Modelo de aprendizaje automático para riesgo crediticio de microempresarios regionales según perfil socioeconómico

Vista sencilla de ítem
dc.contributor.advisorGonzález Veloza, José John Fredy
dc.contributor.authorBetancur Londoño, Carlos Mario
dc.creator.emailcmbetancur@libertadores.edu.cospa
dc.date.accessioned2022-07-23T14:10:28Z
dc.date.available2022-07-23T14:10:28Z
dc.date.created2022
dc.descriptionLa cartera de crédito es fundamental en una entidad financiera, por ello ante cada crédito entregado, la esperanza es recuperarla en tiempos pactados con el cliente, aún así, es latente el riesgo de no pago durante la vigencia de la obligación. La propuesta de un modelo de predicción con diferentes técnicas que defina la probabilidad de default, puede ayudar a definir las posibles causas socioeconómicas que implican riesgo de impago. Se tomó la consecución de los defaults causados en el instante con el objetivo de identificar clientes que podrían incurrir en estado de mora y riesgo de no pago. La modelación se hizo con el fin de mitigar o filtrar los usuarios a los cuales se les otorga el crédito y nos ayuda a definir cómo puede ser catalogado como habiente potencial de default, esto, determinado por los perfiles que nos proveen los más de 39 mil individuos que conforman la base de datos. El nicho de mercado al cual se dirige la institución, está conformado por usuarios con alcance económico limitado para iniciar su empresa o microempresarios que requieren capital de trabajo para su negocio en curso, todos ellos con un interés en común, crear empresa y salir adelante con su idea, sin importar niveles académicos, músculo financiero o residencia urbana o rural. Es menester un concepto sólido del proyecto y su puesta en marcha. Es fundamental tener claro el nicho de mercado al cual se dirige la institución y por ello es relevante considerar cuál es el perfil que lo conforma. Los modelos expuestos en este proyecto tienen fundamentos de apoyo para el área de estudios de crédito o central de evaluación financiera. El procedimiento de modelado se llevó a cabo con métodos de aprendizaje máquina supervisados como regresión logística, random forest y gradient boosting. Tres opciones de las cuales se escogió el random forest como la mejor, según sus 2 métricas. Se hizo el comparativo con la metodología actual de evaluación crediticia y se determinó las implicaciones en caso de ser implementado.spa
dc.description.abstractThe credit portfolio is fundamental in a financial entity, therefore, before each credit delivered, the hope is to recover it in times agreed with the client, even so, the risk of non payment during the term of the obligation is latent. The proposal of a prediction model with different techniques that defines the probability of default, can help define the possible socioeconomic causes that imply risk of default. The achievement of the defaults caused at the moment was taken with the objective of identifying clients that could incur in a state of default and risk of non-payment. The modeling was done in order to mitigate or filter the users to whom the credit is granted and helps us define how they can be classified as a potential default holder, this, determined by the profiles provided by the more than 39 thousand individuals that make up the database. The market niche to which the institution is directed is made up of users with limited economic scope to start their business or micro entrepreneurs who require working capital for their ongoing business, all of them with a common interest, to create a business and get ahead with your idea, regardless of academic levels, financial muscle or urban or rural residence. A solid concept of the project and its implementation is necessary. It is essential to be clear about the market niche to which the institution is directed, and for this reason it is important to consider what its profile is. The models exposed in this project have foundations of support for the area of credit studies or central financial evaluation. The modeling procedure was carried out with supervised machine learning methods such as logistic regression, random forest and gradient boosting. Three options of which the random forest was chosen as the best, according to its metrics. The comparison was made with the current credit evaluation methodology and the implications were determined in case of being implemented.spa
dc.formatPDFspa
dc.identifier.urihttp://hdl.handle.net/11371/4733
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.lembPedagogíaspa
dc.subject.lembEducaciònspa
dc.subject.lembSociedadesspa
dc.subject.proposalAprendizaje automático supervisadospa
dc.subject.proposalRiesgo crediticiospa
dc.subject.proposalDefaultspa
dc.subject.proposalEstudio de créditospa
dc.subject.subjectenglishSupervised machine learningspa
dc.subject.subjectenglishCredit riskspa
dc.subject.subjectenglishDefaultspa
dc.subject.subjectenglishCredit studyspa
dc.titleModelo de aprendizaje automático para riesgo crediticio de microempresarios regionales según perfil socioeconómicospa
dc.typeinfo:eu-repo/semantics/bachelorThesisspa
Archivos
Bloque original
Mostrando 1 - 1 de 1
Miniatura
Nombre:
Betancourt_Carlos_2022.pdf
Tamaño:
682.63 KB
Formato:
Adobe Portable Document Format
Descripción:
Descargar
Bloque de licencias
Mostrando 1 - 2 de 2
Miniatura
Nombre:
license.txt
Tamaño:
1.71 KB
Formato:
Item-specific license agreed upon to submission
Descripción:
Descargar
Miniatura
Nombre:
Autorización_Betancourt_Carlos_2022.pdf
Tamaño:
152.65 KB
Formato:
Adobe Portable Document Format
Descripción:
Descargar
Colecciones
Especialización en Estadística Aplicada