Previsione del rischio di prestito: Regressione logistica e reti neurali

La previsione del rischio di prestito è fondamentale per le istituzioni finanziarie al fine di minimizzare i rischi di prestito. Questo studio analizza l'efficacia dei dati delle transazioni nella previsione del rischio di prestito, confrontando le prestazioni di due algoritmi popolari: la regressione logistica e le reti neurali feed-forward. La ricerca mira a valutare le capacità predittive, l'interpretabilità e l'applicabilità pratica di questi modelli nell'identificazione di potenziali inadempienze sui prestiti basate su modelli transazionali. I dati transazionali, acquisiti da Kaggle, sono stati sottoposti a una rigorosa pre-elaborazione e a un'ingegnerizzazione delle caratteristiche adattata alle caratteristiche uniche dei record delle transazioni finanziarie. Entrambi i modelli sono stati addestrati e valutati utilizzando metriche consolidate, tra cui accuratezza, precisione, richiamo e punteggio F1, per misurare in modo esaustivo le loro prestazioni nella previsione delle inadempienze sui prestiti. I risultati indicano diversi punti di forza tra i modelli: la regressione logistica dimostra una lodevole interpretabilità, raggiungendo al contempo metriche di prestazione competitive, mentre la rete neurale feed-forward mostra un'accuratezza predittiva più elevata, sebbene con una maggiore complessità e una minore interpretabilità.