Modelli di analisi di dati funzionali per la previsione del rischio di credito nel sistema bancario

Un'importante banca del panorama italiano è interessata a prevedere con largo anticipo i default creditizi del proprio portafoglio clienti su tre segmenti: Privati, Piccole e Medie Imprese e Grandi Imprese. I modelli sinora utilizzati dall'istituto di credito prendono in considerazione informazioni statiche nel tempo, quali ad esempio dati socio-demografici, dati di bilancio o saldi statici mensili (come conto corrente o carte). A differenza di tale approccio in questa relazione sono state considerate informazioni dinamiche nel tempo, ovvero le transazioni periodiche effettuate da ciascun cliente dei tre segmenti. In questa tesi ci si pone dunque un duplice obiettivo: identificare tempestivamente i clienti con maggior rischio di insolvenza e verificare inoltre se le informazioni contenute nelle transazioni siano significative da un punto di vista statistico per ottenere una corretta classificazione dell'evento d'interesse. A tal fine sono stati utilizzati due principali tipologie di modelli statistici: i modelli di data mining e i modelli per dati funzionali. In particolare si propone un nuovo metodo di stima di modelli funzionali multipli con penalizzazione per selezionare automaticamente le variabili. Si è infine condotta un'analisi della sopravvivenza sui clienti dei tre segmenti per analizzare l’incidenza dell'evento d'interesse nell'arco temporale considerato.