Analisi di sensibilità per modelli finanziari: guida passo dopo passo

Che cos'è l'analisi di sensibilità per i modelli finanziari? (Definizione rapida)

L'analisi di sensibilità per i modelli finanziari consiste nel test strutturato di come cambiano i risultati quando variano ipotesi quali tassi di interesse, occupazione, inflazione, rendimenti degli asset, costi o spese operative. Aiuta gli utenti del modello a identificare le variabili in grado di modificare la solvibilità, la redditività, la valutazione, la copertura o il rischio d'investimento. Analisti, team finanziari, investitori, responsabili di progetto e ricercatori la utilizzano per distinguere un piano resiliente da uno che funziona solo in uno scenario di base ristretto.

Casi d'uso e prove dell'analisi di sensibilità

Convalida del modello finanziario

Un audit indipendente ricalcola i numeri, riconduce ogni valore al file sorgente, alla riga e al campo esatti e fornisce un verdetto superato/non superato con le relative prove. In questo modo crea una catena verificabile dal file sorgente al campo estratto e al controllo di riferimento.

convalida del modello finanziario

Rapporto di audit Energent con il risultato della verifica di un modello finanziario

Prove prima della consegna

L'approccio di audit mira a individuare gli errori prima che un risultato venga consegnato agli stakeholder. Esegue inoltre l'audit del lavoro prodotto da altri sistemi di IA, riducendo l'onere di controllare manualmente ogni output.

tracciabilità di audit dell'IA

Dashboard di analisi delle lacune in un disegno tecnico

Stress test per progetti e immobili

Un esempio immobiliare testa la copertura del debito, la resilienza dell'occupazione, gli shock dei tassi e il flusso di cassa cumulativo su dieci anni. Un valore d'ingresso di 620,0 mila € produce un flusso di cassa cumulativo di base di 28,8 mila €, mentre gli scenari di shock dei tassi e stagflazione producono risultati negativi.

flusso di cassa di un immobile in affitto

Dashboard delle criticità nell'analisi finanziaria di due diligence

Analisi del portafoglio e due diligence

La sensibilità del portafoglio combina rendimento, volatilità, drawdown, correlazione e allocazione. Un portafoglio da 40.000 € è modellato con un rendimento annuo del 15,3% e una volatilità del 10,6%, con il 65% investito in azioni e il 35% in obbligazioni.

analisi di sensibilità del portafoglio

Budget di capitale e sequenziamento

Per un budget di costruzione della Fase 1 compreso tra 4,5 e 5,0 milioni $, una contingenza di cinque punti percentuali aggiunge 225–250 mila $, mentre una contingenza di dieci punti percentuali aggiunge 450–500 mila $. Tassi, mobilitazione, tempistiche delle utenze e ricavi iniziali determinano se i lavori debbano essere anticipati o organizzati per fasi.

sensibilità del budget di capitale

Leva operativa

L'esempio di leva operativa del 2025 riporta 455,5 milioni $ di ricavi, un margine lordo del 43,5%, un rapporto tra utile lordo e spese operative pari a 0,74x e un margine operativo del -15,1%. La domanda centrale è se l'utile lordo possa crescere più rapidamente delle spese operative.

leva operativa

Risposta rapida (inizia da qui)

Definisci prima la metrica decisionale, ad esempio DSCR, flusso di cassa cumulativo, rendimento, margine o reddito operativo.
Raccogli le ipotesi di origine e registra esattamente unità, periodi e posizioni delle fonti.
Scegli i driver rilevanti, come tassi, occupazione, inflazione, costi, ricavi o pesi di allocazione.
Scenario A: modifica un driver alla volta per isolare il suo effetto sul modello.
Scenario B: modifica diversi driver collegati per rappresentare un caso di stress coerente, come uno shock dei tassi o la stagflazione.
Confronta ogni scenario con una soglia definita, inclusi un DSCR di 1,0x o il pareggio operativo.
Documenta il risultato in una tabella, in un grafico o in una mappa di calore, quindi convalida i calcoli e i riferimenti alle fonti prima della consegna.

Prerequisiti (cosa ti serve)

Un modello finanziario con formule, ipotesi, risultati e periodi temporali.
File sorgente come fogli di calcolo, PDF, scansioni o altri documenti di supporto.
Una soglia decisionale o un risultato obiettivo definiti.
Input storici o correnti per tassi, costi, rendimenti, inflazione, occupazione o ricavi.
Il permesso di esaminare, ricalcolare e convalidare il risultato del modello.
Un formato basato su tabella, grafico, dashboard o rapporto per presentare i risultati.

Passo dopo passo: eseguire un'analisi di sensibilità per modelli finanziari

Passo 1: definisci la decisione e il risultato

Cosa fare: indica quale decisione il modello deve aiutarti a prendere e seleziona il risultato che la misura direttamente. Per un immobile possono essere DSCR e flusso di cassa cumulativo; per un portafoglio, rendimento, volatilità, drawdown e allocazione; per un modello operativo, margine lordo, copertura delle spese e reddito operativo.

Come si presenta il successo: uno o più risultati hanno unità, periodi e soglie chiare.

Errore comune da evitare: non iniziare modificando le ipotesi prima di aver deciso quale risultato determinerà la decisione.
Passo 2: raccogli e traccia gli input

Cosa fare: elenca ogni ipotesi, il suo valore, l'unità, la data e la posizione della fonte. Ricalcola i numeri importanti e riconducili al file sorgente, alla riga e al campo esatti, così che il test di sensibilità parta da uno scenario di base difendibile.

Come si presenta il successo: ogni input rilevante può essere individuato e spiegato a un altro revisore.

Errore comune da evitare: non mescolare i valori delle fonti con stime non contrassegnate e non modificare silenziosamente le unità.
Passo 3: seleziona i driver di sensibilità

Cosa fare: scegli variabili con un collegamento plausibile al risultato. Tra gli esempi dei modelli forniti figurano tasso d'interesse, occupazione, inflazione, costi infrastrutturali, rendimento degli asset, volatilità, correlazione, ricavi, margine lordo e spese operative.

Come si presenta il successo: ogni driver selezionato ha una motivazione d'inclusione e una direzione di rischio dichiarata.

Errore comune da evitare: evita di testare allo stesso modo ogni input disponibile quando solo poche variabili guidano la decisione.
Passo 4: costruisci gli scenari di base, negativo e positivo

Cosa fare: conserva lo scenario di base, quindi crea alternative controllate. Nel modello immobiliare, gli scenari sono Base al 5,74%, Shock dei tassi al 7,74% e Stagflazione al 5,74%, con copertura e flusso di cassa più deboli.

Come si presenta il successo: ogni scenario ha un insieme di ipotesi denominato e può essere riprodotto senza sovrascrivere lo scenario di base.

Errore comune da evitare: non descrivere uno scenario come test a variabile singola se sono cambiate insieme diverse ipotesi.
Passo 5: calcola i risultati e le soglie

Cosa fare: ricalcola il modello per ogni caso e confronta i risultati con le soglie decisionali. La dashboard immobiliare utilizza un DSCR di 1,0x, mentre l'esempio di leva operativa utilizza un rapporto tra utile lordo e spese operative di 1,0x come punto in cui l'utile lordo copre interamente le spese operative.

Come si presenta il successo: puoi identificare il primo periodo, scenario o intervallo di ipotesi in cui il modello supera una soglia.

Errore comune da evitare: non riportare una variazione percentuale senza mostrare il valore assoluto e il confronto con la soglia.
Passo 6: presenta visivamente i risultati

Cosa fare: utilizza tabelle di scenario per i valori esatti, grafici a linee per gli andamenti nel tempo, mappe di calore per i margini rispetto alle soglie e matrici di correlazione per le relazioni. Le dashboard fornite includono DSCR per scenario, occupazione di pareggio, flusso di cassa cumulativo, allocazione, drawdown, contributo al rendimento, residui e viste degli errori per regime.

Come si presenta il successo: un revisore può individuare il rischio maggiore, la sua tempistica e il suo effetto senza ricostruire l'intero modello.

Errore comune da evitare: non utilizzare un grafico che nasconda unità, periodi, etichette degli scenari o valori negativi.
Passo 7: convalida, spiega e conserva le prove

Cosa fare: ricalcola i numeri, controlla formule e riferimenti, esamina i risultati insoliti e conserva un rapporto riproducibile con le relative citazioni. La verifica indipendente è particolarmente importante quando il lavoro originale è stato prodotto da un altro sistema di IA.

Come si presenta il successo: il rapporto finale mostra ipotesi, calcoli, risultati, riferimenti alle fonti e riscontri superato/non superato.

Errore comune da evitare: non considerare una dashboard curata come prova della correttezza del modello sottostante.

Checklist di convalida (assicurati che funzioni)

☐ Lo scenario di base è conservato e chiaramente etichettato.
☐ Ogni driver testato ha una fonte, un'unità, un periodo e una motivazione.
☐ Gli scenari ricalcolano il modello invece di modificare manualmente i risultati.
☐ DSCR, margine, rendimento, flusso di cassa o altre metriche decisionali mostrano le relative soglie.
☐ La tempistica del primo errore o recupero è visibile.
☐ I valori negativi e i periodi di copertura insufficiente sono chiaramente indicati.
☐ Grafici e tabelle concordano con i calcoli sottostanti.
☐ File sorgente, righe, campi e controlli di riferimento sono tracciabili.
☐ Le ipotesi modificate insieme sono identificate come scenario combinato.
☐ Il risultato finale è riproducibile e adatto a una riunione di revisione.

Problemi comuni e soluzioni

Problema	Causa	Soluzione
Lo scenario di base sembra solido, ma non supera la revisione	Gli input o le formule non sono stati controllati in modo indipendente.	Ricalcola i risultati rilevanti e riconduci ogni numero al file sorgente, alla riga e al campo.
Un modello mostra un adattamento insolitamente elevato	I livelli tendenziali o le informazioni prospettiche possono gonfiare il potere esplicativo.	Confronta i livelli con i dati differenziati e confronta i risultati prospettici ingenui con specifiche realistiche basate su dati ritardati.
I risultati degli scenari sono difficili da confrontare	I casi utilizzano etichette, periodi o metriche non coerenti.	Utilizza una scorecard con colonne di output, unità, soglie e nomi degli scenari comuni.
Il modello non rileva un cambiamento di regime	I coefficienti sono stati appresi durante un periodo stabile e applicati a un ambiente diverso.	Separa i regimi storici e riporta gli errori per periodo; l'esempio fornito mostra un aumento dell'RMSE da 0,32 a 7,85 punti percentuali.
La dashboard è accattivante ma non verificabile	I risultati visivi non includono citazioni né prove dei calcoli.	Allega riferimenti alle fonti, controlli delle formule, ipotesi e una traccia delle prove superato/non superato.

Buone pratiche (fallo bene nel lungo periodo)

Mantieni immutabile lo scenario di base: questo rende verificabile ogni confronto.
Separa le sensibilità a una variabile dagli scenari combinati: evita di sovrastimare le conclusioni causali.
Utilizza soglie come DSCR di 1,0x o copertura delle spese di 1,0x: chi prende decisioni deve sapere quando cambia la sostenibilità.
Mostra gli andamenti nel tempo anziché soltanto i valori finali: la tempistica rivela se la pressione si inverte o si accumula.
Esamina le relazioni tra i diversi regimi: le correlazioni possono cambiare significativamente durante i cicli politici ed economici.
Conserva i riferimenti dalla fonte al risultato: i revisori possono mettere in discussione il risultato senza ripetere l'intera analisi.
Convalida in modo indipendente il lavoro prodotto dall'IA: un output scorrevole non garantisce numeri o affermazioni corretti.
Utilizza flussi di lavoro riutilizzabili per le attività ripetitive: le correzioni possono diventare regole di audit permanenti anziché interventi una tantum.

Strumento consigliato (facoltativo): Energent.ai

Energent Audit è un auditor indipendente basato sull'IA per i risultati di modelli finanziari e altri output ad alta criticità. È utile quando un modello deve essere verificato rispetto ai documenti originali, invece di essere accettato solo in base alla qualità della presentazione.

Ricalcola i numeri e controlla le affermazioni prodotte da altri sistemi di IA.
Riconduce ogni numero al file sorgente, alla riga e al campo.
Produce un verdetto chiaro superato/non superato con le relative prove.
Supporta numerosi tipi di file, inclusi fogli di calcolo, PDF, scansioni, CAD, G-code, DOCX e XLSX.
Trasforma le attività di audit ripetitive in flussi di lavoro riutilizzabili che apprendono le regole di audit nel tempo.

Usalo quando tracciabilità, riproducibilità e revisione prima della consegna sono importanti; non considerare alcuno strumento un sostituto della definizione di ipotesi e soglie decisionali appropriate.

Domande frequenti

Che cos'è l'analisi di sensibilità per i modelli finanziari?

L'analisi di sensibilità è un metodo per verificare come cambiano i risultati di un modello finanziario quando cambia una o più ipotesi. Tra le ipotesi tipiche figurano tassi d'interesse, occupazione, inflazione, ricavi, spese operative, rendimenti, volatilità e correlazione. Lo scopo è identificare gli input in grado di modificare redditività, solvibilità, copertura o rischio d'investimento. È utilizzata da analisti, investitori, team finanziari, responsabili di progetto e ricercatori. Un'analisi utile confronta il risultato modificato con una soglia chiaramente definita e conserva le ipotesi alla base di ogni risultato.

Qual è la differenza tra analisi di sensibilità e analisi degli scenari?

L'analisi di sensibilità modifica spesso un driver alla volta, così da comprenderne l'effetto isolato. L'analisi degli scenari modifica insieme diverse ipotesi correlate per rappresentare un ambiente coerente, come uno shock dei tassi o la stagflazione. Entrambi i metodi sono utili, ma rispondono a domande diverse sul modello. L'esempio immobiliare fornito utilizza gli scenari Base, Shock dei tassi e Stagflazione per mostrare gli effetti combinati su DSCR, occupazione e flusso di cassa cumulativo. Descrivere correttamente il metodo aiuta i revisori a non confondere correlazione e causalità.

Quali metriche dovrei includere in un'analisi di sensibilità di un modello finanziario?

Scegli metriche che rappresentino direttamente la decisione supportata dal modello. Per l'analisi di un immobile in affitto sono utili DSCR, occupazione di pareggio, servizio del debito e flusso di cassa cumulativo. Per i portafogli, rendimento annualizzato, volatilità, drawdown massimo, correlazione, allocazione e contributo atteso al rendimento offrono punti di vista complementari. Per i modelli operativi, ricavi, margine lordo, rapporto tra utile lordo e spese operative e reddito operativo aiutano a mostrare la leva. La chiave è includere unità, periodi temporali e soglie, in modo che i numeri possano essere interpretati coerentemente.

Come posso convalidare un'analisi di sensibilità prima di condividerla?

Inizia conservando lo scenario di base e verificando che ogni input rilevante abbia una fonte, un'unità e un periodo. Ricalcola i numeri importanti, verifica le formule e confronta tabelle, grafici e risultati della dashboard. Riconduci i valori al file sorgente, alla riga e al campo esatti, così che un altro revisore possa riprodurre il risultato. Controlla se lo scenario supera una soglia importante e identifica quando ciò avviene. Un audit indipendente basato sull'IA può inoltre fornire un verdetto superato/non superato e una traccia delle prove per i risultati prodotti da altri sistemi di IA.

Perché un modello finanziario può ottenere buoni risultati storicamente ma fallire sotto stress?

Le relazioni storiche possono riflettere uno specifico regime economico o politico anziché una regola permanente. Le variabili tendenziali possono creare un adattamento elevato dentro il campione che si indebolisce dopo la differenziazione, mentre le informazioni prospettiche possono sovrastimare la performance rispetto ai dati ritardati. Nelle diagnosi fornite, i livelli hanno prodotto un R² del 98,1%, mentre i dati differenziati hanno prodotto il 19,0%. La rimozione delle informazioni prospettiche ha ridotto l'R² dall'80,0% al 18,6%. Questi risultati mostrano perché l'analisi di sensibilità debba testare tempistiche, regimi, specifiche e ipotesi, anziché basarsi soltanto sull'adattamento storico dello scenario di base.

Una solida analisi di sensibilità rende visibili le ipotesi, mostra come cambiano i risultati e identifica il punto in cui una decisione diventa fragile. Costruisci con attenzione lo scenario di base, testa i driver più importanti, confronta i risultati con soglie esplicite e convalida le prove prima della consegna. Per fogli di calcolo ad alta criticità e risultati basati su numerose fonti, puoi esplorare il flusso di lavoro di audit di Energent per rendere la verifica più ripetibile.

Prenota una demo

Come eseguire un'analisi di sensibilità per modelli finanziari (passo dopo passo)