Σχεδίαση και ανάπτυξη υβριδικού συστήματος αξιολόγησης πιστωτικού κινδύνου με μηχανική μάθηση, επιχειρησιακή λογική και δυναμική βαθμονόμηση πιθανοτήτων

Αναστασοπούλου, Ζωή

dc.contributor.advisor	Φιλιππάκης, Μιχαήλ
dc.contributor.author	Αναστασοπούλου, Ζωή
dc.date.accessioned	2026-07-15T07:19:16Z
dc.date.available	2026-07-15T07:19:16Z
dc.date.issued	2026
dc.identifier.uri	https://dione.lib.unipi.gr/xmlui/handle/unipi/19558
dc.description.abstract	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.	el
dc.format.extent	103	el
dc.language.iso	el	el
dc.publisher	Πανεπιστήμιο Πειραιώς	el
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	Σχεδίαση και ανάπτυξη υβριδικού συστήματος αξιολόγησης πιστωτικού κινδύνου με μηχανική μάθηση, επιχειρησιακή λογική και δυναμική βαθμονόμηση πιθανοτήτων	el
dc.title.alternative	Design and development of a hybrid credit risk assessment system using machine learning, business logic, and dynamic probability calibration	el
dc.type	Master Thesis	el
dc.contributor.department	Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Ψηφιακών Συστημάτων	el
dc.description.abstractEN	This thesis addresses the development of an integrated hybrid system for predicting the probability of customer loan default in the banking sector, utilizing machine learning techniques, business rule mechanisms, and data visualization tools. Effective credit risk management represents a critical challenge for financial institutions, underscoring the need for advanced data analysis approaches and intelligent decision support systems. Within the scope of this study, data were collected, explored, and preprocessed to ensure their quality, consistency, and reliability. Subsequently, machine learning techniques were employed for the development of predictive models, which were evaluated using appropriate performance metrics. This process enabled the identification of significant patterns and key factors associated with customer default behavior. Beyond the baseline modeling process, a hybrid prediction mechanism was developed, combining machine learning estimates with business logic rules (rule-based overrides) and dynamic probability calibration techniques. This approach aims to provide a more realistic assessment of credit risk and to translate model predictions into actionable lending decisions. In addition, an interactive data visualization system (dashboard) was developed, enabling users to input borrower characteristics and receive real-time estimates of default probability, risk classification, and recommended lending decisions. Through the use of charts and key performance indicators, the system facilitates the interpretation of findings and supports data-driven decision making. The results demonstrate the substantial contribution of machine learning techniques to the prediction of credit risk, while also highlighting the critical role of business logic integration in improving the practical reliability of predictions. The proposed hybrid approach can serve as an effective tool for supporting customer evaluation processes within the banking industry.	el
dc.contributor.master	Πληροφοριακά Συστήματα και Υπηρεσίες	el
dc.subject.keyword	Πιστωτικός κίνδυνος	el
dc.subject.keyword	Αθέτηση δανείου	el
dc.subject.keyword	Μηχανική μάθηση	el
dc.subject.keyword	Προγνωστικά μοντέλα	el
dc.subject.keyword	Ανάλυση δεδομένων	el
dc.subject.keyword	Οπτικοποίηση δεδομένων	el
dc.subject.keyword	Σύστημα υποστήριξης αποφάσεων	el
dc.date.defense	2026-07-10

Αρχεία σε αυτό το τεκμήριο

Name:: Anastasopoulou_2202.pdf
Μέγεθος:: 2.956Mb
Τύπος:: PDF
Description:: Μεταπτυχιακή διατριβή

Προβολή/Άνοιγμα

Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές

Τμήμα Ψηφιακών Συστημάτων
Department of Digital Systems

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