Η διαχείριση πιστωτικού κινδύνου αποτελεί μία από τις σημαντικότερες λειτουργίες των τραπεζικών και χρηματοπιστωτικών ιδρυμάτων, καθώς συνδέεται άμεσα με τη σταθερότητα, την αποδοτικότητα και τη μακροχρόνια βιωσιμότητά τους. Η δυνατότητα έγκαιρης και αξιόπιστης πρόβλεψης της πιθανότητας αθέτησης υποχρεώσεων από δανειολήπτες επηρεάζει καθοριστικά τη διαδικασία λήψης πιστοδοτικών αποφάσεων, τη διαμόρφωση στρατηγικών χορηγήσεων, τη διαχείριση χαρτοφυλακίων και τη συνολική ανθεκτικότητα του χρηματοπιστωτικού συστήματος. Παραδοσιακά, η αξιολόγηση του πιστωτικού κινδύνου βασίζεται σε στατιστικά μοντέλα, όπως η λογιστική παλινδρόμηση, η διακριτική ανάλυση και τα συστήματα πιστοληπτικής βαθμολόγησης. Ωστόσο, οι μέθοδοι αυτές παρουσιάζουν σημαντικούς περιορισμούς, ιδίως σε περιβάλλοντα όπου τα δεδομένα είναι σύνθετα, μη γραμμικά, ετερογενή και μεγάλης κλίμακας.

Η ραγδαία ανάπτυξη της Τεχνητής Νοημοσύνης και της Μηχανικής Μάθησης έχει δημιουργήσει νέες δυνατότητες στην ανάλυση και διαχείριση του πιστωτικού κινδύνου. Σύγχρονοι αλγόριθμοι, όπως τα Random Forests, το XGBoost, τα Support Vector Machines και τα Νευρωνικά Δίκτυα, έχουν εφαρμοστεί ευρέως στη διεθνή βιβλιογραφία, παρουσιάζοντας συχνά υψηλότερη προγνωστική ακρίβεια σε σχέση με τις παραδοσιακές μεθόδους. Παράλληλα, η σύγχρονη επιστημονική συζήτηση δεν περιορίζεται μόνο στην απόδοση των μοντέλων, αλλά επεκτείνεται και σε ζητήματα ερμηνευσιμότητας, διαφάνειας, δικαιοσύνης, κανονιστικής συμμόρφωσης και υπεύθυνης χρήσης δεδομένων, τα οποία είναι ιδιαίτερα κρίσιμα για τον τραπεζικό τομέα.

Σκοπός της παρούσας διπλωματικής εργασίας είναι η διερεύνηση της συμβολής των τεχνικών Τεχνητής Νοημοσύνης και Μηχανικής Μάθησης στη διαχείριση πιστωτικού κινδύνου μέσω βιβλιογραφικής ανασκόπησης. Η εργασία εξετάζει τις βασικές έννοιες του πιστωτικού κινδύνου, τις παραδοσιακές μεθόδους αξιολόγησής του, τις κυριότερες τεχνικές Μηχανικής Μάθησης και τις εφαρμογές τους στον χρηματοοικονομικό τομέα. Επιπλέον, αναλύει κριτικά τα πλεονεκτήματα, τους περιορισμούς και τις μελλοντικές προοπτικές των μοντέλων αυτών. Συμπερασματικά, προκύπτει ότι η αποτελεσματική αξιοποίηση της AI και της ML μπορεί να ενισχύσει ουσιαστικά τη σύγχρονη πιστοληπτική αξιολόγηση, υπό την προϋπόθεση ότι συνοδεύεται από κατάλληλη διακυβέρνηση, ερμηνευσιμότητα, διαφάνεια και πλήρη θεσμική συμμόρφωση.

Λέξεις-κλειδιά: πιστωτικός κίνδυνος, τεχνητή νοημοσύνη, μηχανική μάθηση, credit scoring, XGBoost, τραπεζικός τομέας

Credit risk management constitutes one of the most critical functions of banking and financial institutions, as it is directly linked to their stability, efficiency, and long-term sustainability. The ability to accurately predict the probability of default by borrowers plays a decisive role in credit decision-making, the formulation of lending strategies, portfolio management, and the overall resilience of the financial system. Traditionally, credit risk assessment has relied on statistical models such as logistic regression, discriminant analysis, and credit scoring systems. However, these approaches present significant limitations, particularly in environments characterized by complex, non-linear, heterogeneous, and large-scale data.

The rapid advancement of Artificial Intelligence (AI) and Machine Learning (ML) has introduced new opportunities for analyzing and managing credit risk. Modern algorithms, including Random Forests, XGBoost, Support Vector Machines, and Neural Networks, have been widely applied in the literature, often demonstrating superior predictive performance compared to traditional methods. At the same time, contemporary research extends beyond predictive accuracy, addressing important issues such as interpretability, transparency, fairness, regulatory compliance, and the responsible use of data, all of which are particularly critical in the banking sector.

The aim of this thesis is to investigate the contribution of AI and ML techniques to credit risk management through a comprehensive literature review. The study examines the fundamental concepts of credit risk, traditional evaluation methods, key machine learning techniques, and their applications in finance. Furthermore, it provides a critical analysis of the advantages, limitations, and future prospects of these models. The findings suggest that while AI and ML can significantly enhance credit risk assessment, their effective implementation requires a careful balance between predictive performance, interpretability, governance, and regulatory compliance. Ultimately, the integration of advanced analytical techniques within a responsible and controlled decision-making framework is essential for the sustainable evolution of credit risk management.

Keywords: credit risk, artificial intelligence, machine learning, credit scoring, XGBoost, banking sector