La classificazione del rischio di credito e il ruolo dei fattori ESG: analisi empirica delle compagnie dell'EURO STOXX 600

The thesis investigates the role of Environmental, Social and Governance (ESG) factors in the classification of credit risk of the EURO STOXX 600 companies; while traditional credit risk assessment has relied on accounting and financial indicators, such measures may fail to capture all the dimensions of risk. The empirical analysis focuses on listed companies included in the EURO STOXX 600 index and aims to evaluate and compare the predictive performance of different machine learning classification models. The Altman Z-Score is employed as a reference indicator of financial health and creditworthiness and is classified into three risk categories: Safe, Grey Zone and Distress. Models are developed using both traditional financial variables and ESG factors in order to assess whether ESG factors provide incremental informational value in credit risk classification. The analysis employs monthly data over a five-year period sourced from Bloomberg database and is implemented in R programming language. The results highlight differences in predictive accuracy and discriminatory power across the models and provide evidence on the relevance of ESG variables in explaining firms' creditworthiness. Overall, the findings suggests that ESG factors contribute meaningful information beyond traditional financial metrics and should be considered a fundamental component of credit risk evaluation frameworks.

La tesi analizza il ruolo dei fattori Environmental, Social e Governance (ESG) nella classificazione del rischio di credito delle società appartenenti all’indice EURO STOXX 600; mentre la valutazione tradizionale del rischio di credito si è basata su indicatori contabili e finanziari, tali misure possono non essere in grado di cogliere tutte le dimensioni del rischio. L’analisi empirica si concentra sulle società quotate incluse nell’indice EURO STOXX 600 e mira a valutare e confrontare le performance predittive di diversi modelli di classificazione basati su tecniche di machine learning. L’Altman Z-Score è utilizzato come indicatore di riferimento dello stato di salute finanziaria e del merito creditizio ed è classificato in tre categorie di rischio: Safe, Grey Zone e Distress. I modelli sono sviluppati utilizzando sia variabili finanziarie tradizionali sia fattori ESG, al fine di valutare se questi ultimi forniscano un contributo informativo incrementale nella classificazione del rischio di credito. L’analisi utilizza dati mensili su un orizzonte temporale di cinque anni, estratti dal database Bloomberg, ed è implementata nel linguaggio di programmazione R. I risultati evidenziano differenze nella capacità predittiva e nel potere discriminante dei modelli e forniscono prove della rilevanza delle variabili ESG nello spiegare l'affidabilità creditizia delle imprese. Nel complesso, i risultati suggeriscono che i fattori ESG apportano informazioni significative oltre alle metriche finanziarie tradizionali e dovrebbero essere considerati una componente fondamentale dei sistemi di valutazione del rischio di credito.