| Abstract : | Στο σημερινό περίπλοκο χρηματοοικονομικό τοπίο, η διατριβή αντιμετωπίζει ένα κρίσιμο πρόβλημα: την ανάγκη για βελτιωμένες μεθοδολογίες αξιολόγησης πιστωτικού κινδύνου. Το σύγχρονο χρηματοοικονομικό σύστημα χαρακτηρίζεται από πολύπλοκες διασυνδέσεις και η κατανόηση των επιπτώσεων αυτών των δικτύων είναι πρωταρχικής σημασίας για την αποτελεσματική διαχείριση πιστωτικού κινδύνου. Η παρούσα διατριβή στοχεύει να συμβάλει σε αυτή την κατανόηση διερευνώντας τον ρόλο των δικτύων στην αξιολόγηση του πιστωτικού κινδύνου. Αρχικά καθιερώνουμε τις θεμελιώδεις γνώσεις, εισάγοντας βασικές έννοιες της ανάλυσης δικτύου, όπως αναπαραστάσεις και μέτρα δικτύου. Αυτές οι βασικές γνώσεις είναι ζωτικής σημασίας για την ανάλυση πολύπλοκων χρηματοοικονομικών δικτύων. Στη συνέχεια, παρουσιάζουμε μια βιβλιογραφική ανασκόπηση σχετικά με τον συστημικό κίνδυνο και την ανάλυση δικτύου, το ‘community detection' και 'shareholders networks'. Η μεθοδολογία της έρευνας μας, περιλαμβάνει τη συλλογή και ανάλυση δεδομένων δικτύου. Εξετάζουμε διμερή δίκτυα, προβάλλοντας σε δίκτυα μετόχων-μετόχων και εταιρειών-εταιρειών και χρησιμοποιούμε μέτρα δικτύου για να αντλήσουμε γνώσεις σχετικά με τη δυναμική των μετόχων και των εταιρειών. Επιπλέον, εισάγουμε δύο νέα μέτρα δικτύου: το 'Company Score' και τo 'Distance from Default', όπου τα ορίζουμε λεπτομερώς και παρουσιάζουμε την πρακτική τους σημασία. Για να αξιολογήσουμε την απόδοσή τους, κατασκευάσαμε τρία μοντέλα λογιστικής παλινδρόμησης. Αυτά τα μοντέλα περιλαμβάνουν ένα με τις συνήθεις μεταβλητές δικτύου, ένα που ενσωματώνει το 'Company Score' και ένα που ενσωματώνει το 'Distance from Default' ως ανεξάρτητες μεταβλητές, με στόχο την αξιολόγηση των προγνωστικών ικανοτήτων αυτών των δύο νέων μετρών δικτύου σε σύγκριση με αυτές που υπάρχουν στην βιβλιογραφία. Τέλος, η έρευνά αυτή δίνει έμφαση στις δυνατότητες της ανάλυσης δικτύων ως πολύτιμου εργαλείου για την αξιολόγηση πιστωτικού κινδύνου και στην εύρεση κρυφών μοτίβων μέσα στα χρηματοοικονομικά δίκτυα, προσφέροντας μια νέα προοπτική για τη διαχείριση κινδύνου. Αυτή η εργασία συμβάλλει στο ευρύτερο πεδίο της χρηματοοικονομικής ανάλυσης και της αξιολόγησης κινδύνου.
In today's complex financial landscape, our thesis addresses a critical problem: the need for enhanced credit risk assessment methodologies. The modern financial system is characterized by complex interconnections, and understanding the implications of these networks is paramount for effective credit risk management. This thesis aims to contribute to this understanding by exploring the role of networks in credit risk assessment. We first establish the foundational knowledge, introducing key concepts of network analysis, such as network representations and metrics. This background knowledge is crucial for navigating the complexities of financial networks. Next, we present a literature review regarding systemic risk and network analysis, community detection and shareholders networks. The research methodology, involves the collection and analysis of network data. We examine bipartite networks, projecting into shareholder-shareholder and company-company networks, and employ network metrics to derive insights into the dynamics of shareholders and companies. Moreover, we introduce two novel network metrics: the 'Company Score' and 'Distance from Default', where we define them in detail and illustrate their practical relevance. To assess their performance, we constructed three logistic regression models. These models include one with traditional network variables, one integrating the company score, and one incorporating the distance from default as predictors, with the objective to evaluate the predictive capabilities of these two novel network metrics in comparison to traditional ones. Lastly, our research highlights the potential of network analysis as a valuable tool in credit risk assessment. It sheds light on hidden patterns within financial networks, offering a new perspective for risk management. This work contributes to the broader field of financial analytics and risk assessment.
|
|---|
Copyright © 2013 Library AUEB. All rights reserved.