Η Χρήση της Τεχνητής Νοημοσύνης σε Χρηματοοικονομικές Εργασίες
ENGLISH ABSTRACT This master’s thesis examines the use of Artificial Intelligence and Machine Learning techniques in financial applications, with an emphasis on predicting credit card default. The aim of the study is to evaluate the effectiveness of different algorithmic models in supporting credit risk management decisions, as well as to highlight the importance of selecting appropriate evaluation metrics in classification problems with class imbalance. For the empirical analysis, a real-world credit card dataset was used, which underwent preprocessing and exploratory data analysis. The problem was formulated as a supervised binary classification task, and two different Machine Learning models were applied: Logistic Regression and Decision Tree. Model evaluation was conducted using multiple performance metrics, including accuracy, precision, recall, F1-score, and ROC-AUC, in order to obtain reliable and comparable results. The results showed that Logistic Regression achieved high overall accuracy but performed poorly in detecting credit default cases, exhibiting low recall and a high number of false negatives. In contrast, the Decision Tree model demonstrated improved performance in identifying high-risk customers, achieving higher recall and F1-score values, making it more suitable in environments where the cost of misclassification is high. In conclusion, the study demonstrates that Machine Learning techniques can serve as effective decision-support tools in the financial sector, provided that they are applied using appropriate methodological practices and aligned with business requirements. At the same time, the need for further research on more advanced and interpretable Artificial Intelligence models is highlighted, aiming at their sustainable and responsible integration into financial decision-making processes.
Thesis
Η παρούσα διπλωματική εργασία εξετάζει τη χρήση τεχνικών Τεχνητής Νοημοσύνης και Μηχανικής Μάθησης σε χρηματοοικονομικές εργασίες, με έμφαση στην πρόβλεψη αθέτησης πληρωμής πιστωτικής κάρτας. Στόχος της εργασίας είναι η αξιολόγηση της αποτελεσματικότητας διαφορετικών αλγοριθμικών μοντέλων στην υποστήριξη αποφάσεων διαχείρισης πιστωτικού κινδύνου, καθώς και η ανάδειξη της σημασίας της σωστής επιλογής μετρικών αξιολόγησης σε προβλήματα ανισορροπίας κλάσεων. Για την εμπειρική ανάλυση χρησιμοποιήθηκε πραγματικό σύνολο δεδομένων πιστωτικών καρτών, το οποίο υποβλήθηκε σε διαδικασίες προεπεξεργασίας και εξερευνητικής ανάλυσης. Το πρόβλημα διατυπώθηκε ως πρόβλημα επιτηρούμενης μάθησης δυαδικής ταξινόμησης και εφαρμόστηκαν δύο διαφορετικά μοντέλα Μηχανικής Μάθησης: η Λογιστική Παλινδρόμηση και το Δέντρο Απόφασης. Η αξιολόγηση των μοντέλων πραγματοποιήθηκε με τη χρήση πολλαπλών μετρικών, όπως accuracy, precision, recall, F1-score και ROC-AUC, ώστε να εξαχθούν αξιόπιστα και συγκρίσιμα αποτελέσματα. Τα αποτελέσματα έδειξαν ότι η Λογιστική Παλινδρόμηση παρουσίασε υψηλή συνολική ακρίβεια, ωστόσο υστέρησε σημαντικά στην ανίχνευση της αθέτησης πληρωμής, εμφανίζοντας χαμηλό recall και αυξημένο αριθμό false negatives. Αντίθετα, το Δέντρο Απόφασης παρουσίασε βελτιωμένη απόδοση στην αναγνώριση επισφαλών πελατών, επιτυγχάνοντας υψηλότερες τιμές recall και F1-score, γεγονός που το καθιστά καταλληλότερο σε περιβάλλοντα όπου το κόστος της λανθασμένης ταξινόμησης είναι υψηλό. Συμπερασματικά, η εργασία καταδεικνύει ότι οι τεχνικές Μηχανικής Μάθησης μπορούν να αποτελέσουν αποτελεσματικά εργαλεία υποστήριξης αποφάσεων στον χρηματοοικονομικό τομέα, υπό την προϋπόθεση της ορθής μεθοδολογικής εφαρμογής και της προσαρμογής τους στις επιχειρησιακές ανάγκες. Παράλληλα, αναδεικνύεται η ανάγκη για περαιτέρω έρευνα σε πιο προηγμένα και ερμηνεύσιμα μοντέλα Τεχνητής Νοημοσύνης, με στόχο τη βιώσιμη και υπεύθυνη ενσωμάτωσή τους στις χρηματοοικονομικές διαδικασίες.