| Περίληψη : | Η συγκεκριμένη διπλωματική εργασία σκοπό έχει να δώσει μία προσέγγιση στο πρόβλημα της αξιολόγησης του πιστωτικού κινδύνου, η οποία είναι διαφορετική από τις συνήθεις μεθόδους προσέγγισης του εν λόγω προβλήματος. Το πρόβλημα του πιστωτικού κινδύνου πάντοτε απασχολούσε τόσο τις τράπεζες , όσο και τις διάφορες έρευνες προσέγγισής του, με τις οποίες εφαρμόζοντας διάφορες μεθοδολογίες γίνονταν πάντα προσπάθειες για μία όσο το δυνατόν πιο ακριβή προσέγγιση, οι οποίες γίνονται όλο και πιο σύνθετες ακόμα και στις μέρες μας. Η χρηματοπιστωτική κρίση του 2008 απέδειξε όχι μόνο ότι τα μοντέλα εκτίμησης του πιστωτικού κινδύνου χαρακτηρίζονταν από δομικές ανεπάρκειες των μοντέλων τα οποία εξετάζουν το συγκεκριμένο πρόβλημα , αλλά ουσιαστικά δρούσαν χωρίς να έχει γίνει πρώτα μία μορφή διαχωρισμού για το είδος των δανειοληπτών μεταξύ «αξιόπιστων» και «μη-αξιόπιστων». Η συγκεκριμένη διπλωματική εργασία προβαίνει ακριβώς σε αυτό το είδος ταξινόμησης των δανειοληπτών , οι οποίοι μάλιστα έχουν ήδη χρέη από το παρελθόν, τα οποία δεν έχουν πλήρως εξοφληθεί. Χρησιμοποιώντας το Σετ Γερμανικών Πιστωτικών Δεδομένων, το οποίο εξετάζει 1000 τέτοιες περιπτώσεις , με τη χρήση τόσο παλαιών μεθόδων ταξινόμησης ( Γραμμική Ανάλυση Διακρίσεων – LDA (Fisher , 1936) , Τετραγωνική Ανάλυση Διακρίσεων – QDA , Εγγύτερος Γείτονας Βαθμού (Κ) ) , όσο και νέων μεθόδων , οι οποίες εξελίχθηκαν τα τελευταία χρόνια (Τεχνητά Νευρωνικά Δίκτυα) , καθώς και Δυαδικά Μοντέλα (Probit , Logit , Μοντέλα Επιβίωσης Weibul ) δίνονται διάφορες προσεγγίσεις , οι οποίες με τη σειρά τους αναδεικνύουν την αποτελεσματικότητα της κάθε μεθόδου. Ιδιαίτερο ενδιαφέρον δείχνει η μέθοδος Kernel , η οποία βασίζεται καθαρά στα στατιστικά χαρακτηριστικά της κάθε μεταβλητής , καθώς έτσι λύνεται η απορία του ερωτήματος σχετικά με τους παράγοντες , οι οποίοι καθορίζουν την τελική αποτελεσματικότητα των διαφόρων μεθόδων προσέγγισης του συγκεκριμένου προβλήματος.
This diploma thesis aims to provide an approach to the problem of credit risk assessment, which is different from the usual methods of approaching this problem. The problem of credit risk has always occupied both the banks and the various research approaches, with the use of which, by applying various methodologies, efforts have always been made to make the most accurate approach possible, efforts that are becoming more and more complex even nowadays. The credit-financial crisis of 2008 demonstrated not only that the models of credit risk assessment were characterised by structural deficiencies of the models which address this problem, but essentially acted without firstly applying a form of separation for the type of borrowers between "reliable" and "non-reliable". This diploma thesis is precisely the type of classification of borrowers, who already have debts from the past, which have not been fully paid off. Using the German Credit Dataset, which examines 1000 such cases, using such old classification methods (Linear Discrimination Analysis – LDA (Fisher, 1936), Quadratic Discrimination Analysis – QDA, Kth Nearest Neighbor - KNN) as new methods, which have been evolved in recent years (Artificial Neural Networks), as well as Binary Models (Probit, Logit, Weibul Survival Analysis Models) various approaches are given , which in turn highlight the effectiveness of each method. Kernel method is of particular interest , which is purely based on the statistical characteristics of each variable, as this solves the question about the factors, which determine the final efficiency of the various approaches to this problem.
|
|---|
Copyright © 2013 Βιβλιοθήκη Ο.Π.Α. Με την επιφύλαξη παντός δικαιώματος.