Βιβλιοθήκη ΟΠΑ - Ψηφιακό Αποθετήριο

ΠΥΞΙΔΑ Ιδρυματικό Αποθετήριο
και Ψηφιακή Βιβλιοθήκη

Όνομα χρήστη
Κωδικός πρόσβασης

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

Τίτλος :	Credit risk analysis with machine learning methods

Εναλλακτικός τίτλος :	Ανάλυση πιστωτικού κινδύνου με μεθόδους μηχανικής μάθησης

Δημιουργός :	Καλατζή, Μαρία Kalatzi, Maria

Συντελεστής :	Yannacopoulos, Athanasios (Επιβλέπων καθηγητής) Pignatelli Di Cerchiara, Alice (Εξεταστής) Baltas, Ioannis (Εξεταστής) Athens University of Economics and Business, Department of Statistics (Degree granting institution)

Τύπος :	Text

Φυσική περιγραφή :	60p.

Γλώσσα :	en

Αναγνωριστικό :	http://www.pyxida.aueb.gr/index.php?op=view_object&object_id=10663

Περίληψη :	Οι επιχειρήσεις μετακινούνται στη νέα ψηφιακή πραγματικότητα λόγω της γρήγορης τεχνολογικής εξέλιξης, του έντονου ανταγωνισμού και του μεγάλου όγκου δεδομένων που είναι πλέον προσβάσιμα. Ένας από τους κύριους στόχους των οργανισμών είναι να αυτοματοποιήσουν τις διαδικασίες και τη λήψη αποφάσεων χρησιμοποιώντας δεδομένα και νέες τεχνικές όπως η τεχνητή νοημοσύνη και η μηχανική μάθηση. Αυτή η περιέργεια είναι επίσης πολύ έντονη στον χρηματοοικονομικό τομέα. Οι χρηματοοικονομικοί οργανισμοί αντιμετωπίζουν μια μεγάλη πρόκληση στην ανάλυση του μεγάλου όγκου δεδομένων που είναι διαθέσιμα, λαμβάνοντας υπόψη το προσωπικό του χαρακτήρα. Μία από τις πιο κρίσιμες δραστηριότητες για αυτόν τον τύπο επιχειρήσεων είναι η ανάλυση και αξιολόγηση του πιστωτικού κινδύνου. Σε αυτήν τη διατριβή, δημιουργήθηκαν τρία μοντέλα επιβλεπόμενης μηχανικής μάθησης που κατηγοριοποιούν τους πελάτες των τραπεζών ως "καλούς" ή "κακούς" με βάση την πιθανότητα να μην εκπληρώσουν τις υποχρεώσεις τους. Οι αλγόριθμοι που χρησιμοποιούνται είναι η λογιστική παλινδρόμηση, η μέθοδος υποστήριξης διανυσμάτων (SVM), ο Extreme Gradient Booster και τα Δέντρα Απόφασης (Random Forest). Businesses are moving to the new digital reality due to the fast-paced technological development, the intense competition, and the vast amount of data that is now accessible. One of the main goals of organizations is to automate processes and decision-making using data and new techniques like artificial intelligence and machine learning. This curiosity is also quite strong in the financial industry. Financial organizations face a great challenge in analyzing the vast amount of data that is available while taking into account its personal nature. One of the most crucial activities for this form of business is the analysis and assessment of credit risk. In this dissertation, three supervised machine learning models were created that categorize bank clients as "good" or "bad" based on the likelihood that they will fail to meet their obligations. Logistic Regression, SVM, Extreme Gradient Booster, Random Forest (Decision Trees) are the employed algorithms.

Περίληψη :

Οι επιχειρήσεις μετακινούνται στη νέα ψηφιακή πραγματικότητα λόγω της γρήγορης τεχνολογικής εξέλιξης, του έντονου ανταγωνισμού και του μεγάλου όγκου δεδομένων που είναι πλέον προσβάσιμα. Ένας από τους κύριους στόχους των οργανισμών είναι να αυτοματοποιήσουν τις διαδικασίες και τη λήψη αποφάσεων χρησιμοποιώντας δεδομένα και νέες τεχνικές όπως η τεχνητή νοημοσύνη και η μηχανική μάθηση. Αυτή η περιέργεια είναι επίσης πολύ έντονη στον χρηματοοικονομικό τομέα. Οι χρηματοοικονομικοί οργανισμοί αντιμετωπίζουν μια μεγάλη πρόκληση στην ανάλυση του μεγάλου όγκου δεδομένων που είναι διαθέσιμα, λαμβάνοντας υπόψη το προσωπικό του χαρακτήρα. Μία από τις πιο κρίσιμες δραστηριότητες για αυτόν τον τύπο επιχειρήσεων είναι η ανάλυση και αξιολόγηση του πιστωτικού κινδύνου. Σε αυτήν τη διατριβή, δημιουργήθηκαν τρία μοντέλα επιβλεπόμενης μηχανικής μάθησης που κατηγοριοποιούν τους πελάτες των τραπεζών ως "καλούς" ή "κακούς" με βάση την πιθανότητα να μην εκπληρώσουν τις υποχρεώσεις τους. Οι αλγόριθμοι που χρησιμοποιούνται είναι η λογιστική παλινδρόμηση, η μέθοδος υποστήριξης διανυσμάτων (SVM), ο Extreme Gradient Booster και τα Δέντρα Απόφασης (Random Forest).
Businesses are moving to the new digital reality due to the fast-paced technological development, the intense competition, and the vast amount of data that is now accessible. One of the main goals of organizations is to automate processes and decision-making using data and new techniques like artificial intelligence and machine learning. This curiosity is also quite strong in the financial industry. Financial organizations face a great challenge in analyzing the vast amount of data that is available while taking into account its personal nature. One of the most crucial activities for this form of business is the analysis and assessment of credit risk. In this dissertation, three supervised machine learning models were created that categorize bank clients as "good" or "bad" based on the likelihood that they will fail to meet their obligations. Logistic Regression, SVM, Extreme Gradient Booster, Random Forest (Decision Trees) are the employed algorithms.

Λέξη κλειδί :	Πιστωτικός κίνδυνος Μηχανική μάθηση Πιθανότητα χρεοκοπίας Credit risk Machine learning (ML) Probability of default

Διαθέσιμο από :	2023-07-26 12:54:11

Ημερομηνία έκδοσης :	24-07-2023

Ημερομηνία κατάθεσης :	2023-07-26 12:54:11

Δικαιώματα χρήσης :	Free access

Άδεια χρήσης :

Αρχείο: Kalatzi_2023.pdf

Τύπος: application/pdf

Αρχείο: Kalatzi_2023.zip

Τύπος: application/pdf

Είσοδος