Sistema bancario e intelligenza artificiale: sviluppo di un processo di risk management, basato sui modelli di albero decisionale e rete neurale, per l'analisi del rischio di credito applicato al settore automotive italiano = Banking system and artificial intelligence: development of a risk management process, using decision tree and neural network models, for credit risk analysis on the Italian automotive industry

Il settore finanziario rappresenta un settore di business estremamente complesso: una qualsiasi istituzione finanziaria che si trova a svolgere la propria operatività in questo ambiente deve necessariamente dimostrare di essere in grado di risolvere questa complessità, combinando la gestione di una molteplicità di rischi finanziari e il rispetto di una serie di vincoli esterni. A questo proposito, nel corso del tempo, le istituzioni finanziarie hanno effettuato ingenti investimenti, sia in risorse umane che tecnologiche, per rinnovare costantemente la propria capacità di gestione, nel tentativo di sviluppare modelli di misurazione dei rischi finanziari sempre più affidabili. Le innovazioni adottate, qualificando e quantificando in misura migliore il grado di rischio associato alle diverse esposizioni creditizie, hanno consentito alle istituzioni finanziarie di estendere in maniera più efficace ed efficiente la possibilità complessiva di assumere rischio e il conseguente assorbimento di capitale. In questo contesto, si inserisce il presente lavoro di tesi, che ha come obiettivo quello di progettare un vero e proprio processo di risk management per l'analisi del rischio di credito, basato sui principali modelli di intelligenza artificiale, quali alberi decisionali e reti neurali, esplorandone l'applicazione in uno dei più grandi settori industriali italiani, ovvero il settore automotive. L’elaborato si suddivide in tre parti principali, che compongono un percorso, decisamente ambizioso e stimolante, con la finalità di sviluppare un modello di credit scoring per la stima della probabilità di insolvenza. La prima parte, più descrittiva, contiene due capitoli e specifica il panorama di riferimento, illustrando, da un lato, la regolamentazione bancaria, da Basilea I a Basilea IV, con la spiegazione dei passaggi storici più importanti, unitamente agli emendamenti più significativi, e, dall'altro, il rischio di credito, con un focus sulle componenti fondamentali, quali perdita attesa e perdita inattesa. La seconda parte comprende due capitoli e consente di avvicinarsi al problema oggetto della trattazione, descrivendo i modelli di credit scoring e introducendo il concetto di intelligenza artificiale, con la precisazione dei modelli, considerati allo stato dell'arte, di albero decisionale e rete neurale. La terza parte, più sperimentale, contiene tre capitoli e descrive l'intera progettazione del modello di credit scoring basato su tecniche di intelligenza artificiale. Per prima cosa, si comincia dalla costruzione del dataset di analisi, definito utilizzando i dati di bilancio delle imprese del settore automotive presenti nei database AIDA e ORBIS con il massimo orizzonte temporale disponibile. In seguito, si prosegue con lo sviluppo, adottando Python come linguaggio di programmazione, del modello di albero decisionale per il processo di feature selection, oltre che del modello di rete neurale per la stima della probabilità di insolvenza. In ultima istanza, si termina con la revisione dei risultati ottenuti, tramite il confronto con i modelli statistici di analisi discriminante e regressione logistica. In questo modo, si dimostra come l'intelligenza artificiale possa essere applicata, anche in ambito economico-finanziario, per costruire modelli di credit scoring per la gestione del rischio di credito, in grado potenzialmente di diventare in un futuro, anche prossimo, lo standard de facto di tutto il settore finanziario, sostituendo i modelli passati e presenti impiegati nel corso della storia.