{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:2926399"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:2926399","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Πρόβλεψη του δείκτη μη εξυπηρετούμενων δανείων με την χρήση τεχνητών νευρωνικών δικτύων","abstract":"Η συγκεκριμένη Διπλωματική εργασία έχει ως θέμα τα μη εξυπηρετούμενα δάνεια στο ελληνικό τραπεζικό σύστημα, από το 2004 εως και σήμερα. Στο θεωρητικό μέρος της παρουσιάζεται το απαραίτητο θεωρητικό υπόβαθρο γνώσεων και πληροφοριών που σχετίζεται με αυτά, ενώ στο πρακτικό μέρος γίνεται μια προσπάθεια πρόβλεψης του ποσοστού τους, χρησιμοποιώντας αυτοπαλίνδρομα Νευρωνικά Δίκτυα. Το πρώτο μέρος, το θεωρητικό, περιλαμβάνει τα κεφάλαια ένα έως και πέντε. Στο 1ο και 2ο κεφάλαιο παρουσιάζονται και μελετώνται οι κίνδυνοι για τις τράπεζες κι οι αιτίες της τραπεζικής κρίσης. Τα Κεφάλαια 3 και 4 αφορούν τη θεωρία των μη εξυπηρετούμενων δανείων. Πιο συγκεκριμένα δίνεται ο ορισμός τους μέσω των κριτηρίων της «αβέβαιης είσπραξης» και της «καθυστέρησης της πληρωμής», αναλύεται ο αντίκτυπος τους στην οικονομία και τέλος μελετώνται οι παράγοντες που επηρεάζουν καθοριστικά την εξυπηρέτηση των τραπεζικών δανείων. Στο 5ο Κεφάλαιο δίνεται μια σύντομη περιγραφή των Τεχνητών Νευρωνικών Δικτύων, που είναι και το εργαλείο που χρησιμοποιήθηκε στο πρακτικό μέρος της συγκεκριμένης εργασίας, για την πρόβλεψη του ποσοστού των μη εξυπηρετούμενων δανείων. Το δεύτερο μέρος, το πρακτικό, περιλαμβάνει το 6ο Κεφάλαιο. Εκεί αρχικά παρουσιάζονται τα αυτοπαλίνδρομα μοντέλα με και χωρίς εξωτερικές εισόδους, που είναι τα βασικά μοντέλα πρόβλεψης χρονοσειρών κι αναφέρονται τα κριτήρια επάρκειάς τους. Στη συνέχεια γίνονται τρεις προσπάθειες πρόβλεψης του ποσοστού των μη εξυπηρετούμενων δανείων. Για την ανάπτυξη των αυτοπαλίνδρομων μοντέλων πρόβλεψης χρησιμοποιούνται Νευρωνικά Δίκτυα. Στην πρώτη προσπάθεια η πρόβλεψη γίνεται χρησιμοποιώντας προγενέστερα ποσοστά μη εξυπηρετούμενων δανείων και μόνον, ενώ στις άλλες δύο προσπάθειες χρησιμοποιούνται (ως εξωτερικές είσοδοι) και προγενέστερα ποσοστά της ανεργίας και του ΑΕΠ. Η υλοποίηση της μεθόδου πρόβλεψης έγινε με το Neural Networks Toolbox του Matlab. Τέλος παρουσιάζονται τα αποτελέσματα των προσπαθειών αυτών, δηλαδή αξιολογείται η επάρκεια των μοντέλων που προέκυψαν κι εξετάζεται η ακρίβεια τους σε περιπτώσεις δεδομένων που δεν χρησιμοποιήθηκαν στην εκπαίδευσή τους.","abstract_html":"Η συγκεκριμένη Διπλωματική εργασία έχει ως θέμα τα μη εξυπηρετούμενα δάνεια στο ελληνικό τραπεζικό σύστημα, από το 2004 εως και σήμερα. Στο θεωρητικό μέρος της παρουσιάζεται το απαραίτητο θεωρητικό υπόβαθρο γνώσεων και πληροφοριών που σχετίζεται με αυτά, ενώ στο πρακτικό μέρος γίνεται μια προσπάθεια πρόβλεψης του ποσοστού τους, χρησιμοποιώντας αυτοπαλίνδρομα Νευρωνικά Δίκτυα. Το πρώτο μέρος, το θεωρητικό, περιλαμβάνει τα κεφάλαια ένα έως και πέντε. Στο 1ο και 2ο κεφάλαιο παρουσιάζονται και μελετώνται οι κίνδυνοι για τις τράπεζες κι οι αιτίες της τραπεζικής κρίσης. Τα Κεφάλαια 3 και 4 αφορούν τη θεωρία των μη εξυπηρετούμενων δανείων. Πιο συγκεκριμένα δίνεται ο ορισμός τους μέσω των κριτηρίων της «αβέβαιης είσπραξης» και της «καθυστέρησης της πληρωμής», αναλύεται ο αντίκτυπος τους στην οικονομία και τέλος μελετώνται οι παράγοντες που επηρεάζουν καθοριστικά την εξυπηρέτηση των τραπεζικών δανείων. Στο 5ο Κεφάλαιο δίνεται μια σύντομη περιγραφή των Τεχνητών Νευρωνικών Δικτύων, που είναι και το εργαλείο που χρησιμοποιήθηκε στο πρακτικό μέρος της συγκεκριμένης εργασίας, για την πρόβλεψη του ποσοστού των μη εξυπηρετούμενων δανείων. Το δεύτερο μέρος, το πρακτικό, περιλαμβάνει το 6ο Κεφάλαιο. Εκεί αρχικά παρουσιάζονται τα αυτοπαλίνδρομα μοντέλα με και χωρίς εξωτερικές εισόδους, που είναι τα βασικά μοντέλα πρόβλεψης χρονοσειρών κι αναφέρονται τα κριτήρια επάρκειάς τους. Στη συνέχεια γίνονται τρεις προσπάθειες πρόβλεψης του ποσοστού των μη εξυπηρετούμενων δανείων. Για την ανάπτυξη των αυτοπαλίνδρομων μοντέλων πρόβλεψης χρησιμοποιούνται Νευρωνικά Δίκτυα. Στην πρώτη προσπάθεια η πρόβλεψη γίνεται χρησιμοποιώντας προγενέστερα ποσοστά μη εξυπηρετούμενων δανείων και μόνον, ενώ στις άλλες δύο προσπάθειες χρησιμοποιούνται (ως εξωτερικές είσοδοι) και προγενέστερα ποσοστά της ανεργίας και του ΑΕΠ. Η υλοποίηση της μεθόδου πρόβλεψης έγινε με το Neural Networks Toolbox του Matlab. Τέλος παρουσιάζονται τα αποτελέσματα των προσπαθειών αυτών, δηλαδή αξιολογείται η επάρκεια των μοντέλων που προέκυψαν κι εξετάζεται η ακρίβεια τους σε περιπτώσεις δεδομένων που δεν χρησιμοποιήθηκαν στην εκπαίδευσή τους.","abstract_has_math":false,"creators":["Μπαρμπαρόσος Σολωμός","Barmparosos Solomos"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2020,"date_issued":"2020","date_published":"2020","updated_at":"2026-11-19T05:40:52Z","subjects":["Θετικές Επιστήμες","Science"],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:2926399"],"render_values":[{"text":"uoadl:2926399","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2926399","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2926399","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A2926399","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Μπαρμπαρόσος Σολωμός","Barmparosos Solomos"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2020"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Θετικές Επιστήμες","Science"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["Ελληνικά","Greek"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:2926399","https://pergamos.lib.uoa.gr/uoa/dl/object/2926399"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η συγκεκριμένη Διπλωματική εργασία έχει ως θέμα τα μη εξυπηρετούμενα δάνεια στο ελληνικό τραπεζικό σύστημα, από το 2004 εως και σήμερα. Στο θεωρητικό μέρος της παρουσιάζεται το απαραίτητο θεωρητικό υπόβαθρο γνώσεων και πληροφοριών που σχετίζεται με αυτά, ενώ στο πρακτικό μέρος γίνεται μια προσπάθεια πρόβλεψης του ποσοστού τους, χρησιμοποιώντας αυτοπαλίνδρομα Νευρωνικά Δίκτυα. Το πρώτο μέρος, το θεωρητικό, περιλαμβάνει τα κεφάλαια ένα έως και πέντε. Στο 1ο και 2ο κεφάλαιο παρουσιάζονται και μελετώνται οι κίνδυνοι για τις τράπεζες κι οι αιτίες της τραπεζικής κρίσης. Τα Κεφάλαια 3 και 4 αφορούν τη θεωρία των μη εξυπηρετούμενων δανείων. Πιο συγκεκριμένα δίνεται ο ορισμός τους μέσω των κριτηρίων της «αβέβαιης είσπραξης» και της «καθυστέρησης της πληρωμής», αναλύεται ο αντίκτυπος τους στην οικονομία και τέλος μελετώνται οι παράγοντες που επηρεάζουν καθοριστικά την εξυπηρέτηση των τραπεζικών δανείων. Στο 5ο Κεφάλαιο δίνεται μια σύντομη περιγραφή των Τεχνητών Νευρωνικών Δικτύων, που είναι και το εργαλείο που χρησιμοποιήθηκε στο πρακτικό μέρος της συγκεκριμένης εργασίας, για την πρόβλεψη του ποσοστού των μη εξυπηρετούμενων δανείων. Το δεύτερο μέρος, το πρακτικό, περιλαμβάνει το 6ο Κεφάλαιο. Εκεί αρχικά παρουσιάζονται τα αυτοπαλίνδρομα μοντέλα με και χωρίς εξωτερικές εισόδους, που είναι τα βασικά μοντέλα πρόβλεψης χρονοσειρών κι αναφέρονται τα κριτήρια επάρκειάς τους. Στη συνέχεια γίνονται τρεις προσπάθειες πρόβλεψης του ποσοστού των μη εξυπηρετούμενων δανείων. Για την ανάπτυξη των αυτοπαλίνδρομων μοντέλων πρόβλεψης χρησιμοποιούνται Νευρωνικά Δίκτυα. Στην πρώτη προσπάθεια η πρόβλεψη γίνεται χρησιμοποιώντας προγενέστερα ποσοστά μη εξυπηρετούμενων δανείων και μόνον, ενώ στις άλλες δύο προσπάθειες χρησιμοποιούνται (ως εξωτερικές είσοδοι) και προγενέστερα ποσοστά της ανεργίας και του ΑΕΠ. Η υλοποίηση της μεθόδου πρόβλεψης έγινε με το Neural Networks Toolbox του Matlab. Τέλος παρουσιάζονται τα αποτελέσματα των προσπαθειών αυτών, δηλαδή αξιολογείται η επάρκεια των μοντέλων που προέκυψαν κι εξετάζεται η ακρίβεια τους σε περιπτώσεις δεδομένων που δεν χρησιμοποιήθηκαν στην εκπαίδευσή τους.","This master’s thesis deals with the non-performing loans in the Greek banking system, from 2004 until today. It consists of theoretical and practical part. The practical part addresses the challenging issue of non-performing loan prediction. The first five chapters constitute the theoretical part. Here, it is presented the evolution of the non-performing loans in Greece over the last fifteen years and they are studied their consequences for society, as well as the factors that can decisively affect the service of bank loans. Moreover, it is given a brief introduction of feedforward artificial neural networks, which this thesis uses as prediction tools. In chapter 6, an attempt to predict the non-performing loans rate is presented. For this purpose, three nonlinear autoregressive prediction models based on neural networks are developed. The first one is an autoregressive neural network without external inputs. This model uses some past values of non-performing loan rate to make the prediction of its current value. The other two autoregressive models use also an external input, as additional information to improve the prediction. More specifically, past values of employment rate and Gross Domestic Product (GDP) are used as external inputs. The proposed predicting models are developed, trained and evaluated using Matlab. All data used in this thesis, namely time series of non-performing loan, unemployment and Gross Domestic Product, are collected from the Hellenic Statistical Authority and the Bank of Greece."]},{"key":"dc:title","label":"Title","values":["Πρόβλεψη του δείκτη μη εξυπηρετούμενων δανείων με την χρήση τεχνητών νευρωνικών δικτύων"]}]}],"canonical_facts":{"dc:creator":["Μπαρμπαρόσος Σολωμός","Barmparosos Solomos"],"dc:date":["2020"],"dc:description":["Η συγκεκριμένη Διπλωματική εργασία έχει ως θέμα τα μη εξυπηρετούμενα δάνεια στο ελληνικό τραπεζικό σύστημα, από το 2004 εως και σήμερα. Στο θεωρητικό μέρος της παρουσιάζεται το απαραίτητο θεωρητικό υπόβαθρο γνώσεων και πληροφοριών που σχετίζεται με αυτά, ενώ στο πρακτικό μέρος γίνεται μια προσπάθεια πρόβλεψης του ποσοστού τους, χρησιμοποιώντας αυτοπαλίνδρομα Νευρωνικά Δίκτυα. Το πρώτο μέρος, το θεωρητικό, περιλαμβάνει τα κεφάλαια ένα έως και πέντε. Στο 1ο και 2ο κεφάλαιο παρουσιάζονται και μελετώνται οι κίνδυνοι για τις τράπεζες κι οι αιτίες της τραπεζικής κρίσης. Τα Κεφάλαια 3 και 4 αφορούν τη θεωρία των μη εξυπηρετούμενων δανείων. Πιο συγκεκριμένα δίνεται ο ορισμός τους μέσω των κριτηρίων της «αβέβαιης είσπραξης» και της «καθυστέρησης της πληρωμής», αναλύεται ο αντίκτυπος τους στην οικονομία και τέλος μελετώνται οι παράγοντες που επηρεάζουν καθοριστικά την εξυπηρέτηση των τραπεζικών δανείων. Στο 5ο Κεφάλαιο δίνεται μια σύντομη περιγραφή των Τεχνητών Νευρωνικών Δικτύων, που είναι και το εργαλείο που χρησιμοποιήθηκε στο πρακτικό μέρος της συγκεκριμένης εργασίας, για την πρόβλεψη του ποσοστού των μη εξυπηρετούμενων δανείων. Το δεύτερο μέρος, το πρακτικό, περιλαμβάνει το 6ο Κεφάλαιο. Εκεί αρχικά παρουσιάζονται τα αυτοπαλίνδρομα μοντέλα με και χωρίς εξωτερικές εισόδους, που είναι τα βασικά μοντέλα πρόβλεψης χρονοσειρών κι αναφέρονται τα κριτήρια επάρκειάς τους. Στη συνέχεια γίνονται τρεις προσπάθειες πρόβλεψης του ποσοστού των μη εξυπηρετούμενων δανείων. Για την ανάπτυξη των αυτοπαλίνδρομων μοντέλων πρόβλεψης χρησιμοποιούνται Νευρωνικά Δίκτυα. Στην πρώτη προσπάθεια η πρόβλεψη γίνεται χρησιμοποιώντας προγενέστερα ποσοστά μη εξυπηρετούμενων δανείων και μόνον, ενώ στις άλλες δύο προσπάθειες χρησιμοποιούνται (ως εξωτερικές είσοδοι) και προγενέστερα ποσοστά της ανεργίας και του ΑΕΠ. Η υλοποίηση της μεθόδου πρόβλεψης έγινε με το Neural Networks Toolbox του Matlab. Τέλος παρουσιάζονται τα αποτελέσματα των προσπαθειών αυτών, δηλαδή αξιολογείται η επάρκεια των μοντέλων που προέκυψαν κι εξετάζεται η ακρίβεια τους σε περιπτώσεις δεδομένων που δεν χρησιμοποιήθηκαν στην εκπαίδευσή τους.","This master’s thesis deals with the non-performing loans in the Greek banking system, from 2004 until today. It consists of theoretical and practical part. The practical part addresses the challenging issue of non-performing loan prediction. The first five chapters constitute the theoretical part. Here, it is presented the evolution of the non-performing loans in Greece over the last fifteen years and they are studied their consequences for society, as well as the factors that can decisively affect the service of bank loans. Moreover, it is given a brief introduction of feedforward artificial neural networks, which this thesis uses as prediction tools. In chapter 6, an attempt to predict the non-performing loans rate is presented. For this purpose, three nonlinear autoregressive prediction models based on neural networks are developed. The first one is an autoregressive neural network without external inputs. This model uses some past values of non-performing loan rate to make the prediction of its current value. The other two autoregressive models use also an external input, as additional information to improve the prediction. More specifically, past values of employment rate and Gross Domestic Product (GDP) are used as external inputs. The proposed predicting models are developed, trained and evaluated using Matlab. All data used in this thesis, namely time series of non-performing loan, unemployment and Gross Domestic Product, are collected from the Hellenic Statistical Authority and the Bank of Greece."],"dc:identifier":["uoadl:2926399","https://pergamos.lib.uoa.gr/uoa/dl/object/2926399"],"dc:language":["Ελληνικά","Greek"],"dc:subject":["Θετικές Επιστήμες","Science"],"dc:title":["Πρόβλεψη του δείκτη μη εξυπηρετούμενων δανείων με την χρήση τεχνητών νευρωνικών δικτύων"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:40:52Z"}