ETD

• Altman score
• Data analytics
• Financial Distress
• KNIME
• machine learning
• regressione lasso
• regressione logistica
• regressione ridge

La tesi analizza l'applicazione della data analytics e dell'intelligenza artificiale alla previsione della crisi d'impresa, con focus sul contesto normativo statunitense (Chapter 7 e Chapter 11). Il primo capitolo ricostruisce il quadro teorico del financial distress, analizzando i modelli classici di previsione dell'insolvenza (Altman Z-score, Ohlson, Zmijewski) e le strategie di turnaround e ristrutturazione. Il secondo capitolo esamina le principali tecniche di machine learning applicate al financial distress, dalla regressione logistica agli alberi decisionali, dalle reti neurali alle foreste casuali, con una review della letteratura. Il terzo capitolo presenta un'analisi applicata su un database di aziende americane, condotta attraverso la piattaforma KNIME, comparando tre modelli di regressione logistica, senza penalizzazione, con regolarizzazione Ridge (L2) e con regolarizzazione Lasso (L1), nella previsione del successo delle procedure di ristrutturazione. I risultati preliminari, con AUC pari a 0,751 per i modelli senza penalità e Ridge, e 0,742 per Lasso, mostrano come tali approcci siano efficaci non solo per la previsione del rischio di default, ma anche per anticipare l'esito delle procedure concorsuali. Lo studio evidenzia, inoltre, il valore di strumenti "no-code"/"low-code" come KNIME per manager e professionisti aziendali.