PYXIDA Institutional Repository
and Digital Library
 Home
Collections :

Title :Προσδιοριστικοί παράγοντες και πρόβλεψη μη εξυπηρετούμενων δανείων σε μικροοικονομικό επίπεδο
Alternative Title :Determinants and forecast of non-performing loans at the microeconomic level
Creator :Ρένεση, Σπυρώ
Contributor :Κρητικός, Εμμανουήλ (Επιβλέπων καθηγητής)
Μούρτος, Ιωάννης (Εξεταστής)
Ζαχαριάδης, Εμμανουήλ (Εξεταστής)
Οικονομικό Πανεπιστήμιο Αθηνών, Τμήμα Διοικητικής Επιστήμης και Τεχνολογίας (Degree granting institution)
Type :Text
Extent :54σ.
Language :el
Identifier :http://www.pyxida.aueb.gr/index.php?op=view_object&object_id=9435
Abstract :Ο σκοπός της διπλωματικής εργασίας ήταν η ανάπτυξη μιας μεθοδολογίας για την ανίχνευση και αναγνώριση ενδείξεων και χαρακτηριστικών των δανείων που βοηθούν στην πρόβλεψη των περιπτώσεων που θα γίνουν μη εξυπηρετούμενα.Συγκρίνονται δεδομένα από Β τρίμηνο του 2018 σε σχέση με την εικόνα τους το Β τρίμηνο του 2019, μία εποχή που η οικονομική κατάσταση στην Ελλάδα έδειχνε να παίρνει πιο θετική τροχιά σε σχέση με την κρίση που ξεκινούσε περίπου 10 χρόνια πριν και δεδομένα από το Β τρίμηνο του 2020 σε σχέση με το Β τρίμηνο του 2021, εποχή που η Ελλάδα διένυε ήδη κάποιους μήνες μέσα στην πανδημία του κορονοϊού. Ποια η διαφορά στην συμπεριφορά των δανείων ένα χρόνο πριν και κατά τη διάρκεια της πανδημίας; Οι ελληνικές τράπεζες έχουν δώσει σε επενδυτές ένα μεγάλο μέρος του «κόκκινου» χαρτοφυλακίου τους, ενώ πληρώνουν για το υπόλοιπο μέρος εταιρίες διαχείρισης. Πώς θα μπορούσαν να προβλέψουν ποια δάνεια θα γίνουν μη εξυπηρετούμενα και να προβούν σε ανάλογες ενέργειες ώστε το χαρτοφυλάκιό τους να παραμείνει υγιές; Αναζητούνται τα χαρακτηριστικά, βάσει των οποίων θα επιλεχθεί η περίμετρος των δανείων που θα πρέπει να επέμβουν για να μην επιδεινωθεί η κατάστασή τους.
The purpose of the dissertation was to develop a methodology for detecting and identifying indications and characteristics of loans that could help predict the cases that will become non-performing.The dataset used was from two periods. The first dataset is a number of loans from the second quarter of 2018 that are compared with their picture in the second quarter of 2019, a time when the economic situation in Greece seemed to take a promising direction, compared to the crisis that began about 10 years ago. The second comes from the second quarter of 2020 in relation to the second quarter of 2021, a time when Greece was already going through in the coronavirus pandemic for several months. Is there any difference concerning the loan behavior a year before and during the pandemic?Greek banks have given to investors a large part of their defaulted portfolio, while they have assigned the management of the rest loans to servicing companies. How can they predict which loans will become non-performing and take appropriate action to keep their portfolio healthy? The characteristics are sought, based on which the perimeter of the loans will be selected for interventive actions to be taken in order to prevent the worsening of their situation.
Subject :Μη εξυπηρετούμενα δάνεια
Ελληνικό τραπεζικό σύστημα
Δέντρα αποφάσεων
Λιανική τραπεζική
Πρόβλεψη
Non-performing loans
Greek banking system
Decision trees
Retail banking
Prediction
Date Available :2022-04-20 01:02:30
Date Issued :2022
Date Submitted :2022-04-20 01:02:30
Access Rights :Free access
Licence :

File: Renesi_2022.pdf

Type: application/pdf