PYXIDA Institutional Repository
and Digital Library
 Home
Collections :

Title :Statistical methods and machine learning algorithms in credit risk
Alternative Title :Στατιστικές μέθοδοι και αλγόριθμοι μηχανικής μάθησης στον πιστωτικό κίνδυνο
Creator :Mantzos, Georgios
Μάντζος, Γεώργιος
Contributor :Ntzoufras, Ioannis (Επιβλέπων καθηγητής)
Karlis, Dimitrios (Εξεταστής)
Chatziantoniou, Damianos (Εξεταστής)
Athens University of Economics and Business, Department of Management Science and Technology (Degree granting institution)
Type :Text
Extent :50p.
Language :en
Identifier :http://www.pyxida.aueb.gr/index.php?op=view_object&object_id=10841
Abstract :Η παρούσα διπλωματική εργασία εξετάζει την πρόβλεψη της αθέτησης πληρωμών πιστωτικών καρτών από την σκοπιά των κλασικών στατιστικών μεθόδων και νέων πιθανών εναλλακτικών προσεγγίσεων, όπως αλγόριθμοι μηχανικής μάθησης. Το πρόβλημα αντιμετωπίζεται ως ένα πρόβλημα δυαδικής ταξινόμησης χρησιμοποιώντας τη μέθοδο SMOTE για την προσαρμογή της κατανομής των κλάσεων των μεταβλητών σε σύνολα δεδομένων και τις κατάλληλες μεθόδους επιλογής μεταβλητών προκειμένου να διατηρηθούν εκείνες με τα πιο σχετικά χαρακτηριστικά και να ενισχυθεί η συνολική απόδοση των μοντέλων. Η επιλογή του καλύτερου μοντέλου βασίζεται στον συνδυασμό της ακρίβειας του μοντέλου αλλά και του AUC. Το μοντέλο SVM, έχοντας εφαρμόσει τη μέθοδο επιλογής μεταβλητών LASSO, είχε την καλύτερη απόδοση από τα υπόλοιπα μοντέλα.
This thesis examines the prediction of default on credit card payments from the aspect of classical statistical methods and new potential alternative approaches such as machine learning algorithms. The problem is faced as a binary classification problem using Minority Oversampling Technique (SMOTE) for imbalanced dataset and the appropriate variable selection methods in order to keep the most relevant features and enhance the overall performance of the models. The selection of the best model is based on the combination of accuracy of the model and Area Under Curve. The Support Vector Machine (SVM) model, having applied LASSO variable selection method, performed better than the rest of the models.
Subject :Μηχανική μάθηση
Πιστωτικός κίνδυνος
Machine learning
Credit risk
Date Available :2023-11-14 01:20:37
Date Issued :10/02/2023
Date Submitted :2023-11-14 01:20:37
Access Rights :Free access
Licence :

File: Mantzos_2023.pdf

Type: application/pdf