Η παρούσα διπλωματική εργασία επικεντρώνεται στη διεξοδική διερεύνηση και ανάλυση του πιστωτικού κινδύνου στο πλαίσιο της αγοράς του Peer-to-Peer (P2P) δανεισμού, ενός εκ των πλέον δυναμικών και καινοτόμων κλάδων της Χρηματοοικονομικής Τεχνολογίας (FinTech). Κεντρικός στόχος της μελέτης είναι ο προσδιορισμός και η αξιολόγηση των κρίσιμων εκείνων παραγόντων που επηρεάζουν καθοριστικά την πιθανότητα επιτυχούς αποπληρωμής ή αθέτησης των δανειακών υποχρεώσεων. Σε ένα περιβάλλον όπου η παραδοσιακή τραπεζική διαμεσολάβηση υποχωρεί, η ανάγκη για έγκυρα μοντέλα πρόβλεψης καθίσταται επιτακτική για τη διασφάλιση της σταθερότητας του εναλλακτικού αυτού χρηματοδοτικού μοντέλου.

Για την επίτευξη των ερευνητικών σκοπών, αξιοποιήθηκε ένα εκτενές σύνολο δευτερογενών, ιστορικών δεδομένων (big data) προερχόμενο από μια κορυφαία παγκοσμίως πλατφόρμα P2P δανεισμού. Η μεθοδολογική προσέγγιση βασίστηκε στην εφαρμογή προηγμένων τεχνικών της επιστήμης των δεδομένων (data science), με επίκεντρο τη στατιστική μοντελοποίηση μέσω της λογιστικής παλινδρόμησης (logistic regression). Η συγκεκριμένη μέθοδος επελέγη για τη δυνατότητά της να παρέχει υψηλή ερμηνευσιμότητα των αποτελεσμάτων, επιτρέποντας την ποσοτικοποίηση της επίδρασης κάθε ανεξάρτητης μεταβλητής στην έκβαση του δανείου.

Τα ερευνητικά ευρήματα αναδεικνύουν ότι η πιθανότητα αθέτησης δεν είναι τυχαία, αλλά συνδέεται άρρηκτα με τη χρηματοοικονομική κατάσταση του δανειολήπτη. Συγκεκριμένα, παράγοντες όπως ο λόγος χρέους προς εισόδημα (DTI) και το ετήσιο εισόδημα παρουσιάζουν σημαντική προβλεπτική ικανότητα. Ωστόσο, ο πιστοληπτικός δείκτης (FICO score) και το επιτόκιο δανεισμού αναδείχθηκαν ως οι ισχυρότεροι προγνωστικοί παράγοντες, επιβεβαιώνοντας τη σημασία της ιστορικής πιστωτικής συμπεριφοράς και της τιμολόγησης βάσει κινδύνου.

Η παρούσα μελέτη συμβάλλει ουσιαστικά στη βελτίωση των στρατηγικών διαχείρισης πιστωτικού κινδύνου για τις ψηφιακές πλατφόρμες, προσφέροντας παράλληλα πρακτικές και εφαρμόσιμες γνώσεις στους επενδυτές για τη βελτιστοποίηση των χαρτοφυλακίων τους. Επιπλέον, αναδεικνύει την προστιθέμενη αξία των μεθοδολογιών της επιστήμης των δεδομένων στον τομέα των χρηματοοικονομικών, γεφυρώνοντας το κενό μεταξύ θεωρητικής χρηματοοικονομικής ανάλυσης και σύγχρονης υπολογιστικής στατιστικής. Τασυμπεράσματα της εργασίας ενισχύουν τη διαφάνεια και την αξιοπιστία στις P2P συναλλαγές, προωθώντας τη βιώσιμη ανάπτυξη των FinTech οργανισμών στην παγκόσμια αγορά.

This Master’s thesis conducts a comprehensive investigation and analysis of credit risk within the Peer-to-Peer (P2P) lending market, a primary and transformative sector of the Financial Technology (FinTech) industry. The central objective of this research is to identify, evaluate, and prioritize the critical determinants that significantly influence the probability of successful loan repayment versus default. In a contemporary financial landscape where traditional banking intermediation is being increasingly complemented or bypassed by decentralized digital platforms, the development of robust, data-driven predictive models is imperative for ensuring the long-term stability and viability of this alternative financing paradigm.

To achieve the research objectives, an extensive dataset of secondary, historical "big data" from a major global P2P lending platform was utilized. The methodological framework is grounded in the application of advanced Data Science techniques, specifically focusing on statistical modeling through Logistic Regression. This methodology was selected for its high degree of interpretability, which allows for the precise quantification of each independent variable's impact on the loan's final status. The rigorous data preprocessing and feature selection phases ensure that the model captures the essential dynamics of borrower behavior.

The empirical findings demonstrate that the probability of default is not a stochastic occurrence but is systematically linked to the borrower’s financial profile. The results indicate that financial metrics, such as the Debt-to-Income (DTI) ratio and annual income, possess significant predictive power. However, the credit score (FICO) and the assigned interest rate emerged as the most potent predictors of default. This confirms the validity of risk-based pricing mechanisms and underscores the fact that historical credit behavior remains a cornerstone of creditworthiness assessment even in innovative FinTech environments.

This study contributes substantially to the field by enhancing credit risk management strategies for P2P platforms and providing actionable insights for investors seeking to optimize their portfolios. Furthermore, it highlights the practical efficacy of Data Science methodologies in Finance, bridging the gap between classical financial theory and modern computational statistics. The conclusions of this 7work promote transparency and trust in digital transactions, fostering the sustainable growth of FinTech organizations within the global financial market.