{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:5315408"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:5315408","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 αθέτησης δανείων με τη χρήση μοντέλων logit/probit","abstract":"H παρούσα μελέτη διερευνά την προγνωστική αποτελεσματικότητα των μοντέλων Logit και Probit στην πρόβλεψη εταιρικής πτώχευσης χρησιμοποιώντας χρηματοοικονομικούς δείκτες από ένα ισορροπημένο σύνολο δεδομένων 10 πτωχευμένων και 80 υγιών ελληνικών επιχειρήσεων για μια πενταετή περίοδο. Χρησιμοποιώντας μια ποσοτική μεθοδολογία, η έρευνα συγκρίνει τη στατιστική σημαντικότητα, την ακρίβεια ταξινόμησης και τους πίνακες σύγχυσης και των δύο μοντέλων. Βασικές μεταβλητές, συμπεριλαμβανομένης της Απόδοσης Ενεργητικού και του Δείκτη Κυκλοφοριακής Ρευστότητας, αναδείχθηκαν ως κρίσιμοι προγνωστικοί παράγοντες αθέτησης. Η ανάλυση δείχνει ότι και τα δύο μοντέλα αποδίδουν καλά, με το Logit να προσφέρει ελαφρώς καλύτερη ερμηνευσιμότητα και ευαισθησία. Επιπλέον, επιβεβαίωσε τη συντηρητική κλίση των μοντέλων προς χαμηλά ποσοστά ψευδώς αρνητικά ταξινομήσεων χρησιμοποιώντας Z-scores και πίνακες πρόβλεψης. Λόγω του ανοιχτού τους χαρακτήρα, του φθηνού κόστους υπολογισμού και της κανονιστικής συμμόρφωσής τους, τα κλασικά στατιστικά μοντέλα παραμένουν σημαντικά ακόμη και αν οι μέθοδοι μηχανικής μάθησης γίνονται όλο και πιο δημοφιλείς. Τα αποτελέσματα έχουν σημαντικές επιπτώσεις για τις τράπεζες, τους ελεγκτές και τους νομοθέτες που ασχολούνται με την αξιολόγηση πιστοληπτικής ικανότητας, καθώς και προσθέτουν στη βιβλιογραφία διαχείρισης κινδύνου. Συζητούνται περιορισμοί και μελλοντικές ερευνητικές κατευθύνσεις, συμπεριλαμβανομένων των βελτιώσεων του μοντέλου μέσω κριτηρίων ESG και υβριδικών προσεγγίσεων.","abstract_html":"H παρούσα μελέτη διερευνά την προγνωστική αποτελεσματικότητα των μοντέλων Logit και Probit στην πρόβλεψη εταιρικής πτώχευσης χρησιμοποιώντας χρηματοοικονομικούς δείκτες από ένα ισορροπημένο σύνολο δεδομένων 10 πτωχευμένων και 80 υγιών ελληνικών επιχειρήσεων για μια πενταετή περίοδο. Χρησιμοποιώντας μια ποσοτική μεθοδολογία, η έρευνα συγκρίνει τη στατιστική σημαντικότητα, την ακρίβεια ταξινόμησης και τους πίνακες σύγχυσης και των δύο μοντέλων. Βασικές μεταβλητές, συμπεριλαμβανομένης της Απόδοσης Ενεργητικού και του Δείκτη Κυκλοφοριακής Ρευστότητας, αναδείχθηκαν ως κρίσιμοι προγνωστικοί παράγοντες αθέτησης. Η ανάλυση δείχνει ότι και τα δύο μοντέλα αποδίδουν καλά, με το Logit να προσφέρει ελαφρώς καλύτερη ερμηνευσιμότητα και ευαισθησία. Επιπλέον, επιβεβαίωσε τη συντηρητική κλίση των μοντέλων προς χαμηλά ποσοστά ψευδώς αρνητικά ταξινομήσεων χρησιμοποιώντας Z-scores και πίνακες πρόβλεψης. Λόγω του ανοιχτού τους χαρακτήρα, του φθηνού κόστους υπολογισμού και της κανονιστικής συμμόρφωσής τους, τα κλασικά στατιστικά μοντέλα παραμένουν σημαντικά ακόμη και αν οι μέθοδοι μηχανικής μάθησης γίνονται όλο και πιο δημοφιλείς. Τα αποτελέσματα έχουν σημαντικές επιπτώσεις για τις τράπεζες, τους ελεγκτές και τους νομοθέτες που ασχολούνται με την αξιολόγηση πιστοληπτικής ικανότητας, καθώς και προσθέτουν στη βιβλιογραφία διαχείρισης κινδύνου. Συζητούνται περιορισμοί και μελλοντικές ερευνητικές κατευθύνσεις, συμπεριλαμβανομένων των βελτιώσεων του μοντέλου μέσω κριτηρίων ESG και υβριδικών προσεγγίσεων.","abstract_has_math":false,"creators":["ΣΤΑΥΡΙΝΟΥ ΑΣΠΑΣΙΑ","STAVRINOU ASPASIA"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2025,"date_issued":"2025","date_published":"2025","updated_at":"2026-11-19T06:41:15Z","subjects":["Θετικές Επιστήμες","Science"],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5315408"],"render_values":[{"text":"uoadl:5315408","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5315408","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5315408","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%3A5315408","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["ΣΤΑΥΡΙΝΟΥ ΑΣΠΑΣΙΑ","STAVRINOU ASPASIA"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2025"]},{"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:5315408","https://pergamos.lib.uoa.gr/uoa/dl/object/5315408"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["H παρούσα μελέτη διερευνά την προγνωστική αποτελεσματικότητα των μοντέλων Logit και Probit στην πρόβλεψη εταιρικής πτώχευσης χρησιμοποιώντας χρηματοοικονομικούς δείκτες από ένα ισορροπημένο σύνολο δεδομένων 10 πτωχευμένων και 80 υγιών ελληνικών επιχειρήσεων για μια πενταετή περίοδο. Χρησιμοποιώντας μια ποσοτική μεθοδολογία, η έρευνα συγκρίνει τη στατιστική σημαντικότητα, την ακρίβεια ταξινόμησης και τους πίνακες σύγχυσης και των δύο μοντέλων. Βασικές μεταβλητές, συμπεριλαμβανομένης της Απόδοσης Ενεργητικού και του Δείκτη Κυκλοφοριακής Ρευστότητας, αναδείχθηκαν ως κρίσιμοι προγνωστικοί παράγοντες αθέτησης. Η ανάλυση δείχνει ότι και τα δύο μοντέλα αποδίδουν καλά, με το Logit να προσφέρει ελαφρώς καλύτερη ερμηνευσιμότητα και ευαισθησία. Επιπλέον, επιβεβαίωσε τη συντηρητική κλίση των μοντέλων προς χαμηλά ποσοστά ψευδώς αρνητικά ταξινομήσεων χρησιμοποιώντας Z-scores και πίνακες πρόβλεψης. Λόγω του ανοιχτού τους χαρακτήρα, του φθηνού κόστους υπολογισμού και της κανονιστικής συμμόρφωσής τους, τα κλασικά στατιστικά μοντέλα παραμένουν σημαντικά ακόμη και αν οι μέθοδοι μηχανικής μάθησης γίνονται όλο και πιο δημοφιλείς. Τα αποτελέσματα έχουν σημαντικές επιπτώσεις για τις τράπεζες, τους ελεγκτές και τους νομοθέτες που ασχολούνται με την αξιολόγηση πιστοληπτικής ικανότητας, καθώς και προσθέτουν στη βιβλιογραφία διαχείρισης κινδύνου. Συζητούνται περιορισμοί και μελλοντικές ερευνητικές κατευθύνσεις, συμπεριλαμβανομένων των βελτιώσεων του μοντέλου μέσω κριτηρίων ESG και υβριδικών προσεγγίσεων.","The present study investigates the predictive effectiveness of Logit and Probit models in forecasting corporate bankruptcy by using financial ratios from a balanced dataset of 10 bankrupt and 80 healthy Greek firms over a five-year period. Employing a quantitative methodology, the research compares the statistical significance, classification accuracy, and confusion matrices of both models. Key variables, including Return on Assets and the Current Ratio, emerged as critical predictors of default. The analysis shows that both models perform well, with Logit offering slightly better interpretability and sensitivity. Additionally, the study confirmed the models’ conservative tendency toward low false-negative rates by employing Z-scores and prediction tables. Due to their transparent nature, low computational cost, and regulatory compliance, classical statistical models remain important even as machine-learning methods become increasingly popular. The findings have significant implications for banks, auditors, and policymakers involved in credit-risk assessment, while also contributing to the risk-management literature. Limitations and future research directions are discussed, including model enhancements through ESG criteria and hybrid approaches."]},{"key":"dc:title","label":"Title","values":["Πρόβλεψη αθέτησης δανείων με τη χρήση μοντέλων logit/probit"]}]}],"canonical_facts":{"dc:creator":["ΣΤΑΥΡΙΝΟΥ ΑΣΠΑΣΙΑ","STAVRINOU ASPASIA"],"dc:date":["2025"],"dc:description":["H παρούσα μελέτη διερευνά την προγνωστική αποτελεσματικότητα των μοντέλων Logit και Probit στην πρόβλεψη εταιρικής πτώχευσης χρησιμοποιώντας χρηματοοικονομικούς δείκτες από ένα ισορροπημένο σύνολο δεδομένων 10 πτωχευμένων και 80 υγιών ελληνικών επιχειρήσεων για μια πενταετή περίοδο. Χρησιμοποιώντας μια ποσοτική μεθοδολογία, η έρευνα συγκρίνει τη στατιστική σημαντικότητα, την ακρίβεια ταξινόμησης και τους πίνακες σύγχυσης και των δύο μοντέλων. Βασικές μεταβλητές, συμπεριλαμβανομένης της Απόδοσης Ενεργητικού και του Δείκτη Κυκλοφοριακής Ρευστότητας, αναδείχθηκαν ως κρίσιμοι προγνωστικοί παράγοντες αθέτησης. Η ανάλυση δείχνει ότι και τα δύο μοντέλα αποδίδουν καλά, με το Logit να προσφέρει ελαφρώς καλύτερη ερμηνευσιμότητα και ευαισθησία. Επιπλέον, επιβεβαίωσε τη συντηρητική κλίση των μοντέλων προς χαμηλά ποσοστά ψευδώς αρνητικά ταξινομήσεων χρησιμοποιώντας Z-scores και πίνακες πρόβλεψης. Λόγω του ανοιχτού τους χαρακτήρα, του φθηνού κόστους υπολογισμού και της κανονιστικής συμμόρφωσής τους, τα κλασικά στατιστικά μοντέλα παραμένουν σημαντικά ακόμη και αν οι μέθοδοι μηχανικής μάθησης γίνονται όλο και πιο δημοφιλείς. Τα αποτελέσματα έχουν σημαντικές επιπτώσεις για τις τράπεζες, τους ελεγκτές και τους νομοθέτες που ασχολούνται με την αξιολόγηση πιστοληπτικής ικανότητας, καθώς και προσθέτουν στη βιβλιογραφία διαχείρισης κινδύνου. Συζητούνται περιορισμοί και μελλοντικές ερευνητικές κατευθύνσεις, συμπεριλαμβανομένων των βελτιώσεων του μοντέλου μέσω κριτηρίων ESG και υβριδικών προσεγγίσεων.","The present study investigates the predictive effectiveness of Logit and Probit models in forecasting corporate bankruptcy by using financial ratios from a balanced dataset of 10 bankrupt and 80 healthy Greek firms over a five-year period. Employing a quantitative methodology, the research compares the statistical significance, classification accuracy, and confusion matrices of both models. Key variables, including Return on Assets and the Current Ratio, emerged as critical predictors of default. The analysis shows that both models perform well, with Logit offering slightly better interpretability and sensitivity. Additionally, the study confirmed the models’ conservative tendency toward low false-negative rates by employing Z-scores and prediction tables. Due to their transparent nature, low computational cost, and regulatory compliance, classical statistical models remain important even as machine-learning methods become increasingly popular. The findings have significant implications for banks, auditors, and policymakers involved in credit-risk assessment, while also contributing to the risk-management literature. Limitations and future research directions are discussed, including model enhancements through ESG criteria and hybrid approaches."],"dc:identifier":["uoadl:5315408","https://pergamos.lib.uoa.gr/uoa/dl/object/5315408"],"dc:language":["Ελληνικά","Greek"],"dc:subject":["Θετικές Επιστήμες","Science"],"dc:title":["Πρόβλεψη αθέτησης δανείων με τη χρήση μοντέλων logit/probit"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:41:15Z"}