Credit risk and credit derivatives

Abstract

Η διπλωματική εργασία με τίτλο «Πιστωτικός Κίνδυνος και Πιστωτικά Παράγωγα» εξετάζει τη σημασία, τη μέτρηση και τη διαχείριση του πιστωτικού κινδύνου, ο οποίος αποτελεί βασικό παράγοντα σταθερότητας και κερδοφορίας των χρηματοπιστωτικών ιδρυμάτων. Αρχικά αναλύονται οι θεμελιώδεις έννοιες, όπως η αναμενόμενη ζημία (Expected Loss), η ζημία λόγω αθέτησης (LGD), η έκθεση σε αθέτηση (EAD) και η απρόσμενη ζημία (Unexpected Loss), καθώς και η χρήση προχωρημένων μεθόδων όπως το μοντέλο CreditRisk+. Στη συνέχεια, παρουσιάζονται τόσο τα κλασικά στατιστικά εργαλεία όσο και σύγχρονα μοντέλα μηχανικής μάθησης, όπως Logistic Regression, Decision Trees, Random Forests, Support Vector Machines, Naive Bayes, Γραμμική Διακριτική Ανάλυση (LDA) και Νευρωνικά Δίκτυα. Μέσα από την ανάλυση επισημαίνονται τα πλεονεκτήματα και οι περιορισμοί κάθε προσέγγισης, ενώ δίνεται έμφαση στη δυνατότητα των μεθόδων τεχνητής νοημοσύνης να αξιοποιούν μεγάλα δεδομένα για πιο ακριβείς εκτιμήσεις κινδύνου. Επιπλέον, μελετώνται τα πιστωτικά παράγωγα, όπως τα Credit Default Swaps (CDS), τα οποία λειτουργούν ως εργαλεία μεταφοράς και αντιστάθμισης του πιστωτικού κινδύνου. Η εργασία ολοκληρώνεται με εμπειρική εφαρμογή σε πραγματικά δεδομένα, όπου αξιολογούνται οι επιδόσεις διαφορετικών μοντέλων πρόβλεψης. Τα αποτελέσματα δείχνουν ότι οι μέθοδοι μηχανικής μάθησης, σε συνδυασμό με τις παραδοσιακές στατιστικές προσεγγίσεις, μπορούν να βελτιώσουν ουσιαστικά την ακρίβεια πρόβλεψης και να ενισχύσουν τη διαχείριση του πιστωτικού κινδύνου, παρέχοντας πολύτιμα εργαλεία σε τράπεζες και χρηματοπιστωτικούς οργανισμούς, ιδιαίτερα στο ελληνικό και ευρωπαϊκό περιβάλλον.

The master’s thesis entitled “Credit Risk and Credit Derivatives” explores the measurement, modelling, and management of credit risk, which is a key factor for the stability and profitability of financial institutions. It begins with a presentation of the fundamental concepts such as Expected Loss (EL), Loss Given Default (LGD), Exposure at Default (EAD), and Unexpected Loss (UL), along with advanced approaches like the CreditRisk+ model. The study then examines both traditional statistical techniques and modern machine learning methods, including Logistic Regression, Decision Trees, Random Forests, Support Vector Machines, Naive Bayes, Linear Discriminant Analysis (LDA), and Neural Networks. Each method’s strengths and limitations are discussed, while emphasis is placed on the ability of artificial intelligence tools to exploit large datasets and deliver more accurate default predictions. In addition, the role of credit derivatives, particularly Credit Default Swaps (CDS), is analyzed as instruments for mitigating and transferring credit risk. The thesis concludes with an empirical application using real data, where the performance of alternative models is evaluated in terms of predictive accuracy and risk assessment. The results highlight that combining machine learning algorithms with classical statistical methods significantly enhances prediction quality and risk management capabilities. This integrated approach provides valuable tools for banks and financial institutions, especially within the context of the Greek and broader European markets.