gli algoritmi genetici come strumento per l'analisi del rischio di insolvenza

Daniela Cavallo
Corso di laurea in Economia delle Istituzioni e dei Mercati Finanziari, Facoltà di Economia - Università Bocconi
Relatore: prof. Andrea Sironi
Correlatore: Ugo Pomante

Il presente lavoro analizza l’impiego degli algoritmi genetici (GA, Genetic Algorithms) come strumento di credit scoring per la previsione dello status creditizio delle controparti affidate/da affidare da un’istituzione creditizia (test in questo senso sono stati condotti dalla Centrale dei Bilanci).

Il test empirico verifica, mediante il confronto con un altro modello di scoring basato sull’intelligenza artificiale (gli alberi decisionali), l’affidabilità degli algoritmi genetici nel risk management del rischio di credito.

Nello specifico, i GA sono implementati per individuare i parametri di una funzione lineare, ponendo come variabili indipendenti i più diffusi indici di bilancio e come target un punteggio di score, che, tramite una trasformazione logistica, è tradotto in status creditizio.
A tale scopo, si utilizzano come base dati un campione di oltre 5000 imprese italiane large corporate del portafoglio Banca Intesa e come supporto informatico l’applicativo SAS Enterprise Miner, 8.2, facendo riferimento alla release 9.0 per la parte di codice necessaria alla costruzione del modello dei GA.

Dalla ricerca emerge che i GA raggiungono una capacità classificatoria globale elevata (76,13%), con un tasso di errori del primo tipo inferiore rispetto agli alberi decisionali (91,67% vs. 88,43%) e, inoltre, consentono una maggiore granularità, in quanto seguono un approccio multinomiale, mentre gli alberi decisionali dicotomico.
Nel complesso, il progetto di sviluppo degli algoritmi genetici come modello di scoring sembra consentire un importante vantaggio informativo in fase di concessione e rinnovo del credito, in termini sia di pricing risk adjusted sia di ammontare e tipologia di fido.