Τεχνικές αξιολόγησης χρηματοοικονομικών κινδύνων στις επιχειρηματικές αποφάσεις μέσω της ανάλυσης δεδομένων
ENGLISH ABSTRACT Effective assessment and management of financial risk are fundamental for the sustainability and growth of modern enterprises. This thesis investigates the application of advanced data analysis techniques in the context of credit risk management, with a particular focus on the comparative evaluation of two widely used methods: logistic regression and decision trees. Initially, the theoretical framework of financial risk is presented, highlighting the importance of data-driven decision-making in business environments. Subsequently, the fundamental principles, advantages, and limitations of the selected methods are analyzed, emphasizing predictive performance and interpretability. For the empirical analysis, a real-world credit scoring dataset from Kaggle was utilized, which underwent extensive preprocessing, exploratory data analysis, and class imbalance treatment. The models were trained and evaluated using multiple performance metrics (accuracy, precision, recall, F1-score, AUC-ROC), while issues of interpretability, error cost, and practical applicability in real business contexts were also examined. The results reveal the relative superiority of each method under different conditions: logistic regression excels in environments where transparency and interpretability are priorities, whereas decision trees offer enhanced flexibility and the ability to capture non-linear relationships. Furthermore, it was demonstrated that the integration of ensemble methods can further improve predictive accuracy and reliability. The thesis concludes with practical recommendations for the selection and application of appropriate techniques according to business context and available resources and proposes future research directions related to the adoption of more sophisticated models, the use of heterogeneous data, and the enhancement of algorithmic decision interpretability. The findings underscore the importance of a multidimensional and scientifically validated approach to financial risk management, providing valuable tools for strategic business decision-making.
Thesis
Η αποτελεσματική αξιολόγηση και διαχείριση του χρηματοοικονομικού κινδύνου αποτελεί θεμέλιο λίθο για τη βιωσιμότητα και την ανάπτυξη των σύγχρονων επιχειρήσεων. Στην παρούσα διπλωματική εργασία εξετάζεται η εφαρμογή προηγμένων τεχνικών ανάλυσης δεδομένων στη διαχείριση πιστωτικού κινδύνου, με έμφαση στη συγκριτική αξιολόγηση δύο ευρέως χρησιμοποιούμενων μεθόδων: της λογιστικής παλινδρόμησης και των δέντρων αποφάσεων. Αρχικά, παρουσιάζεται το θεωρητικό πλαίσιο του χρηματοοικονομικού κινδύνου και η σημασία της αξιοποίησης δεδομένων στις επιχειρηματικές αποφάσεις. Στη συνέχεια, αναλύονται οι βασικές αρχές, τα πλεονεκτήματα και οι περιορισμοί των επιλεγμένων μεθόδων, με έμφαση στη δυνατότητα πρόβλεψης και ερμηνευσιμότητας των αποτελεσμάτων. Για την εμπειρική αξιολόγηση, χρησιμοποιήθηκε πραγματικό σύνολο δεδομένων πιστωτικής αξιολόγησης από την πλατφόρμα Kaggle, το οποίο υπέστη εκτενή προεπεξεργασία, ανάλυση και αντιμετώπιση ανισορροπίας τάξεων. Τα μοντέλα εκπαιδεύτηκαν και αξιολογήθηκαν με βάση πολλαπλές μετρικές απόδοσης (accuracy, precision, recall, F1-score, AUC-ROC), ενώ εξετάστηκαν και ζητήματα ερμηνευσιμότητας, κόστους σφαλμάτων και πρακτικής εφαρμογής σε πραγματικές επιχειρηματικές συνθήκες. Τα αποτελέσματα ανέδειξαν τη σχετική υπεροχή κάθε μεθόδου υπό διαφορετικές συνθήκες: η λογιστική παλινδρόμηση υπερτερεί σε περιβάλλοντα όπου προέχει η διαφάνεια και η ερμηνευσιμότητα, ενώ τα δέντρα αποφάσεων προσφέρουν αυξημένη ευελιξία και ικανότητα ανίχνευσης μη γραμμικών συσχετίσεων. Επιπλέον, διαπιστώθηκε ότι η ενσωμάτωση συνδυαστικών μεθόδων (ensemble learning) μπορεί να ενισχύσει περαιτέρω την ακρίβεια και την αξιοπιστία της πρόβλεψης. Η εργασία καταλήγει σε πρακτικές προτάσεις για την επιλογή και εφαρμογή των κατάλληλων τεχνικών ανάλογα με το επιχειρηματικό πλαίσιο και τους διαθέσιμους πόρους, ενώ προτείνει μελλοντικές ερευνητικές κατευθύνσεις. Τα ευρήματα αναδεικνύουν τη σημασία της πολυδιάστατης και επιστημονικά τεκμηριωμένης προσέγγισης στη διαχείριση χρηματοοικονομικού κινδύνου, προσφέροντας πολύτιμα εργαλεία για τη στρατηγική λήψη επιχειρηματικών αποφάσεων.