Εντοπίστηκε ένα σφάλμα στη λειτουργία της ΠΥΞΙΔΑΣ όταν χρησιμοποιείται μέσω του προγράμματος περιήγησης Safari. Μέχρι να αποκατασταθεί το πρόβλημα, προτείνουμε τη χρήση εναλλακτικού browser όπως ο Chrome ή ο Firefox. A bug has been identified in the operation of the PYXIDA platform when accessed via the Safari browser. Until the problem is resolved, we recommend using an alternative browser such as Chrome or Firefox.
Λογότυπο αποθετηρίου

Μεταπτυχιακές Εργασίες

Μόνιμο URI για αυτήν τη συλλογήhttps://pyxida.aueb.gr/handle/123456789/61

Περιήγηση

Πλοήγηση Μεταπτυχιακές Εργασίες ανά Συγγραφέα "Banitskas, Alexandros"

A B C D E F G H I J K L M N O P Q R S T U V W X Y Z
Α Β Γ Δ Ε Ζ Η Θ Ι Κ Λ Μ Ν Ξ Ο Π Ρ Σ Τ Υ Φ Χ Ψ Ω
Φιλτράρετε τα αποτελέσματα πληκτρολογώντας τα πρώτα γράμματα
Τώρα δείχνει 1 - 1 από 1
  • Μικρογραφία εικόνας
    Τεκμήριο
    Econometric modeling of credit risk and application to bankruptcy prediction
    (14-03-2024) Μπανίτσκας, Αλέξανδρος; Banitskas, Alexandros; Athens University of Economics and Business, Department of Economics; Tzavalis, Elias; Antoniou, Fabio; Dendramis, Yiannis
    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.