Τεχνικές και Μέθοδοι Μέτρησης Πιστωτικού Κινδύνου

Μανωλέσου, Αλεξάνδρα; Manolesou, Alexandra

dc.contributor.author	Μανωλέσου, Αλεξάνδρα	el
dc.contributor.author	Manolesou, Alexandra	en
dc.date.accessioned	2017-11-20T11:10:01Z
dc.date.available	2017-11-20T11:10:01Z
dc.date.issued	2017-11-20
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/45934
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.7515
dc.description	Εθνικό Μετσόβιο Πολυτεχνείο--Μεταπτυχιακή Εργασία. Διεπιστημονικό-Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών (Δ.Π.Μ.Σ.) “Μαθηματική Προτυποποίηση σε Σύγχρονες Τεχνολογίες στην Οικονομία”	el
dc.rights	Default License
dc.subject	Linear Discriminant Analysis	en
dc.subject	Logistic Regression	en
dc.subject	Naïve Bayesian classifier	en
dc.subject	K-Nearest Neighbour	en
dc.subject	Decision Trees	en
dc.subject	Survival Analysis	en
dc.subject	Fuzzy Rule-Based System	en
dc.subject	Multivariate Adaptive Regression Splines	en
dc.subject	Neural Network	en
dc.subject	Support Vector Machine	en
dc.subject	Hybrid models	en
dc.subject	Data mining	en
dc.subject	Credit scoring	en
dc.subject	Credit rating	en
dc.subject	Γραμμική ανάλυση διακρίσεων	el
dc.subject	Εξόρυξη δεδομένων	el
dc.subject	Πιστωτική βαθμολογία	el
dc.subject	Αξιολόγησης της πιστοληπτικής ικανότητας	el
dc.subject	Νευρικό σύστημα	el
dc.title	Τεχνικές και Μέθοδοι Μέτρησης Πιστωτικού Κινδύνου	el
heal.type	masterThesis
heal.classification	Πιστωτικός Κίνδυνος	el
heal.classification	Credit Risk	en
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2017-09-13
heal.abstract	Η πιστωτική βαθμολόγηση έχει γίνει πολύ σημαντικό ζήτημα λόγω της πρόσφατης ανάπτυξης των χρηματοπιστωτικών ιδρυμάτων, και από το γεγονός ότι η υπερβολική χορήγηση δανειακών κεφαλαίων ήταν ένας από τις κύριες αιτίες της διεθνούς χρηματοπιστωτικής κρίσης. Οι τεράστιες βάσεις δεδομένων των τραπεζικών οργανισμών, είναι αδύνατο να αναλυθούν, τόσο σε οικονομικό όσο και σε ανθρώπινο δυναμικό, χωρίς την χρήση ειδικών τεχνικών εξόρυξης δεδομένων, οι οποίες απλοποιούν σημαντικά την διαδικασία λήψης αποφάσεων, διαχωρίζοντας «καλούς» και «κακούς» δανειολήπτες. Ο τεράστιος όγκος της βιβλιογραφίας γύρω από τα credit scoring παρουσιάζει πολλές μεθόδους εξόρυξης δεδομένων για τη διαχείριση της πιστωτικής βαθμολόγησης. Ωστόσο, κάθε μέθοδος έχει τα πλεονεκτήματα και τους περιορισμούς της και δεν έχει υπάρξει μια ολοκληρωμένη προσέγγιση στον προσδιορισμό της πιο χρησιμοποιούμενης τεχνικής εξόρυξης δεδομένων. Σκοπός της παρούσας εργασίας είναι να παρέχει μια βιβλιογραφική έρευνα η οποία θα παρουσιάζει τις ευρέως εφαρμοσμένες μεθόδους μέτρησης του πιστωτικού κινδύνου, όπως είναι οι discriminant analysis, logistic regression, K-nearest neighbour, Bayesian classifier, decision tree, neural network, survival analysis, fuzzy rule-based system, support vector machine, και τα υβριδικά μοντέλα, και μια σύγκριση αυτών αναφορικά με τα πλεονεκτήματα και τα μειονεκτήματα τις κάθε μεθόδου. Συνολικά αναλύονται έντεκα τεχνικές ταξινόμησης και παρουσιάζονται αντίστοιχα άρθρα εφαρμογής της κάθε μεθόδου που έχουν δημοσιευτεί ως επί των πλείστων από το 2000. Μια τέτοια αναφορά μπορεί να βοηθήσει τους ερευνητές να γνωρίζουν τις πιο ευρέως διαδεδομένες μεθόδους, να βρουν τους περιορισμούς τους, να τους βελτιώσουν και να προτείνουν νέες μεθόδους με καλύτερες δυνατότητες ταξινόμησης.	el
heal.abstract	Credit scoring has become an essential component, given the recent growing interest of financial institutions and the fact that excessive lending was one of the main causes of the international financial crisis. It is impossible to analyze the huge databases of banking organizations both in economic and manpower terms, without the use of dedicated data mining techniques, which greatly simplify the decision-making process, distinguishing "good" and "bad" borrowers. Τhe growing number of academic studies on credit scoring shows a variety of classification methods applied to data mining for credit scoring management. However, each method has its advantages and limitations, and there has not been a comprehensive approach in determining the most utilized data mining technique in the context of credit scoring. The major goal of this paper is to provide a complete literature survey on applied data mining methods, such as discriminant analysis, logistic regression, K-nearest neighbour, Bayesian classifier, decision tree, neural network, survival analysis, fuzzy rule-based system, support vector machine, and hybrid methods, and a comparison of these with respect to the advantages and disadvantages of each method. In total, eleven classification techniques are presented with corresponding published articles, which have been published for the most part since 2000. Such a report will assist researchers in realizing the most suitable approach in evaluating credit scores, pinpoint limitations, enhance them, and propose new approaches with improved capabilities.	en
heal.advisorName	Χριστόπουλος, Απόστολος	el
heal.committeeMemberName	Κολλιας, Ηρακλής	el
heal.committeeMemberName	Ντόκας, Ιωάννης	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Εφαρμοσμένων Μαθηματικών και Φυσικών Επιστημών	el
heal.academicPublisherID	ntua
heal.numberOfPages	58 σ.	el
heal.fullTextAvailability	true