Skip to content

Modelli di Machine Learning per il Credit Scoring

Informazioni tesi

  Autore: Marco Barbarossa
  Tipo: Tesi di Laurea Magistrale
  Anno: 2018-19
  Università: Università degli Studi di Verona
  Facoltà: Banca e Finanza
  Corso: Finanza Quantitativa
  Relatore: Marco Minozzo
  Lingua: Italiano
  Num. pagine: 73

Il credit scoring è l’espressione numerica del merito di credito di un soggetto che si vuole finanziare. Le banche lo utilizzano quando devono prendere decisioni sulle concessioni di prestiti e finanziamenti. Al giorno d’oggi, in molte situazioni, chi si trova ad analizzare il soggetto richiedente il credito, deve prima valutare la storia creditizia e dopo decidere se concedere o meno il servizio. Questo processo richiede tempo per il controllo dell’intero profilo del richiedente in ordine alla generazione di un report. Ecco che il credit scoring viene sviluppato per risparmiare tempo ed essere immediatamente comprensibile da entrambe le parti. Si inseriscono in questo contesto i modelli di machine learning, cioè degli algoritmi che “studiano” (dal verbo inglese “to learn” che significa studiare) come comportarsi, sulla base di un campione di dati, definito “training set” o campione di allenamento (dal verbo inglese “to train” che significa allenare), rappresentativo della situazione finanziaria della clientela, per effettuare delle previsioni su nuovi soggetti.

Informazioni tesi

  Autore: Marco Barbarossa
  Tipo: Tesi di Laurea Magistrale
  Anno: 2018-19
  Università: Università degli Studi di Verona
  Facoltà: Banca e Finanza
  Corso: Finanza Quantitativa
  Relatore: Marco Minozzo
  Lingua: Italiano
  Num. pagine: 73

CONSULTA INTEGRALMENTE QUESTA TESI

La consultazione è esclusivamente in formato digitale .PDF

Acquista
Mostra/Nascondi contenuto.
1 Introduzione Il credit scoring è l’espressione numerica del merito di credito di un soggetto che si vuole finanziare. Le banche lo utilizzano quando devono prendere decisioni sulle concessioni di prestiti e finanziamenti. Al giorno d’oggi, in molte situazioni, chi si trova ad analizzare il soggetto richiedente il credito, deve prima valutare la storia creditizia e dopo decidere se concedere o meno il servizio. Questo processo richiede tempo per il controllo dell’intero profilo del richiedente in ordine alla generazione di un report. Ecco che il credit scoring viene sviluppato per risparmiare tempo ed essere immediatamente comprensibile da entrambe le parti. Si inseriscono in questo contesto i modelli di machine learning, cioè degli algoritmi che “studiano” (dal verbo inglese “to learn” che significa studiare) come comportarsi, sulla base di un campione di dati, definito “training set” o campione di allenamento (dal verbo inglese “to train” che significa allenare), rappresentativo della situazione finanziaria della clientela, per effettuare delle previsioni su nuovi soggetti. Infatti una volta che questi modelli sono “allenati”, vengono utilizzati per prevedere la classe di appartenenza di un nuovo richiedente, non appartenente al campione di allenamento; per esempio, vengono utilizzati per prevedere se un nuovo richiedente appartenga alla classe dei soggetti solventi oppure a quella dei soggetti insolventi, nei problemi di classificazione, oppure stimano la probabilità di appartenenza del soggetto sotto esame ad una classe. Per esempio, può essere stimata la probabilità di insolvenza di un nuovo richiedente, analizzando la sua probabilità di appartenere alla classe “1” dei soggetti insolventi .Tra i punti di forza dei modelli di machine learning vi è la capacità di evitare il cosiddetto problema di overfitting, consistente nell’incapacità di un modello di fare previsioni affidabili su soggetti che non appartengono al campione di allenamento, inoltre sono efficaci nell’affrontare situazioni in cui tra la variabile risposta e le variabili predittive non sussistono relazioni di tipo lineare, sono veloci e hanno costi relativamente bassi. La stima delle probabilità di default è una sfida cruciale nell’ambito della misurazione del rischio di credito, sul quale, a seguito della crisi finanziaria del 2008, è stata posta una lente di ingrandimento con gli accordi di Basilea 2; di particolare rilevanza è la possibilità da parte degli istituti finanziari di utilizzare modelli di stima delle suddette probabilità e la costruzione di modelli di rating interni. Ho scelto di analizzare 3 modelli di machine learning, Random Forest, Support Vector Machine e Regressione logistica. Il primo perché ha un algoritmo molto efficiente in termini di tempo di calcolo in grandi datasets, il secondo perché ha un sofisticato supporto matematico, il terzo per la sua diffusione nel risk

CONSULTA INTEGRALMENTE QUESTA TESI

La consultazione è esclusivamente in formato digitale .PDF

Acquista

FAQ

Per consultare la tesi è necessario essere registrati e acquistare la consultazione integrale del file, al costo di 29,89€.
Il pagamento può essere effettuato tramite carta di credito/carta prepagata, PayPal, bonifico bancario.
Confermato il pagamento si potrà consultare i file esclusivamente in formato .PDF accedendo alla propria Home Personale. Si potrà quindi procedere a salvare o stampare il file.
Maggiori informazioni
Ingiustamente snobbata durante le ricerche bibliografiche, una tesi di laurea si rivela decisamente utile:
  • perché affronta un singolo argomento in modo sintetico e specifico come altri testi non fanno;
  • perché è un lavoro originale che si basa su una ricerca bibliografica accurata;
  • perché, a differenza di altri materiali che puoi reperire online, una tesi di laurea è stata verificata da un docente universitario e dalla commissione in sede d'esame. La nostra redazione inoltre controlla prima della pubblicazione la completezza dei materiali e, dal 2009, anche l'originalità della tesi attraverso il software antiplagio Compilatio.net.
  • L'utilizzo della consultazione integrale della tesi da parte dell'Utente che ne acquista il diritto è da considerarsi esclusivamente privato.
  • Nel caso in cui l'Utente volesse pubblicare o citare una tesi presente nel database del sito www.tesionline.it deve ottenere autorizzazione scritta dall'Autore della tesi stessa, il quale è unico detentore dei diritti.
  • L'Utente è l'unico ed esclusivo responsabile del materiale di cui acquista il diritto alla consultazione. Si impegna a non divulgare a mezzo stampa, editoria in genere, televisione, radio, Internet e/o qualsiasi altro mezzo divulgativo esistente o che venisse inventato, il contenuto della tesi che consulta o stralci della medesima. Verrà perseguito legalmente nel caso di riproduzione totale e/o parziale su qualsiasi mezzo e/o su qualsiasi supporto, nel caso di divulgazione nonché nel caso di ricavo economico derivante dallo sfruttamento del diritto acquisito.
  • L'Utente è a conoscenza che l'importo da lui pagato per la consultazione integrale della tesi prescelta è ripartito, a partire dalla seconda consultazione assoluta nell'anno in corso, al 50% tra l'Autore/i della tesi e Tesionline Srl, la società titolare del sito www.tesionline.it.
L'obiettivo di Tesionline è quello di rendere accessibile a una platea il più possibile vasta il patrimonio di cultura e conoscenza contenuto nelle tesi.
Per raggiungerlo, è fondamentale superare la barriera rappresentata dalla lingua. Ecco perché cerchiamo persone disponibili ad effettuare la traduzione delle tesi pubblicate nel nostro sito.
Per tradurre questa tesi clicca qui »
Scopri come funziona »

DUBBI? Contattaci

Contatta la redazione a
[email protected]

Ci trovi su Skype (redazione_tesi)
dalle 9:00 alle 13:00

Oppure vieni a trovarci su

Parole chiave

matlab
machine learning
support vector machine
credit scoring
regressione logistica
random forest
mean decrease gini
mean decrease accuracy
permutation test
selezione delle variabili

Non hai trovato quello che cercavi?


Abbiamo più di 45.000 Tesi di Laurea: cerca nel nostro database

Oppure consulta la sezione dedicata ad appunti universitari selezionati e pubblicati dalla nostra redazione

Ottimizza la tua ricerca:

  • individua con precisione le parole chiave specifiche della tua ricerca
  • elimina i termini non significativi (aggettivi, articoli, avverbi...)
  • se non hai risultati amplia la ricerca con termini via via più generici (ad esempio da "anziano oncologico" a "paziente oncologico")
  • utilizza la ricerca avanzata
  • utilizza gli operatori booleani (and, or, "")

Idee per la tesi?

Scopri le migliori tesi scelte da noi sugli argomenti recenti


Come si scrive una tesi di laurea?


A quale cattedra chiedere la tesi? Quale sarà il docente più disponibile? Quale l'argomento più interessante per me? ...e quale quello più interessante per il mondo del lavoro?

Scarica gratuitamente la nostra guida "Come si scrive una tesi di laurea" e iscriviti alla newsletter per ricevere consigli e materiale utile.


La tesi l'ho già scritta,
ora cosa ne faccio?


La tua tesi ti ha aiutato ad ottenere quel sudato titolo di studio, ma può darti molto di più: ti differenzia dai tuoi colleghi universitari, mostra i tuoi interessi ed è un lavoro di ricerca unico, che può essere utile anche ad altri.

Il nostro consiglio è di non sprecare tutto questo lavoro:

È ora di pubblicare la tesi