Un'analisi del rischio di default delle imprese italiane

La tesi analizza il rischio di default delle imprese italiane con particolare attenzione al ruolo che i modelli quantitativi possono assumere nei processi di valutazione del merito creditizio. La domanda che guida il presente lavoro è: la capacità del modello di machine learning basato sul gradient boosting, XGBoost, di cogliere relazioni non lineari e interazioni tra le covariate consente di ottenere una maggiore capacità discriminante rispetto alla regressione Logit nella previsione del default delle imprese italiane? Dopo aver ricostruito l’evoluzione dei principali modelli di previsione della crisi d’impresa e il quadro contabile e prudenziale di riferimento, viene illustrato il quadro metodologico dell’analisi. Il lavoro sviluppa infine un’analisi empirica su un campione di 43.700 imprese italiane, di cui 645 in default. I risultati mostrano un’elevata capacità discriminante per tutti i modelli, con XGBoost che registra la performance più elevata. L’analisi mediante valori SHAP evidenzia inoltre la presenza di relazioni non lineari e interazioni tra le caratteristiche d’impresa, suggerendo che la maggiore flessibilità di XGBoost possa fornire un contributo predittivo aggiuntivo nella valutazione del rischio di default.