Por favor, use este identificador para citar o enlazar este ítem: http://bibdigital.epn.edu.ec/handle/15000/22290
Título: Desarrollo de un modelo de predicción basado en Algoritmos de Machine Learning para medir el riesgo crediticio.
Autor: Pucha Gualoto, Oscar Iván
Palabras clave: RIESGO CREDITICIO
EVALUACIÓN CREDITICIA
Fecha de publicación: 28-mar-2022
Editorial: Quito, 2022
Citación: Pucha Gualoto, O. I. (2022). Desarrollo de un modelo de predicción basado en Algoritmos de Machine Learning para medir el riesgo crediticio. 128 hojas. Quito : EPN.
Resumen: The main objective of this document is to propose a credit risk prediction model based on the use of machine learning, to be used in credit evaluation in financial or commercial institutions. In this way, it is intended to minimize the probability of giving a loan to a person who does not have sufficient capacity to repay the money given by the bank, cooperative or any other type of institution in the financial and commercial system. The methodology used has a mixed character, because qualitative and quantitative analysis tools were used. Agile methodologies were used to systematize the activities for the development of the model. The chosen machine learning models were Logistic Regression, Support Vector Machine, Decision Tree and Nearest Neighbor. The general conclusion of the document is associated with the fact that all the models used give satisfactory results and can be used for risk prediction. The models proposed to meet the stated objectives that have shown the best fit in their results were the Logistic Regression and the Support Vector Machine. However, it is the task of financial institutions to evaluate the model that best suits their credit processes and has a better relationship with their business objectives; since the prediction model used is a tool to support commercial management to safeguard the equity and profitability of the financial institution and does not constitute a mechanism to pressure the client to improve the loan portfolio.
Descripción: El presente documento tiene como objetivo central, plantear un modelo de predicción de riesgo de crédito basado en el uso de machine learning, con el fin de ser empleado en la evaluación crediticia en instituciones comerciales y financieras. De esta manera, se pretende minimizar la probabilidad de entregar un crédito a una persona que no tenga la capacidad suficiente para resarcir el dinero entregado por el banco, cooperativa o cualquier otro tipo de institución del sistema financiero o comercial. La metodología empleada tiene un carácter mixto, porque se emplearon herramientas de análisis cualitativo y cuantitativo. Para sistematizar las actividades para el desarrollo del modelo, se emplearon metodologías agiles. Los modelos de machine learning escogidos fueron Regresión Logística, Árboles de Decisión, Vecino más próximo y Support Vector Machine. La conclusión general del documento se asocia a que todos los modelos empleados arrojan resultados satisfactorios y pueden ser usados para la evaluación del riesgo crediticio. Los modelos propuestos para cumplir los objetivos planteados que han mostrado el mejor ajuste en sus resultados fueron la Regresión logística y el Support Vector Machine. Es tarea de las instituciones financieras, evaluar el modelo que mejore se adapte a sus procesos crediticios y tenga mejor relación con sus objetivos de negocio; ya que el modelo de predicción empleado es una herramienta de apoyo a la gestión comercial con el fin de precautelar el patrimonio y rentabilidad de la institución financiera y no se constituyen en un mecanismo de presión al cliente para mejorar la cartera de crédito.
URI: http://bibdigital.epn.edu.ec/handle/15000/22290
Tipo: bachelorThesis
Aparece en las colecciones:Tesis MAESTRÍA EN SISTEMAS DE INFORMACIÓN MENCIÓN INTELIGENCIA DE NEGOCIOS Y ANALÍTICA DE DATOS MASIVOS (FIS)

Ficheros en este ítem:
Fichero Descripción TamañoFormato 
CD 11789.pdf2,52 MBAdobe PDFVisualizar/Abrir


Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.