polito.it
Politecnico di Torino (logo)

Valutazione del rischio di credito del settore telecomunicazioni: il contributo dell’intelligenza artificiale mediante le reti neurali = Credit risk assessment of the telecommunications sector: the contribution of artificial intelligence through neural networks

Giuseppe Milazzo

Valutazione del rischio di credito del settore telecomunicazioni: il contributo dell’intelligenza artificiale mediante le reti neurali = Credit risk assessment of the telecommunications sector: the contribution of artificial intelligence through neural networks.

Rel. Franco Varetto. Politecnico di Torino, Corso di laurea magistrale in Ingegneria Gestionale, 2021

[img]
Preview
PDF (Tesi_di_laurea) - Tesi
Licenza: Creative Commons Attribution Non-commercial No Derivatives.

Download (2MB) | Preview
Abstract:

Il presente lavoro di tesi consiste nell’applicazione del concetto di Machine Learning in ambito finanziario. In particolare, è stato valutato il rischio di credito delle imprese italiane che appartengono al settore telecomunicazioni attraverso la costruzione di un modello basato sulle reti neurali, capace di apprendere dai dati, elaborarli ed effettuare previsioni verosimili anche laddove gli output non sono noti a priori. L’elaborato consta di sei capitoli. Il primo capitolo tratta degli Accordi di Basilea, che rappresentano un insieme di regole elaborate dal Comitato di Basilea per la Vigilanza Bancaria per far fronte al rischio di credito. Dopo aver indicato le componenti del rischio di credito nel secondo capitolo, e quindi dopo aver spiegato in che campo viene applicato il modello, il terzo capitolo è stato dedicato alle reti neurali: è stato spiegato a livello teorico cosa sono, su cosa si basano e il meccanismo che sta alla base del loro funzionamento. Il quarto capitolo fa riferimento al settore scelto, quello delle telecomunicazioni, allo scarico dei dati dal database AIDA e alla non indifferente attività di pulizia del dataset. Nei due capitoli successivi sono presentati i dettagli implementativi della rete neurale, delle relative fasi di training, validation e test e l’analisi delle performance ottenute sul dataset: in particolare, dapprima vengono discusse le scelte architetturali e configurative inerenti al modello neurale e l’approccio di training; successivamente, si passa ad analizzare l’andamento della loss function sia sul training che sul validation set per valutare eventuali circostanze di overfitting/underfitting; infine, i risultati finali raggiunti sul dataset di test tramite il modello addestrato sono presentati attraverso una confusion matrix e altre metriche comunemente usate in classificazione come accuracy, precision e recall.

Relatori: Franco Varetto
Anno accademico: 2020/21
Tipo di pubblicazione: Elettronica
Numero di pagine: 95
Soggetti:
Corso di laurea: Corso di laurea magistrale in Ingegneria Gestionale
Classe di laurea: Nuovo ordinamento > Laurea magistrale > LM-31 - INGEGNERIA GESTIONALE
Aziende collaboratrici: NON SPECIFICATO
URI: http://webthesis.biblio.polito.it/id/eprint/17662
Modifica (riservato agli operatori) Modifica (riservato agli operatori)