Modelli di credi scoring: confronto delle perfomance tra regressioni logisiche e reti neurali sui dati di bilancio delle imprese del settore metallurgico italiano = Credit scoring models: performance comparison among logistic regressions and neural networks on firm's balance sheet data of italian metallurgical industry

Il presente lavoro di tesi ha come obiettivo quello di confrontare le performance ottenute con due diverse tipologie di modelli di credit scoring, sviluppate sulla base di regressioni logistiche e di reti neurali, nel diagnosticare eventi di default a partire dai dati di bilancio. In particolare, i modelli sono stati sviluppati con codice Python, importando nell’ambiente di sviluppo (Anaconda) le librerie necessarie per la programmazione dei modelli ed estraendo dal database Aida i dati di bilancio relativi alle imprese italiane appartenenti al settore metallurgico sull’orizzonte temporale 2011-2020. L’elaborato è suddiviso in due macroaree: nella prima parte, più descrittiva, sono state messe in evidenza le fondamenta teoriche su cui si sono basati gli sviluppi della seconda parte, più applicativa e sperimentale, dove sono stati programmati e commentati i modelli di credit scoring. In particolare, nella prima parte della tesi, dopo aver descritto la regolamentazione vigente per le banche e gli intermediari finanziari in merito alla gestione dei rischi e gli elementi chiave che hanno guidato l’evoluzione della normativa da Basilea I a Basilea III, è stata analizzata la letteratura in merito al rischio di credito, al credit scoring, alla regressione logistica e al machine learning con un focus particolare sulle reti neurali. Invece, nella seconda parte sono stati programmati i modelli tramite codice Python, al fine di determinate quale tipologia fosse più performante nel diagnosticare eventi di default. I risultati ottenuti e descritti nella conclusione dell’elaborato mettono in evidenza punti di forza e di debolezza per entrambe le tipologie di modelli. Tuttavia, i modelli sviluppati con le reti neurali hanno sempre mostrato performance diagnostiche superiori rispetto a quelli basati sulle regressioni logistiche. Infatti, una delle caratteristiche e dei punti di forza delle reti neurali è proprio la loro capacità di rielaborare profondamente le informazioni in input al fine di cogliere relazioni intrinseche anche molto complesse fra le variabili inserite nel modello, grazie agli infiniti gradi di libertà che si hanno nella definizione delle architetture delle reti.