Search

Browse

• Communities
• Authors
• Year
• Titles
• Subjects

My Space

• Login

Comparative evaluation of machine learning methods for distance to default estimation

Andreoulakis Nikolaos

Full record

---

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.

Available Files

Services