PYXIDA Institutional Repository
and Digital Library
 Home
Collections :

Title :Η εξέλιξη των μεθόδων πρόβλεψης χρεοκοπίας
Creator :Καράλα, Αλεξάνδρα
Contributor :Χαλαμανδάρης, Γεώργιος (Επιβλέπων καθηγητής)
Γεωργούτσος, Δημήτριος (Εξεταστής)
Τσεκρέκος, Ανδριανός (Εξεταστής)
Οικονομικό Πανεπιστήμιο Αθηνών, Τμήμα Λογιστικής και Χρηματοοικονομικής (Degree granting institution)
Type :Text
Notes :Η εργασία περιέχει βιβλιογραφικές αναφορές.
Extent :106σ.
Language :el
Identifier :http://www.pyxida.aueb.gr/index.php?op=view_object&object_id=8894
Abstract :Η παρούσα εργασία έχει ως θέμα την μελέτη των μεθόδων πρόβλεψης χρεοκοπίας εξετάζοντας τις βασικές θεωρίες αναφορικά με την χρεοκοπία. Ειδικότερα, η μελέτη εστιάζει στα παραμετρικά μοντέλα πρόβλεψης χρεοκοπίας, όσο και στα μη παραμετρικά δίνοντας έμφαση στο credit scoring, στο machine learning,στη συμβολή του machine learning στη πρόβλεψη χρεοκοπίας. Επίσης η μελέτη επικεντρώνεται στις τεχνικές πρόβλεψης της τεχνητής νοημοσύνης, αλλά και στα τεχνητά νευρωνικά δίκτυα. Τέλος, η εργασία αυτή κάνει εκτενή λόγο στη σύγκριση των τεχνητών νευρωνικών δικτύων με τις παραδοσιακές μεθόδους πρόβλεψης.
The aim of this paper is to study bankruptcy prediction methods by examining the basic theories regarding bankruptcy. In particular, the study focuses on the parametric models of bankruptcy prediction, as well as the non-parametric ones, emphasizing credit scoring, machine learning, the contribution of machine learning to bankruptcy prediction. The study also focuses not only on the techniques of predicting artificial intelligence, but also on artificial neural networks. Finally, this project makes a comparison between artificial neural networks and traditional prediction methods.
Subject :Χρεοκοπία
Πρόβλεψη
Παραμετρικά μοντέλα
Μη παραμετρικά μοντέλα
Τεχνητά νευρωνικά δίκτυα
Bankruptcy
Prediction
Parametric models
Non-parametric models
Artificial neural networks
Date Available :2021-11-09 11:41:54
Date Issued :10/05/2021
Date Submitted :2021-11-09 11:41:54
Access Rights :Free access
Licence :

File: Karala_2021.pdf

Type: application/pdf