Optimización del proceso de cobro en la gestión del riesgo de créditos masivos. Una comparación de técnicas de aprendizaje automático para predecir la probabilidad de pago en distintas fases de la morosidad.
En el ámbito del riesgo crediticio, se han desarrollado modelos de scoring basados en regresión logística para optimizar la evaluación del riesgo de incumplimiento. Sin embargo, estos modelos requieren ingeniería de características compleja y su precisión se ve afectada a medida que avanza la morosi...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Estado: | Versión publicada |
| Fecha de publicación: | 2024 |
| País: | Ecuador |
| Institución: | Escuela Politécnica Nacional |
| Repositorio: | Repositorio Escuela Politécnica Nacional |
| Idioma: | español |
| OAI Identifier: | oai:bibdigital.epn.edu.ec:15000/25942 |
| Acceso en línea: | http://bibdigital.epn.edu.ec/handle/15000/25942 |
| Access Level: | acceso abierto |
| Palabra clave: | ORDENADOR REDES NEURONALES ARTIFICIALES REGRESIÓN LOGÍSTICA RIESGO DE CRÉDITO SCORING CREDITICIO |
| Sumario: | En el ámbito del riesgo crediticio, se han desarrollado modelos de scoring basados en regresión logística para optimizar la evaluación del riesgo de incumplimiento. Sin embargo, estos modelos requieren ingeniería de características compleja y su precisión se ve afectada a medida que avanza la morosidad. Este estudio propone el uso de técnicas de aprendizaje automático (XGBoost y Redes Neuronales Artificiales) para generar scores en diferentes segmentos de mora (Sin Mora, 1-30 días, 31-90 días y todos los segmentos). Se utiliza la métrica Kolmogorov-Smirnov (KS) para evaluar la eficiencia y el poder predictivo de los modelos. Para garantizar la precisión y fiabilidad de los modelos, se emplea una metodología de cinco pasos. Comienza con la formulación del problema, seguida de la selección de una muestra de datos y definición de la variable objetivo, luego se realiza un análisis descriptivo de los datos para facilitar la limpieza. Posteriormente, se entrenan y prueban los modelos, y finalmente, se analizan los resultados y se interpretanlos modelos obtenidos. Los resultados muestran que tanto XGBoost como las Redes Neuronales Artificiales superan a la regresión logística en la mayoría de los segmentos de mora. En el segmento Sin Mora, XGBoost (63,36%) y ANN (61,84%) superan a LR (56,42%). En el segmento 1-30 días, XGBoost (51,38%) y ANN (50,35%) también superan a LR (47,32%). En el segmento 31-90 días, ANN (38,77%) supera a LR (36,62%), pero no a XGBoost (34,47%). Finalmente, en el modelo de todos los segmentos, tanto XGBoost (74,05%) como ANN (73,59%) superan a LR (71,01%). |
|---|