Modelo de scoring para crédito de consumo en una entidad del sector solidario

Vista sencilla de ítem
dc.contributor.advisorGonzález Veloza, José John Fredy
dc.contributor.authorGonzález Parga, Arbey
dc.creator.emailagonzalesp01@libertadores.edu.cospa
dc.date.accessioned2023-03-11T19:47:51Z
dc.date.available2023-03-11T19:47:51Z
dc.date.created2022
dc.descriptionEn Colombia la Superintendencia de la Economía Solidaria a través de la Circular Básica Contable, Título IV, Capítulo II regula el SARC como el Sistema de Administración de Riesgo de Crédito que deben implementar y/o complementar las organizaciones solidarias vigiladas, con el propósito de, identificar, medir, controlar y monitorear el riesgo de crédito al cual se encuentran expuestas en el desarrollo de su proceso de otorgamiento. Dicho lo anterior, se hace necesario para las entidades del sector que colocan créditos, contar con modelos propios que obtengan las variables más relevantes y que permitan calcular la probabilidad de incumplimiento con base en la información de los créditos que tiene la entidad y calificar de manera periódica cada uno de los créditos vigentes. El objetivo principal de este artículo es explicar cómo se pueden obtener las variables más relevantes para el cálculo de la probabilidad de incumplimiento de pago de un cliente y crear un score interno para nuevos créditos con el fin de apoyar la decisión del otorgamiento a través de un modelo de machine learning. Este artículo se realizó utilizando una base de datos de una entidad del sector solidario que contiene un total de 5974 créditos de consumo y mediante aprendizaje automático se entrenaron diferentes modelos para determinar la probabilidad de incumplimiento de un cliente. El modelo de light gradient boosting machine obtuvo el mejor desempeño con un AUC de 0.7550, recall de 0.7111, precisión 0.1587. Además, entre las variables disponibles, las que tienen mayor importancia para inferir la probabilidad de incumplimiento para un crédito de consumo son la antigüedad, total activos, total pasivos, ingresos mensuales, egresos mensuales, valor del crédito, plazo, nivel de estudio, estado civil, forma de pago y edad.spa
dc.description.abstractIn Colombia, the Superintendence of the Solidarity Economy through the Basic Accounting Circular, Title IV, Chapter II regulates the SARC as the Credit Risk Management System that must be implemented and/or complemented by the supervised solidarity organizations, with the purpose of, identify, measure, control and monitor the credit risk to which they are exposed in the development of their granting process. Having said the above, it is necessary for the entities of the sector that place credits, to have their own models that obtain the most relevant variables and that allow the calculation of the probability of default based on the information of the credits that the entity has and to qualify accordingly. periodically each of the current credits. The main objective of this article is to explain how the most relevant variables can be obtained to calculate the probability of default of a client and create an internal score for new loans in order to support the granting decision through a machine learning model. This article was carried out using a database of a solidarity sector entity that contains a total of 5974 consumer loans and through automatic learning different models were trained to determine the probability of default of a client. The light gradient boosting machine model had the best performance with an AUC of 0.7550, recall of 0.7111, precision 0.1587. In addition, among the available variables, the ones that are most important to infer the probability of default for a consumer loan are age, total assets, total liabilities, monthly income, monthly expenses, credit value, term, level of study, status civil, form of payment and age.spa
dc.formatPDFspa
dc.identifier.urihttp://hdl.handle.net/11371/5697
dc.language.isospaspa
dc.publisherFundación Universitaria Los Libertadores. Sede Bogotá.spa
dc.rights.accesoAbierto (Texto Completo)spa
dc.rights.accessrightsinfo:eu-repo/semantics/openAccessspa
dc.subject.lembAprendizaje automáticospa
dc.subject.lembAnálisis de regresiónspa
dc.subject.lembEconometriaspa
dc.subject.lembCrédito - Administraciónspa
dc.subject.proposalModelo scoringspa
dc.subject.proposalRegresión logísticaspa
dc.subject.proposalRiesgo de créditospa
dc.subject.proposalMachine Learningspa
dc.subject.subjectenglishMachine learningspa
dc.subject.subjectenglishScoring modelspa
dc.subject.subjectenglishLogistic regressionspa
dc.subject.subjectenglishCredit riskspa
dc.titleModelo de scoring para crédito de consumo en una entidad del sector solidariospa
dc.typeinfo:eu-repo/semantics/bachelorThesisspa
Archivos
Bloque original
Mostrando 1 - 1 de 1
Miniatura
Nombre:
Gonzales_Arbey_2022.pdf
Tamaño:
719.29 KB
Formato:
Adobe Portable Document Format
Descripción:
Descargar
Bloque de licencias
Mostrando 1 - 2 de 2
Miniatura
Nombre:
license.txt
Tamaño:
2.59 KB
Formato:
Item-specific license agreed upon to submission
Descripción:
Descargar
Miniatura
Nombre:
Autorizacion_Gonzales_Arbey_2022.pdf
Tamaño:
4.22 MB
Formato:
Adobe Portable Document Format
Descripción:
Descargar
Colecciones
Especialización en Estadística Aplicada