Rating Creditizio PMI con Machine Learning
Ottieni una stima professionale dell'affidabilità creditizia della tua azienda in meno di 5 minuti. Basato su algoritmo sviluppato da Pasquale Merella e Roberto Schiesari per il mercato italiano.
Analisi gratuita • Risultati immediati
science Contesto Scientifico
Metodologia e Strumento
CreditRating PMI traduce in strumento operativo i risultati della ricerca accademica sulla previsione delle insolvenze. A differenza dei modelli lineari classici, il nostro approccio utilizza una Support Vector Machine (SVM) per catturare le relazioni non lineari tra gli indici di bilancio delle PMI italiane.
Interfaccia ottimizzata per l'inserimento rapido dei dati di bilancio.
Campione statisticamente rappresentativo delle PMI italiane.
Test Out-of-Sample per verificare la capacità predittiva.
Algoritmo non lineare per pattern complessi.
Gli Autori della Ricerca
Il modello implementato in questo sito è frutto del lavoro accademico di esperti nel campo della finanza quantitativa e corporate finance.
Pasquale Merella
Chief Risk Officer & ConsulenteAlternative, Credit & ESG Risk Expert - Risk Management Thought Leader - Esperto in modellistica finanziaria e tecniche di Machine Learning applicate al rischio di credito.
Roberto Schiesari
Professore e Dott. CommercialistaProfessor of Business Financial Strategy (Uni Torino). Founder di Schiesari&Associati - Membro Gruppo di Lavoro per la Revisione dei Principi Italiani di Valutazione presso O.I.V
"A Nonlinear Approach to Assess the Risk–Reward Ratio Using the Machine Learning Technique"
Scarica e leggi il paper completo per comprendere in dettaglio la matematica e i risultati
empirici alla base del nostro modello.
Riferimento Bibliografico
Merella, P., Schiesari, R. (2019). A Nonlinear Approach to Assess the Risk–Reward Ratio
Using the Machine Learning Technique. In: De Vincentiis, P., Culasso, F., Cerrato, S. (eds)
The Future of Risk Management, Volume II. Palgrave Macmillan, Cham.
https://doi.org/10.1007/978-3-030-16526-0_8
La Metodologia: Support Vector Machine
L'innovazione del nostro approccio risiede nell'abbandono della linearità per abbracciare la complessità reale dei dati finanziari.
1 Cos'è una SVM?
La Support Vector Machine è un algoritmo di apprendimento supervisionato che analizza i dati per la classificazione. Immagina di dover separare palline di due colori su un tavolo: la SVM cerca la linea (o iperpiano, in più dimensioni) che separa i due gruppi col margine più ampio possibile.
2 Perché per il Rischio?
Le relazioni tra indici di bilancio e insolvenza non sono sempre lineari. Un'azienda con un ROI basso non è sempre a rischio se ha alta liquidità. La SVM, grazie al "Kernel Trick", proietta i dati in uno spazio multidimensionale dove queste relazioni complesse diventano separabili linearmente.
3 Come Funziona l'App
L'utente inserisce pochi dati chiave (Indici di redditività, liquidità, indebitamento). Il modello pre-addestrato colloca l'azienda nello spazio vettoriale definito dal campione di training e determina da che parte dell'iperpiano di separazione si trova, assegnando un punteggio di rischio.
Oltre la Decisione Lineare
La rappresentazione grafica a sinistra illustra come l'algoritmo classifica le aziende. A differenza dei modelli standard (es. Altman Z-Score) che tracciano una linea retta, la nostra SVM "curva" lo spazio decisionale per adattarsi alla realtà dei bilanci aziendali.
-
Support Vectors: I punti cerchiati (o evidenziati) sono i casi "limite" che definiscono la forma della frontiera. Sono le aziende più critiche che il modello usa per imparare.
-
Margine di Sicurezza: L'area tra le linee tratteggiate rappresenta la zona di incertezza. Il modello massimizza questa distanza per garantire previsioni robuste anche su nuovi dati.
*Rappresentazione concettuale semplificata in 2D di uno spazio multidimensionale.
Disclaimer Legale e Accademico
Le analisi fornite da questo applicativo web hanno finalità esclusivamente accademiche, dimostrative e di ricerca scientifica. Il modello di stima si basa su dati storici e algoritmi statistici che, per quanto rigorosi, non costituiscono in alcun modo una consulenza finanziaria, legale o professionale, né una sollecitazione all'investimento. Gli autori (Pasquale Merella, Roberto Schiesari) e i gestori del sito non forniscono alcuna garanzia, espressa o implicita, circa l'accuratezza, la completezza o l'affidabilità dei risultati ottenuti. Si declina espressamente ogni responsabilità per eventuali decisioni economiche, perdite finanziarie o danni diretti/indiretti derivanti dall'uso di tali dati e stime. L'utilizzo dello strumento implica l'accettazione integrale di queste condizioni.