Μέθοδοι επιβλεπόμενης μηχανικής μάθησης για την εκτίμηση της πιθανότητας αθέτησης

Kourouklis, Christos; Κουρούκλης, Χρήστος

dc.contributor.advisor	Bersimis, Sotiris
dc.contributor.advisor	Μπερσίμης, Σωτήριος
dc.contributor.author	Kourouklis, Christos
dc.contributor.author	Κουρούκλης, Χρήστος
dc.date.accessioned	2025-01-08T08:28:12Z
dc.date.available	2025-01-08T08:28:12Z
dc.date.issued	2024-09
dc.identifier.uri	https://dione.lib.unipi.gr/xmlui/handle/unipi/17282
dc.identifier.uri	http://dx.doi.org/10.26267/unipi_dione/4705
dc.description.abstract	Η παρούσα διπλωματική εργασία επικεντρώνεται στην εκτίμηση της Πιθανότητας Αθέτησης Υποχρεώσεων χρησιμοποιώντας μεθόδους εποπευτόμενης στατιστικής και μηχανικής μάθησης για δίτιμα προβλημάτα, που είναι απαραίτητες για την αποτελεσματική διαχείριση κινδύνου και τη συμμόρφωση με τους κανονισμούς στα χρηματοπιστωτικά ιδρύματα και για τον τραπεζικό τομέα. Τονίζεται ο κρίσιμος ρόλος της εκτίμησης της πιθανότητας αθέτησης, συζητώντας τη σημασία των χρηματοπιστωτικών ιδρυμάτων στις σύγχρονες οικονομίες, τις προκλήσεις που αντιμετωπίζουν, και τη σημασία της ακριβούς εκτίμησης της πιθανότητας αθέτησης στη μείωση του πιστωτικού κινδύνου και την εξασφάλιση της κανονιστικής συμμόρφωσης, παρέχοντας επίσης μια συνοπτική βιβλιογραφική ανασκόπηση σχετικά με τον πιστωτικό κίνδυνο και την εκτίμηση της πιθανότητας αθέτησης, από παραδοσιακές στατιστικές μεθόδους μέχρι τις πιο πρόσφατες εξελίξεις στη μηχανική μάθηση. Περιγράφεται επίσης το θεωρητικό υπόβαθρο της Λογιστικής Παλινδρόμησης (Logistic Regression), των Τυχαίων Δασών (Random Forest), της Βαθμιαίας Ενίσχυσης (Gradient Boosting), και των Νευρωνικών Δικτύων (Neural Networks), συμπεριλαμβανομένης της διαχείρισης δεδομένων, των μετρικών αξιολόγησης, και των διαδικασιών εκπαίδευσης των μοντέλων. Στο τελευταίο μέρος της διπλωματικής εργασίας, αυτές οι μέθοδοι εφαρμόζονται πρακτικά χρησιμοποιώντας πραγματικά δεδομένα πιστωτικών κινδύνου, όπου γίνονται συγκρίσεις των αντίστοιχων αποδόσεων των μοντέλων χρησιμοποιώντας τις μετρικές Kolmogorov-Smirnov, Gini, και Area Under the Curve (οι μετρικές που χρησιμοποιούνται για την διαχείρηση κινδύνου στον τραπεζικό κλάδο). Η διπλωματική εργασία στοχεύει στη παρουσίαση των πρακτικών αξιολόγησης πιστωτικού κινδύνου μέσω της εφαρμογής, σύγκρισης, αξιολόγησης, και βελτιστοποίησης αυτών των στατιστικών μοντέλων μηχανικής μάθησης.	el
dc.format.extent	137	el
dc.language.iso	en	el
dc.publisher	Πανεπιστήμιο Πειραιώς	el
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.title	Μέθοδοι επιβλεπόμενης μηχανικής μάθησης για την εκτίμηση της πιθανότητας αθέτησης	el
dc.title.alternative	Supervised machine learning methods for estimating probability of default	el
dc.type	Master Thesis	el
dc.contributor.department	Σχολή Χρηματοοικονομικής και Στατιστικής. Τμήμα Στατιστικής και Ασφαλιστικής Επιστήμης	el
dc.description.abstractEN	This thesis focuses on the estimation of Probability of Default using binary supervised learning methods, which is essential for effective risk management and regulatory compliance in financial institutions and the banking sector. The crucial role of Probability of Default estimation is emphasized, discussing the importance of financial institutions, the challenges they face, and the significance of accurate Probability of Default estimation in mitigating credit risk and ensuring regulatory compliance, by also providng a concise literature review on credit risk and Probability of Default estimation, from traditional statistical methods to more recent advancements in machine learning. The theoretical background of Logistic Regression, Random Forest, Gradient Boosting, and Neural Networks, including data management, evaluation metrics, and model training processes are also being described. In the last part of the current thesis, these methods are practically implemented using real-world credit data, with performance comparisons made using Kolmogorov-Smironv, Gini, and Area Under the Curve metrics (i.e. banking industry standards). The thesis aims to enhance credit risk assessment practices through the application, comparison, evaluation, and optimization of these statistical machine learning models.	el
dc.contributor.master	Εφαρμοσμένη Στατιστική	el
dc.subject.keyword	Data science	el
dc.subject.keyword	Στατιστική	el
dc.subject.keyword	Statistics	el
dc.subject.keyword	Μηχανική μάθηση	el
dc.subject.keyword	Machine learning	el
dc.subject.keyword	Probability of default	el
dc.subject.keyword	PD	el
dc.subject.keyword	Credit risk	el
dc.subject.keyword	Πιστωτικός κίνδυνος	el
dc.subject.keyword	Statistical modeling	el
dc.subject.keyword	Logistic regression	el
dc.subject.keyword	Random forest	el
dc.subject.keyword	Decision trees	el
dc.subject.keyword	Gradient boosting	el
dc.subject.keyword	Neural networks	el
dc.subject.keyword	Cross validation	el
dc.subject.keyword	Feature selection	el
dc.subject.keyword	Information value	el
dc.subject.keyword	IV	el
dc.subject.keyword	Gini	el
dc.subject.keyword	Hyperparameter tuning	el
dc.subject.keyword	Λογιστική παλινδρόμηση	el
dc.subject.keyword	Τυχαία δάση	el
dc.subject.keyword	Δένδρα αποφάσεων	el
dc.subject.keyword	Population Stability Index	el
dc.subject.keyword	PSI	el
dc.subject.keyword	Εφαρμοσμένη στατιστική	el
dc.subject.keyword	Supervised machine learning	el
dc.subject.keyword	Επιβλεπόμενη μηχανική μάθηση	el
dc.date.defense	2024-09-27

Αρχεία σε αυτό το τεκμήριο

Name:: Kourouklis_21013.pdf
Μέγεθος:: 3.967Mb
Τύπος:: PDF
Description:: Master thesis

Προβολή/Άνοιγμα

Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές

Τμήμα Στατιστικής και Ασφαλιστικής Επιστήμης
Department of Statistics & Insurance Science

Εμφάνιση απλής εγγραφής

Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα

Εκτός από όπου διευκρινίζεται διαφορετικά, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα