Πιστωτικός κίνδυνος, μοντέλα μέτρησης πιστωτικού κινδύνου και περίπτωση μελέτης με λογιστική παλινδρόμηση

Παραγιουδάκης, Γεώργιος; Paragioudakis, Georgios

dc.contributor.author	Παραγιουδάκης, Γεώργιος	el
dc.contributor.author	Paragioudakis, Georgios	en
dc.date.accessioned	2018-11-29T11:15:26Z
dc.date.issued	2018-11-29
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/48176
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.9024
dc.description	Εθνικό Μετσόβιο Πολυτεχνείο--Μεταπτυχιακή Εργασία. Διεπιστημονικό-Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών (Δ.Π.Μ.Σ.) “Μαθηματική Προτυποποίηση σε Σύγχρονες Τεχνολογίες και στα Χρηματοοικονομικά”	el
dc.rights	Default License
dc.subject	Πιστωτικός κίνδυνος	el
dc.subject	Λογιστική Παλινδρόμηση	el
dc.subject	Πίστωση	el
dc.subject	Νευρωνικά δίκτυα	el
dc.subject	Μοντέλα μέτρησης	el
dc.subject	Credit risk	en
dc.subject	Logistic regression	el
dc.subject	Credit scoring models	el
dc.subject	Credit	el
dc.subject	Neural network	en
dc.title	Πιστωτικός κίνδυνος, μοντέλα μέτρησης πιστωτικού κινδύνου και περίπτωση μελέτης με λογιστική παλινδρόμηση	el
dc.title	Credit risk, credit scoring models and case study with logistic regression	en
heal.type	masterThesis
heal.classification	ΟΙΚΟΝΟΜΙΚΑ	el
heal.dateAvailable	2019-11-28T22:00:00Z
heal.language	en
heal.access	embargo
heal.recordProvider	ntua	el
heal.publicationDate	2018-02-28
heal.abstract	Η χορήγηση πιστώσεων διαδραματίζει σημαντικό ρόλο στην σημερινή οικονομία. Η εν λόγω εργασία διαπραγματεύεται το θέμα των πιστώσεων, του πιστωτικού κινδύνου και μοντέλων μέτρησης πιστωτικού κινδύνου. Επίσης, στο τέλος της εργασίας γίνεται αξιολόγηση της πιστοληπτικής ικανότητας 378 υποψηφίων πελατών με χρήση λογιστικής παλινδρόμησης. Στο πρώτο κεφάλαιο, αναφέρεται ότι αρμόδιες για την χορήγηση πιστώσεων είναι οι τράπεζες. Οι τράπεζες επιτελούν εκτός από την χορήγηση δανείων και διάφορες άλλες δραστηριότητες. Επίσης, υπόκεινται σε διάφορους τύπους κινδύνου, οι οποίοι μπορεί να προκαλέσουν σοβαρά προβλήματα στην ύπαρξή τους. Όσον αφορά τις πιστώσεις, η τράπεζα προσφέρει χρήματα σε άλλα πρόσωπα (φυσικά ή νομικά) με απαίτηση είσπραξης τόκων. Αυτή είναι η κύρια λειτουργία τους. Η χορήγηση δανείων παρουσιάζει, όπως κάθε επιχειρηματική δραστηριότητα, ρίσκο. Για να ελαχιστοποιηθεί αυτό το ρίσκο, έχουν αναπτυχθεί διάφορα εργαλεία από τις τράπεζες προκειμένου να προβλέπουν περιπτώσεις όπου οι δανειολήπτες δεν θα αποπληρώσουν τα δάνεια. Αυτά τα εργαλεία έχουν βελτιωθεί με την βοήθεια των υπολογιστών και χρησιμοποιώντας βάσεις δεδομένων μπορούν να προβλέπουν αποτελεσματικά αν κάποιος πελάτης θα αποπληρώσει το δάνειο ή όχι. Στο δεύτερο κεφάλαιο παρουσιάζονται αναλυτικά ορισμένες από τις πλέον διαδεδομένες τεχνικές για μέτρηση πιστωτικού κινδύνου. Η πρώτη τεχνική είναι η Διαχωριστική Ανάλυση. Αυτή η μέθοδος προσπαθεί να κατατάξει τις παρατηρήσεις σε ομάδες. Οι παρατηρήσεις μας, μπορούν να προέρχονται από δύο ή περισσότερους πληθυσμούς. Άλλη τεχνική είναι τα Δέντρα Απόφασης, τα οποία ταξινομούν την πιστοληπτική ικανότητα των πελατών με βάση τα δεδομένα που υπάρχουν στην διάθεση του οργανισμού. Περαιτέρω, μια ακόμα μέθοδος που παρουσιάζεται είναι η Μηχανές Διανυσμάτων Υποστήριξης. Αυτές κατηγοριοποιούν τα δεδομένα με την βοήθεια ενός βέλτιστου υπερεπιπέδου που τα διαχωρίζει μεγιστοποιώντας το περιθώριο. Οι Γενετικοί Αλγόριθμοι, εμπνευσμένοι από την βιολογία, αναζητούν βέλτιστες λύσεις σε μαθηματικά προβλήματα και έχουν πολλά υποσχόμενη εξέλιξη στη μέτρηση πιστωτικού κινδύνου. Η επόμενη μέθοδος που αναλύεται είναι τα Νευρωνικά Δίκτυα, με τα οποία μπορούν να επιλυθούν δύσκολα προβλήματα, καθώς μιμούνται το ανθρώπινο νευρικό σύστημα. Η έκτη τεχνική είναι η Λογιστική vi Παλινδρόμηση. Σε αυτή την τεχνική δρουν πολλές ανεξάρτητες μεταβλητές πάνω σε μια εξαρτημένη κατηγορική μεταβλητή και έχουμε ως σκοπό να ερευνήσουμε το μη γραμμικό αποτέλεσμά της. Τέλος, τα Υβριδικά Μοντέλα συνδυάζουν μία ή περισσότερες μεθόδους μέτρησης πιστωτικού κινδύνου προκειμένου να αξιολογήσουν τους υποψήφιους δανειολήπτες. Στο τρίτο κεφάλαιο υπάρχει περίπτωση μελέτης με χρήση λογιστικής παλινδρόμησης. Παρά το γεγονός ότι τα νευρωνικά δίκτυα έχουν εξαιρετικά αποτελέσματα στη μέτρηση πιστωτικού κινδύνου, επιλέχθηκε η λογιστική παλινδρόμηση λόγω της μη ευρείας αποδοχής των πρώτων από τα πιστωτικά ιδρύματα. Επίσης, καθώς τα αποτελέσματά τους δεν είναι πάντα ερμηνεύσιμα από την οικονομική θεωρία, είναι αμφισβητήσιμα. Στο εν λόγω παράδειγμα, αξιολογούμε 378 αιτήσεις δανειοδότησης για στέγαση με δύο προβλεπτικές μεταβλητές, το φύλο και το μηνιαίο εισόδημα. Σκοπός είναι να βρούμε ποια από αυτές διαδραματίζει τον σημαντικότερο ρόλο στο υπόδειγμα και να προβλέψουμε επιτυχώς ποιοι από τους 378 πελάτες δεν θα αποπληρώσουν το δάνειο. Παρατηρούμε ότι παρά το γεγονός πως αρχικά εμφανίζεται σαν σημαντικότερη μεταβλητή το φύλο, εν τέλει αυτό οφείλεται σε ένα φαινόμενο που λέγεται suppressor effect. Εν τέλει, υπολογίζουμε τις πιθανότητες αποπληρωμής του δανείου και καταλήγουμε αναφέροντας τους τύπους σφαλμάτων τα οποία μπορεί να προκύψουν κατά τη μέτρηση πιστωτικού κινδύνου.	el
heal.abstract	Credit plays an important role in the economy. This paper deals with credit, credit risk and credit scoring models. Also, at the end of the paper, credit scoring is performed at 378 prospective clients, using logistic regression. The first chapter states that banks are responsible for credit granting. Banks, besides granting loans, perform various other activities. They are also subject to various types of risk, which can cause serious problems in their existence. Concerning credit, a bank lends money to other persons (natural or legal) with a claim to collect interest. This is their main activity. Loan granting, like any business activity, presents a risk. In order to minimize risk, various tools have been developed by banks to predict credit default. These tools have been deployed with the help of computers and by using databases, which can effectively predict whether a customer will default or not. In the second chapter are presented some of the most common credit scoring methods. The first technique is Discriminant Analysis. This method attempts to classify the observations into classes. The observations can come from two or more populations. Another method is Decision Trees, which classify the creditworthiness of customers, based on the data available to the organization. Another depicted method is Support Vector Machines. These classify the data with the help of an optimal hyperplane that separates the classes with the maximum margin. Genetic algorithms are inspired by genetics and look for optimal solutions to mathematical problems, having a large scope of application in credit scoring. The next method is Neural Networks, with which difficult problems can be solved, as they mimic the human nervous system. The sixth technique is logistic regression. In the logistic regression, many independent variables affect a dependent categorical variable and we aim to investigate the non-linear effect of this variable. Finally, Hybrid Models combine one or more credit scoring methods to evaluate prospective borrowers. In the third chapter there is a case study using logistic regression. Neural networks are extremely reliable, however, in the case study, we examine a logistic regression example, since neural networks, despite their reliability, are not widespread in practice. Also, as the procedure is not always interpretable by economic theory, the results are questionable. In this example, we evaluate 378 loan applications for housing, iv using two predictive variables, “gender” and “monthly_income”. The goal is to find out which of these variables plays the most important role in prediction and to predict successfully which of the 378 clients will not repay the loan. We note that, although “gender” seems to be the most important variable, it is the suppressor effect that misleads us. Finally, we predict the loan repayment and end up representing the types of errors that may occur during credit scoring.	en
heal.advisorName	Τσιώνας, Μιχαήλ	el
heal.committeeMemberName	Στεφανέας, Πέτρος	el
heal.committeeMemberName	Βουτσινάς, Σπυρίδων	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Εφαρμοσμένων Μαθηματικών και Φυσικών Επιστημών	el
heal.academicPublisherID	ntua
heal.numberOfPages	66 σ.	el
heal.fullTextAvailability	true