Riassunto analitico
Il credit scoring, o credit rating, consiste in un insieme di modelli decisionali, e delle loro tecniche sottostanti, che aiutano il datore di fondi a giudicare il merito di credito di una richiesta di finanziamento.
I modelli di credit-scoring sono diffusamente utilizzati all’interno delle banche e in altre istituzioni finanziarie dimostrando l’abilità di diminuire il rischio di credito e ridurre i prestiti in sofferenza. Infatti, da questo punto di vista, un sistema di credit scoring altamente accurato può, da una parte, ridurre i costi legati sia al rischio di credito che alla presenza di “bad” loans all’interno dei portafogli di un istituto e, allo stesso tempo, incrementarne i profitti.
Attraverso l’utilizzo di dati pubblicamente disponibili sulle operazioni di credito Peer-To-Peer concluse su due primarie piattaforme americane di intermediazione dei finanziamenti personali, si è cercato di studiare l’effetto sui rating espressi dalla piattaforma di alcune variabili che descrivono caratteristiche dei prenditori, inserite dagli stessi al momento dell’application online, e legate alla loro storia economica.
Successivamente, a fronte di un possibile miglioramento nel tasso di default espresso dalla piattaforma Lending Club, l’analisi si è concentrata sullo sviluppo di un modello di credit-scoring che fosse in grado di prevedere accuratamente e affinare la probabilità di fallimento all’interno del P2P Lender considerato. A questo scopo, sono stati utilizzati particolari modelli di machine learning capaci, tra le altre cose, di generalizzare in modo appropriato, ovvero di dare risposte plausibili per input che non sono stati ancora presentati alla rete.
I risultati mostrano come il modello Multilayer Perceptron creato raggiunga un’accuratezza in fase di test pari al 90,91% a fronte di errori di tipo I e di tipo II non particolarmente elevati.
In conclusione, tali risultati confermano la capacità del nostro modello di rete di individuare i soggetti che non sono in grado di far fronte ai propri impegni all’interno della piattaforma con una probabilità piuttosto elevata.
|
