Εφαρμογή μεθόδων εξόρυξης γνώσης σε τραπεζικά δεδομένα ελληνικών επιχειρήσεων
| dc.contributor.advisor | Πελέκης, Νικόλαος | |
| dc.contributor.author | Καντά, Ελισάβετ Φ. | |
| dc.date.accessioned | 2018-01-12T12:37:24Z | |
| dc.date.available | 2018-01-12T12:37:24Z | |
| dc.date.issued | 2017-09 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/10510 | |
| dc.description.abstract | Η οικονομική κρίση που ξεκίνησε στην Ευρώπη το 2008 και διαρκεί ως και σήμερα στην Ελλάδα αναδεικνύει το πόσο επιτακτική είναι η ανάγκη παρακολούθησης του ρίσκου που αναλαμβάνει ένα χρηματοπιστωτικό ίδρυμα όταν δίνει ένα δάνειο. Ένα μοντέλο που μπορεί να προβλέψει έγκαιρα και έγκυρα δάνεια που θα καταστούν μη εξυπηρετούμενα στο άμεσο μέλλον αποτελεί εργαλείο ζωτικής σημασίας για κάθε τραπεζικό οργανισμό. Στόχος μας είναι η περιγραφή και σύγκριση τέτοιων μοντέλων μέσω της εφαρμογής τους σε δεδομένα από μεγάλη ελληνική τράπεζα που αφορούν πελάτες-επιχειρήσεις. Αναλυτικότερα, κατασκευάσαμε ένα μοντέλο ταξινόμησης το οποίο προβλέπει για μια επιχείρηση αν στο τέλος του επόμενου εξαμήνου θα καταστεί μη εξυπηρετούμενο δηλαδή, θα βρίσκεται σε καθυστέρηση μεγαλύτερη των 90 ημερών ή όχι. Εφαρμόσαμε στα δεδομένα μας την μέθοδο της Λογιστικής Παλινδρόμησης (Logistic Regression), τα Τεχνητά Νευρωνικά Δίκτυα (Artificial Neural Networks) και τα Δέντρα Ταξινόμησης (Classification Trees) κάνοντας χρήση είτε όλων των μεταβλητών είτε κάνοντας χρήση μόνο όσων χαρακτηρίστηκαν σημαντικές μετά από την κατάλληλη προεπεξεργασία. Συγκεκριμένα, εφαρμόστηκε η βηματική μέθοδος επιλογής μεταβλητών και η ανάλυση ευαισθησίας για τον εντοπισμό των μεταβλητών που παίζουν σημαντικό ρόλο στο εξαγόμενο αποτέλεσμα. | el |
| dc.format.extent | 78 | el |
| dc.language.iso | el | el |
| dc.publisher | Πανεπιστήμιο Πειραιώς | el |
| dc.rights | Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές | * |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ | * |
| dc.title | Εφαρμογή μεθόδων εξόρυξης γνώσης σε τραπεζικά δεδομένα ελληνικών επιχειρήσεων | el |
| dc.title.alternative | Application of data mining methods in banking data of greek enterprises | el |
| dc.type | Master Thesis | el |
| dc.contributor.department | Σχολή Χρηματοοικονομικής και Στατιστικής. Τμήμα Στατιστικής και Ασφαλιστικής Επιστήμης | el |
| dc.description.abstractEN | The economic crisis that started in Europe in 2008 and lasts until today in Greece raises the urgent need to monitor the risk a financial institution takes when it gives a loan. A model that can predict timely and valid loans that will become inactive in the near future is a vital tool for any banking organization. Our aim is to describe and compare such models by applying them to data from a large Greek bank that concern business customers. More specifically, we have developed a classification model that predicts if an enterprise’s loan becomes non-serving at the end of the next six months. We have applied to our data the method of Logistic Regression, Artificial Neural Networks, and Classification Trees using either all variables or using only those that were identified as significant after proper pre-processing. Specifically, stepwise and sensitivity analysis was applied to identify the variables that play an important role in the result. | el |
| dc.contributor.master | Εφαρμοσμένη Στατιστική | el |
| dc.subject.keyword | Ελληνικές τράπεζες | el |
| dc.subject.keyword | Λογιστική παλινδρόμηση | el |
| dc.subject.keyword | Τεχνητά νευρωνικά δίκτυα | el |
| dc.subject.keyword | Στατιστικές μέθοδοι | el |
Αρχεία σε αυτό το τεκμήριο
Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές
-
Τμήμα Στατιστικής και Ασφαλιστικής Επιστήμης
Department of Statistics & Insurance Science
Εκτός από όπου διευκρινίζεται διαφορετικά, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές
Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές