Μέτρηση και πρόβλεψη κινδύνου αθέτησης στις χρηματοπιστωτικές αγορές

Abstract

Η πρόβλεψη του κινδύνου αθέτησης αποτελεί σημαντικό κομμάτι του πιστωτικού κινδύνου, καθώς επηρεάζει τις αποφάσεις για δανειοδοτήσεις, την κεφαλαιακή επάρκεια και την σταθερότητα των χρηματοπιστωτικών ιδρυμάτων. Ειδικά, μετά την παγκόσμια χρηματοπιστωτική κρίση του 2008 δημιουργήθηκε η ανάγκη για αξιόπιστα και αποδοτικότερα υποδείγματα πρόβλεψης κινδύνου. Η παρούσα εργασία αξιοποιεί παραδοσιακές και σύγχρονες μεθοδολογίες σχετικά με την πρόβλεψη αθέτησης δανείων. Αρχικά γίνεται μία εκτενής βιβλιογραφική ανασκόπηση όπου καλύπτονται διάφορα υποδείγματα πρόβλεψης αθέτησης δανείων, όπως είναι τα λογιστικά, το υπόδειγμα τύπου Merton, αγοραιοκεντρικές προσεγγίσεις, αλλά και υποδείγματα που λαμβάνουν υπόψη τους μικροοικονομικούς, μακροοικονομικούς, και συμπεριφορικούς παράγοντες. Ιδιαίτερη μνεία γίνεται και στα υποδείγματα μηχανικής μάθησης αλλά και στις προηγμένες δυνατότητες τους. Η εμπειρική ανάλυση εστιάζει σε δεδομένα καταναλωτικών δανείων. Μετά από την κατάλληλη επεξεργασία και προσαρμογή των δεδομένων, το ζήτημα μετατρέπεται σε πρόβλημα δυαδικής ταξινόμησης, όπου σκοπός είναι η πρόβλεψης της αθέτησης βάσει των δοθέντων χαρακτηριστικών του δανείου και του δανειολήπτη. Για τον σκοπό αυτό χρησιμοποιούνται μία σειρά από υποδείγματα, δηλαδή Logistic Regression, Probit Regression, Elastic Net, Random Forest, Gradient Boosting, XGBoost, CatBoost και MLP Classifier. Η αξιολόγηση τους πραγματοποιείται με ξεχωριστό σύνολο ελέγχου με την χρήση της καμπύλης ROC, του δείκτη AUC, του confusion matrix αλλά και των μετρικών αξιολόγησης Accuracy, Precision, Recall, F1-Score. Τα αποτελέσματα δείχνουν πως τα μη γραμμικά και τα ensemble υποδείγματα, επιτυγχάνουν καλύτερη αποτελέσματα έναντι των υπόλοιπων γραμμικών υποδειγμάτων, και αυτό δείχνει την μεγάλη σημασία που έχει η μοντελοποίηση των πολύπλοκων μη γραμμικών σχέσεων. Όμως, τα γραμμικά υποδείγματα έχουν το πλεονέκτημα της ερμηνείας των αποτελεσμάτων και της διαφάνειας γεγονός που τα καθιστά ιδιαίτερα χρήσιμα. Η εργασία αυτή αναδεικνύει πως ένα υπόδειγμα δεν είναι αρκετό από μόνο του και απαιτείται μία ολοκληρωμένη στρατηγική διαχείρισης κινδύνου. Παράλληλα δείχνει πόσο σημαντική είναι η σύγκριση πολλαπλών μεθόδων κάτω από ένα ενιαίο πλαίσιο, δίνοντας χρήσιμα συμπεράσματα για την πρόβλεψη και διαχείριση κινδύνου αθέτησης.Default risk prediction is a crucial aspect of credit risk, as it affects lending decisions, capital adequacy, and the stability of financial institutions. Following the 2008 global financial crisis, the need for more reliable, efficient risk prediction models emerged. This paper employs both traditional and modern methodologies related to loan default prediction. Initially, an extensive literature review is conducted, covering various loan default prediction models, including accounting-based models, Merton-type models, market-based approaches, and models that account for microeconomic, macroeconomic, and behavioral factors. Special mention is also made to machine learning models and their advanced capabilities. The empirical analysis focuses on consumer loan data. After appropriate data processing and adjustment, the issue is transformed into a binary classification problem, where the goal is to predict default based on the loan and borrower characteristics. For this purpose, a series of models are used, namely Logistic Regression, Probit Regression, Elastic Net, Random Forest, Gradient Boosting, XGBoost, CatBoost, and MLP Classifier. Their evaluation is carried out using a separate control set, with ROC curves, AUC scores, confusion matrices, and the evaluation metrics Accuracy, Precision, Recall, and F1-Score. The results show that nonlinear and ensemble models achieve better performance than the remaining linear models, underscoring the importance of modeling complex nonlinear relationships. However, linear models have the advantage of interpretability and transparency of results, which makes them particularly useful. This work shows that robust default prediction requires comprehensive risk management and comparison of multiple models within a unified framework. These findings support better strategies for predicting and managing default risk.