Έμβλημα Πολυτεχνείου Κρήτης
Το Πολυτεχνείο Κρήτης στο Facebook  Το Πολυτεχνείο Κρήτης στο Instagram  Το Πολυτεχνείο Κρήτης στο Twitter  Το Πολυτεχνείο Κρήτης στο YouTube   Το Πολυτεχνείο Κρήτης στο Linkedin

Νέα / Ανακοινώσεις / Συζητήσεις

Παρουσίαση διδακτορικής διατριβής κ. Γεωργίου Μανθούλη, Σχολή ΜΠΔ

  • Συντάχθηκε 15-10-2019 13:32 Πληροφορίες σύνταξης

    Ενημερώθηκε: -

    ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ

    ΣΧΟΛΗ ΜΗΧΑΝΙΚΩΝ ΠΑΡΑΓΩΓΗΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ

     

    Ονοματεπώνυμο:   Γεώργιος Μανθούλης          

    Αριθμός Μητρώου: 2012019050

     

    Θέμα

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

     

    Επιτροπή:

    ·         Επιβλέπων: Καθηγητής Κων/νος Ζοπουνίδης, Πολυτεχνείο Κρήτης

    ·         Καθηγητής Μιχαήλ Δούμπος, Πολυτεχνείο Κρήτης

    ·         Καθηγητής Αιμίλιος Γαλαριώτης, Audencia Business School

    ·         Καθηγητής Φώτιος Πασιούρας, Montpelier Business School

    ·         Αναπλ. Καθηγητής Χρυσοβαλάντης Γαγάνης, Πανεπιστήμιο Κρήτης

    ·         Αναπλ. Καθηγήτρια Κυριακή Κοσμίδου, Α.Π.Θ.

    ·         Επίκ. Καθηγητής Γ. Ατσαλάκης, Πολυτεχνείο Κρήτης

     

    ​​​​​​​Περίληψη

    Περίληψη της εργασίας στα Αγγλικά:

    This 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.

     

    ​​​​​​​Ημερομηνία Εξέτασης

    Ημέρα/Μήνας/Έτος: 31/10/2019

    Ώρα: 13:15

     

    ​​​​​​​Χώρος Εξέτασης

    Αίθουσα: ΑΙΘΟΥΣΑ ΣΥΝΕΔΡΙΑΣΕΩΝ  της Σχολής ΜΠΔ - Δ5.015

    Κτίριο:    ………………………………………

     

     


    Τόπος: Δ5 - Κτίριο ΜΠΔ, Δ5.015
    Έναρξη: 31/10/2019 13:15
    Λήξη: 31/10/2019 13:45


© Πολυτεχνείο Κρήτης 2012