L'elaborato analizza l'evoluzione del credit scoring confrontando la regressione logistica tradizionale con gli algoritmi di Machine Learning e gli Alternative Data nelle piattaforme FinTech. La revisione della letteratura dimostra che i modelli avanzati migliorano l'accuratezza predittiva e favoriscono l'inclusione finanziaria. Tuttavia, l'opacità dei sistemi black-box e i limiti tecnici dell’Explainable AI rendono necessario, conformemente all'AI Act europeo, un approccio ibrido supervisionato dall'essere umano.
L'evoluzione del Credit Scoring: Un'analisi comparativa tra modelli econometrici tradizionali e algoritmi di Machine Learning nelle piattaforme Fintech.
SCROFANI, PIETRO
2025/2026
Abstract
L'elaborato analizza l'evoluzione del credit scoring confrontando la regressione logistica tradizionale con gli algoritmi di Machine Learning e gli Alternative Data nelle piattaforme FinTech. La revisione della letteratura dimostra che i modelli avanzati migliorano l'accuratezza predittiva e favoriscono l'inclusione finanziaria. Tuttavia, l'opacità dei sistemi black-box e i limiti tecnici dell’Explainable AI rendono necessario, conformemente all'AI Act europeo, un approccio ibrido supervisionato dall'essere umano.File in questo prodotto:
| File | Dimensione | Formato | |
|---|---|---|---|
|
SCROFANI.Pietro.tesi di laurea triennale.pdf
accesso aperto
Dimensione
397.06 kB
Formato
Adobe PDF
|
397.06 kB | Adobe PDF | Visualizza/Apri |
The text of this website © Università degli studi di Padova. Full Text are published under a non-exclusive license. Metadata are under a CC0 License
Utilizza questo identificativo per citare o creare un link a questo documento:
https://hdl.handle.net/20.500.12608/112679