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.
 

Survival analysis in credit data

dc.aueb.departmentDepartment of Management Science and Technology
dc.aueb.programBusiness Analytics
dc.contributor.opponentVrontos, Ioannisen
dc.contributor.thesisadvisorKarlis, Dimitriosen
dc.creatorΤεριζάκη, Βασιλικήel
dc.creatorTerizaki, Vasilikien
dc.date.accessioned2025-04-12T17:17:51Z
dc.date.available2025-04-12T17:17:51Z
dc.date.issued2025-04-02
dc.description.abstractΗ παρούσα μελέτη διερευνά την εφαρμογή της ανάλυσης επιβίωσης για την πρόβλεψη της πιθανότητας και του χρόνου αθέτησης των δανείων, προσφέροντας μια χρονικά ευαίσθητη προοπτική του πιστωτικού κινδύνου. Χρησιμοποιώντας ένα σύνολο δεδομένων που περιέχει στοιχεία του δανειολήπτη και δεδομένα απόδοσης του δανείου, η έρευνα εξετάζει τον αντίκτυπο παραγόντων όπως το πιστωτικό σκορ, ο σκοπός του δανείου, η κατάσταση κατοχής και το ιστορικό αποπληρωμής στον κίνδυνο αθέτησης. Η μεθοδολογία ενσωματώνει τη λογοκρισία για να ληφθούν υπόψη τα δάνεια που εξακολουθούν να είναι ενεργά ή δεν έχουν αθετήσει τις υποχρεώσεις τους. Οι τεχνικές ανάλυσης επιβίωσης, συμπεριλαμβανομένης της εκτίμησης Kaplan-Meier, της μοντελοποίησης αναλογικών κινδύνων Cox και παραμετρικών μοντέλων όπως Weibull, Log-Logistic, Log-Normal και Exponential, χρησιμοποιούνται για την αξιολόγηση του κινδύνου με την πάροδο του χρόνου. Τα αποτελέσματα αναδεικνύουν την αξία των μοντέλων επιβίωσης για τη βελτίωση της ακρίβειας πρόβλεψης της αθέτησης και την υποστήριξη πιο τεκμηριωμένων, βασισμένων σε δεδομένα αποφάσεων δανεισμού στον χρηματοπιστωτικό τομέα.el
dc.description.abstractThis study explores the application of survival analysis to predict the likelihood and timing of loan defaults, offering a time-sensitive perspective on credit risk. Using a dataset containing borrower details and loan performance data, the research examines the impact of factors such as credit score, loan purpose, occupancy status, and repayment history on default risk. The methodology incorporates censoring to account for loans that are still active or have not defaulted. Survival analysis techniques, including Kaplan-Meier estimation, Cox proportional hazards modeling, and parametric models such as Weibull, Log-Logistic, Log-Normal, and Exponential, are used to evaluate risk over time. The results highlight the value of survival models in improving default prediction accuracy and supporting more informed, data-driven lending decisions in the financial sector.en
dc.embargo.ruleOpen access
dc.format.extentpages 59en
dc.identifier.urihttps://pyxida.aueb.gr/handle/123456789/11856
dc.languageen
dc.rightsAttribution 4.0 Internationalen
dc.rights.urihttp://creativecommons.org/licenses/by/4.0/
dc.subjectSurvival analysisen
dc.subjectSurvival functionen
dc.subjectHazard functionen
dc.subjectParametric survival modelsen
dc.subjectCox proportional hazard modelen
dc.subjectΑνάλυση επιβίωσηςel
dc.subjectΣυνάρτηση επιβίωσηςel
dc.subjectΣυνάρτηση κινδύνουel
dc.subjectΠαραμετρικά μοντέλα επιβίωσηςel
dc.subjectΜοντέλο αναλογικών κινδύνων Coxel
dc.titleSurvival analysis in credit dataen
dc.title.alternativeΑνάλυση επιβίωσης σε πιστωτικά δεδομέναel
dc.typeText

Αρχεία

Πρωτότυπος φάκελος/πακέτο

Τώρα δείχνει 1 - 1 από 1
Φόρτωση...
Μικρογραφία εικόνας
Ονομα:
Terizaki_2025.pdf
Μέγεθος:
2.04 MB
Μορφότυπο:
Adobe Portable Document Format