Applicazioni statistiche delle reti neurali alle insolvenze delle compagnie di assicurazione

 2
SOMMARIO 
 
Questo lavoro si pone l’obiettivo di valutare le potenzialità previsionali di uno 
degli strumenti dell’intelligenza artificiale che in questi anni hanno avuto il maggiore 
sviluppo: le reti neurali. 
Per mettere alla prova le suddette capacità, si è pensato di paragonare i risultati 
ottenibili mediante tale strumento con quelli ricavabili con una tecnica statistica 
“tradizionale” come l’analisi discriminante lineare. 
L’ambito nel quale si è deciso di confrontare i due modelli riguarda la previsione 
di insolvenza delle imprese di assicurazione a causa del fatto che tale campo di 
ricerca è in pieno fermento, soprattutto in Italia dove, grazie alla presenza e 
all’impulso dato dall’Organo di vigilanza, si stanno studiando degli strumenti che 
possano coadiuvare o sostituire parzialmente l’Autorità nello svolgimento delle sue 
funzioni istituzionali. 
L’elaborazione affronta inizialmente, mediante un’approfondita analisi teorica, le 
metodologie adottate: nel primo capitolo si illustrano i meccanismi di funzionamento 
e le principali architetture delle reti neurali, ponendo l’accento in modo particolare 
sulla tipologia MLP (Multi-Layer Perceptron) che sarà oggetto di applicazione 
concreta; nel medesimo capitolo vengono proposte alcune realizzazioni di sistemi 
neurali, riscontrate nella letteratura scientifica, particolarmente significative. 
Nel secondo capitolo viene trattata la metodologia di analisi discriminante, con 
particolare attenzione relativamente alla funzione di tipo lineare. 
Il terzo capitolo illustra la tematica della solvibilità nel campo assicurativo, 
ponendo in risalto i principali strumenti adottati finora per la previsione delle 
insolvenze e gli studi svolti al riguardo in Italia. 
Infine, nel quarto e ultimo capitolo si svolge la parte applicativa: dopo aver 
trattato gli aspetti economici degli indicatori utilizzati e le modalità con le quali si 
sono raccolti i dati di mercato e costruiti i campioni per l’analisi, si giunge alla 
elaborazione ed al successivo confronto dei risultati per determinare quale dei due 
modelli sia il più efficiente.