|
| Συλλογές |
|
| Τίτλος |
Exploring machine learning techniques for credit risk assessment: challenges and applications
|
| Εναλλακτικός τίτλος |
Εξερεύνηση τεχνικών μηχανικής μάθησης για την αξιολόγηση πιστωτικού κινδύνου: προκλήσεις και εφαρμογές
|
| Δημιουργός |
Πελεκανάκης, Χρήστος, Pelekanakis, Christos
|
| Συντελεστής |
Athens University of Economics and Business, Department of Management Science and Technology
Mitrou, Lilian
Spinellis, Diomidis
Chatziantoniou, Damianos
|
| Τύπος |
Text
|
| Φυσική περιγραφή |
60p.
|
| Γλώσσα |
en
|
| Αναγνωριστικό |
http://www.pyxida.aueb.gr/index.php?op=view_object&object_id=11899
|
| Περίληψη |
This thesis presents the importance of credit risk assessment in the banking sector. This process provides tools to evaluate borrowers’ repayment ability and maintain organizations' financial stability. Traditionally, lenders assessed borrowers’ credit risk based on several factors, known in the bibliography as the “5 C’s of credit", which include Character, Capacity, Capital, Collateral, and Conditions. Nowadays, financial institutions' data are vast and complex. So, it is essential to complement these traditional methods with advanced techniques, such as artificial intelligence (AI), to create credit scoring and default prediction models. These technologies have introduced new opportunities to enhance the accuracy and efficiency of credit risk processes. This study also explores the evolution in the process of credit risk assessment from the traditional statistical models, like logistic regression and linear discriminant analysis, to the more advanced AI techniques, such as random forests and neural networks, that have the potential to process complicated datasets, uncover intricate patterns from different sources of data, and demonstrate highly accurate results in predicting if a borrower is going to default. However, those models are associated with significant challenges, such as data quality issues, limited model interpretability, and ethical concerns like bias and fairness. Regulatory frameworks, such as the AI Act, DIRECTIVE 2008/48/EC, GDPR, and the Fair Credit Reporting Act (FCRA), are crucial for handling these challenges. These frameworks provide transparency, responsibility, and fairness and promote innovation through mechanisms like regulatory sandboxes. Global regulatory harmonization between regulatory bodies across different jurisdictions is essential to create common standards that balance innovation with ethics.
Η εν λόγω μεταπτυχιακή εργασία παρουσιάζει τη σημασία της αξιολόγησης του πιστωτικού κινδύνου στον τραπεζικό τομέα. Η συγκεκριμένη διαδικασία περιλαμβάνει «εργαλεία» αξιολόγησης της ικανότητας των πιστούχων για την αποπληρωμή των δανείων τους, ενώ συμβάλλει και στη διατήρηση της χρηματοοικονομικής σταθερότητας των χρηματοπιστωτικών ιδρυμάτων. Παραδοσιακά, οι δανειστές αξιολογούσαν τον πιστωτικό κίνδυνο των δανειοληπτών με βάση διάφορους παράγοντες, γνωστούς στη βιβλιογραφία ως "5 C’s", οι οποίοι περιλαμβάνουν τον Χαρακτήρα, την Ικανότητα, το Κεφάλαιο, τις Εγγυήσεις, και τις Συνθήκες. Ωστόσο, σήμερα αυτές οι μέθοδοι έχουν εμπλουτιστεί με προηγμένες τεχνικές μηχανικές μάθησης, καθώς τα δεδομένα που διαχειρίζονται πλέον τα χρηματοπιστωτικά ιδρύματα είναι μεγάλα και σύνθετα. Επομένως, αυτές οι τεχνικές συμβάλλουν στη βελτίωση της ακρίβειας και της αποδοτικότητας των μοντέλων αξιολόγησης πιστωτικού κινδύνου. Σκοπός της συγκεκριμένης εργασίας είναι η καταγραφή της εξέλιξη της διαδικασίας της αξιολόγησης πιστωτικού κινδύνου από τα παραδοσιακά στατιστικά μοντέλα, όπως είναι η λογιστική παλινδρόμηση, προς τις πιο προηγμένες τεχνικές τεχνητής νοημοσύνης, όπως είναι τα νευρωνικά δίκτυα. Αυτές οι μέθοδοι έχουν τη δυνατότητα να επεξεργάζονται πολύπλοκα σύνολα δεδομένων, να ανακαλύπτουν σύνθετα μοτίβα και να επιτυγχάνουν εξαιρετικά ακριβείς προβλέψεις σχετικά με το αν ένας δανειολήπτης θα αθετήσει ή όχι τις υποχρεώσεις του. Ωστόσο, αυτά τα μοντέλα συνδέονται και με σημαντικές προκλήσεις, όπως είναι η χαμηλή ποιότητα των δεδομένων, η περιορισμένη δυνατότητα επεξήγησής τους, ή ακόμη και από ηθικά ζητήματα, όπως η προκατάληψη. Ωστόσο, διάφορα κανονιστικά πλαίσια, με πιο γνωστό όλων τον Γενικό Κανονισμό για την Προστασία των Δεδομένων (GDPR), έχουν δημιουργηθεί για την αντιμετώπιση αυτών των προκλήσεων. Αυτά τα πλαίσια διασφαλίζουν τη διαφάνεια, την υπευθυνότητα και την αμεροληψία των χρηματοπιστωτικών ιδρυμάτων κατά τη διαδικασία της δημιουργίας, της εφαρμογής και της ερμηνείας των μοντέλων τεχνητής νοημοσύνης.
|
| Λέξη κλειδί |
Regulatory compliance
Artificial Intelligence (AI)
Machine learning algorithms
Αξιολόγηση πιστωτικού κινδύνου
Αλγόριθμοι μηχανικής μάθησης
Τεχνητή νοημοσύνη
Κανονιστική συμμόρφωση
Credit risk assessment
|
| Διαθέσιμο από |
2025-02-06 15:45:36
|
| Ημερομηνία έκδοσης |
06-02-2025
|
| Ημερομηνία κατάθεσης |
2025-02-06 15:45:36
|
| Δικαιώματα χρήσης |
Free access
|
| Άδεια χρήσης |
https://creativecommons.org/licenses/by/4.0/
|