Advanced deep learning techniques for credit risk prediction

Solanakis, Spyridon; Σολανάκης, Σπυρίδων

dc.contributor.advisor	Sotiropoulos, Dionisios
dc.contributor.advisor	Σωτηρόπουλος, Διονύσιος
dc.contributor.author	Solanakis, Spyridon
dc.contributor.author	Σολανάκης, Σπυρίδων
dc.date.accessioned	2025-03-13T10:59:27Z
dc.date.available	2025-03-13T10:59:27Z
dc.date.issued	2025-02
dc.identifier.uri	https://dione.lib.unipi.gr/xmlui/handle/unipi/17547
dc.description	Not available until 07/03/2028
dc.description.abstract	Η παρούσα μεταπτυχιακή διατριβή επεκτείνει τη δουλειά που παρουσιάστηκε στο άρθρο "Evolving Transparent Credit Risk Models: A Symbolic Regression Approach Using Genetic Programming" (Sotiropoulos et al. 2024), εστιάζοντας στη βελτίωση της ακρίβειας πρόβλεψης πιστωτικού κινδύνου μέσω προηγμένων τεχνικών μοντελοποίησης. Η αρχική μελέτη πρότεινε ένα πολυεπίπεδο πλαίσιο παλινδρόμησης για την ανάλυση κανονικοποιημένων FICO scores, τα οποία χωρίστηκαν σε 20 κατηγορίες που αντιπροσωπεύουν διαφορετικά επίπεδα πιστωτικού κινδύνου. Παρότι το πλαίσιο αντιμετώπισε αποτελεσματικά το πρόβλημα της παλινδρόμησης χρησιμοποιώντας διάφορα μοντέλα μηχανικής μάθησης, εντοπίστηκαν προκλήσεις στα ανώτερα επίπεδα λόγω της αυξημένης πολυπλοκότητας και της επικάλυψης των κλάσεων. Με βάση αυτά τα ευρήματα, η παρούσα έρευνα εισάγει τα Kolmogorov-Arnold Networks (KANs) ως μια ερμηνεύσιμη εναλλακτική λύση στα «black box» μοντέλα. Παράλληλα, διερευνώνται προηγμένες μέθοδοι επεξεργασίας χαρακτηριστικών (feature engineering) και επαναληπτικής αναπροσαρμογής του dataset για την αντιμετώπιση προβλημάτων εσφαλμένης ταξινόμησης δεδομένων και της μεταβλητότητας στα ανώτερα επίπεδα. Κύριες καινοτομίες περιλαμβάνουν την εκ νέου ανάθεση σημείων δεδομένων σε FICO κατηγορίες βάσει της εγγύτητας στα κεντροειδή, την ανακατανομή των δεδομένων σε επίπεδα ώστε να διασφαλιστεί ισορροπημένη εκπροσώπηση και την εφαρμογή μέσων τιμών FICO από τα k κοντινότερα κεντροειδή. Αυτές οι μεθοδολογίες οδήγησαν σε σημαντικές βελτιώσεις στην ακρίβεια πρόβλεψης, επιτυγχάνοντας τιμές κοντά στη μονάδα σε ορισμένες διαμορφώσεις, ιδιαίτερα για datasets με διευρυμένα σύνολα χαρακτηριστικών. Τα αποτελέσματα επιβεβαιώνουν την υπόθεση ότι ορισμένα σημεία δεδομένων είχαν αρχικά ταξινομηθεί λανθασμένα σε εσφαλμένες κατηγορίες ή ότι επιπλέον χαρακτηριστικά που δεν περιλαμβάνονται στο dataset επηρεάζουν τις αναθέσεις στις κατηγορίες. Συνολικά, τα ευρήματα υποδεικνύουν ότι η βελτίωση των αναθέσεων στις FICO κατηγορίες και η ενίσχυση της κατανομής των δεδομένων στα επίπεδα είναι κρίσιμα βήματα για τη βελτίωση της απόδοσης των μοντέλων. Επιπλέον, η ενσωμάτωση πρόσθετων χαρακτηριστικών ή εξειδικευμένης γνώσης του πεδίου μπορεί να βελτιστοποιήσει περαιτέρω τις προβλέψεις πιστωτικού κινδύνου και να προσφέρει μια ισχυρότερη βάση για μελλοντικές εξελίξεις στον τομέα.	el
dc.format.extent	86	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	Advanced deep learning techniques for credit risk prediction	el
dc.title.alternative	Προηγμένες τεχνικές βαθιάς μάθησης για πρόβλεψη πιστωτικού κινδύνου	el
dc.type	Master Thesis	el
dc.contributor.department	Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Πληροφορικής	el
dc.description.abstractEN	This thesis extends the work presented in "Evolving Transparent Credit Risk Models: A Symbolic Regression Approach Using Genetic Programming" (Sotiropoulos et al. 2024), focusing on improving credit risk prediction accuracy through advanced modeling techniques. The original study proposed a layered regression framework to model normalized FICO scores, discretized into 20 bins representing distinct levels of credit risk. While the framework effectively addressed the regression task using various machine learning models, challenges were identified in the higher-index layers due to increased data complexity and class overlap. Building upon these findings, this research introduces Kolmogorov-Arnold Networks (KANs) as an interpretable alternative to black-box models. The study also explores advanced feature engineering and iterative dataset refinement methods to address issues of data misclassification and variability in higher-index layers. Key innovations include the reassignment of data points to FICO bins based on proximity to centroids, the redistribution of data points across layers to ensure balanced representation, and the application of mean FICO values from the nearest k-bin centroids. These methodologies yielded significant improvements in prediction accuracy, achieving near-perfect values in some configurations, particularly for datasets with extended feature sets. The results support the hypothesis that certain data points were initially misclassified into incorrect bins or that additional latent features not captured in the dataset influence bin assignments. Ultimately, the findings suggest that refining FICO bin assignments and improving data distribution across layers are critical steps toward enhancing model performance. Furthermore, the integration of additional features or domain knowledge has the potential to further optimize credit risk predictions and provide a stronger foundation for future advancements in the field.	el
dc.contributor.master	Προηγμένα Συστήματα Πληροφορικής	el
dc.subject.keyword	Παρεμβολή	el
dc.subject.keyword	Τεχνητά νευρωνικά δίκτυα	el
dc.subject.keyword	Βαθιά μάθηση	el
dc.subject.keyword	Δίκτυα Kolmogorov-Arnold	el
dc.subject.keyword	Αξιολόγηση πιστοληπτικής κανότητας	el
dc.subject.keyword	Regression	el
dc.subject.keyword	Artificial neural networks	el
dc.subject.keyword	Deep learning	el
dc.subject.keyword	Kolmogorov-Arnold networks	el
dc.subject.keyword	Credit scoring	el
dc.date.defense	2025-02-25

Αρχεία σε αυτό το τεκμήριο

Αρχεία	Μέγεθος	Τύπος	Προβολή
Δεν υπάρχουν αρχεία που να σχετίζονται με αυτό το τεκμήριο.

Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές

Τμήμα Πληροφορικής
Department of Informatics

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