Estimating counterparty credit risk fusing traditional and alternative data

This thesis proposes an innovative methodology for estimating company’s credit risk, in specific it studies counterpart risk exploiting a data driven approach combined with alternative data. Counterparty risk is a well know problem within the finance domain; practically, it evaluates the risk that the counterparty will not live up to its contractual obligation. This work derives from a curricular internship at 3rdPLACE, which is a company that offers solutions and services in the field of intelligence applied to digital data, and it was commissioned by a company that supports financial institutions, large, medium and small businesses, insurance companies, public administrations and professionals in effective credit management. The project consist in creating a machine learning algorithm that allows the prediction of companies default. The dataset they provided to us are composed by Italian companies registered at the national Companies House, half of them are available the balance sheet, while the other half we do not have this information. Within this project the goal involves developing an innovative credit risk estimator designed to work on medium, small and very small Italian companies not quoted on exchange, using a methodology that is purely data-driven with the technologies of machine learning. Differently from listed company where clear and transparent information is publicly available, in this project we tackle also a challenge where information is scarce, not standardized. Furthermore it has been proposed to create a new feature, in addition to those provided by the client company: the digital score. It measures the company's presence, performance and effectiveness on the web and integrates it into the initial classification problem of default. The end users of this innovative method could be the rating agencies that deal with financial risk, financial institutions and banks.

La presente tesi propone una metodologia innovativa per la stima del rischio di credito dell'azienda, in particolare studia il rischio di controparte sfruttando un approccio guidato puramente dai dati combinato con dati alternativi. Il rischio di controparte è un problema ben noto nell'ambito della finanza; in pratica, valuta il rischio che la controparte non rispetti i propri obblighi contrattuali. Questo lavoro deriva da uno stage curriculare presso 3rdPLACE, un'azienda che offre soluzioni e servizi nel campo dell'intelligence applicata ai dati digitali, ed è stata commissionata da una società che supporta istituzioni finanziarie, grandi, medie e piccole imprese, compagnie assicurative, pubbliche amministrazioni e professionisti nella gestione efficace del credito. Il progetto consiste nella creazione di un algoritmo di apprendimento automatico che consente di prevedere le aziende inadempienti. Il set di dati che ci hanno fornito sono composti da società italiane registrate presso la Camera di Commercio. Metà di essi hanno disponibile un bilancio finanziario, mentre per l'altra metà queste informazioni non sono disponibili. All'interno di questo progetto l'obiettivo prevede lo sviluppo di un innovativo stimatore del rischio di credito progettato per lavorare su medie, piccole e piccolissime aziende italiane non quotate in borsa, utilizzando una metodologia puramente guidata dai dati con le tecnologie del machine learning. A differenza della società quotata in cui sono disponibili informazioni chiare e trasparenti, in questo progetto affrontiamo anche una sfida in cui le informazioni sono scarse, non standardizzate. Inoltre, è stato proposto di creare una nuova feature: il digital score. Esso misura la presenza, le prestazioni e l'efficacia dell'azienda sul web e la integra nel problema di classificazione iniziale di default. Gli utenti finali di questo metodo innovativo potrebbero essere le agenzie di rating che si occupano di rischio finanziario, istituzioni finanziarie e banche.