Machine Learning: a new way of modeling non-maturity deposits

Non-Maturity Deposits (NMDs) pose unique challenges due to their lack of contractually agreed maturity, exposing banks to liquidity risks. Our two-step model, aligning with regulatory standards, estimates stable and decay components for NMDs. In modeling the stable component, we compare traditional methods (Hodrick-Prescott filter and Logit model) to the Random Forest, and show the latter to be superior: indeed, it manages to provide adaptability to historical cash-out values and robustness in stress scenarios. For the decay profile, modeled deterministically and through survival analysis with accelerated failure time, we exploit and compare three distributions, in order to find out that the Log-Logistic is the most suitable one. In addition, the Random Forest classifier can be used to furtherly enhance the model’s accuracy through short-term corrections, considering behavioral dynamics. Our comprehensive model integrates Random Forest and Accelerated Failure Time techniques, showcasing their efficacy in capturing NMD complexities. It aligns with regulatory standards and provides nuanced insights into behavioral and economic factors influencing deposit behavior. Non-economic features play a significant role in withdrawal decisions, along with economic or financial features. In conclusion, our findings highlight the versatility of the Random Forest algorithm in NMD modeling, demonstrating optimal performance in capturing both stable and dynamic components, surpassing existing methods and emerging as a powerful tool in financial modeling.

I depositi senza scadenza (NMDs) rappresentano una sfida per le banche a causa dell’assenza di una scadenza contrattuale, esponendo le istituzioni finanziarie a rischi di liquidità. Nel nostro studio, abbiamo sviluppato un modello a due fasi, in linea con gli standard normativi, per stimare le componenti stabili e di decadimento dei NMDs. Nella prima fase del modello, abbiamo confrontato metodi tradizionali come il filtro di Hodrick-Prescott e il modello Logit con il modello Random Forest, dimostrando la superiorità di quest’ultimo nell’adattarsi ai valori storici di cash-out e nella robustezza di fronte a scenari di stress. Per quanto riguarda il profilo di decadimento, modellato sia in modo deterministico che attraverso l’analisi di sopravvivenza con AFT e tre diverse distribuzioni, abbiamo identificato la Log-Logistica come la più idonea. Inoltre, abbiamo introdotto un modello Random Forest classifier per migliorare ulteriormente l’accuratezza del modello, attraverso correzioni a breve termine che considerassero le dinamiche comportamentali. Il nostro modello completo integra con successo le tecniche di Random Forest e Accelerated Failure Time, evidenziando la loro efficacia nel cogliere le dinamiche complesse dei NMDs. Questo approccio non solo è in linea con gli standard normativi, ma fornisce approfondimenti dettagliati sui fattori comportamentali ed economici che influenzano il comportamento dei depositi. Si sottolinea il ruolo significativo delle caratteristiche non economiche nelle decisioni di prelievo, insieme a quelle economiche o finanziarie. In conclusione, i risultati del nostro studio mettono in luce la versatilità dell’algoritmo Random Forest nella modellazione dei NMDs, dimostrando prestazioni superiori rispetto ai metodi esistenti e consolidandosi come uno strumento potente nella modellazione finanziaria.