1. Revisione dell’informazione finanziaria prospettica:

questo processo combina
conoscenze professionali e algoritmi di intelligenza artificiale al fine di verificare la
ragionevolezza delle stime economico-finanziarie presentate da un’impresa nel suo piano
industriale. Si tratta di analizzare le assumption relative alle principali variabili economico-
finanziarie del piano al fine di valutare i relativi livelli di attendibilità e rischiosità. Per ogni
assumption, questo processo genera due output:

questo processo combina
conoscenze professionali e algoritmi di intelligenza artificiale al fine di verificare la
ragionevolezza delle stime economico-finanziarie presentate da un’impresa nel suo piano
industriale. Si tratta di analizzare le assumption relative alle principali variabili economico-
finanziarie del piano al fine di valutare i relativi livelli di attendibilità e rischiosità. Per ogni
assumption, questo processo genera due output:

Stima del bias di previsione

una misura che quantifica la distorsione della
previsione realizzata dall’azienda, agendo al rialzo (generalmente nel caso dei costi) o al ribasso (generalmente nel caso dei ricavi).

Volatilità della previsione

una misura che quantifica l’incertezza e, dunque, la
variabilità del dato fornito dall’impresa, stimando un più o meno ampio intervallo percentuale di variazione.

Infine, queste informazioni sono processate ed elaborate per pervenire a un giudizio finale
sulla attendibilità e aleatorietà del piano industriale: conservativo, ragionevole, ottimistico e
il relativo livello di rischiosità (basso, medio, alto).

Infine, queste informazioni sono processate ed elaborate per pervenire a un giudizio finale
sulla attendibilità e aleatorietà del piano industriale: conservativo, ragionevole, ottimistico e
il relativo livello di rischiosità (basso, medio, alto).

2. La stima forward-looking
della probabilità di insolvenza:

i dati sopra processati alimentano un modello che stima la probabilità di insolvenza di un’impresa. In particolare, il nostro modello matematico di stampo probabilistico elabora molteplici scenari futuri di andamento del business in base alla variabilità e all’incertezza delle assumption sopra determinate. Il modello calcola poi la probabilità che il piano si manifesti in scenari che conducano l’impresa verso il default (PD). Calcolata la PD, il modello determina il pricing minimo per banche e soci.

i dati sopra processati alimentano un modello che stima la probabilità di insolvenza di un’impresa. In particolare, il nostro modello matematico di stampo probabilistico elabora molteplici scenari futuri di andamento del business in base alla variabilità e all’incertezza delle assumption sopra determinate. Il modello calcola poi la probabilità che il piano si manifesti in scenari che conducano l’impresa verso il default (PD). Calcolata la PD, il modello determina il pricing minimo per banche e soci.

Il team

Francesco Dainelli
Francesco Dainelli coordinatore sciantifico
Professore Associato in Economia Aziendale presso l’Università degli Studi di Firenze.
Gianmarco Bet
Gianmarco Bet Supervisione del modello matematico
Ricercatore in Probabilità e Statistica matematica presso l’Università degli Studi di Firenze
Alessio Mengoni
Alessio Mengoni Membro operativo
Dottorando di Ricerca in Economia Aziendale e Management presso l'Università degli Studi di Pisa

Innovazione e previsione: Il nuovo standard di 4Scoring per la solvibilità aziendale.

Copyright: © 2024 Lumi WordPress theme by UiCore. All Rights Reserved.

Follow us on social media