Explainable Machine Learning nel Credit Risk Modelling: il caso delle PMI italiane

This thesis examines the application of explainable machine learning to credit risk modelling, focusing on one-year-ahead default prediction for Italian SMEs. Logistic Regression is compared with Random Forest, XGBoost and Multi-Layer Perceptron using firm-level data from AIDA – Bureau van Dijk. The empirical results show that machine learning models improve predictive performance compared to the traditional benchmark, with XGBoost achieving the best results. The thesis also applies CIU feature contribution analysis and DEXiRE-EVO rule extraction to enhance model interpretability. Overall, the findings suggest that explainable machine learning can support more accurate and transparent credit risk assessment for SMEs.

La tesi analizza l’applicazione dell’explainable machine learning alla modellizzazione del rischio di credito, con particolare riferimento alla previsione del default a un anno delle PMI italiane. La Regressione Logistica viene confrontata con Random Forest, XGBoost e Multi-Layer Perceptron utilizzando dati firm-level estratti da AIDA – Bureau van Dijk. I risultati empirici mostrano che i modelli di machine learning migliorano la performance predittiva rispetto al benchmark tradizionale, con XGBoost che ottiene i risultati migliori. La tesi applica inoltre l’analisi dei contributi delle variabili tramite CIU e l’estrazione di regole attraverso DEXiRE-EVO per aumentare l’interpretabilità del modello. Nel complesso, i risultati suggeriscono che l’explainable machine learning può supportare una valutazione del rischio di credito delle PMI più accurata e trasparente.