| Περίληψη : | Μετά την παγκόσµια χρηµατοπιστωτική κρίση του 2007, τα χρηµατοπιστωτικά ιδρύµατα έδωσαν αυξηµένη έµφαση στην ανάπτυξη ισχυρών οικονοµετρικών µοντέλων και εργαλείων για την αξιολόγηση της πιστοληπτικής ικανότητας και την πρόβλεψη των πιθανοτήτων χρεοκοπίας στον χρηµατοπιστωτικό τοµέα. Χρησιµοποιώντας ένα νέο σύνολο δεδοµένων, το οποίο περιλαµβάνει ένα χαρτοφυλάκιο δανείων από ελληνική εµπορική τράπεζα, συµπεριλαµβανοµένων των στεγαστικών, καταναλωτικών και µικρών επιχειρήσεων από τον Ιούλιο του 2021 έως τον Δεκέµβριο του 2022. Εξετάζω εµπειρικά τον πιστωτικό κίνδυνο των δανειοληπτών σχετικά µε την πιθανότητα αποπληρωµής του δανείου µέσω οικονοµετρικών µοντέλων όπως µοντέλα παλινδρόµησης, αλγόριθµους µηχανικής µάθησης και νευρωνικά δίκτυα. Οι εκτιµήσεις που προκύπτουν τεκµηριώνουν ότι οι αλγόριθµοι µηχανικής µάθησης και τα νευρωνικά δίκτυα, ιδιαίτερα το Random Forest µοντέλο και το Convolutional Neural Network µοντέλο, µπορούν να διακρίνουν πιο αποτελεσµατικά την πολυπλοκότητα και τις µη γραµµικές σχέσεις µεταξύ των µεταβλητών σε σύγκριση µε τα µοντέλα παλινδρόµησης, καθιστόντας τα έτσι πιο ικανά στην ακριβή πρόβλεψη των περιπτώσεων κινδύνου αθέτησης δανείων συµβάλλοντας ταυτόχρονα στη διαχείριση και τον µετριασµό του πιστωτικού κινδύνου.
After the global financial crisis of 2007, financial institutions placed increased emphasis on developing robust econometric models and tools for assessing creditworthiness and predicting bankruptcy probabilities in the financial sector. Using a novel dataset, comprising a loan portfolio from a Greek commercial bank, including Mortgage, Consumer, and Small Business Loans from July 2021 to December 2022. I empirically examine the credit risk of the borrowers on the probability of loan repayment through econometric modeling such as regression models, machine learning algorithms and neural networks. The resulting estimates document that machine learning algorithms and neural networks, particularly the Random Forest model and the Convolutional Neural Network model, can more effectively distinguish complexity and non-linear relationships between variables compared to regression models, thus making them more capable of accurately predicting loan default risk cases simultaneously contributing to the management and mitigation of credit risk.
|
|---|
Copyright © 2013 Βιβλιοθήκη Ο.Π.Α. Με την επιφύλαξη παντός δικαιώματος.