• machine learning
• rischio di credito

La previsione del rischio di default aziendale è un tema di grande importanza all’interno del campo finanziario, che interessa molti soggetti come investitori, creditori e banche ed intermediari, nonché il sistema economico nel suo complesso. Negli ultimi anni, il contesto globale, caratterizzato dall’aumento dei tassi di interesse e dell’inflazione, insieme alle dinamiche geopolitiche e sanitarie, e i rapidi sviluppi tecnologici hanno portato questo tema ad essere sempre più analizzato. Questi fattori hanno aumentato la complessità del rischio di default, portando le imprese e le istituzioni finanziarie a rivedere i propri modelli di valutazione e gestione del rischio.
Come si evince dalla letteratura in tema il default aziendale viene interpretato come il risultato di un deterioramento progressivo di una situazione di crisi aziendale dovuto a cause sia esterne che interne. Tra i fattori interni, troviamo la cattiva gestione delle risorse, un elevato indebitamento o la mancanza di una strategia a lungo termine. I fattori esterni, come le crisi economiche, i cambiamenti nelle normative e le trasformazioni del mercato, possono aggravare la condizione di un'azienda, fino a renderla incapace di adempiere ai propri obblighi finanziari.
Questo ha portato alla realizzazione di diverse metodologie volte a monitorare lo stato di salute di un azienda e alla creazione di strumenti di previsione del default aziendale che consentono di identificare segnali di crisi in anticipo permettendo così al managment di agire tempestivamente. Partiamo dai tradizionali modelli statistici come il modello di Beaver e il modello Z-Score di Altman che continua ad essere un elemento importante ancora oggi. Negli ultimi anni sono nate metodologie di previsione basate su algoritmi di machine learning che, grazie alla loro capacità di analizzare grandi volumi di dati, ottengono previsioni più accurate migliorando così la gestione del rischio sia per le imprese stesse che per gli istituti finanziari.
Questo lavoro di tesi propone di esaminare l’utilizzo di modelli di machine learning per la previsione della probabilità di default aziendale, applicando queste metodologie ad un ampio database di aziende. Al fine di valutare l’efficacia di metodologie avanzate nel migliorare la capacità di identificare tempestivamente le aziende a rischio di insolvenza.
La tesi è divisa in quattro capitoli: il primo fornisce una panoramica teorica sul tema del default aziendale, spiegando le cause e le implicazioni economiche di questo fenomeno; il secondo capitolo esamina i concetti di base del machine learning e dei metodi impiegati per la previsione della probabilità di default; il terzo capitolo tratta la realizzazione di un modello di machine learning per la previsione del default aziendale sviluppato in Python, mentre l’ultimo capitolo analizza i risultati ottenuti da tali modelli per la determinazione del rischio di default.
Questo lavoro intende contribuire al miglioramento delle tecniche di previsione del rischio di default, offrendo un analisi teorica e pratica sugli attuali strumenti concreti e innovativi per il management aziendale e per gli operatori del settore finanziario.