Βιβλιοθήκη ΟΠΑ - Ψηφιακό Αποθετήριο

ΠΥΞΙΔΑ Ιδρυματικό Αποθετήριο
και Ψηφιακή Βιβλιοθήκη

Όνομα χρήστη
Κωδικός πρόσβασης

Συλλογές :	Ιδρυματικό Αποθετήριο ΟΠΑ / AUEB Institutional Repository Σχολή Επιστημών και Τεχνολογίας της Πληροφορίας / School of Informatics Τμήμα Στατιστικής / Department of Statistics Μεταπτυχιακές Εργασίες / Postgraduate dissertations

Τίτλος :	Ταξινόμηση: ανάλυση μεθόδων ταξινόμησης και αξιολόγηση της διακριτικής τους ικανότητας σε βάση δανείων αποτελούμενη από μη εξυπηρετούμενα (defaulted) και εξυπηρετούμενα (non- defaulted) στεγαστικά δάνεια

Εναλλακτικός τίτλος :	Classification: presentation of classification methods and evaluation of their ability to predict bankruptcy to mortgage portfolio

Δημιουργός :	Γκίκας, Δημήτριος

Συντελεστής :	Παπαγεωργίου, Ιουλία (Επιβλέπων καθηγητής) Μπεσμπέας, Παναγιώτης (Εξεταστής) Πεντελή, Ξανθή (Εξεταστής) Οικονομικό Πανεπιστήμο Αθηνών, Τμήμα Στατιστικής (Degree granting institution)

Τύπος :	Text

Φυσική περιγραφή :	68σ.

Γλώσσα :	el

Αναγνωριστικό :	http://www.pyxida.aueb.gr/index.php?op=view_object&object_id=8474

Περίληψη :	Η διατριβή αυτή έχει ως σκοπό την εξέταση των μεθοδολογιών: λογιστικής παλινδρόμησης, Linear Discriminant Analysis (LDA), Quadratic Discriminant Analysis (QDA), K-nearest neighbours(ΚΝΝ), Classification trees ως μεθόδων ταξινόμησης και πρόβλεψης του αν ένας δανειολήπτης στεγαστικού δανείου θα παραμείνει στην κατηγορία εξυπηρέτησης του δανείου του (non-defaulted) ή θα μεταφερθεί στην κατηγορία της πιστωτικής αθέτησης (defaulted).Η διατριβή παρουσιάζει ένα σύντομο ιστορικό της Πιστωτικής Επέκτασης στην Ελλάδα από την εισαγωγή του Ευρώ. Συνεχίζει παρουσιάζοντας στοιχεία της αύξησης των πιστωτικών αθετήσεων ως αποτέλεσμα της έναρξη της οικονομικής κρίσης στην Ελλάδα το 2009, γεγονός που εν συνεχεία έκανε την επιτακτική την ανάγκη εύρεσης μοντέλων ταξινόμησης πιστούχων σε «καλούς» (good) και «κακούς» (bad). Τα δεδομένα είναι προερχόμενα από τον Τραπεζικό χώρο, στο κεφάλαιο 3 παρουσιάζονται περιγραφικά στοιχεία και τα ιδιαίτερα χαρακτηριστικά αυτών των δεδομένων.Στα κεφάλαια 4-7 αναλύονται οι παραπάνω μέθοδοι αξιολόγησης ενώ στο κεφάλαιο 8 παρουσιάζεται η σύγκριση και τα αποτελέσματα αυτών των μεθοδολογιών τόσο από ποιοτική όσο και ποσοτική πλευρά καθώς και το τελικό συμπέρασμα. The purpose of this master thesis is to present the methods of Logistic classification, Linear Discriminant Analysis (LDA), Quadratic Discriminant Analysis (QDA), K-nearest neighbours (KNN), Classification trees as classification methods and to evaluate their ability to predict correctly whether a mortgage borrower will remain in the non-defaulted category or will be transferred to the default category.The study presents a brief history of Credit Expansion in Greece since the introduction of Euro currency. Furthermore, it presents information for the significant increase of the defaulted loans in Greece as result of the financial crisis. This fact triggered the need of building accurate models which can predict and classify the borrowers in the default and not default categories. The data used are from Greek operating bank. Some key information and descriptive statistics for the data is presented in the chapter 3. Also in the chapters 4-7 are presented the examined methods while the comparison between the methods both qualitative and quantitative is presented in the chapter 8

Περίληψη :

Η διατριβή αυτή έχει ως σκοπό την εξέταση των μεθοδολογιών: λογιστικής παλινδρόμησης, Linear Discriminant Analysis (LDA), Quadratic Discriminant Analysis (QDA), K-nearest neighbours(ΚΝΝ), Classification trees ως μεθόδων ταξινόμησης και πρόβλεψης του αν ένας δανειολήπτης στεγαστικού δανείου θα παραμείνει στην κατηγορία εξυπηρέτησης του δανείου του (non-defaulted) ή θα μεταφερθεί στην κατηγορία της πιστωτικής αθέτησης (defaulted).Η διατριβή παρουσιάζει ένα σύντομο ιστορικό της Πιστωτικής Επέκτασης στην Ελλάδα από την εισαγωγή του Ευρώ. Συνεχίζει παρουσιάζοντας στοιχεία της αύξησης των πιστωτικών αθετήσεων ως αποτέλεσμα της έναρξη της οικονομικής κρίσης στην Ελλάδα το 2009, γεγονός που εν συνεχεία έκανε την επιτακτική την ανάγκη εύρεσης μοντέλων ταξινόμησης πιστούχων σε «καλούς» (good) και «κακούς» (bad). Τα δεδομένα είναι προερχόμενα από τον Τραπεζικό χώρο, στο κεφάλαιο 3 παρουσιάζονται περιγραφικά στοιχεία και τα ιδιαίτερα χαρακτηριστικά αυτών των δεδομένων.Στα κεφάλαια 4-7 αναλύονται οι παραπάνω μέθοδοι αξιολόγησης ενώ στο κεφάλαιο 8 παρουσιάζεται η σύγκριση και τα αποτελέσματα αυτών των μεθοδολογιών τόσο από ποιοτική όσο και ποσοτική πλευρά καθώς και το τελικό συμπέρασμα.
The purpose of this master thesis is to present the methods of Logistic classification, Linear Discriminant Analysis (LDA), Quadratic Discriminant Analysis (QDA), K-nearest neighbours (KNN), Classification trees as classification methods and to evaluate their ability to predict correctly whether a mortgage borrower will remain in the non-defaulted category or will be transferred to the default category.The study presents a brief history of Credit Expansion in Greece since the introduction of Euro currency. Furthermore, it presents information for the significant increase of the defaulted loans in Greece as result of the financial crisis. This fact triggered the need of building accurate models which can predict and classify the borrowers in the default and not default categories. The data used are from Greek operating bank. Some key information and descriptive statistics for the data is presented in the chapter 3. Also in the chapters 4-7 are presented the examined methods while the comparison between the methods both qualitative and quantitative is presented in the chapter 8

Λέξη κλειδί :	Ταξινόμηση Λογιστική παλινδρόμηση Δέντρα ταξινόμησης K-nearest neighbors Linear discriminant analysis Classification Logistic regression Classification tree K-nearest neighbors Default loans Quadratic discriminant analysis

Διαθέσιμο από :	2021-03-28 19:54:08

Ημερομηνία έκδοσης :	02/03/2021

Ημερομηνία κατάθεσης :	2021-03-28 19:54:08

Δικαιώματα χρήσης :	Free access

Άδεια χρήσης :

Αρχείο: Gkikas_2021.pdf

Τύπος: application/pdf

Είσοδος