Μεταπτυχιακό στην Τραπεζική, Επενδυτική και Χρηματοοικονομική http://hdl.handle.net/11728/11484 2026-06-10T13:04:06Z 2026-06-10T13:04:06Z Τζεΐρανίδου, Σβετλάνα http://hdl.handle.net/11728/13545 2026-05-25T11:12:36Z 2026-02-01T00:00:00Z

Η Χρήση της Τεχνητής Νοημοσύνης σε Χρηματοοικονομικές Εργασίες Τζεΐρανίδου, Σβετλάνα 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. 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.

2026-02-01T00:00:00Z Καραντάκου, Βασιλική http://hdl.handle.net/11728/13395 2026-05-05T12:30:44Z 2026-02-01T00:00:00Z

Η εξέλιξη της τεχνολογίας και η επίδραση της στην ελεγκτική. Καραντάκου, Βασιλική Η παρούσα εργασία εξετάζει τη μετάβαση της ελεγκτικής λειτουργίας σε ένα ψηφιακό, δεδομενοκεντρικό και τεχνολογικά ενισχυμένο υπόδειγμα, με έμφαση στη συνύφανση της Τεχνητής Νοημοσύνης και της Μηχανικής Μάθησης με τις παραδοσιακές και σύγχρονες τεχνικές ελέγχου. Στο θεωρητικό σκέλος αναλύονται οι ορισμοί, τα κύματα εξέλιξης και οι περιορισμοί ερμηνευσιμότητας της Τεχνητής Νοημοσύνης, καθώς και οι μηχανισμοί μέσω των οποίων ο ψηφιακός μετασχηματισμός εντείνει τις απαιτήσεις διαφάνειας και λογοδοσίας σε δημόσιο και ιδιωτικό περιβάλλον. Παρουσιάζονται οριζόντιες τεχνολογίες που διατρέχουν την ελεγκτική, όπως Μεγάλα Δεδομένα, Υπολογιστικό Νέφος, Αλυσίδα Μπλοκ και Τεχνικές Ελέγχου με τη Βοήθεια Υπολογιστή, και αξιολογείται ο ρόλος τους στη μετάβαση από δειγματοληπτικές προσεγγίσεις σε αναλύσεις πλήρους πληθυσμού και σε συνεχή διασφάλιση. Στη συνέχεια θεμελιώνεται το επιστημονικό πλαίσιο της ελεγκτικής μέσα από οργανωσιακές και θεσμικές θεωρήσεις, τον κύκλο ζωής του ελέγχου και τα μοντέλα υιοθέτησης τεχνολογίας, ώστε να εξηγηθεί γιατί η τεχνολογική απορρόφηση αποτελεί ταυτόχρονα τεχνική και θεσμική αλλαγή. Το ερευνητικό σκέλος συγκροτεί μεθοδολογικό πρωτόκολλο βιβλιογραφικής επισκόπησης, με εννοιολογική οριοθέτηση, κριτήρια επιλογής και θεματική σύνθεση, και καταλήγει σε ενοποιημένο πλαίσιο υιοθέτησης και σε κατευθύνσεις για πολιτική, επαγγελματική πρακτική και μελλοντική έρευνα, με κεντρικό ζητούμενο την ελεγκσιμότητα και τη λογοδοσία των συστημάτων Τεχνητής Νοημοσύνης. ENGLISH ABSTRACT The present dissertation systematically examines the transition of auditing to a digital, data-centric, and technology-enhanced model, with an emphasis on the interweaving of Artificial Intelligence and Machine Learning with traditional and modern auditing techniques. The theoretical part analyzes the definitions, the waves of development and the interpretability limitations of Artificial Intelligence, as well as the mechanisms through which digital transformation intensifies the requirements for transparency and accountability in public and private environments. Horizontal technologies that run through auditing, such as Big Data, Cloud Computing, Blockchain, and Computer-Assisted Audit Techniques, and their role in the transition from sampling approaches to full population analysis and continuous assurance is evaluated. It then establishes the scientific framework of auditing through organizational and institutional considerations, the audit life cycle, and technology adoption models to explain why technology absorption is both a technical and institutional change. The research section consists of a methodological protocol for a literature review, with conceptual delimitation, selection criteria, and thematic composition, and concludes with a unified adoption framework and guidelines for policy, professional practice, and future research, with a focus on the auditability and accountability of Artificial Intelligence systems.

2026-02-01T00:00:00Z Σουλτάνα, Θεοδωρίδου http://hdl.handle.net/11728/13394 2026-05-05T12:22:14Z 2026-02-01T00:00:00Z

Η εξέλιξη της τεχνολογίας και η επίδρασή της στην ελε-γκτική: Προκλήσεις και Προοπτικές από την Ενσωμά-τωση Τεχνητής Νοημοσύνης και Αυτοματισμών Σουλτάνα, Θεοδωρίδου Η παρούσα διπλωματική εργασία εξετάζει την εξέλιξη της τεχνολογίας και την επίδρασή της στην ελεγκτική λειτουργία, με ιδιαίτερη έμφαση στην ενσωμάτωση της τεχνητής νοη-μοσύνης, της ανάλυσης μεγάλων δεδομένων, της ρομποτικής αυτοματοποίησης διαδικα-σιών και της τεχνολογίας blockchain. Στόχος της έρευνας είναι η διερεύνηση του τρόπου με τον οποίο οι σύγχρονες ψηφιακές τεχνολογίες μετασχηματίζουν τις ελεγκτικές διαδικασίες, επηρεάζουν την ποιότητα και την αποδοτικότητα του ελέγχου και αναδιαμορφώνουν τον ρόλο και τις απαιτούμενες δεξιότητες του ελεγκτή στο σύγχρονο οικονομικό περιβάλλον. Η μελέτη βασίζεται σε δευτερογενή ερευνητική προσέγγιση, η οποία περιλαμβάνει συ-στηματική βιβλιογραφική ανασκόπηση διεθνών, επιστημονικών δημοσιεύσεων, καθώς και συγκριτική ανάλυση εταιρικών εκθέσεων μεγάλων ελεγκτικών εταιρειών, όπως οι KPMG, Deloitte, EY και PwC. Μέσα από την ανάλυση ττης βιβλιογραφίας και των επαγγελματικών πρακτικών, αναδεικνύονται τα βασικά οφέλη της τεχνολογικής ενσωμάτωσης στην ελεγκτι-κή, όπως η βελτίωση της ακρίβειας, η αύξηση της διαφάνειας, η δυνατότητα συνεχούς ελέγ-χου και η αποτελεσματικότερη διαχείριση του ελεγκτικού κινδύνου. Παράλληλα, η εργασία επισημαίνει σημαντικές προκλήσεις που σχετίζονται με την αξιο-πιστία αλγορίθμων, την προστασία των δεδομένων, την κυβερνοασφάλεια, την ηθική και δεοντολογική διάσταση του επαγγέλματος, καθώς και την ανάγκη προσαρμογής του ρυθμι-στικού πλαισίου. Τα εύρηματα καταδεικνύουν ότι, παρά τον υψηλό βαθμό αυτοματοποίη-σης, η επαγγελματική κρίση του ελεγκτή παραμένει αναντικατάστατη. Συμπερασματικά, η τεχνολογία δεν αντικαθιστά τον ελεγκτή, αλλά λειτουργεί συμπληρω-ματικά, ενισχύοντας τον στρατηγικό και συμβουλευτικό του ρόλο. Η επιτυχής ενσωμάτωση της τεχνητής νοημοσύνης στην ελεγκτική προϋποθέτει συνεχή εκπαίδευση, ισχυρά πλαίσια διακυβέρνησης και ισορροπία μεταξύ τεχνολογικής και ανθρώπινης κρίσης. ENGLISH ABSTRACT This master’s thesis examines the evolution of technology and its impact auditing profes-sion, with particular emphasis on the integration of artificial intelligence, big data analytics, robotic process automation, and blockchain technology. The main objective of the study is to investigate how modern digital technologies transform auditing processes, affect audit quality and efficiency, and reshape the role and required competencies of auditors in the contempo-rary financial environment. The research adopts a secondary research methodology, combining a systematic review of international academic literature with a comparative analysis of corporate reports published by major auditing firms, including KPMG, Deloitte, EY, and PwC. Through this approach, the study identifies key trends and practices related to the technological transformation of au-diting and evaluates both theoretical and practical perspectives. The findings highlight significant benefits arising from the adoption of advanced technolo-gies in auditing, such as enhanced accuracy, increased transparency, continuous auditing ca-pabilities, improved risk assessment, and greater operational efficiency. The use of artificial intelligence and data analytics enables auditors to analyze entire populations of transactions rather than relying solely on traditional sampling methods, thereby strengthening audit relia-bility and timeliness. At the same time, the study emphasizes critical challenges associated with technological in-tegration, including algorithmic reliability, data governance, cybersecurity risks, ethical con-siderations, and regulatory compliance. Despite the growing role of automation, the research underlines that professional judgment, ethical responsibility, and auditor independence re-main essential elements of high – quality auditing. Overall, the thesis concludes that technology does not replace the auditor but rather com-plements and enhances the auditor’s strategic and advisory role. Successful implementation of artificial intelligence in auditing requires continuous professional training, robust govern-ance frameworks, and a balanced interaction between technological tools and human exper-tise. The study contributes to the broader academic and professional discourse on the future of auditing in an increasingly digitalized environment.

2026-02-01T00:00:00Z Δεμίρη, Σοφία http://hdl.handle.net/11728/13393 2026-05-05T12:13:09Z 2026-01-01T00:00:00Z

Καταναλωτικές τάσεις στις ηλεκτρονικές αγορές μέσω ανάλυσης δεδομένων και μηχανικής μάθησης Δεμίρη, Σοφία Η παρούσα διπλωματική εργασία εστιάζει στη μελέτη των καταναλωτικών τάσεων στις ηλεκτρονικές αγορές, αξιοποιώντας τεχνικές ανάλυσης δεδομένων και μεθόδους μηχανικής μάθησης, με έμφαση στην ανάλυση συσχετίσεων μεταξύ δημογραφικών και συμπεριφορικών χαρακτηριστικών των καταναλωτών. Σκοπός της έρευνας είναι η διερεύνηση και η κατανόηση της αγοραστικής συμπεριφοράς στο ψηφιακό περιβάλλον, καθώς και η ανάδειξη προτύπων που δύναται να συμβάλλουν στη βελτίωση της αποδοτικότητας και της στρατηγικής προσέγγισης των σύγχρονων επιχειρήσεων που δραστηριοποιούνται στο ηλεκτρονικό εμπόριο. Η έρευνα βασίζεται σε ένα πραγματικό σύνολο δεδομένων σχετικά ηλεκτρονικού εμπορίου, το οποίο διατίθεται δημόσια μέσω της πλατφόρμας kaggle και αφορά την πλατφόρμα Olist. Tο συγκεκριμένο σύνολο δεδομένων περιλαμβάνει πραγματικές συναλλαγές, χαρακτηριστικά παραγγελιών καθώς και πληροφορίες σχετικά με τη διαδικασία παράδοσης. Όλα τα παραπάνω, αξιοποιούνται για την ανάλυση καταναλωτικών τάσεων και την λήψη επιχειρηματικών αποφάσεων. Η μεθοδολογική προσέγγιση επικεντρώνεται στη διερευνητική ανάλυση δεδομένων και στον υπολογισμό συντελεστών συσχέτισης με στόχο την αποτύπωση των σχέσεων μεταξύ δημογραφικών χαρακτηριστικών, καταναλωτικών επιλογών και ικανοποίησης των καταναλωτών. Τα αποτελέσματα της ανάλυσης αποδεικνύουν την ύπαρξη σημαντικών συσχετίσεων μεταξύ συγκεκριμένων χαρακτηριστικών και αγοραστικών προτύπων, καθώς και τη δυνατότητα διάκρισης ομάδων καταναλωτών με παρόμοια χαρακτηριστικά. Συνολικά, η εργασία αναδεικνύει τη χρησιμότητα της ανάλυσης δεδομένων και της μηχανικής μάθησης ως εργαλεία ερμηνείας της καταναλωτικής συμπεριφοράς στο πλαίσιο των ηλεκτρονικών αγορών, ενισχύοντας την κατανόηση των σύγχρονων καταναλωτικών τάσεων. ENGLISH ABSTRACT This thesis focuses on the study of consumer trends in online shopping by employing data analysis techniques and machine learning methods, with particular emphasis on examining correlations between demographic and behavioral characteristics of consumers. The aim of the research is to investigate and understand purchasing behavior in the digital environment, as well as to identify patterns that may contribute to improving the efficiency and strategic approach of contemporary enterprises operating in the field of electronic commerce. The research is based on a synthetic dataset, which includes variables such as age, income, gender, marital status, product category, customer satisfaction level, and payment method. The methodological approach centers on exploratory data analysis and the calculation of correlation measures, in order to capture the relationships between demographic characteristics, consumer choices, and levels of customer satisfaction. The results of the analysis demonstrate the existence of significant correlations between specific characteristics and purchasing patterns, as well as the potential to distinguish groups of consumers with similar profiles. Overall, the study highlights the usefulness of data analysis and machine learning as tools for interpreting consumer behavior in the context of online shopping, thereby enhancing the understanding of contemporary consumer trends.

2026-01-01T00:00:00Z