Χρήση νευρωνικών δικτύων στη μέτρηση πιστωτικού κινδύνου
| datacite.contributor.RelatedPerson | Ηλίας, Αριστείδης | |
| datacite.contributor.RelatedPerson | Ανδρικόπουλος, Αθανάσιος | |
| datacite.contributor.Supervisor | Παυλίδης, Γεώργιος | |
| dc.contributor.author | Μισθός, Δημήτριος | |
| dc.contributor.other | Misthos, Dimitrios | |
| dc.date.accessioned | 2023-03-09T07:04:31Z | |
| dc.date.available | 2023-03-09T07:04:31Z | |
| dc.date.issued | 2022-06-28 | |
| dc.degree | graduateThesis | |
| dc.description.abstract | Πιστωτικός κίνδυνος ή η πιστωτική αθέτηση υποδηλώνει την πιθανότητα μη αποπληρω-μής των τραπεζικών χρηματοοικονομικών υπηρεσιών που έχουν δοθεί στους πελάτες. Ο πιστω-τικός κίνδυνος ήταν πάντα ένας εκτενώς μελετημένος τομέας στις αποφάσεις τραπεζικού δα-νεισμού. Ο πιστωτικός κίνδυνος διαδραματίζει κρίσιμο ρόλο για τις τράπεζες και τα χρηματο-πιστωτικά ιδρύματα, ιδιαίτερα για τις εμπορικές τράπεζες και είναι πάντα δύσκολο να ερμη-νευθεί και να διαχειρισθεί. Λόγω της τεχνολογικής προόδου, οι τράπεζες έχουν καταφέρει να μειώσουν το κόστος, να αναπτύξουν ισχυρά και εξελιγμένα συστήματα και μοντέλα για την πρόβλεψη και τη διαχείριση του πιστωτικού κινδύνου. Ο στόχος των μοντέλων πιστωτικού κινδύνου είναι να αξιολογήσουν τον κίνδυνο μια προσέγγιση βασισμένη σε μοντέλο που μπορεί να προβλέψει με ακρίβεια την πιστωτική αθέτηση. Η προσέγγιση που βασίζεται σε μοντέλο παρέχει καλύτερη διαχείριση της πιστωτικής αθέτησης και αποτελεσματική κατανομή κεφα-λαίων. Για την πρόβλεψη της πιστωτικής αθέτησης, έχουν δημιουργηθεί και προταθεί διάφορες μέθοδοι. Η χρήση της μεθόδου εξαρτάται από την πολυπλοκότητα των τραπεζών και των χρη-ματοπιστωτικών ιδρυμάτων, το μέγεθος και τον τύπο του δανείου. Το τεχνητό νευρωνικό δίκτυο είναι ένα σύστημα επεξεργασίας πληροφοριών που επηρε-άζεται από τον ανθρώπινο εγκέφαλο και λειτουργεί με τις ίδιες αρχές του βιολογικού νευρικού συστήματος. Διαθέτουν την ικανότητα να εξάγουν νόημα από πολύπλοκα και περίπλοκα δεδο-μένα, ανιχνεύοντας τάσεις και εξάγοντας μοτίβα από αυτά. Αυτή η εργασία απεικονίζει την ικανότητα του μοντέλου νευρωνικών δικτύων και του μοντέλου γραμμικής παλινδρόμησης που κατασκευάζονται να προβλέψουν την πιστοληπτική ικανότητα μιας εφαρμογής με ακρίβεια και ακρίβεια με ελάχιστες ψευδείς προβλέψεις και λάθη. Τα μοντέλα τεχνητών νευρωνικών δι-κτύων έχουν δημιουργηθεί για να ξεπεραστούν τα μειονεκτήματα άλλων αναποτελεσματικών μοντέλων πιστωτικής αθέτησης. | |
| dc.description.translatedabstract | Credit risk or credit default indicates the possibility of non-repayment of banking finan-cial services provided to customers. Credit risk has always been a well-studied area in bank lending decisions. Credit risk plays a critical role for banks and financial institutions, especially commercial banks, and is always difficult to interpret and manage. Due to technological ad-vances, banks have been able to reduce costs, develop robust and sophisticated systems and models for forecasting and managing credit risk. The purpose of credit risk models is to assess the risk of a model-based approach that can accurately predict credit default. The model-based approach provides better credit default management and efficient capital allocation. Various methods have been developed and proposed to predict credit default. The use of the method depends on the complexity of the banks and financial institutions, the size and type of loan. The artificial neural network is an information processing system that is influenced by the human brain and operates on the same principles as the biological nervous system. They can extract meaning from complex and intricate data, detecting trends and extracting patterns from them. This work demonstrates the ability of the neural network model and the linear re-gression model constructed to predict the creditworthiness of an application with precision and accuracy with minimal false predictions and errors. Artificial neural network models have been developed to overcome the disadvantages of other inefficient credit default models. | |
| dc.identifier.uri | https://hdl.handle.net/10889/24735 | |
| dc.language.iso | el | |
| dc.rights | Attribution-NoDerivs 3.0 United States | * |
| dc.rights.uri | http://creativecommons.org/licenses/by-nd/3.0/us/ | * |
| dc.subject | Νευρωνικά δίκτυα | |
| dc.subject | Πιστωτικός κίνδυνος | |
| dc.subject | Χρηματοπιστωτικό σύστημα | |
| dc.subject | Πληροφοριακό σύστημα | |
| dc.subject.alternative | Neural networks | |
| dc.subject.alternative | Credit risk management | |
| dc.subject.alternative | Financial system | |
| dc.subject.alternative | Information system | |
| dc.title | Χρήση νευρωνικών δικτύων στη μέτρηση πιστωτικού κινδύνου | |
| dc.title.alternative | Artificial neural network approach to credit risk assessment |