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.