Credit Scoring mediante tecniche di Machine Learning = Credit Scoring using Machine Learning techniques

Questo lavoro di ricerca si occupa di applicare alcune tra le più diffuse tecniche di machine learning allo studio dei bilanci di un campione numeroso di aziende del settore del Legno-Arredo. L’obbiettivo è quello di predire efficacemente il fenomeno del fallimento o della liquidazione societaria, a partire dai principali indicatori spia dello stato di salute della società. La scelta dell’argomento è legata al forte riscontro pratico che esso ha per gli intermediari finanziari, sempre più interessati al monitoraggio costante dello stato di salute dei crediti erogati e alla corretta scelta dei crediti da erogare. Questa necessità poggia innanzitutto sugli stringenti parametri imposti dalla regolamentazione bancaria, particolarmente severa in riferimento alla tematica del rischio di credito, e, ovviamente, sulla volontà di migliorare i risultati economici conseguiti dalla banca. È evidente che tanto più la banca sarà in grado di limitare la percentuale di crediti deteriorati, tanto più sarà una banca solida e non avrà necessita di nuovi apporti di capitale per ripianare le perdite da svalutazione crediti. Il forte impatto che il credit scoring riveste all’interno del business bancario si accompagna all’introduzione nell’ultimo ventennio di nuovi approcci di studio sempre più sofisticati, che fanno ricorso a tecniche di machine learning e deep learning, poggiando le loro basi nell’ambito della cosiddetta “big data analytics” e dell’intelligenza artificiale, di cui ne costituiscono una delle applicazioni di punta. Queste tecniche si sono affiancate e stanno progressivamente sostituendo le tecniche tradizionali di analisi discriminante e regressione logistica e consentono di ottenere migliori risultati predittivi tanto più è grosso il campione di riferimento e il numero di caratteristiche analizzate. Questo lavoro di tesi si concentra esclusivamente sugli algoritmi di machine learning, cercando di confrontarli tra loro, con l’obbiettivo di stabilire quali siano i più efficaci in relazione al campione preso in analisi. L’elaborato si compone di quattro capitoli. Nel primo capitolo si espone brevemente cosa è e a cosa serve il credit scoring. Si introducono brevemente le tecniche tradizionali e quelle basate sul deep learning. Nel secondo capitolo si fa un focus specifico sulle tecniche di machine learning, spiegandone le caratteristiche principali e l’ambito di applicazione. Queste tecniche possono essere racchiuse in due macroaree, l’apprendimento supervisionato e l’apprendimento non supervisionato. Nell’ultima sezione del capitolo, vengono introdotti brevemente gli algoritmi di classificazione delle serie temporali. Nel terzo capitolo si conduce un’analisi sul settore di riferimento delle aziende del campione, evidenziandone l’andamento durante gli anni di pertinenza dei bilanci estratti. Si analizzano poi le caratteristiche del campione estratto (ripartizione territoriale, età media, tipologia societaria, ecc.) e si espone il pretrattamento e la trasformazione dei dati necessaria precedentemente all’implementazione degli algoritmi di machine learning. Nell’ultimo capitolo, infine, si mostra l’esecuzione pratica dei vari algoritmi e i risultati ottenuti, confrontandoli tra loro. Particolare importanza viene data al confronto tra gli algoritmi classici e quelli basati sulle serie temporali.