Μοντέλα της λογιστικής παλινδρόμησης και επιβίωσης στον πιστωτικό κίνδυνο

Καρέζος, Ευγένιος; Karezos, Evgenios

dc.contributor.author	Καρέζος, Ευγένιος	el
dc.contributor.author	Karezos, Evgenios	en
dc.date.accessioned	2017-09-25T10:30:43Z
dc.date.available	2017-09-25T10:30:43Z
dc.date.issued	2017-09-25
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/45686
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.14316
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Λογιστική παλινδρόμηση	el
dc.subject	Πιστωτικός κίνδυνος	el
dc.subject	Μοντέλο του Cox	el
dc.subject	Logistic regression	en
dc.subject	Survival analysis	en
dc.subject	Ανάλυση επιβίωσης	el
dc.subject	Credit scoring	en
dc.subject	Cox's model	el
dc.title	Μοντέλα της λογιστικής παλινδρόμησης και επιβίωσης στον πιστωτικό κίνδυνο	el
dc.title	Logistic regression and survival models in credit scoring	en
heal.type	bachelorThesis
heal.classification	Στατιστική	el
heal.classification	Statistics	en
heal.classificationURI	http://data.seab.gr/concepts/21f5bcc665080b1745e60f222330e7556266bb8d
heal.classificationURI	http://data.seab.gr/concepts/21f5bcc665080b1745e60f222330e7556266bb8d
heal.language	el
heal.language	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2017-07-17
heal.abstract	Ο πιστωτικός κίνδυνος αποτελείται από τα μοντέλα και τις τεχνικές που χρησιμοποιούν οι δανειστές για να αποφασίσουν σχετικά με την χορήγηση κυρίως καταναλωτικών δανείων. Οι τεχνικές του πιστωτικού κινδύνου εκτιμούν τον κίνδυνο που εμπεριέχεται στη δανειοδότηση ενός καταναλωτή και όχι την πιστοληπτική του ικανότητα. Οι δανειστές αποφασίζουν εάν θα εγκρίνουν τη δανειοδότηση των νέων υποψηφίων σύμφωνα με τα στοιχεία των αιτήσεών τους. Για την λήψη αυτών των αποφάσεων χρησιμοποιούνται πολλές τεχνικές που βασίζονται κυρίως σε στατιστικά μοντέλα, τα οποία είναι κατάλληλα για την πραγματοποίηση προβλέψεων με μεγάλη ακρίβεια. Ο σκοπός είναι να προβλεφθεί η τιμή μίας δίτιμης μεταβλητής που εκφράζει το εάν ένας πελάτης θα αθετήσει ή όχι το δάνειό του. Δύο πολύ χρήσιμα μοντέλα για τον σκοπό αυτόν είναι το γενικευμένο γραμμικό μοντέλο της λογιστικής παλινδρόμησης και το ημιπαραμετρικό μοντέλο αναλογικής διακινδύνευσης του Cox. Το μοντέλο της λογιστικής παλινδρόμησης αποτελεί ειδική περίπτωση των γενικευμένων γραμμικών μοντέλων και είναι πολύ σημαντικό στο χώρο της Στατιστικής. Εφαρμόζεται ευρέως και είναι ιδιαίτερα χρήσιμο στον χρηματοπιστωτικό τομέα, κομμάτι του οποίου αποτελεί ο πιστωτικός κίνδυνος. Χρησιμοποιείται για την πρόβλεψη μίας δίτιμης κατηγορικής μεταβλητής με βάση κάποιες ανεξάρτητες μεταβλητές που είναι συνεχείς ή/και κατηγορικές. Πολύ σημαντικό πλεονέκτημα του μοντέλου αυτού είναι η δυνατότητα ερμηνείας των τιμών των συντελεστών παλινδρόμησης. Το ημιπαραμετρικό μοντέλο αναλογικής διακινδύνευσης του Cox είναι ένα μοντέλο αξιοπιστίας και μας επιτρέπει να μοντελοποιήσουμε δεδομένα τα οποία προέρχονται από έναν πληθυσμό για τον οποίο δεν γνωρίζουμε την κατανομή του. Το μοντέλο αυτό είναι πολύ χρήσιμο ιδιαίτερα στον ιατρικό τομέα, πράγμα που οδήγησε πολλούς ερευνητές να το χρησιμοποιήσουν και στον πιστωτικό κίνδυνο. Το μεγάλο του πλεονέκτημα δεν είναι μόνο η εύκολη ερμηνεία των συντελεστών , όπως συμβαίνει και στο μοντέλο της λογιστικής παλινδρόμησης, αλλά κυρίως η δυνατότητα που μας προσφέρει να εκτιμήσουμε όχι μόνο την πιθανότητα αθέτησης ενός πελάτη αλλά και το χρόνο στον οποίο θα συμβεί αυτό. Τα δύο αυτά μοντέλα χρησιμοποιήθηκαν για την μοντελοποίηση των δεδομένων ενός δείγματος 526 δανειζόμενων χρησιμοποιώντας τα χαρακτηριστικά που δήλωσαν κατά την συμπλήρωση της αίτησης για δανειοδότηση. Σκοπός ήταν η εκτίμηση της πιθανότητας αθέτησης της συμφωνίας ενός δανείου αλλά και του χρόνου ύστερα από τον οποίο θα συμβεί αυτό. Οι εκτιμήσεις έγιναν χρησιμοποιώντας τέσσερις επεξηγηματικές μεταβλητές, την φερεγγυότητα (solvency) του πελάτη, την σχέση της περιουσίας του (property) με τον συνολικό δανεισμό, το ιστορικό (history) του πελάτη και την επαγγελματική του κατάσταση (employment).	el
heal.abstract	Credit scoring consists of the models and the methods lenders use in order to decide if they are going to grant a loan, mainly a commercial one. The credit scoring techniques estimate the risk of lending of a consumer and not their credit. The lenders decide if they are going to grant a loan to a new applicant based on the information in the customer’s application. Many techniques based on statistical models are used in order to make these decisions and these models have to be able to make predictions with great accuracy. The goal is to predict the value of a binary variable that describes if a customer will or will not default on their loan. Two models that are very useful for this purpose are the linear logistic regression model and the semi parametric proportional hazards Cox model. The logistic regression model is a special case of generalised linear models, with great practical importance in Statistics. It has numerous applications and is very useful in the ﬁnancial sector, part of which is credit scoring. It is used for the prediction of a binary categorical variable from independent variables that may be continuous or categorical. A very important advantage of this model is that it gives us the ability to interpret the values of the regression coeﬃcients. The semi parametric proportional hazards Cox model is a reliability model and it gives us the ability to model data derived from a population, whose distribution we do not know. This model is very useful especially in the medical ﬁeld and this is the reason why a lot of researchers have used it in credit scoring applications as well. Its greatest advantage is not only the easy interpretation of the coeﬃcients, as it happens in the logistic regression model as well, but mainly the fact that it enables us to estimate not only the possibility of a customer to default on their loan but also the time in which this is going to happen. These two models were used in order to model the data of a sample of 526 borrowers using the characteristics which they ﬁlled in their application for lending. Our goal was to estimate the probability of default and also the time when this is going to happen. These estimations were made using four covariates, the customer’s solvency, the relationship between the customers property and the total lending, their history and their employment.	en
heal.advisorName	Καρώνη-Ρίτσαρντσον, Χρυσηίς	el
heal.committeeMemberName	Πολυράκης, Ιωάννης	el
heal.committeeMemberName	Παπανικολάου, Βασίλειος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Εφαρμοσμένων Μαθηματικών και Φυσικών Επιστημών. Τομέας Μαθηματικών	el
heal.academicPublisherID	ntua
heal.numberOfPages	100 σ.
heal.fullTextAvailability	true