Dipartimento di Scienze giuridiche ed economiche (DSGE)

Titolo della ricerca

Sviluppo ed implementazione di modelli di Machine Learning per la gestione dei rischi di credito, frode e score ESG

Descrizione della ricerca

Il progetto di ricerca si concentra sull’impiego di metodologie avanzate di Deep Learning (DL) per migliorare la previsione e la gestione del rischio di credito e di frode nel settore finanziario. Utilizzo Reti Neurali Ricorrenti (RNN), Long Short-Term Memory (LSTM) e Gated Recurrent Units (GRU) per analizzare dati sequenziali. Gli approcci di Multi-View Learning (MVL) e Multi-Task Learning (MTL) vengono adottati per migliorare le prestazioni dei modelli, consentendo valutazioni del rischio sia individuali che combinate. Un aspetto innovativo di questo studio è l’integrazione di Autoencoders (AE) per la riduzione della dimensionalità, con le caratteristiche latenti utilizzate come input per i modelli LSTM e GRU. Questo approccio di apprendimento semi-supervisionato migliora la precisione delle previsioni sfruttando dati etichettati e non etichettati. L’ottimizzazione viene raggiunta tramite il metodo Backpropagation Through Time (BPTT), utilizzando algoritmi come Stochastic Gradient Descent (SGD) e Adam. Inoltre, l’interpretabilità è migliorata attraverso spiegazioni locali modelloagnostiche (LIME) e Shapley Additive Explanations (SHAP), per fornire approfondimenti sulle decisioni dei modelli. Combinando queste tecniche avanzate, il progetto mira a offrire strategie di gestione del rischio più robuste e interpretabili, contribuendo a un ecosistema finanziario più resiliente.

Responsabile scientifico

Prof.ssa Rosella Castellano

Interessi di ricerca

Complex Network, Statistica, Machine Learning, Ottimizzazione

Pubblicazioni

1. Storani, S. (2022): Ph.D. Thesis. Minibond Issuers: a quantitative exploration of the Italian Market.
2. Cerqueti, R., Deffains-Crapsky, C., & Storani, S. (2022). Similarity-based heterogeneity and cohesiveness of networked companies issuing minibonds. Chaos, Solitons & Fractals, 164, 112654.
3. Cerqueti, R., Deffains-Crapsky, C., & Storani, S. (2023). Green finance instruments: exploring minibonds issuance in Italy. Corporate Social Responsibility & Environmental Management, 30(4), 1965-1986.
4. Cerqueti, R., Pampurini, F., Quaranta, A. G., & Storani, S. (2024). Risk transmission and systemic fragility of banks’ interacting customers. Finance Research Letter, 62, 105061.
5. Cerqueti, R., Deffains-Crapsky, C., Quaranta, A. G., & Storani, S. (2024). Identifying minibonds issued level’s determinants to empower companies’ funding managerial strategies. Management Decision, 10.1108/MD-10-2023-1755.
6. Cerqueti, R., Iovanella, A., Mattera, R., & Storani, S. (2024). Improving the explainability of autoencoder factors for commodities through forecast-based Shapely values. Scientific Reports, 14(1), 1-13.
7. Cerqueti, R., Ferraro, G., Mattera, R., Storani, S. (2025). Mapping Socio-Environmental Policy Integration in the European Union: A Multilayer Network Approach. Journal of Cleaner Production, 491, 144792.
8. Cerqueti, R., Mattera, R., & Storani, S. (2025). Systemic Resilience of Networked Commodities. Energy Economics, In Press.