Η εκτίμηση του πιστωτικού κινδύνου αποτελεί σημαντικό πρόβλημα στην περιοχή της διαχείρισης χρηματοοικονομικών κινδύνων. Είναι ένα θέμα που αφορά τόσο τα χρηματοπιστωτικά ιδρύματα, όσο και τις επιχειρήσεις, ιδιαίτερα σε περιόδους οικονομικής ύφεσης. Υπάρχει πληθώρα μεθόδων και προσεγγίσεων οι οποίες έχουν αναπτυχθεί κατά τα τελευταία χρόνια για την δημιουργία μοντέλων αξιολόγησης και μέτρησης του πιστωτικού κινδύνου. Ο σκοπός της διατριβής είναι διττός. Αρχικά, πραγματοποιείται μια εμπειρική σύγκριση διαφορετικών δημοφιλών τεχνικών (λογιστική παλινδρόμηση, μηχανές διανυσμάτων υποστήριξης και της πολυκριτήριας μεθόδου UTADIS) με χρήση δεδομένων που προέρχονται από Ελληνικές εμπορικές επιχειρήσεις. Τα αποτελέσματα δείχνουν ότι ακόμα και με ένα μικρό αριθμό ασυνεπών επιχειρήσεων, το οποίο δημιουργεί μια ανισορροπία στο δείγμα, τα αποτελέσματα όλων των μεθόδων είναι ικανοποιητικά. Ο δεύτερος στόχος, έχει να κάνει με την δημιουργία ενός μοντέλου αξιολόγησης του πιστωτικού κινδύνου, με χρήση τεχνικών μηχανικής μάθησης και πολυκριτήριας ανάλυσης, το οποίο θα συνδυάζει λογιστικά στοιχεία με την προσέγγιση του μοντέλου αγοράς των Black, Scholes και Merton και θα μπορεί να χρησιμοποιηθεί σε μη-εισηγμένες επιχειρήσεις. Το μοντέλο χρησιμοποιεί στοιχεία εισηγμένων ελληνικών επιχειρήσεων, αλλά τα αποτελέσματα δείχνουν ότι η προβλεπτική ικανότητά του είναι παρεμφερής με μοντέλα που χρησιμοποιούν ιστορικά δεδομένα ασυνέπειας τα οποία δεν είναι διαθέσιμα στο ευρύ κοινό.
Credit risk evaluation is a very challenging and important problem in the domain of financial risk management. It is an important issue for both financial institutions and companies, especially in periods of economic recession. There are many different approaches and methods which have been developed over the years for constructing credit risk assessment rating systems. The aim of this thesis is twofold. First, an empirical comparison of different popular techniques (logistic regression, support vector machines, and the UTADIS multicriteria method) using a data set of Greek companies from the commercial sector is executed. The results show that even with a considerable imbalanced data set with a small number of defaults, all methods provide good results. The second goal is to create a credit risk rating model, using a machine learning methodology and a multicriteria method that combines accounting data with the option-based approach of Black, Scholes, and Merton and the extension to non-listed firms. The model is built on data for companies listed in the Greek stock exchange, but it is also shown that the predictive performance is similar to accounting-based models developed using (non- publicly available) historical default data
National Documentation Centre (EKT)
