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 Tale procedura fornisce degli ottimi risultati. Presenta tuttavia un grande limite: l assegnazione dello status di buono odicattivo ai rejected ap- plicants avviene in maniera deterministica laddove, invece, sarebbe pi‘u appropriato associare una valutazione probabilistica. Nell ipotesi in cui la nuova score card non includa tutte le variabili usate nel- la score card precedente, il problema da risolvere ‘epi‘u grave perch·e le distri- buzioni dei buoni e dei cattivi non sono rappresentative della popolazione. ‘ E necessario costruire un nuovo modello con le sole variabili che interessano e sti- mare i parametri della nuova regola di classi cazione. Ovviamente non si pu‘o confrontare questo modello con l originario perch·e sono diverse le variabili. La regola di classi cazione potrebbe essere migliorata se fossero disponibili informazioni sulla reject region (cosa che ‘e possibile se i soggetti normalmente ri- utati fossero, invece, accettati). Ci‘o sarebbe conveniente solo se la perdita dovu- ta al maggior numero di clienti inadempienti fosse compensata dall incremento dell accuratezza della regola di classi cazione. Esistono, comunque, delle aziende che concedono credito in misura minima a tutti coloro che ne fanno richiesta e altre che accettano un campione di clienti appartenenti alla reject region. Prima di farlo, per‘o, raccolgono le informazioni necessarie da altri istituti che hanno gi‘a concesso loro del credito. 1.3.2 Exceptions e overriders I casi di exceptions riguardano quei clienti classi cati buoni o cattivi senza appli- care il modello di scoring: i clienti VIP ne sono un esempio. Si parla, invece, di overriding quando il management modi ca la decisione di concessione o di ri uto del prestito da parte dell azienda dopo l applicazione della scorecard. 15

Anteprima della Tesi di Annalisa Aiello

Anteprima della tesi: Discriminazione logistica per la valutazione del rischio di credito, Pagina 15

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.