Design and implementation of a quantitative risk monitoring dashboard for loan portfolio management

The monitoring of risk in SME loan portfolios requires structured, transparent, and reproducible analytical tools. In response to this need, this work proposes an automated quantitative framework designed for use within an asset management fund. The dashboard is built upon a consistent exposure-weighted aggregation logic and integrates four analytical dimensions: portfolio concentration, default severity, delinquency dynamics, and cash-flow consistency. Diversification is assessed through inequality-based indicators such as the Herfindahl--Hirschman Index, Gini coefficient, and Maximum Share, while short-term credit deterioration is captured through transition analysis across performance states. Capital impairment and income realization metrics complement the risk perspective by providing an economic consistency view of the portfolio. All metrics are translated into standardized qualitative risk classes through predefined threshold mappings and combined through a hierarchical reduction and conservative aggregation scheme, ensuring a prudential approach. The framework is entirely implemented in Python and operates in a fully automated pipeline: once updated data are provided, the system executes preprocessing routines, computes indicators, generates visual summaries, and produces a structured report augmented by deterministic explanatory comments. The empirical application serves as a validation of the analytical architecture rather than as an assessment of the specific illustrative portfolio. Results confirm the system’s capability to transform heterogeneous loan attributes into coherent, comparable, and governance-ready risk diagnostics. Overall, the contribution of this work lies in designing a transparent and scalable monitoring architecture that connects quantitative credit risk measurement with operational reporting requirements, providing a reproducible foundation for further extensions toward predictive analytics and scenario-based risk evaluation.

Il monitoraggio del rischio nei portafogli di prestiti a PMI richiede strumenti analitici strutturati, trasparenti e riproducibili. In risposta a tale esigenza, questa tesi propone un modello quantitativo automatizzato progettato per un fondo di gestione del risparmio. La dashboard si fonda su una logica coerente di aggregazione ponderata per esposizione e integra quattro dimensioni analitiche: concentrazione del portafoglio, severità del default, dinamiche di deterioramento e coerenza dei flussi di cassa. La diversificazione viene valutata tramite indicatori di disuguaglianza quali l’indice di Herfindahl--Hirschman, il coefficiente di Gini e la quota massima di esposizione, mentre il deterioramento di breve periodo è analizzato attraverso matrici di transizione tra stati di performance. Le metriche di indebolimento del capitale e di realizzazione degli interessi completano l’analisi fornendo una valutazione della coerenza economica complessiva del portafoglio. Tutti gli indicatori sono tradotti in classi qualitative standardizzate mediante soglie predefinite e aggregati attraverso un processo di riduzione gerarchica e una regola di aggregazione conservativa, garantendo un approccio prudente. Il modello è interamente implementato in Python e opera secondo una procedura completamente automatizzata: una volta forniti i dati aggiornati, il sistema esegue le procedure di pre-elaborazione dei dati, calcola le metriche, genera le rappresentazioni grafiche e produce un report strutturato arricchito da commenti esplicativi deterministici. L’applicazione empirica costituisce una validazione dell’architettura analitica piuttosto che una valutazione economica del portafoglio illustrativo. I risultati confermano la capacità del sistema di trasformare attributi eterogenei a livello di singolo prestito in diagnosi di rischio coerenti, comparabili e idonee a supportare i processi di governance. Nel complesso, il contributo del lavoro consiste nella progettazione di un’architettura di monitoraggio trasparente e scalabile, capace di connettere la misurazione quantitativa del rischio di credito con le esigenze operative di rendicontazione, fornendo una base riproducibile per future estensioni verso modelli predittivi e analisi di scenario.