BEGIN:VCALENDAR
VERSION:2.0
PRODID:-//TUC//Events//EN
CALSCALE:GREGORIAN
BEGIN:VTIMEZONE
TZID:Europe/Athens
TZNAME:EEST
DTSTART:19700329T030000
RRULE:FREQ=YEARLY;BYDAY=-1SU;BYMONTH=3
BEGIN:STANDARD
TZOFFSETFROM:+0200
TZOFFSETTO:+0300
TZNAME:EET
DTSTART:19701025T040000
RRULE:FREQ=YEARLY;BYDAY=-1SU;BYMONTH=10
END:STANDARD
END:VTIMEZONE
BEGIN:VEVENT
CREATED:20250922T101048Z
LAST-MODIFIED:20250922T101048Z
DTSTAMP:20261011T025255Z
UID:1791676375@tuc.gr
SUMMARY:Παρουσίαση μεταπτυχιακής εργασιας κ.
  ΑΝΔΡΕΟΥΛΑΚΗ ΝΙΚΟΛΑΟΥ, Σχολή ΜΠΔ
LOCATION:
DESCRIPTION:https://www.pem.tuc.gr/el/chrisima/i
 merologio-ekdiloseon?tx_tucevents2_t
 uceventsdisplay%5Baction%5D=show&tx_
 tucevents2_tuceventsdisplay%5Bcontro
 ller%5D=Event&tx_tucevents2_tucevent
 sdisplay%5Bevent%5D=8039&cHash=f87ef
 895585352ad12b0f064f81ae136\nΠΟΛΥΤΕΧ
 ΝΕΙΟ ΚΡΗΤΗΣ\n Σχολή Μηχανικών Παραγω
 γής και Διοίκησης\n Πρόγραμμα Μεταπτ
 υχιακών Σπουδών\n Διοίκηση Επιχειρήσ
 εων\n  \n ΠΑΡΟΥΣΙΑΣΗ ΜΕΤΑΠΤΥΧΙΑΚΗΣ Ε
 ΡΓΑΣΙΑΣ\n Πέμπτη, 25 Σεπτεμβρίου 202
 5, 13:00\n https://tuc-gr.zoom.us/j/
 2962959517?pwd=OUZkb09RNlRlVXBxQWp3T
 DhPWUl1dz09&omn=91724783097\n Ον
 οματεπώνυμο: ΑΝΔΡΕΟΥΛΑΚΗΣ ΝΙΚΟΛΑΟΣ\n
  Θέμα: Συγκριτική αξιολόγηση μεθόδων
  μηχανικής μάθησης για την εκτίμηση 
 του κινδύνου πτώχευσης επιχειρήσεων\
 n Title: Comparative evaluation of m
 achine learning methods for distance
  to default estimation\n Εξεταστική 
 Επιτροπή\n \n \nΔΟΥΜΠΟΣ ΜΙΧΑΗΛ, Καθη
 γητής (επιβλέπων)\n \nΖΟΠΟΥΝΙΔΗΣ ΚΩΝ
 ΣΤΑΝΤΙΝΟΣ, Καθηγητής\n \nΑΤΣΑΛΑΚΗΣ Γ
 ΕΩΡΓΙΟΣ, Αναπληρωτής Καθηγητής\n \n 
 Περίληψη\n Στην παρούσα διπλωματική 
 εργασία αναλύεται το θεωρητικό πλαίσ
 ιο του μοντέλου αγοράς Black-Scholes
 -Merton, το οποίο χρησιμοποιείται ευ
 ρέως για την εκτίμηση της απόστασης 
 από ασυνέπεια (distance to default) 
 μιας επιχείρησης, ως μέτρο του πιστω
 τικού τής κινδύνου. Αρχικά παρουσιάζ
 ονται τα βασικά χαρακτηριστικά του μ
 οντέλου, καθώς και οι κύριες παραδοχ
 ές που το συνοδεύουν. Στη συνέχεια ε
 ξετάζονται επεκτάσεις και εναλλακτικ
 ά μοντέλα που έχουν προταθεί στη διε
 θνή βιβλιογραφία, με στόχο τη βελτίω
 ση της ακρίβειας και της ρεαλιστικότ
 ητας της εκτίμησης του κινδύνου αθέτ
 ησης. Σε δεύτερο στάδιο, η εργασία ε
 στιάζει στη χρήση μοντέλων μηχανικής
  μάθησης για την εκτίμηση της απόστα
 σης από ασυνέπεια. Για τους σκοπούς 
 της εμπειρικής ανάλυσης χρησιμοποιεί
 ται δείγμα δεδομένων εισηγμένων επιχ
 ειρήσεων από την ευρωπαϊκή αγορά. Πε
 ριγράφεται η διαδικασία προεπεξεργασ
 ίας των δεδομένων, η επιλογή χαρακτη
 ριστικών και η μέθοδολογία εκπαίδευσ
 ης και αξιολόγησης των αλγορίθμων. Δ
 ίνεται έμφαση όχι μόνο στην προβλεπτ
 ική ικανότητα των μοντέλων, αλλά και
  στη διαφάνεια και ερμηνευσιμότητά τ
 ους, μέσω της εφαρμογής του αλγόριθμ
 ου SHAP, ο οποίος επιτρέπει την αποσ
 αφήνιση της συμβολής κάθε μεταβλητής
  στην τελική πρόβλεψη. Η μελέτη κατα
 λήγει στο συμπέρασμα ότι ο συνδυασμό
 ς παραδοσιακών χρηματοοικονομικών μο
 ντέλων με μεθόδους μηχανικής μάθησης
  μπορεί να προσφέρει πιο ολοκληρωμέν
 α εργαλεία εκτίμησης πιστωτικού κινδ
 ύνου, τα οποία είναι ταυτόχρονα ακρι
 βή και ερμηνεύσιμα, συμβάλλοντας έτσ
 ι στη λήψη καλύτερα τεκμηριωμένων χρ
 ηματοοικονομικών αποφάσεων.\n
STATUS:CONFIRMED
ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr
DTSTART:20250925T130000
DTEND:20250925T140000
TRANSP:OPAQUE
CLASS:DEFAULT
END:VEVENT
END:VCALENDAR