AUEB Library - Digital Repository

PYXIDA Institutional Repository
and Digital Library

Username
Password

Collections :	Ιδρυματικό Αποθετήριο ΟΠΑ / AUEB Institutional Repository Σχολή Επιστημών και Τεχνολογίας της Πληροφορίας / School of Informatics Τμήμα Στατιστικής / Department of Statistics Μεταπτυχιακές Εργασίες / Postgraduate dissertations

Title :	Ταξινόμηση: ανάλυση μεθόδων ταξινόμησης και αξιολόγηση της διακριτικής τους ικανότητας σε βάση δανείων αποτελούμενη από μη εξυπηρετούμενα (defaulted) και εξυπηρετούμενα (non- defaulted) στεγαστικά δάνεια

Alternative Title :	Classification: presentation of classification methods and evaluation of their ability to predict bankruptcy to mortgage portfolio

Creator :	Γκίκας, Δημήτριος

Contributor :	Παπαγεωργίου, Ιουλία (Επιβλέπων καθηγητής) Μπεσμπέας, Παναγιώτης (Εξεταστής) Πεντελή, Ξανθή (Εξεταστής) Οικονομικό Πανεπιστήμο Αθηνών, Τμήμα Στατιστικής (Degree granting institution)

Type :	Text

Extent :	68σ.

Language :	el

Identifier :	http://www.pyxida.aueb.gr/index.php?op=view_object&object_id=8474

Abstract :	Η διατριβή αυτή έχει ως σκοπό την εξέταση των μεθοδολογιών: λογιστικής παλινδρόμησης, Linear Discriminant Analysis (LDA), Quadratic Discriminant Analysis (QDA), K-nearest neighbours(ΚΝΝ), Classification trees ως μεθόδων ταξινόμησης και πρόβλεψης του αν ένας δανειολήπτης στεγαστικού δανείου θα παραμείνει στην κατηγορία εξυπηρέτησης του δανείου του (non-defaulted) ή θα μεταφερθεί στην κατηγορία της πιστωτικής αθέτησης (defaulted).Η διατριβή παρουσιάζει ένα σύντομο ιστορικό της Πιστωτικής Επέκτασης στην Ελλάδα από την εισαγωγή του Ευρώ. Συνεχίζει παρουσιάζοντας στοιχεία της αύξησης των πιστωτικών αθετήσεων ως αποτέλεσμα της έναρξη της οικονομικής κρίσης στην Ελλάδα το 2009, γεγονός που εν συνεχεία έκανε την επιτακτική την ανάγκη εύρεσης μοντέλων ταξινόμησης πιστούχων σε «καλούς» (good) και «κακούς» (bad). Τα δεδομένα είναι προερχόμενα από τον Τραπεζικό χώρο, στο κεφάλαιο 3 παρουσιάζονται περιγραφικά στοιχεία και τα ιδιαίτερα χαρακτηριστικά αυτών των δεδομένων.Στα κεφάλαια 4-7 αναλύονται οι παραπάνω μέθοδοι αξιολόγησης ενώ στο κεφάλαιο 8 παρουσιάζεται η σύγκριση και τα αποτελέσματα αυτών των μεθοδολογιών τόσο από ποιοτική όσο και ποσοτική πλευρά καθώς και το τελικό συμπέρασμα. The purpose of this master thesis is to present the methods of Logistic classification, Linear Discriminant Analysis (LDA), Quadratic Discriminant Analysis (QDA), K-nearest neighbours (KNN), Classification trees as classification methods and to evaluate their ability to predict correctly whether a mortgage borrower will remain in the non-defaulted category or will be transferred to the default category.The study presents a brief history of Credit Expansion in Greece since the introduction of Euro currency. Furthermore, it presents information for the significant increase of the defaulted loans in Greece as result of the financial crisis. This fact triggered the need of building accurate models which can predict and classify the borrowers in the default and not default categories. The data used are from Greek operating bank. Some key information and descriptive statistics for the data is presented in the chapter 3. Also in the chapters 4-7 are presented the examined methods while the comparison between the methods both qualitative and quantitative is presented in the chapter 8

Abstract :

Η διατριβή αυτή έχει ως σκοπό την εξέταση των μεθοδολογιών: λογιστικής παλινδρόμησης, Linear Discriminant Analysis (LDA), Quadratic Discriminant Analysis (QDA), K-nearest neighbours(ΚΝΝ), Classification trees ως μεθόδων ταξινόμησης και πρόβλεψης του αν ένας δανειολήπτης στεγαστικού δανείου θα παραμείνει στην κατηγορία εξυπηρέτησης του δανείου του (non-defaulted) ή θα μεταφερθεί στην κατηγορία της πιστωτικής αθέτησης (defaulted).Η διατριβή παρουσιάζει ένα σύντομο ιστορικό της Πιστωτικής Επέκτασης στην Ελλάδα από την εισαγωγή του Ευρώ. Συνεχίζει παρουσιάζοντας στοιχεία της αύξησης των πιστωτικών αθετήσεων ως αποτέλεσμα της έναρξη της οικονομικής κρίσης στην Ελλάδα το 2009, γεγονός που εν συνεχεία έκανε την επιτακτική την ανάγκη εύρεσης μοντέλων ταξινόμησης πιστούχων σε «καλούς» (good) και «κακούς» (bad). Τα δεδομένα είναι προερχόμενα από τον Τραπεζικό χώρο, στο κεφάλαιο 3 παρουσιάζονται περιγραφικά στοιχεία και τα ιδιαίτερα χαρακτηριστικά αυτών των δεδομένων.Στα κεφάλαια 4-7 αναλύονται οι παραπάνω μέθοδοι αξιολόγησης ενώ στο κεφάλαιο 8 παρουσιάζεται η σύγκριση και τα αποτελέσματα αυτών των μεθοδολογιών τόσο από ποιοτική όσο και ποσοτική πλευρά καθώς και το τελικό συμπέρασμα.
The purpose of this master thesis is to present the methods of Logistic classification, Linear Discriminant Analysis (LDA), Quadratic Discriminant Analysis (QDA), K-nearest neighbours (KNN), Classification trees as classification methods and to evaluate their ability to predict correctly whether a mortgage borrower will remain in the non-defaulted category or will be transferred to the default category.The study presents a brief history of Credit Expansion in Greece since the introduction of Euro currency. Furthermore, it presents information for the significant increase of the defaulted loans in Greece as result of the financial crisis. This fact triggered the need of building accurate models which can predict and classify the borrowers in the default and not default categories. The data used are from Greek operating bank. Some key information and descriptive statistics for the data is presented in the chapter 3. Also in the chapters 4-7 are presented the examined methods while the comparison between the methods both qualitative and quantitative is presented in the chapter 8

Subject :	Ταξινόμηση Λογιστική παλινδρόμηση Δέντρα ταξινόμησης K-nearest neighbors Linear discriminant analysis Classification Logistic regression Classification tree K-nearest neighbors Default loans Quadratic discriminant analysis

Date Available :	2021-03-28 19:54:08

Date Issued :	02/03/2021

Date Submitted :	2021-03-28 19:54:08

Access Rights :	Free access

Licence :

File: Gkikas_2021.pdf

Type: application/pdf

Login