Questo sito utilizza cookie di terze parti per inviarti pubblicità in linea con le tue preferenze. Se vuoi saperne di più clicca QUI 
Chiudendo questo banner, scorrendo questa pagina, cliccando su un link o proseguendo la navigazione in altra maniera, acconsenti all'uso dei cookie. OK

Tecniche statistiche algoritmiche per il monitoraggio del rischio di credito e l’individuazione dei fattori di rischio di default aziendale

Nel primo capitolo vengono descritti sinteticamente i modelli e i sistemi di cui il sistema bancario si è dotato nel tempo per misurare e monitorare i rischi specifici del proprio settore e in particolar modo il rischio di credito, in quanto oggetto specifico della presente trattazione.
Il capitolo prosegue analizzando più specificatamente i modelli di credit risk management e i diversi sistemi di rating, giungendo a descrivere le diverse implementazioni adottabili, tra le quali i sistemi statistico-analitici, come ad esempio il modello Basato sull’utilizzo del Random Forests descritto nei capitoli successivi.
Nel secondo capitolo, partendo dal concetto generale di "segmentazione gerarchica" verrà introdotto il concetto di "albero binario" e si illustreranno i fondamenti teorici della metodologia CART con i propri punti di forza e di debolezza.
Argomento centrale del terzo capitolo sarà l'analisi teorica della tecnica delle Random Forests, tecnica che elimina il problema dell'instabilità dei risultati tipico dei CART.
Presentati dal punto di vista teorico i CART e le Random Forests, dal quarto capitolo si analizzerà una loro applicazione pratica ai dati riguardanti un campione, distribuito a livello nazionale, di imprese corporate clienti del Gruppo Banca Popolare di Vicenza (in seguito Banca), al fine di delineare l’importanza di talune variabili al fine del verificarsi della situazione di default aziendale
In particolare nei paragrafi del quarto capitolo si presenterà l’attività e la storia della Banca e successivamente nel quinto capitolo verrà descritto il dataset utilizzato per far funzionare il modello RF, specificando, laddove possibile per comprensibili vincoli di riservatezza e data la natura particolarmente delicata delle variabili, il significato e la modalità di calcolo dei dati utilizzati. Verranno descritte le modifiche effettuate rispetto al dataset originale quali la riduzione di talune modalità categoriali e l’eliminazione di alcune variabili dalla fonte dei dati del modello, avvenute per ragioni di tipo computazionale legate alla specificità del modello utilizzato.
Nel sesto capitolo si proseguirà con la descrizione delle variabili contenute nel dataset, integrando la descrizione del capitolo procedente con grafici e tabella univariate per ciascuna delle variabili di interesse.
Nel settimo capitolo si illustrerà il funzionamento del modello previsionale, costruito applicando le tecniche descritte nei precedenti capitoli ai dati a disposizione con l'obiettivo di delineare le variabili maggiormente significative a i fini della previsione di default.
Infine, si analizzerà l’impatto dei predittori rilevanti, secondo il modello proposto basato sulle Random Forests, specificando il significato dei risultati ottenuti non solo in termini statistici, ma anche dal punto di vista del significato economico.

Mostra/Nascondi contenuto.
6 Introduzione Il desiderio di approfondire un tema di interesse economico connesso al mio ambito lavorativo e la possibilità, accordatami dal gruppo bancario Popolare di Vicenza per cui lavoro come Consulente PMI presso Banca Popolare di Vicenza, di ottenere un ampio dataset su cui poter effettuare delle elaborazioni statistiche, mi ha portato ad indirizzare la tematica della tesi verso un argomento di impatto quotidiano per il sottoscritto dal punto di vista professionale, e anche di concreta attualità per la situazione di crisi economica che ad oggi non ha ancora concluso le sue ripercussioni sul sistema economico-finanziario globale. Il peggioramento della situazione congiunturale con un progressivo aumento delle numerosità, sia in termini assoluti che relativi, delle situazioni di difficoltà finanziaria da parte di una crescente quota delle piccole e medie imprese rappresentative del nostro tessuto economico nazionale, ha condotto ad un’aumentata sensibilità da parte degli istituti di credito verso la tematica del credit risk management. Tale rinnovata sensibilità sta conducendo ad un perfezionamento di modelli previsionali sempre più efficienti dal punto di vista della stima della probabilità di default (PD) di un soggetto finanziato, ossia la previsione che tale soggetto non sia più in grado di restituire i finanziamenti concessi. Dal punto di vista statistico, la disponibilità di un dataset relativo ad aziende corporate (small e mid) clienti della Banca (trattasi in generale di PMI escluse le microimprese con fatturato inferiore da 517.000 euro 50 milioni di euro circa), idoneo sia in termini di numerosità e varietà

Laurea liv.II (specialistica)

Facoltà: Economia

Autore: Daniele Rosa Contatta »

Composta da 239 pagine.

 

Questa tesi ha raggiunto 1198 click dal 02/04/2010.

 

Consultata integralmente 4 volte.

Disponibile in PDF, la consultazione è esclusivamente in formato digitale.