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

Discriminazione logistica per la valutazione del rischio di credito

L'anteprima di questa tesi è scaricabile in PDF gratuitamente.
Per scaricare il file PDF è necessario essere iscritto a Tesionline.
L'iscrizione non comporta alcun costo. Mostra/Nascondi contenuto.

Capitolo 1. Modelli Statistici ed Economici per il Credit Scoring Ci‘o, chiaramente, ha delle implicazioni sulla rappresentativit‘a e sull accuratezza del campione. Per risolvere questi problemi si ricorre alla reject inference. L obiettivo della reject inference ‘e di inferire la vera classe di appartenenza dei soggetti ri utati (rejected) e costruire, cos‘ , una nuova score card la cui performance ‘e superiore a quella della score card precedente. Ma cosa signi ca inferire la vera classe? Signi ca stimare la performance di paga- mento di coloro ai quali ‘e stata negata precedentemente la concessione del credito, sulla base delle informazioni che si hanno sui soggetti giudicati precedentemente buoni. Si possono veri care due casi: 1. la score card ‘e costruita utilizzando le stesse variabili usate quando i sogget- ti ri utati hanno compilato il modulo di richiesta; 2. la score card ‘e costruita con altre variabili o con variabili diverse. Nel primo caso il problema fondamentale ‘e stimare la performance dei soggetti ri utati, perch·e le modalit‘a iniziali delle variabili, che servono per la costruzione del modello, gi‘a si conoscono. Le tecniche pi‘u diffuse sono tre. 1. Analizziamo la prima alternativa. L obiettivo nale di qualsiasi score card ‘e quello di valutare il merito creditizio dei clienti e decidere sulla base di tale valutazione se sono buoni o cattivi. Lo status di buono o cattivo ‘e una variabile che dipende dall applicazione di uno dei modelli di scoring alle variabili osservate sul campione. La prima procedura, invece, assegna lo status di cattivo a coloro cui ‘e stato negato il prestito in passato prima del- l applicazione del modello. Solo successivamente viene condotta l analisi statistica sull intero data set. 13

Anteprima della Tesi di Annalisa Aiello

Anteprima della tesi: Discriminazione logistica per la valutazione del rischio di credito, Pagina 13

Tesi di Laurea

Facoltà: Economia

Autore: Annalisa Aiello Contatta »

Composta da 173 pagine.

 

Questa tesi ha raggiunto 2992 click dal 20/03/2004.

 

Consultata integralmente 18 volte.

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