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...

ver descrição completa

Detalhes bibliográficos
Autor: Carrera Sánchez, Andrés Sebastián
Formato: tesis de maestría
Estado:Versión publicada
Fecha de publicación:2024
País:Ecuador
Recursos:Escuela Politécnica Nacional
Repositorio:Repositorio Escuela Politécnica Nacional
Idioma:español
OAI Identifier:oai:bibdigital.epn.edu.ec:15000/25942
Acesso em linha:http://bibdigital.epn.edu.ec/handle/15000/25942
Access Level:acceso abierto
Palavra-chave:ORDENADOR
REDES NEURONALES ARTIFICIALES
REGRESIÓN LOGÍSTICA
RIESGO DE CRÉDITO
SCORING CREDITICIO
id EC_20cf57905a099f4eac4eb2ba11624a8e
oai_identifier_str oai:bibdigital.epn.edu.ec:15000/25942
network_acronym_str EC
network_name_str Ecuador
repository_id_str
dc.title.none.fl_str_mv 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.
title 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.
spellingShingle 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.
Carrera Sánchez, Andrés Sebastián
ORDENADOR
REDES NEURONALES ARTIFICIALES
REGRESIÓN LOGÍSTICA
RIESGO DE CRÉDITO
SCORING CREDITICIO
title_short 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.
title_full 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.
title_fullStr 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.
title_full_unstemmed 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.
title_sort 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.
dc.creator.none.fl_str_mv Carrera Sánchez, Andrés Sebastián
author Carrera Sánchez, Andrés Sebastián
author_facet Carrera Sánchez, Andrés Sebastián
author_role author
dc.contributor.none.fl_str_mv Benalcázar Palacios, Marco Enrique
dc.subject.none.fl_str_mv ORDENADOR
REDES NEURONALES ARTIFICIALES
REGRESIÓN LOGÍSTICA
RIESGO DE CRÉDITO
SCORING CREDITICIO
topic ORDENADOR
REDES NEURONALES ARTIFICIALES
REGRESIÓN LOGÍSTICA
RIESGO DE CRÉDITO
SCORING CREDITICIO
description 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%).
publishDate 2024
dc.date.none.fl_str_mv 2024-10-23T16:22:11Z
2024-10-23T16:22:11Z
2024-06
dc.type.none.fl_str_mv info:eu-repo/semantics/publishedVersion
info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.none.fl_str_mv Carrera Sánchez, A.S. (2024). 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. 74 páginas. Quito : EPN.
T-MVE 1176/CD 14844
http://bibdigital.epn.edu.ec/handle/15000/25942
identifier_str_mv Carrera Sánchez, A.S. (2024). 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. 74 páginas. Quito : EPN.
T-MVE 1176/CD 14844
url http://bibdigital.epn.edu.ec/handle/15000/25942
dc.language.none.fl_str_mv spa
language spa
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.publisher.none.fl_str_mv Quito : EPN, 2024.
publisher.none.fl_str_mv Quito : EPN, 2024.
dc.source.none.fl_str_mv reponame:Repositorio Escuela Politécnica Nacional
instname:Escuela Politécnica Nacional
instacron:EPN
instname_str Escuela Politécnica Nacional
instacron_str EPN
institution EPN
reponame_str Repositorio Escuela Politécnica Nacional
collection Repositorio Escuela Politécnica Nacional
repository.name.fl_str_mv Repositorio Escuela Politécnica Nacional - Escuela Politécnica Nacional
repository.mail.fl_str_mv .
_version_ 1873868591010414592
spelling 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.Carrera Sánchez, Andrés SebastiánORDENADORREDES NEURONALES ARTIFICIALESREGRESIÓN LOGÍSTICARIESGO DE CRÉDITOSCORING CREDITICIOEn 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%).In the field of credit risk, scoring models based on logistic regression have been developed to optimize the assessment of default risk. However, these models require complex feature engineering and their accuracy suffers as delinquency progresses. This study proposes the use of machine learning techniques (XGBoost and Artificial Neural Networks) to generate scores in different delinquency segments (No Arrears, 1-30 Arrears Segment, 31-90 Arrears Segment, and All Segments). The Kolmogorov-Smirnov (KS) metric is used to assess the efficiency and predictive power of the models. To ensure the accuracy and reliability of the models, a five-step methodology is employed. It starts with the formulation of the problem, followed by the selection of a data sample and definition of the target variable, then a descriptive analysis of the data is performed to facilitate cleaning. Subsequently, the models are trained and tested, and finally, the results are analyzed and the models obtained are interpreted. The results show that both XGBoost and Artificial Neural Networks outperform logistic regression in most of the arrears segments. In the No Delinquency segment, XGBoost (63.36%) and ANN (61.84%) outperform LR (56.42%). In the 1-30 days segment, XGBoost (51.38%) and ANN (50.35%) also outperform LR (47.32%). In the 31-90 days segment, ANN (38.77%) outperforms LR (36.62%), but not XGBoost (34.47%). Finally, in the all-segments model, both XGBoost (74.05%) and ANN (73.59%) outperform LR (71.01%)Quito : EPN, 2024.Benalcázar Palacios, Marco Enrique2024-10-23T16:22:11Z2024-10-23T16:22:11Z2024-06info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisCarrera Sánchez, A.S. (2024). 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. 74 páginas. Quito : EPN.T-MVE 1176/CD 14844http://bibdigital.epn.edu.ec/handle/15000/25942spainfo:eu-repo/semantics/openAccessreponame:Repositorio Escuela Politécnica Nacionalinstname:Escuela Politécnica Nacionalinstacron:EPN2024-10-23T16:22:49Zoai:bibdigital.epn.edu.ec:15000/25942Institucionalhttps://bibdigital.epn.edu.ec/Universidad públicahttps://www.epn.edu.ec/https://bibdigital.epn.edu.ec/oai.Ecuador...opendoar:15532024-10-23T16:22:49Repositorio Escuela Politécnica Nacional - Escuela Politécnica Nacionalfalse
score 15,228081

Registos relacionados