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.
2025
The Evolution of Credit Scoring: A Comparative Analysis of Traditional Econometric Models and Machine Learning Algorithms in Fintech Platforms.
Credit Scoring
Machine Learning
Alternative Data
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