banche possono adeguare il tasso di deposito in qualsiasi momento per motivi di commerciali, mentre i clienti sono autorizzati a prelevare i propri fondi senza preavviso e penali. A causa di quest’ultima opzione che i clienti possono esercitare in qualsiasi momento, il volume complessivo dei depositi bancari potrebbe diminuire significativamente in un breve periodo di tempo, inducendo potenzialmente un rischio di liquidità per la banca. Ispirati dalla letteratura tecnica esistente, abbiamo sviluppato un modello comportamentale a 2 strati utilizzando la metodologia Random Forest e il modello Accelerated Failure Time per gestire questi aspetti, in un framework conforme alle regole stabilite dalla European Banking Authority e dalla Basel Committee of Banking Supervision. Il primo strato del modello determina la componente stabile dei NMDs (ovvero la porzione che non viene prelevata con elevata probabilità), stimando il tasso di deflusso mensile dal pool di NMDs sfruttando i dati relativi ai conti correnti. A tal fine, la Random Forest è l’approccio più efficace e supera la regressione logistica, dimostrando che i modelli lineari non sono i più adeguati per catturare l’eterogeneità del comportamento del cliente. Il secondo strato del modello costruisce una curva di decadimento per i NMDs nell’ipotesi che la banca non crei nuovi NMDs, correlando il tasso di sopravvivenza di un conto a fattori di rischio sia finanziari sia non finanziari. Questo viene fatto con un modello Accelerated Failure Time. In questo contesto, abbiamo rilevato che la distribuzione di Weibull è particolarmente adatta per descrivere il fenomeno e calcolare la durata comportamentale implicita di questi strumenti finanziari overnight. Entrambi gli strati del modello mostrano che le caratteristiche non economiche (stato creditizio del depositante, classe di ammontare, area geografica, tempo trascorso dall’apertura del conto, se il conto è condiviso da più soggetti) giocano un ruolo significativo nel determinare i prelievi, insieme a variabili economiche e finanziarie (tassi di interesse di mercato, spread tra tasso cliente e tassi di strumenti finanziari comparabili, e altri fattori macro/finanziari).