Σχεδίαση και ανάπτυξη υβριδικού συστήματος αξιολόγησης πιστωτικού κινδύνου με μηχανική μάθηση, επιχειρησιακή λογική και δυναμική βαθμονόμηση πιθανοτήτων
Design and development of a hybrid credit risk assessment system using machine learning, business logic, and dynamic probability calibration

Προβολή/ Άνοιγμα
Λέξεις κλειδιά
Πιστωτικός κίνδυνος ; Αθέτηση δανείου ; Μηχανική μάθηση ; Προγνωστικά μοντέλα ; Ανάλυση δεδομένων ; Οπτικοποίηση δεδομένων ; Σύστημα υποστήριξης αποφάσεωνΠερίληψη
Η παρούσα διπλωματική εργασία πραγματεύεται την ανάπτυξη ενός ολοκληρωμένου
υβριδικού συστήματος πρόβλεψης της πιθανότητας αθέτησης δανειακών
υποχρεώσεων (default) από πελάτες τραπεζικών ιδρυμάτων, αξιοποιώντας τεχνικές
μηχανικής μάθησης, μηχανισμούς επιχειρησιακής λογικής και εργαλεία οπτικοποίησης
δεδομένων. Η αποτελεσματική διαχείριση του πιστωτικού κινδύνου αποτελεί κρίσιμο
παράγοντα για τη βιωσιμότητα των χρηματοπιστωτικών οργανισμών, καθιστώντας
αναγκαία τη χρήση προηγμένων μεθόδων ανάλυσης και εξαγωγής γνώσης από
δεδομένα.
Στο πλαίσιο της εργασίας πραγματοποιήθηκε συλλογή, κατανόηση και
προεπεξεργασία των δεδομένων, με στόχο τη διασφάλιση της ποιότητας και της
αξιοπιστίας τους. Στη συνέχεια, εφαρμόστηκαν τεχνικές μηχανικής μάθησης για την
ανάπτυξη προγνωστικών μοντέλων, τα οποία αξιολογήθηκαν βάσει κατάλληλων
δεικτών απόδοσης. Η διαδικασία αυτή επέτρεψε τον εντοπισμό σημαντικών προτύπων
και χαρακτηριστικών που σχετίζονται με την πιθανότητα εμφάνισης αθέτησης.
Πέρα από τη βασική μοντελοποίηση, αναπτύχθηκε υβριδικός μηχανισμός πρόβλεψης,
ο οποίος συνδυάζει τις εκτιμήσεις του μοντέλου μηχανικής μάθησης με κανόνες
επιχειρησιακής λογικής (rule-based overrides) και τεχνικές δυναμικής βαθμονόμησης
πιθανοτήτων, με στόχο την πιο ρεαλιστική αποτύπωση του πιστωτικού κινδύνου και
τη μετατροπή των προβλέψεων σε πρακτικά αξιοποιήσιμες αποφάσεις.
Επιπλέον, αναπτύχθηκε ένα διαδραστικό σύστημα οπτικοποίησης δεδομένων
(dashboard), το οποίο επιτρέπει την εισαγωγή χαρακτηριστικών δανειολήπτη και την
άμεση εμφάνιση της εκτιμώμενης πιθανότητας αθέτησης, της κατηγοριοποίησης
κινδύνου και της προτεινόμενης δανειοδοτικής απόφασης. Μέσω της χρήσης
γραφημάτων και δεικτών, το σύστημα συμβάλλει στη λήψη τεκμηριωμένων
αποφάσεων.
Τα αποτελέσματα της εργασίας καταδεικνύουν τη σημαντική συμβολή των τεχνικών
μηχανικής μάθησης στην πρόβλεψη πιστωτικού κινδύνου, καθώς και τον καθοριστικό
2
ρόλο της ενσωμάτωσης επιχειρησιακής λογικής στη βελτίωση της πρακτικής
αξιοπιστίας των προβλέψεων. Η προτεινόμενη υβριδική προσέγγιση μπορεί να
αποτελέσει χρήσιμο εργαλείο για την ενίσχυση των διαδικασιών αξιολόγησης πελατών
στον τραπεζικό τομέα.


