Evaluation of machine learning methods for loan default 
Ppediction: A case study using Peer-to-Peer lending data

Theodoridis, Marios; Θεοδωρίδης Μάριος

dc.contributor.author	Theodoridis, Marios	en
dc.contributor.author	Θεοδωρίδης Μάριος	el
dc.date.accessioned	2025-01-31T10:01:19Z
dc.date.available	2025-01-31T10:01:19Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/61014
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.28710
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	Machine learning	en
dc.subject	Financial technology	en
dc.subject	Banking	en
dc.subject	Loan default prediction	en
dc.subject	Predictive analytics	en
dc.subject	Classification algorithms	en
dc.subject	Supervised learning	en
dc.subject	Exploratory data analysis	en
dc.subject	Peer-to-peer lending	en
dc.subject	Μηχανική μάθηση	el
dc.subject	Χρηματοοικονομική τεχνολογία	el
dc.subject	Τραπεζικός τομέας	el
dc.subject	Πρόβλεψη αθέτησης δανείων	el
dc.subject	Προγνωστική ανάλυση	el
dc.subject	Αλγόριθμοι ταξινόμησης	el
dc.subject	Επιβλεπόμενη μάθηση	el
dc.subject	Διερευνητική ανάλυση δεδομένων	el
dc.subject	Δανεισμός	el
dc.title	Evaluation of machine learning methods for loan default Ppediction: A case study using Peer-to-Peer lending data	en
dc.title	Αξιολόγηση Μεθόδων Μηχανικής Μάθησης για την Πρόβλεψη Αθέτησης Δανείων: Μελέτη Περίπτωσης Χρησιμοποιώντας Δεδομένα Peer-to-Peer Δανεισμού	el
heal.type	masterThesis
heal.classification	Techno-Economic Systems	en
heal.classification	Financial technology	en
heal.classification	Data science	en
heal.classification	Engineering - Economic Systems	en
heal.language	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2024-10-07
heal.abstract	This diploma thesis investigates the transformative impact of digital technologies on the financial industry, particularly focusing on the role of data science and machine learning in banking. The study aims to determine how emerging technologies such as blockchain, big data analytics, artificial intelligence (AI), and machine learning (ML) are reshaping financial services. It highlights the fintech revolution and its disruptive influence on traditional banking models, with a particular focus on digital banks, neobanks, and the integration of technology in lending, payments, and investment management. A comprehensive analysis is provided on advanced methods for credit risk assessment and fraud detection, leveraging machine learning algorithms to enhance predictive accuracy and operational efficiency. A significant portion of the study is dedicated to developing predictive modeling techniques for loan default prediction. Various machine learning algorithms, including logistic regression, decision tree, gradient boosting, random forest, and neural networks, are employed to evaluate and predict loan defaults. The research underscores the importance of model evaluation metrics such as accuracy, precision, recall, and especially F1 score in optimizing model performance. The findings demonstrate that machine learning, especially models using ensemble learning, can effectively predict loan defaults, thereby aiding financial institutions in mitigating risk and improving decision-making processes. The study concludes with recommendations for future research, including exploring advanced neural network architectures and integrating alternative data sources like social media activity for enhanced predictive power.	en
heal.abstract	Η διπλωματική εργασία ερευνά τον αντίκτυπο που έχει η ψηφιακή τεχνολογία στον μετασχηματισμό του χρηματοοικονομικού κλάδου, εστιάζοντας στον ρόλο της επιστήμης των δεδομένων και της μηχανικής μάθησης στον τραπεζικό τομέα. Η μελέτη στοχεύει να αναλύσει πώς αναδυόμενες τεχνολογίες, όπως το blockchain, η ανάλυση δεδομένων, η τεχνητή νοημοσύνη (AI) και η μηχανική μάθηση (ML), αναδιαμορφώνουν τις σύγχρονες χρηματοοικονομικές υπηρεσίες. Περιγράφεται ο τρόπος με τον οποίο η εφαρμογή καινοτομιών στον κλάδο της χρηματοοικονομικής τεχνολογίας επιδρά ριζικά στα παραδοσιακά τραπεζικά μοντέλα και ανατρέπει τον μέχρι τώρα τρόπο λειτουργίας τους. Ιδιαίτερη έμφαση δίνεται στις ψηφιακές τράπεζες και στην ενσωμάτωση τεχνολογικών λύσεων στις υπηρεσίες δανεισμού, πληρωμών και διαχείρισης επενδύσεων. Πραγματοποιείται εκτενής ανάλυση των προηγμένων μεθόδων και αλγορίθμων μηχανικής μάθησης που εφαρμόζονται στον τραπεζικό τομέα, όπως συμβαίνει για την αξιολόγηση του πιστωτικού κινδύνου και την ανίχνευση απάτης στις συναλλαγές. Ένα σημαντικό μέρος της μελέτης αφιερώνεται στην ανάπτυξη μοντέλων μηχανικής μάθησης για την πρόβλεψη της αθέτησης υποχρεώσεων σε δάνεια από πιθανούς δανειολήπτες. Διάφοροι αλγόριθμοι μηχανικής μάθησης, όπως η λογιστική παλινδρόμηση, το δέντρο απόφασης, οι αλγόριθμοι ενίσχυσης κλίσης, τα τυχαία δάση και τα πολυεπίπεδα νευρωνικά δίκτυα, χρησιμοποιούνται για την αξιολόγηση και πρόβλεψη της αθέτησης υποχρεώσεων της δανειακής σύμβασης από πιθανούς δανειολήπτες. Η έρευνα υπογραμμίζει την σημασία του υπολογισμού διαφορετικών δεικτών για την αξιολόγηση των μοντέλων και την βελτιστοποίηση της απόδοσης τους. Τα αποτελέσματα δείχνουν ότι η μηχανική μάθηση, και ειδικά τα μοντέλα που χρησιμοποιούν τις λεγόμενες τεχνικές ensemble learning, μπορούν να προβλέψουν αποτελεσματικά τις αθετήσεις δανείων, βοηθώντας με αυτόν τον τρόπο τα χρηματοπιστωτικά ιδρύματα να μειώσουν τον επιχειρηματικό τους κίνδυνο και να βελτιώσουν τις διαδικασίες λήψης αποφάσεων. Η μελέτη καταλήγει σε προτάσεις για μελλοντική έρευνα, συμπεριλαμβανομένης της ανάπτυξης προηγμένων μοντέλων νευρωνικών δικτύων και της ενσωμάτωσης εναλλακτικών πηγών δεδομένων στην ανάλυση.	el
heal.advisorName	Matsopoulos, George	en
heal.committeeMemberName	Panagopoulos, Athanasios	en
heal.committeeMemberName	Papavassiliou, Symeon	en
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	69 σ.	el
heal.fullTextAvailability	false