Il lavoro illustra un algoritmo di machine learning per l'individuazione degli errori nelle segnalazioni trasmesse dagli intermediari bancari sui prestiti concessi al settore privato. Tali segnalazioni sono utilizzate per la produzione delle statistiche sui bilanci delle Istituzioni Finanziarie Monetarie. In particolare, è stato sviluppato un algoritmo Quantile Regression Random Forest in due stadi, nel quale l'intervallo di accettazione per le segnalazioni di ciascuna banca è calibrato tramite un tasso di imprecisione individuale, stimato mensilmente utilizzando la sua storia degli errori segnaletici.
L'algoritmo fornisce risultati molto soddisfacenti soprattutto per i dati sui prestiti concessi alle famiglie, per i quali la procedura riesce a identificare correttamente tre quarti degli errori segnaletici e il 93 per cento delle segnalazioni corrette. L'algoritmo proposto restituisce risultati migliori rispetto a procedure alternative di individuazione degli errori basate sui modelli probit e logit.
Pubblicato nel 2022 in: Quality & Quantity, v.56, pp. 4025-4059.
