Modelli predittivi per il rischio di default e l'analisi settoriale su dati finanziari dell'euro zona

Questa tesi esplora l’impiego di tecniche di apprendimento automatico per l’analisi delle imprese, con particolare attenzione alla valutazione della loro solidità finanziaria e alla comprensione delle dinamiche settoriali. Attraverso l’utilizzo di dati provenienti dal database Orbis, comprendenti informazioni anagrafiche e bilanci economico-finanziari, il lavoro propone un approccio quantitativo volto a individuare pattern ricorrenti e segnali predittivi legati allo stato di salute delle aziende. L’analisi si inserisce nel più ampio contesto della modellazione del rischio e della classificazione economica, con l’obiettivo di integrare metodologie statistiche tradizionali e strumenti di machine learning in un quadro interpretativo coerente. L’attenzione non è posta unicamente sull’accuratezza predittiva, ma anche sulla trasparenza dei modelli e sulla possibilità di comprendere i fattori che determinano il successo o il fallimento di un’impresa, requisito fondamentale in ambito economico-finanziario. Oltre alla componente predittiva, viene affrontata un’analisi non supervisionata che mira a rilevare somiglianze strutturali tra le aziende e a delineare gruppi omogenei in termini di caratteristiche contabili. Questa prospettiva complementare permette di osservare il tessuto imprenditoriale in modo più organico, evidenziando la presenza di cluster economici coerenti con le categorie ufficiali.