Machine learning e rischio finanziario: l’assegnista di ricerca UPO Jurgena Myftiu tra le autrici di uno studio pubblicato sulla rivista Statistics

Il 13 settembre 2024, sulla rivista Statistics, dedicata principalmente alla statistica teorica e applicata, è stato pubblicato lo studio intitolato “Explainable Machine Learning for Financial Risk Management: Two Practical Use Cases”. Tra le autrici e gli autori del lavoro si annovera la dottoressa Jurgena Myftiu, assegnista di ricerca in Economia e statistica presso il Dipartimento di Studi per l'Economia e l'Impresa (DISEI) dell’Università del Piemonte Orientale, con esperienze internazionali presso la University of the West of England (UWE Bristol) e l’ESSEC Business School (Paris Cergy Campus). 

Oltre alla dottoressa Myftiu, hanno partecipato alla ricerca il dottor Angelo Famà, data analyst e business intelligence specialist presso l’azienda Ernst & Young, il dottor Paolo Pagnottoni, ricercatore in Economia all’Università degli Studi dell'Insubria, e il professor Alessandro Spelta, associato al Dipartimento di Scienze Economiche e Aziendali presso l’Università degli Studi di Pavia.

Lo studio esplora l'applicazione di modelli di machine learning (ML) nella gestione del rischio finanziario, focalizzandosi su due casi pratici: la gestione del rischio di credito e la copertura del rischio finanziario. Gli autori sottolineano l'importanza dell'interpretabilità dei modelli di ML, poiché la trasparenza è cruciale per la fiducia degli utenti e per la conformità alle normative. Nel primo dei due casi pratici analizzati dal team, viene indagato come i modelli di ML possano migliorare la previsione del default dei mutui, utilizzando tecniche come le reti neurali convoluzionali. Nel secondo, invece, si discute l'uso di metodi di ML per la gestione del rischio di mercato, evidenziando come questi strumenti possano aiutare a prendere decisioni più informate e tempestive. 

La pubblicazione, in conclusione, sottolinea la necessità di sviluppare metodi di ML che non solo siano efficaci, ma anche spiegabili, al fine di garantire decisioni basate su questi modelli che possano essere comprese e accettate dagli operatori del settore finanziario. Gli autori propongono che l'adozione di tecniche di spiegazione, come SHAP (shapley additive explanation) e LIME (local interpretable model-agnostic explanations), possa contribuire a raggiungere questo obiettivo.

Nell’analisi, il contributo della dottoressa Jurgena Myftiu è stato fondamentale per l'approccio complessivo della ricerca, combinando competenze analitiche e teoriche per affrontare le sfide della gestione del rischio finanziario attraverso l'uso di tecnologie avanzate come il machine learning.