Προς μια ευφυή λογιστική : διαχείριση μοντέλων πρόβλεψης χρεοκοπίας για την [sic] διαχείριση χρηματοοικονομικών κινδύνων
| datacite.contributor.RelatedPerson | Θεοδωρακόπουλος, Λεωνίδας | |
| datacite.contributor.Supervisor | Γιωτόπουλος, Κωνσταντίνος | |
| datacite.contributor.Supervisor | Χαλκιόπουλος, Κωνσταντίνος | |
| dc.contributor.author | Μαρίνης, Μαρίνος-Παναγιώτης | |
| dc.contributor.other | Marinis, Marinos-Panagiotis | |
| dc.date.accessioned | 2025-06-18T05:29:39Z | |
| dc.date.available | 2025-06-18T05:29:39Z | |
| dc.date.issued | 2025-06-10 | |
| dc.degree | masterThesis | |
| dc.description.abstract | Η εποχή του ψηφιακού μετασχηματισμού έφερε την τεχνητή νοημοσύνη (AI) και τημηχανική μάθηση (ML) στις λογιστικές πρακτικές για να φέρει επανάσταση στηδιαχείριση των χρηματοοικονομικών κινδύνων. Η παρούσα έρευνα εξετάζει τοντρόπο με τον οποίο τα μοντέλα πρόβλεψης χρεοκοπίας λειτουργούν στο πλαίσιο τωνσυστημάτων ψηφιακής λογιστικής για τη βελτίωση της αξιολόγησης του εταιρικούκινδύνου και της ανάπτυξης χρηματοοικονομικής στρατηγικής. Εξετάζουμε τοσύνολο δεδομένων πρόβλεψης χρεοκοπίας αμερικανικών εταιρειών τόσο μέσωσυμβατικών στατιστικών μοντέλων όσο και μέσω σύγχρονων προσεγγίσεων πουβασίζονται στην ΤΝ, οι οποίες περιλαμβάνουν τα Random Forest, SVM, GradientBoosting και CatBoost. Η έρευνα αποκαλύπτει ότι τα μοντέλα βασισμένα στην ΤΝπαρέχουν ανώτερη ακρίβεια πρόβλεψης, η οποία επιτρέπει την έγκαιρη ανίχνευσητων οικονομικά προβληματικών επιχειρήσεων. Η έρευνα εξετάζει τις επιχειρηματικέςεπιπτώσεις αυτών των προβλεπτικών μοντέλων για τους ελεγκτές και τουςχρηματοοικονομικούς αναλυτές και τους διευθυντές των επιχειρήσεων που πρέπει ναβελτιστοποιήσουν την αξιολόγηση των κινδύνων. Η έρευνα καταδεικνύει πώς ηπρογνωστική ανάλυση μετασχηματίζει την ψηφιακή λογιστική, επιτρέποντας τη λήψηευφυών χρηματοοικονομικών αποφάσεων βάσει δεδομένων. | |
| dc.description.translatedabstract | The digital transformation era brought artificial intelligence (AI) and machinelearning (ML) into accounting practices to revolutionize financial risk management.This research examines how bankruptcy prediction models function within DigitalAccounting systems to improve corporate risk evaluation and financial strategydevelopment. We examine the US Company Bankruptcy Prediction Dataset throughboth conventional statistical models and state-of-the-art AI-driven approaches which include Random Forest, SVM, Gradient Boosting and CatBoost. The research revealsthat AI-based models deliver superior predictive accuracy which allows for earlierdetection of financially distressed firms. The research examines the businessimplications of these predictive models for auditors and financial analysts andcorporate managers who need to optimize their risk assessment. The researchdemonstrates how predictive analytics transforms digital accounting by enablingintelligent data-based financial decision-making. | |
| dc.identifier.uri | https://hdl.handle.net/10889/29667 | |
| dc.language.iso | el | |
| dc.subject | Μηχανική μάθηση | |
| dc.subject | Προβλεπτική ανάλυση | |
| dc.subject | Αποφάσεις με βάση τα δεδομένα | |
| dc.subject | Στρατηγικός σχεδιασμός | |
| dc.subject.alternative | Machine learning | |
| dc.title | Προς μια ευφυή λογιστική : διαχείριση μοντέλων πρόβλεψης χρεοκοπίας για την [sic] διαχείριση χρηματοοικονομικών κινδύνων | |
| dc.title.alternative | Towards intelligent accounting : managing bankruptcy prediction models for financial risk management |