{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:2929044"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:2929044","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Σύγκριση παραδοσιακών υποδειγμάτων υπολογισμού πιστωτικού κινδύνου με τεχνικές μηχανικής μάθησης","abstract":"Ο πιστωτικός κίνδυνος είναι ο κύριος κίνδυνος στον τραπεζικό τομέα που επηρεάζει την κεφαλαιακή επάρκεια και, ως εκ τούτου, ένα από τα βασικά ζητήματα για τη διατήρηση της χρηματοπιστωτικής σταθερότητας και τη βελτίωση της λειτουργίας του. Υπάρχουν διάφορες μέθοδοι και ποικίλα μοντέλα που χρησιμοποιούνται για την πρόβλεψη του πιστωτικού κινδύνου στον τραπεζικό κλάδο, όπως παραδοσιακά στατιστικά μοντέλα, καθώς και τεχνικές μηχανικής μάθησης, οι οποίες τα τελευταία χρόνια, λόγω της άμεσης σχέσης τους με τη στατιστική επιστήμη και των εντυπωσιακών αποτελεσμάτων τους στην προβλεπτική τους ικανότητα, ερευνώνται με μεγάλη συχνότητα για την εφαρμογή τους στον υπολογισμό του. Η έρευνα που εκπονείται έχει στόχο τη σύγκριση παραδοσιακών μοντέλων πρόβλεψης του πιστωτικού κίνδυνου στον τραπεζικό κλάδο, με τεχνικές μηχανικής μάθησης ή/και νευρωνικών δικτύων. Αρχικά, ερευνώνται υπάρχοντα μοντέλα εκτίμησης πιστωτικού κινδύνου (π.χ. λογιστική παλινδρόμηση) σε πραγματικά δεδομένα. Στη συνέχεια, γίνεται το ίδιο με τεχνικές μηχανικής μάθησης ή/και νευρωνικών δικτύων και συγκρίνονται τα αποτελέσματα. Τα μοντέλα εκπαιδεύονται με δεδομένα που λαμβάνονται από συστημική τράπεζα. Ερευνάται, επίσης, η θέση που μπορεί να έχουν τέτοια μοντέλα στον τραπεζικό κλάδο και η αποδοχή τους από τις εποπτικές αρχές. Τα πιθανά οφέλη της εφαρμογής τέτοιων μοντέλων είναι ο κύριος λόγος του ενδιαφέροντος της συγκεκριμένης έρευνας. Διαπιστώνεται ότι η λογιστική παλινδρόμηση ως στατιστικό μοντέλο μπορεί να αποτελέσει ένα καλό μοντέλο οικονομετρίας που είναι σε θέση να υπολογίσει την πιθανότητα αθέτησης. Επίσης, τα νευρωνικά δίκτυα είναι μια μέθοδος πολύ υψηλής απόδοσης που μπορεί να χρησιμοποιηθεί στη διαχείριση ανάλογων προβλημάτων.","abstract_html":"Ο πιστωτικός κίνδυνος είναι ο κύριος κίνδυνος στον τραπεζικό τομέα που επηρεάζει την κεφαλαιακή επάρκεια και, ως εκ τούτου, ένα από τα βασικά ζητήματα για τη διατήρηση της χρηματοπιστωτικής σταθερότητας και τη βελτίωση της λειτουργίας του. Υπάρχουν διάφορες μέθοδοι και ποικίλα μοντέλα που χρησιμοποιούνται για την πρόβλεψη του πιστωτικού κινδύνου στον τραπεζικό κλάδο, όπως παραδοσιακά στατιστικά μοντέλα, καθώς και τεχνικές μηχανικής μάθησης, οι οποίες τα τελευταία χρόνια, λόγω της άμεσης σχέσης τους με τη στατιστική επιστήμη και των εντυπωσιακών αποτελεσμάτων τους στην προβλεπτική τους ικανότητα, ερευνώνται με μεγάλη συχνότητα για την εφαρμογή τους στον υπολογισμό του. Η έρευνα που εκπονείται έχει στόχο τη σύγκριση παραδοσιακών μοντέλων πρόβλεψης του πιστωτικού κίνδυνου στον τραπεζικό κλάδο, με τεχνικές μηχανικής μάθησης ή/και νευρωνικών δικτύων. Αρχικά, ερευνώνται υπάρχοντα μοντέλα εκτίμησης πιστωτικού κινδύνου (π.χ. λογιστική παλινδρόμηση) σε πραγματικά δεδομένα. Στη συνέχεια, γίνεται το ίδιο με τεχνικές μηχανικής μάθησης ή/και νευρωνικών δικτύων και συγκρίνονται τα αποτελέσματα. Τα μοντέλα εκπαιδεύονται με δεδομένα που λαμβάνονται από συστημική τράπεζα. Ερευνάται, επίσης, η θέση που μπορεί να έχουν τέτοια μοντέλα στον τραπεζικό κλάδο και η αποδοχή τους από τις εποπτικές αρχές. Τα πιθανά οφέλη της εφαρμογής τέτοιων μοντέλων είναι ο κύριος λόγος του ενδιαφέροντος της συγκεκριμένης έρευνας. Διαπιστώνεται ότι η λογιστική παλινδρόμηση ως στατιστικό μοντέλο μπορεί να αποτελέσει ένα καλό μοντέλο οικονομετρίας που είναι σε θέση να υπολογίσει την πιθανότητα αθέτησης. Επίσης, τα νευρωνικά δίκτυα είναι μια μέθοδος πολύ υψηλής απόδοσης που μπορεί να χρησιμοποιηθεί στη διαχείριση ανάλογων προβλημάτων.","abstract_has_math":false,"creators":["Σαρδέλλας Αντώνιος","Sardellas Antonios"],"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":"2026-11-19T05:41:29Z","subjects":["Κοινωνικές, Πολιτικές και Οικονομικές επιστήμες","Social, Political and Economic sciences"],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:2929044"],"render_values":[{"text":"uoadl:2929044","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2929044","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2929044","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%3A2929044","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Σαρδέλλας Αντώνιος","Sardellas Antonios"]}]},{"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":["Κοινωνικές, Πολιτικές και Οικονομικές επιστήμες","Social, Political and Economic sciences"]}]},{"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:2929044","https://pergamos.lib.uoa.gr/uoa/dl/object/2929044"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Ο πιστωτικός κίνδυνος είναι ο κύριος κίνδυνος στον τραπεζικό τομέα που επηρεάζει την κεφαλαιακή επάρκεια και, ως εκ τούτου, ένα από τα βασικά ζητήματα για τη διατήρηση της χρηματοπιστωτικής σταθερότητας και τη βελτίωση της λειτουργίας του. Υπάρχουν διάφορες μέθοδοι και ποικίλα μοντέλα που χρησιμοποιούνται για την πρόβλεψη του πιστωτικού κινδύνου στον τραπεζικό κλάδο, όπως παραδοσιακά στατιστικά μοντέλα, καθώς και τεχνικές μηχανικής μάθησης, οι οποίες τα τελευταία χρόνια, λόγω της άμεσης σχέσης τους με τη στατιστική επιστήμη και των εντυπωσιακών αποτελεσμάτων τους στην προβλεπτική τους ικανότητα, ερευνώνται με μεγάλη συχνότητα για την εφαρμογή τους στον υπολογισμό του. Η έρευνα που εκπονείται έχει στόχο τη σύγκριση παραδοσιακών μοντέλων πρόβλεψης του πιστωτικού κίνδυνου στον τραπεζικό κλάδο, με τεχνικές μηχανικής μάθησης ή/και νευρωνικών δικτύων. Αρχικά, ερευνώνται υπάρχοντα μοντέλα εκτίμησης πιστωτικού κινδύνου (π.χ. λογιστική παλινδρόμηση) σε πραγματικά δεδομένα. Στη συνέχεια, γίνεται το ίδιο με τεχνικές μηχανικής μάθησης ή/και νευρωνικών δικτύων και συγκρίνονται τα αποτελέσματα. Τα μοντέλα εκπαιδεύονται με δεδομένα που λαμβάνονται από συστημική τράπεζα. Ερευνάται, επίσης, η θέση που μπορεί να έχουν τέτοια μοντέλα στον τραπεζικό κλάδο και η αποδοχή τους από τις εποπτικές αρχές. Τα πιθανά οφέλη της εφαρμογής τέτοιων μοντέλων είναι ο κύριος λόγος του ενδιαφέροντος της συγκεκριμένης έρευνας. Διαπιστώνεται ότι η λογιστική παλινδρόμηση ως στατιστικό μοντέλο μπορεί να αποτελέσει ένα καλό μοντέλο οικονομετρίας που είναι σε θέση να υπολογίσει την πιθανότητα αθέτησης. Επίσης, τα νευρωνικά δίκτυα είναι μια μέθοδος πολύ υψηλής απόδοσης που μπορεί να χρησιμοποιηθεί στη διαχείριση ανάλογων προβλημάτων.","Credit risk is the main risk in the banking sector that affect the capital requirements and because of that it is one of the basic issues for maintaining financial stability and improvement of the banks functions. There are several methods and various models that are used to predict credit risk in the banking sector, such as traditional statistical models, as well as machine learning methods, which in recent years, because of immediate relationship with statistics and because of their impressive results and accuracy, are being researched with increasing frequency to be applied for predicting credit risk. This research is targeting to compare traditional credit risk models to machine learning methods like neural networks. Existing credit risk models are initially developed (eg logistic regression) on real data. Next the same is performed with machine learning methods (eg neural network). These models are then compared. The position these models could have and their acceptance from a regulator perspective is also researched. The potential benefits of their application is the main point of interest. It is ascertained that logistic regressions can be a good econometric model, which can predict accurately the probability of default. On the other hand, neural networks is a highly accurate method with can be used in analogous problems."]},{"key":"dc:title","label":"Title","values":["Σύγκριση παραδοσιακών υποδειγμάτων υπολογισμού πιστωτικού κινδύνου με τεχνικές μηχανικής μάθησης"]}]}],"canonical_facts":{"dc:creator":["Σαρδέλλας Αντώνιος","Sardellas Antonios"],"dc:date":["2020"],"dc:description":["Ο πιστωτικός κίνδυνος είναι ο κύριος κίνδυνος στον τραπεζικό τομέα που επηρεάζει την κεφαλαιακή επάρκεια και, ως εκ τούτου, ένα από τα βασικά ζητήματα για τη διατήρηση της χρηματοπιστωτικής σταθερότητας και τη βελτίωση της λειτουργίας του. Υπάρχουν διάφορες μέθοδοι και ποικίλα μοντέλα που χρησιμοποιούνται για την πρόβλεψη του πιστωτικού κινδύνου στον τραπεζικό κλάδο, όπως παραδοσιακά στατιστικά μοντέλα, καθώς και τεχνικές μηχανικής μάθησης, οι οποίες τα τελευταία χρόνια, λόγω της άμεσης σχέσης τους με τη στατιστική επιστήμη και των εντυπωσιακών αποτελεσμάτων τους στην προβλεπτική τους ικανότητα, ερευνώνται με μεγάλη συχνότητα για την εφαρμογή τους στον υπολογισμό του. Η έρευνα που εκπονείται έχει στόχο τη σύγκριση παραδοσιακών μοντέλων πρόβλεψης του πιστωτικού κίνδυνου στον τραπεζικό κλάδο, με τεχνικές μηχανικής μάθησης ή/και νευρωνικών δικτύων. Αρχικά, ερευνώνται υπάρχοντα μοντέλα εκτίμησης πιστωτικού κινδύνου (π.χ. λογιστική παλινδρόμηση) σε πραγματικά δεδομένα. Στη συνέχεια, γίνεται το ίδιο με τεχνικές μηχανικής μάθησης ή/και νευρωνικών δικτύων και συγκρίνονται τα αποτελέσματα. Τα μοντέλα εκπαιδεύονται με δεδομένα που λαμβάνονται από συστημική τράπεζα. Ερευνάται, επίσης, η θέση που μπορεί να έχουν τέτοια μοντέλα στον τραπεζικό κλάδο και η αποδοχή τους από τις εποπτικές αρχές. Τα πιθανά οφέλη της εφαρμογής τέτοιων μοντέλων είναι ο κύριος λόγος του ενδιαφέροντος της συγκεκριμένης έρευνας. Διαπιστώνεται ότι η λογιστική παλινδρόμηση ως στατιστικό μοντέλο μπορεί να αποτελέσει ένα καλό μοντέλο οικονομετρίας που είναι σε θέση να υπολογίσει την πιθανότητα αθέτησης. Επίσης, τα νευρωνικά δίκτυα είναι μια μέθοδος πολύ υψηλής απόδοσης που μπορεί να χρησιμοποιηθεί στη διαχείριση ανάλογων προβλημάτων.","Credit risk is the main risk in the banking sector that affect the capital requirements and because of that it is one of the basic issues for maintaining financial stability and improvement of the banks functions. There are several methods and various models that are used to predict credit risk in the banking sector, such as traditional statistical models, as well as machine learning methods, which in recent years, because of immediate relationship with statistics and because of their impressive results and accuracy, are being researched with increasing frequency to be applied for predicting credit risk. This research is targeting to compare traditional credit risk models to machine learning methods like neural networks. Existing credit risk models are initially developed (eg logistic regression) on real data. Next the same is performed with machine learning methods (eg neural network). These models are then compared. The position these models could have and their acceptance from a regulator perspective is also researched. The potential benefits of their application is the main point of interest. It is ascertained that logistic regressions can be a good econometric model, which can predict accurately the probability of default. On the other hand, neural networks is a highly accurate method with can be used in analogous problems."],"dc:identifier":["uoadl:2929044","https://pergamos.lib.uoa.gr/uoa/dl/object/2929044"],"dc:language":["Ελληνικά","Greek"],"dc:subject":["Κοινωνικές, Πολιτικές και Οικονομικές επιστήμες","Social, Political and Economic sciences"],"dc:title":["Σύγκριση παραδοσιακών υποδειγμάτων υπολογισμού πιστωτικού κινδύνου με τεχνικές μηχανικής μάθησης"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:41:29Z"}