Εφαρμογή των δικτύων Kolmogorov-Arnold (KAN) στην πρόβλεψη πιστωτικού κινδύνου

Abstract

Η πρόβλεψη του πιστωτικού κινδύνου αποτελεί έναν από τους πιο κρίσιμους παράγοντες στη λειτουργία των χρηματοπιστωτικών ιδρυμάτων, καθώς συνδέεται άμεσα με την ικανότητα των οργανισμών να αξιολογούν τον κίνδυνο αθέτησης πληρωμών από πελάτες και να λαμβάνουν στρατηγικές αποφάσεις σχετικά με την έγκριση δανείων και τη διαχείριση επενδυτικών κεφαλαίων. Η ακριβής πρόβλεψη του πιστωτικού κινδύνου επιτρέπει την αποτελεσματική διαχείριση των κεφαλαίων, τον περιορισμό των ζημιών και την ενίσχυση της σταθερότητας του χρηματοοικονομικού συστήματος.

Στην παρούσα πτυχιακή εργασία, διερευνάται η εφαρμογή της τεχνικής μηχανικής Kolmogorov-Arnold Networks (KAN) στην πρόβλεψη του πιστωτικού κινδύνου, συγκρίνοντας την αποδοτικότητά της με δύο ευρέως χρησιμοποιούμενες τεχνικές στον τομέα αυτό, το gradient boosting και τη logistic regression. Για τους σκοπούς της μελέτης χρησιμοποιήθηκε το dataset Home Credit Default Risk από το Kaggle, προκειμένου να αναλυθούν οι επιδόσεις των τριών τεχνικών στην πρόβλεψη της πιθανότητας αθέτησης πληρωμών.

Τα αποτελέσματα της ανάλυσης έδειξαν ότι η μέθοδος KAN είχε καλύτερες επιδόσεις από τη logistic regression, αλλά υστερούσε σε σχέση με το gradient boosting. Παρά τα ικανοποιητικά αποτελέσματα, η τεχνική KAN απαιτεί περαιτέρω βελτιστοποίηση για να ανταγωνιστεί αποτελεσματικά πιο προηγμένες τεχνικές, όπως το gradient boosting, που αποδείχθηκε ανώτερο στην πρόβλεψη του πιστωτικού κινδύνου. Τα ευρήματα υποδεικνύουν ότι η KAN μπορεί να αποτελέσει μια υποσχόμενη μέθοδο στον τομέα αυτόν, με σημαντικά περιθώρια βελτίωσης.