Ιδρυματικό Αποθετήριο
Πολυτεχνείο Κρήτης
EN  |  EL

Αναζήτηση

Πλοήγηση

Ο Χώρος μου

Assessing bankruptcy risk for financial institutions: methodological framework and predictive modelling

Manthoulis Georgios

Απλή Εγγραφή


URIhttp://purl.tuc.gr/dl/dias/EC707282-3D0B-4679-8657-FE636EF510C8-
Αναγνωριστικόhttps://doi.org/10.26233/heallink.tuc.83773-
Γλώσσαen-
Μέγεθος139 pagesen
ΤίτλοςAssessing bankruptcy risk for financial institutions: methodological framework and predictive modellingen
ΔημιουργόςManthoulis Georgiosen
ΔημιουργόςΜανθουλης Γεωργιοςel
Συντελεστής [Επιβλέπων Καθηγητής]Zopounidis Konstantinosen
Συντελεστής [Επιβλέπων Καθηγητής]Ζοπουνιδης Κωνσταντινοςel
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]Doumpos Michailen
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]Δουμπος Μιχαηλel
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]Galariotis, Emiliosen
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]Chrysovalantis Gaganisen
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]Pasiouras Fotiosen
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]Πασιουρας Φωτιοςel
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]Atsalakis Georgiosen
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]Ατσαλακης Γεωργιοςel
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]Kosmidou, Kyriakien
ΕκδότηςΠολυτεχνείο Κρήτηςel
ΕκδότηςTechnical University of Creteen
Ακαδημαϊκή ΜονάδαTechnical University of Crete::School of Production Engineering and Managementen
Ακαδημαϊκή ΜονάδαΠολυτεχνείο Κρήτης::Σχολή Μηχανικών Παραγωγής και Διοίκησηςel
ΠεριγραφήA dissertation submitted to the School of Production Engineering and Management at the Technical University of Crete in partial fulfilment of the requirements for the degree of Doctor of Philosophy.en
ΠερίληψηThis thesis is a comprehensive and complete research on bank failure prediction, as it examines various modeling aspects for obtaining improved results. The analysis is based on a comprehensive dataset of approximately 60,000 observations over an extensive period of nine years (2005-2014), and it examines different prediction horizons, for up to three years prior to failure. We explore whether the addition of variables related to the diversification of the banks’ activities, along with local effects, improves the predictability of the models. Seven popular and widely used machine-learning techniques are compared (logistic regression, support vector machines with linear and radial kernels, naïve Bayes, extreme gradient boosting, random forests and artificial neural networks) and three different classification performance metrics are calculated (AUROC, H-measure, and Kolmogorov-Smirnov metric). In order to ensure the robustness of the results, bootstrap testing is used. The results show that mid- and long-range predictions improve significantly with the addition of diversification variables. Local effects exist and further improve the results while support vector machines along with gradient boosting and random forests outperform the traditional models with the differences increasing over longer prediction horizons.en
ΤύποςΔιδακτορική Διατριβήel
ΤύποςDoctoral Dissertationen
Άδεια Χρήσηςhttp://creativecommons.org/licenses/by/4.0/en
Ημερομηνία2019-11-07-
Ημερομηνία Δημοσίευσης2019-
Θεματική ΚατηγορίαOR in bankingen
Θεματική ΚατηγορίαBank failure predictionen
Βιβλιογραφική ΑναφοράGeorgios Manthoulis, "Assessing bankruptcy risk for financial institutions: methodological framework and predictive modelling", Doctoral Dissertation, School of Production Engineering and Management, Technical University of Crete, Chania, Greece, 2019en

Διαθέσιμα αρχεία

Υπηρεσίες

Στατιστικά