Riassunto analitico
La presente tesi di laurea si concentra sulla progettazione e implementazione di un modello di machine learning finalizzato alla valutazione del rischio di credito delle posizioni attive presso Banca Privata Leasing. Tale modello sfrutta l'efficacia di tre algoritmi di classifica-zione: la Regressione Logistica, il Random Forest e l'Albero Decisionale.
L'obiettivo primario di questa indagine consiste nello sviluppo di un sistema predittivo ad elevata accuratezza, finalizzato alla previsione anticipata delle variazioni nei livelli di ri-schio di credito riferiti alle controparti bancarie, considerando un orizzonte temporale di un anno. Sono stati studiati e confrontati differenti approcci di machine learning, al fine di de-terminare il modello ottimale per la previsione del rischio.
L'analisi di tali approcci è stata coadiuvata dalla generazione di rappresentazioni visive quali grafici, tabelle e matrici, al fine di conferire chiarezza ed esaustività alle valutazioni delle performance dei modelli basate sul dataset di addestramento utilizzato. Inoltre, sono state calcolate specifiche metriche di valutazione per ciascuna classe del caso di studio in esame, permettendo un'analisi precisa delle prestazioni degli algoritmi e l'identificazione di punti di caduta e delle relative aree di miglioramento.
Alla luce del confronto e delle analisi condotte sul caso specifico, è stato identificato l'al-goritmo di Random Forest come la soluzione più efficace per ottenere previsioni caratte-rizzate da un elevato grado di affidabilità.
Inoltre, la tesi presenta un contributo alla visualizzazione e alla consultazione dei risultati ottenuti attraverso lo sviluppo di una dashboard interattiva che fornisce agli utenti uno strumento intuitivo per esplorare le previsioni del modello e analizzare i dati in modo det-tagliato, con l’ausilio di altre informazioni provenienti dal mondo bancario. Questa da-shboard rappresenta un passo significativo verso l'accessibilità e l'utilità pratica delle in-formazioni previsionali.
Il lavoro svolto in questa tesi dimostra l'efficacia delle moderne tecniche di machine lear-ning nell'ambito della gestione del rischio di credito e sottolinea l'importanza dell'accessibi-lità delle informazioni attraverso strumenti interattivi. I risultati ottenuti hanno il potenziale per contribuire in modo significativo alla valutazione e alla gestione proattiva del rischio da parte delle istituzioni finanziarie.
|
