A machine learning approach for micro-credit scoring and limit optimization

Η παρούσα διπλωματική εργασία, η οποία διεξήχθη στο πλαίσιο του μεταπτυχιακού προγράμματος "Στατιστική και Ανάλυση Δεδομένων" του Πανεπιστημίου Αιγαίου στο Τμήμα Στατιστικής και Αναλογιστικών - Χρηματοοικονομικών Μαθηματικών, αποσκοπεί στην ενίσχυση της αξιολόγησης του πιστωτικού κινδύνου...

Full description

Saved in:
Bibliographic Details
Main Authors: Τσελεκίδου, Ευτυχία, Tselekidou, Eftychia
Other Authors: Lappas, Pantelis
Language:en_US
Published: 2023
Subjects:
Online Access:http://hdl.handle.net/11610/25872
Tags: Add Tag
No Tags, Be the first to tag this record!
_version_ 1828460837950455808
author Τσελεκίδου, Ευτυχία
Tselekidou, Eftychia
author2 Lappas, Pantelis
author_facet Lappas, Pantelis
Τσελεκίδου, Ευτυχία
Tselekidou, Eftychia
author_sort Τσελεκίδου, Ευτυχία
collection DSpace
description Η παρούσα διπλωματική εργασία, η οποία διεξήχθη στο πλαίσιο του μεταπτυχιακού προγράμματος "Στατιστική και Ανάλυση Δεδομένων" του Πανεπιστημίου Αιγαίου στο Τμήμα Στατιστικής και Αναλογιστικών - Χρηματοοικονομικών Μαθηματικών, αποσκοπεί στην ενίσχυση της αξιολόγησης του πιστωτικού κινδύνου στο πλαίσιο των μικροδανείων, αναλύοντας τα βέλτιστα αποτελέσματα των ορίων τόσο για νέους όσο και για υφιστάμενους πελάτες. Ο ερευνητικός στόχος είναι να συμβάλει στη βελτίωση των πρακτικών δανειοδότησης και της χρηματοπιστωτικής ένταξης μέσω της ανάπτυξης ενός πιο ακριβούς και αποτελεσματικού πλαισίου αξιολόγησης του πιστωτικού κινδύνου. Για την επίτευξη αυτού του στόχου χρησιμοποιείται μια προσέγγιση πολλαπλών μεθόδων. Η έρευνα ξεκινά με τη διερεύνηση των θεωρητικών βάσεων του πιστωτικού κινδύνου και την εξέταση διαφόρων μεθόδων αξιολόγησης της πιστοληπτικής ικανότητας που χρησιμοποιούνται σε πραγματικά σενάρια. Αυτή η ολοκληρωμένη ανάλυση παρέχει μια σταθερή κατανόηση του σημερινού τοπίου της αξιολόγησης του πιστωτικού κινδύνου στη μικροχρηματοδότηση.
id oai:hellanicus.lib.aegean.gr:11610-25872
institution Hellanicus
language en_US
publishDate 2023
record_format dspace
spelling oai:hellanicus.lib.aegean.gr:11610-258722023-12-07T20:18:43Z A machine learning approach for micro-credit scoring and limit optimization Προσέγγιση Μηχανικής Μάθησης για την Μικρο-Πιστοληπτική Ικανότητα και τη Βελτιστοποίηση Πιστωτικού Ορίου Τσελεκίδου, Ευτυχία Tselekidou, Eftychia Lappas, Pantelis Λάππας, Παντελής Στατιστική και Αναλογιστικά - Χρηματοοικονομικά Μαθηματικά πιστωτική βαθμολόγηση μικρο-χρηματοδότηση μηχανική μάθηση λογιστική παλινδρόμηση βελτιστοποίηση ορίων μέθοδος simplex credit scoring micro-finance machine learning logistic regression random forest limit optimization simplex method Credit scoring systems Logistic regression analysis Machine learning Η παρούσα διπλωματική εργασία, η οποία διεξήχθη στο πλαίσιο του μεταπτυχιακού προγράμματος "Στατιστική και Ανάλυση Δεδομένων" του Πανεπιστημίου Αιγαίου στο Τμήμα Στατιστικής και Αναλογιστικών - Χρηματοοικονομικών Μαθηματικών, αποσκοπεί στην ενίσχυση της αξιολόγησης του πιστωτικού κινδύνου στο πλαίσιο των μικροδανείων, αναλύοντας τα βέλτιστα αποτελέσματα των ορίων τόσο για νέους όσο και για υφιστάμενους πελάτες. Ο ερευνητικός στόχος είναι να συμβάλει στη βελτίωση των πρακτικών δανειοδότησης και της χρηματοπιστωτικής ένταξης μέσω της ανάπτυξης ενός πιο ακριβούς και αποτελεσματικού πλαισίου αξιολόγησης του πιστωτικού κινδύνου. Για την επίτευξη αυτού του στόχου χρησιμοποιείται μια προσέγγιση πολλαπλών μεθόδων. Η έρευνα ξεκινά με τη διερεύνηση των θεωρητικών βάσεων του πιστωτικού κινδύνου και την εξέταση διαφόρων μεθόδων αξιολόγησης της πιστοληπτικής ικανότητας που χρησιμοποιούνται σε πραγματικά σενάρια. Αυτή η ολοκληρωμένη ανάλυση παρέχει μια σταθερή κατανόηση του σημερινού τοπίου της αξιολόγησης του πιστωτικού κινδύνου στη μικροχρηματοδότηση. This thesis, conducted within the postgraduate program "Statistics and Data Analysis" at the University of the Aegean in Department of Statistics and Actuarial - Financial Mathematics, aims to enhance credit risk assessment in the context of micro-loans by analyzing optimal boundary results for both new and existing clients. The research objective is to contribute to improved lending practices and financial inclusion through the development of a more accurate and effective credit risk assessment framework. A multi-method approach is employed to achieve this objective.The research begins by exploring the theoretical foundations of credit risk and examining various credit rating methods used in real-life scenarios. This comprehensive analysis provides a solid understanding of the current landscape of credit risk assessment in micro-finance. 2023-11-28T10:46:56Z 2023-11-28T10:46:56Z 2023-06-29 http://hdl.handle.net/11610/25872 en_US Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές https://creativecommons.org/licenses/by-nc-nd/4.0/ 138 σ. application/pdf Σάμος
spellingShingle πιστωτική βαθμολόγηση
μικρο-χρηματοδότηση
μηχανική μάθηση
λογιστική παλινδρόμηση
βελτιστοποίηση ορίων
μέθοδος simplex
credit scoring
micro-finance
machine learning
logistic regression
random forest
limit optimization
simplex method
Credit scoring systems
Logistic regression analysis
Machine learning
Τσελεκίδου, Ευτυχία
Tselekidou, Eftychia
A machine learning approach for micro-credit scoring and limit optimization
title A machine learning approach for micro-credit scoring and limit optimization
title_full A machine learning approach for micro-credit scoring and limit optimization
title_fullStr A machine learning approach for micro-credit scoring and limit optimization
title_full_unstemmed A machine learning approach for micro-credit scoring and limit optimization
title_short A machine learning approach for micro-credit scoring and limit optimization
title_sort machine learning approach for micro credit scoring and limit optimization
topic πιστωτική βαθμολόγηση
μικρο-χρηματοδότηση
μηχανική μάθηση
λογιστική παλινδρόμηση
βελτιστοποίηση ορίων
μέθοδος simplex
credit scoring
micro-finance
machine learning
logistic regression
random forest
limit optimization
simplex method
Credit scoring systems
Logistic regression analysis
Machine learning
url http://hdl.handle.net/11610/25872
work_keys_str_mv AT tselekidoueutychia amachinelearningapproachformicrocreditscoringandlimitoptimization
AT tselekidoueftychia amachinelearningapproachformicrocreditscoringandlimitoptimization
AT tselekidoueutychia prosengisēmēchanikēsmathēsēsgiatēnmikropistolēptikēikanotētakaitēbeltistopoiēsēpistōtikouoriou
AT tselekidoueftychia prosengisēmēchanikēsmathēsēsgiatēnmikropistolēptikēikanotētakaitēbeltistopoiēsēpistōtikouoriou
AT tselekidoueutychia machinelearningapproachformicrocreditscoringandlimitoptimization
AT tselekidoueftychia machinelearningapproachformicrocreditscoringandlimitoptimization