Συντάχθηκε 22-09-2025 10:11
Τόπος:
Σύνδεσμος τηλεδιάσκεψης
Έναρξη: 25/09/2025 13:00
Λήξη: 25/09/2025 14:00
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
Σχολή Μηχανικών Παραγωγής και Διοίκησης
Πρόγραμμα Μεταπτυχιακών Σπουδών
Διοίκηση Επιχειρήσεων
ΠΑΡΟΥΣΙΑΣΗ ΜΕΤΑΠΤΥΧΙΑΚΗΣ ΕΡΓΑΣΙΑΣ
Πέμπτη, 25 Σεπτεμβρίου 2025, 13:00
https://tuc-gr.zoom.us/j/2962959517?pwd=OUZkb09RNlRlVXBxQWp3TDhPWUl1dz09&omn=91724783097
Ονοματεπώνυμο: ΑΝΔΡΕΟΥΛΑΚΗΣ ΝΙΚΟΛΑΟΣ
Θέμα: Συγκριτική αξιολόγηση μεθόδων μηχανικής μάθησης για την εκτίμηση του κινδύνου πτώχευσης επιχειρήσεων
Title: Comparative evaluation of machine learning methods for distance to default estimation
Εξεταστική Επιτροπή
- ΔΟΥΜΠΟΣ ΜΙΧΑΗΛ, Καθηγητής (επιβλέπων)
- ΖΟΠΟΥΝΙΔΗΣ ΚΩΝΣΤΑΝΤΙΝΟΣ, Καθηγητής
- ΑΤΣΑΛΑΚΗΣ ΓΕΩΡΓΙΟΣ, Αναπληρωτής Καθηγητής
Περίληψη
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 προβλεπτική 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.
