dc.contributor.advisor | Σωτηρόπουλος, Διονύσιος | |
dc.contributor.author | Βασιλάκης, Αριστείδης | |
dc.date.accessioned | 2023-08-24T08:01:39Z | |
dc.date.available | 2023-08-24T08:01:39Z | |
dc.date.issued | 2023-06 | |
dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/15651 | |
dc.identifier.uri | http://dx.doi.org/10.26267/unipi_dione/3073 | |
dc.description.abstract | Η πρόβλεψη πιστωτικού κινδύνου είναι ένας σημαντικός τομέας στη χρηματοοικονομική, καθώς επιτρέπει στις χρηματοπιστωτικές εταιρείες να αξιολογούν τον κίνδυνο που συνδέεται με τη χορήγηση πιστώσεων σε πελάτες. Η πιστωτική ανάλυση περιλαμβάνει το μέτρο για τη διερεύνηση της πιθανότητας του αιτούντος να αποπληρώσει έγκαιρα το δάνειο και να προβλέψει την αθέτηση ή αδυναμία αποπληρωμής του. Υπάρχουν δύο βασικοί κίνδυνοι, η απώλεια πιθανών εσόδων που προκύπτει από την μη έγκριση ενός καλού υποψηφίου ή από την απόρριψη πολλών καθώς και η οικονομική ζημία που προκύπτει από την έγκριση ενός υποψηφίου που καταλήγει να μην αποπληρώσει το δάνειο.
Οι μέθοδοι μηχανικής μάθησης έχουν αναπτυχθεί και εφαρμοστεί με επιτυχία σε αυτόν τον τομέα για να προβλέψουν την πιθανότητα πρόκλησης πιστωτικού προβλήματος από τους δανειολήπτες. Στην εργασία μας θα χρησιμοποιήσουμε τρεις μεθόδους, τα Τεχνητά Νευρωνικά Δίκτυα (Artificial Networks), τα Support Vector Machines (SVM) και τα Random Forests. Με τη βοήθεια αυτών των αλγορίθμων θα εκπαιδεύσουμε ένα σύνολο δεδομένων (dataset) το οποίο περιλαμβάνει πληροφορίες για τους δανειολήπτες και το αν έχουν ανταποκριθεί στις πληρωμές των πιστώσεών τους. Αυτός ο τρόπος πρόβλεψης πιστωτικού κινδύνου μπορεί να παρέχει σημαντική πληροφορία για την απόδοση των δανείων και τη δυνατότητα πληρωμής των δανειοληπτών. | el |
dc.format.extent | 55 | el |
dc.language.iso | el | el |
dc.publisher | Πανεπιστήμιο Πειραιώς | el |
dc.title | Συγκριτική μελέτη μεθόδων μηχανικής μάθησης για πρόβλεψη πιστωτικού κινδύνου | el |
dc.title.alternative | A comparative study of machine learning approaches for credit risk prediction | el |
dc.type | Master Thesis | el |
dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Πληροφορικής | el |
dc.description.abstractEN | Credit risk forecasting is an important area in finance as it allows financial companies to assess the risk associated with extending credit to customers. Credit risk analysis includes the measure to investigate the applicant's likelihood of repaying the loan on time and predicting his inability to repay. There are two main risks, the loss of potential revenue resulting from not approving one good candidate or rejecting many, and the financial loss resulting from approving a candidate who ends up defaulting on the loan.
Machine learning methods have been developed and successfully applied in this field to predict the likelihood of borrowers becoming credit distressed. In our work, we will use three methods, Artificial Neural Networks, Support Vector Machines (SVM) and Random Forests. With the help of these algorithms we will train a dataset that includes information about borrowers and whether they have responded to their loan payments. This way of predicting credit risk can provide important information on loan performance and borrowers' ability to pay. | el |
dc.contributor.master | Προηγμένα Συστήματα Πληροφορικής - Ανάπτυξη Λογισμικού και Τεχνητής Νοημοσύνης | el |
dc.subject.keyword | Credit risk prediction | el |
dc.subject.keyword | Random forests | el |
dc.subject.keyword | Support vector machines | el |
dc.subject.keyword | Μηχανική μάθηση | el |
dc.subject.keyword | Νευρωνικά δίκτυα | el |
dc.subject.keyword | Πιστωτικός κίνδυνος | el |
dc.date.defense | 2023-07-20 | |