Institutional Repository
Technical University of Crete
Technical University of Crete
EN
|
EL
| URI | http://purl.tuc.gr/dl/dias/C993E1F1-1BDE-4D15-A88D-8CF0F5CD7395 | - |
| Identifier | https://doi.org/10.26233/heallink.tuc.104727 | - |
| Language | el | - |
| Extent | 53 σελίδες | el |
| Title | Συγκριτική αξιολόγηση μεθόδων μηχανικής μάθησης για την εκτίμηση του κινδύνου πτώχευσης επιχειρήσεων | el |
| Title | Comparative evaluation of machine learning methods for distance to default estimation | en |
| Creator | Andreoulakis Nikolaos | en |
| Creator | Ανδρεουλακης Νικολαος | el |
| Contributor [Thesis Supervisor] | Doumpos Michail | en |
| Contributor [Thesis Supervisor] | Δουμπος Μιχαηλ | el |
| Contributor [Committee Member] | Zopounidis Konstantinos | en |
| Contributor [Committee Member] | Ζοπουνιδης Κωνσταντινος | el |
| Contributor [Committee Member] | Atsalakis Georgios | en |
| Contributor [Committee Member] | Ατσαλακης Γεωργιος | el |
| Publisher | Πολυτεχνείο Κρήτης | el |
| Publisher | Technical University of Crete | en |
| Academic Unit | Technical University of Crete::School of Production Engineering and Management | en |
| Academic Unit | Πολυτεχνείο Κρήτης::Σχολή Μηχανικών Παραγωγής και Διοίκησης | el |
| Description | H παρούσα διπλωματική εργασία εκπονήθηκε για την απόκτηση του Διπλώματος Μεταπτυχιακών Σπουδών στη «Διοίκηση Επιχειρήσεων - Master in Business Administration» (ειδίκευση «Χρηματοοικονομική»), που απονέμει η Σχολή Μηχανικών Παραγωγής και Διοίκησης του Πολυτεχνείου Κρήτης | el |
| Content Summary | Στην παρούσα διπλωματική εργασία αναλύεται το θεωρητικό πλαίσιο του μοντέλου αγοράς Black-Scholes-Merton, το οποίο χρησιμοποιείται ευρέως για την εκτίμηση της απόστασης από ασυνέπεια (distance to default) μιας επιχείρησης, ως μέτρο του πιστωτικού τής κινδύνου. Αρχικά παρουσιάζονται τα βασικά χαρακτηριστικά του μοντέλου, καθώς και οι κύριες παραδοχές που το συνοδεύουν. Στη συνέχεια εξετάζονται επεκτάσεις και εναλλακτικά μοντέλα που έχουν προταθεί στη διεθνή βιβλιογραφία, με στόχο τη βελτίωση της ακρίβειας και της ρεαλιστικότητας της εκτίμησης του κινδύνου αθέτησης. Σε δεύτερο στάδιο, η εργασία εστιάζει στη χρήση μοντέλων μηχανικής μάθησης για την εκτίμηση της απόστασης από ασυνέπεια. Για τους σκοπούς της εμπειρικής ανάλυσης χρησιμοποιείται δείγμα δεδομένων εισηγμένων επιχειρήσεων από την ευρωπαϊκή αγορά. Περιγράφεται η διαδικασία προεπεξεργασίας των δεδομένων, η επιλογή χαρακτηριστικών και η μέθοδολογία εκπαίδευσης και αξιολόγησης των αλγορίθμων. Δίνεται έμφαση όχι μόνο στην προ- βλεπτική ικανότητα των μοντέλων, αλλά και στη διαφάνεια και ερμηνευσιμότητά τους, μέσω της εφαρμογής του αλγόριθμου SHAP, ο οποίος επιτρέπει την αποσαφήνιση της συμβολής κάθε μεταβλητής στην τελική πρόβλεψη. Η μελέτη καταλήγει στο συμπέρασμα ότι ο συνδυασμός παραδοσιακών χρηματοοικονομικών μοντέλων με μεθόδους μηχανικής μάθησης μπορεί να προσφέρει πιο ολοκληρωμένα εργαλεία εκτίμησης πιστωτικού κινδύνου, τα οποία είναι ταυτόχρονα ακριβή και ερμηνεύσιμα, συμβάλλοντας έτσι στη λήψη καλύτερα τεκμηριωμένων χρηματοοικονομικών αποφάσεων. | el |
| Type of Item | Μεταπτυχιακή Διατριβή | el |
| Type of Item | Master Thesis | en |
| License | http://creativecommons.org/licenses/by/4.0/ | en |
| Date of Item | 2025-09-29 | - |
| Date of Publication | 2025 | - |
| Subject | Black Scholes Merton | en |
| Subject | Machine learning models | en |
| Subject | Μοντέλα πρόβλεψης | el |
| Subject | Distance to default | en |
| Subject | Aπόσταση από ασυνέπεια | el |
| Subject | Πιστωτικός κίνδυνος | el |
| Subject | Πιθανότητα πτώχευσης | el |
| Bibliographic Citation | Νικόλαος Ανδρεουλάκης, "Συγκριτική αξιολόγηση μεθόδων μηχανικής μάθησης για την εκτίμηση του κινδύνου πτώχευσης επιχειρήσεων", Μεταπτυχιακή Διατριβή, Σχολή Μηχανικών Παραγωγής και Διοίκησης, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2025 | el |
| Bibliographic Citation | Nikolaos Andreoulakis, "Comparative evaluation of machine learning methods for distance to default estimation", Master Thesis, School of Production Engineering and Management, Technical University of Crete, Chania, Greece, 2025 | en |
Copyright © DIAS 2013
