Modelo de predicción de default en pymes de la ciudad de Medellín
58 páginas
- Autores:
-
Aristizábal Guzmán, Jacobo
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2025
- Institución:
- Universidad EIA .
- Repositorio:
- Repositorio EIA .
- Idioma:
- spa
- OAI Identifier:
- oai:repository.eia.edu.co:11190/7152
- Acceso en línea:
- https://repository.eia.edu.co/handle/11190/7152
- Palabra clave:
- Riesgo de crédito
Pymes
Predicción de default
Machine learning
Random Forest
Regresión logística
- Rights
- openAccess
- License
- Derechos Reservados - Universidad EIA, 2025
| id |
REIA2_381ffd6f6fbbe84450176bf8d5685fe8 |
|---|---|
| oai_identifier_str |
oai:repository.eia.edu.co:11190/7152 |
| network_acronym_str |
REIA2 |
| network_name_str |
Repositorio EIA . |
| repository_id_str |
|
| dc.title.none.fl_str_mv |
Modelo de predicción de default en pymes de la ciudad de Medellín |
| title |
Modelo de predicción de default en pymes de la ciudad de Medellín |
| spellingShingle |
Modelo de predicción de default en pymes de la ciudad de Medellín Riesgo de crédito Pymes Predicción de default Machine learning Random Forest Regresión logística |
| title_short |
Modelo de predicción de default en pymes de la ciudad de Medellín |
| title_full |
Modelo de predicción de default en pymes de la ciudad de Medellín |
| title_fullStr |
Modelo de predicción de default en pymes de la ciudad de Medellín |
| title_full_unstemmed |
Modelo de predicción de default en pymes de la ciudad de Medellín |
| title_sort |
Modelo de predicción de default en pymes de la ciudad de Medellín |
| dc.creator.fl_str_mv |
Aristizábal Guzmán, Jacobo |
| dc.contributor.advisor.none.fl_str_mv |
Lochmuller, Christian |
| dc.contributor.author.none.fl_str_mv |
Aristizábal Guzmán, Jacobo |
| dc.subject.proposal.spa.fl_str_mv |
Riesgo de crédito Pymes Predicción de default Machine learning Random Forest Regresión logística |
| topic |
Riesgo de crédito Pymes Predicción de default Machine learning Random Forest Regresión logística |
| description |
58 páginas |
| publishDate |
2025 |
| dc.date.accessioned.none.fl_str_mv |
2025-07-28T20:37:57Z |
| dc.date.available.none.fl_str_mv |
2025-07-28T20:37:57Z |
| dc.date.issued.none.fl_str_mv |
2025 |
| dc.type.none.fl_str_mv |
Trabajo de grado - Pregrado |
| dc.type.coar.none.fl_str_mv |
http://purl.org/coar/resource_type/c_7a1f |
| dc.type.driver.none.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
| dc.type.version.none.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
| dc.type.content.none.fl_str_mv |
Text |
| dc.type.redcol.none.fl_str_mv |
http://purl.org/redcol/resource_type/TP |
| dc.type.coarversion.none.fl_str_mv |
http://purl.org/coar/version/c_970fb48d4fbd8a85 |
| format |
http://purl.org/coar/resource_type/c_7a1f |
| status_str |
publishedVersion |
| dc.identifier.uri.none.fl_str_mv |
https://repository.eia.edu.co/handle/11190/7152 |
| url |
https://repository.eia.edu.co/handle/11190/7152 |
| dc.language.iso.none.fl_str_mv |
spa |
| language |
spa |
| dc.rights.none.fl_str_mv |
Derechos Reservados - Universidad EIA, 2025 |
| dc.rights.license.none.fl_str_mv |
Atribución-NoComercial 4.0 Internacional (CC BY-NC 4.0) |
| dc.rights.accessrights.none.fl_str_mv |
info:eu-repo/semantics/openAccess |
| dc.rights.coar.none.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| rights_invalid_str_mv |
Derechos Reservados - Universidad EIA, 2025 Atribución-NoComercial 4.0 Internacional (CC BY-NC 4.0) http://purl.org/coar/access_right/c_abf2 |
| eu_rights_str_mv |
openAccess |
| dc.format.mimetype.none.fl_str_mv |
application/pdf |
| dc.publisher.none.fl_str_mv |
Universidad EIA |
| dc.publisher.program.none.fl_str_mv |
Ingeniería Financiera |
| dc.publisher.faculty.none.fl_str_mv |
Escuela de Ciencias Económicas y Administrativas |
| dc.publisher.place.none.fl_str_mv |
Envigado (Antioquia, Colombia) |
| publisher.none.fl_str_mv |
Universidad EIA |
| institution |
Universidad EIA . |
| bitstream.url.fl_str_mv |
https://repository.eia.edu.co/bitstreams/da1eb04b-890a-458b-acad-3d068af75edb/download https://repository.eia.edu.co/bitstreams/e8f785e5-3b86-4752-b484-c3102c3ae7f9/download https://repository.eia.edu.co/bitstreams/1b26e602-3898-40f9-affd-be222a6ab9da/download https://repository.eia.edu.co/bitstreams/5c0f3a3a-14c7-4e5c-9076-2786d295cd52/download |
| bitstream.checksum.fl_str_mv |
2264fce645ac2952653ce3f3b8fa781e 90378ad278cc8ddd102790a0450df3af bae54f862dd189f0335d119584cde67f eae8395b8b6a4212e1d1666dc5544bcf |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio Institucional Universidad EIA |
| repository.mail.fl_str_mv |
bdigital@metabiblioteca.com |
| _version_ |
1849968101907496960 |
| spelling |
Lochmuller, ChristianAristizábal Guzmán, Jacobo2025-07-28T20:37:57Z2025-07-28T20:37:57Z2025https://repository.eia.edu.co/handle/11190/715258 páginasRESUMEN: El presente trabajo de grado tiene como objetivo desarrollar y comparar modelos predictivos para estimar el riesgo de default en pequeñas y medianas empresas (Pymes) de la ciudad de Medellín, utilizando técnicas de clasificación supervisada como regresión logística, random forest y redes neuronales. A partir de información financiera histórica proveniente de la Superintendencia de Sociedades, se construyó una base de datos con variables relevantes para el análisis del comportamiento crediticio empresarial. Cada modelo fue entrenado y evaluado mediante métricas de desempeño como precisión, sensibilidad, especificidad y exactitud, con el fin de determinar su capacidad para discriminar entre empresas riesgosas y no riesgosas. Los resultados evidencian que el modelo de Random Forest obtuvo el mejor rendimiento general, con una exactitud del 96.3%, una alta sensibilidad de 98.7% y una precisión del 94.3%, lo que lo posiciona como la alternativa más eficaz para predecir el incumplimiento de pagos. Se concluye que el uso de modelos avanzados de machine learning puede ser una herramienta valiosa para las entidades financieras al momento de gestionar el riesgo crediticio del segmento Pyme. Asimismo, se recomienda su integración en la etapa de análisis de riesgo dentro del proceso de otorgamiento de crédito, permitiendo una toma de decisiones más objetiva, ágil y fundamentada en datos.ABSTRACT: This undergraduate thesis aims to develop and compare predictive models to estimate the risk of default in small and medium-sized enterprises (SMEs) located in Medellín, Colombia, using supervised classification techniques such as logistic regression, random forest, and neural networks. This analysis of credit outcomes is based on historical financial data extracted from “Super intendencia de Sociedades de Colombia” – the surveillance entity for commercial companies. Each model was trained and evaluated using performance metrics such as precision, recall, specificity, and accuracy to determine their ability to distinguish between risky and non-risky companies. The results show that the Random Forest model achieved the highest overall performance, with an accuracy of 96.3%, a recall of 98.7%, and a precision of 94.3%, making it the most effective choice for predicting credit default. In conclusion, advanced machine learning models can serve as valuable tools for financial institutions when managing credit risk in the SME segment. Hence it is recommended that these models be integrated into the credit study process to enable more objective, efficient, and data-driven decision-making.PregradoIngeniero(a) Financiero(a)application/pdfspaUniversidad EIAIngeniería FinancieraEscuela de Ciencias Económicas y AdministrativasEnvigado (Antioquia, Colombia)Derechos Reservados - Universidad EIA, 2025Atribución-NoComercial 4.0 Internacional (CC BY-NC 4.0)info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Modelo de predicción de default en pymes de la ciudad de MedellínTrabajo de grado - Pregradohttp://purl.org/coar/resource_type/c_7a1finfo:eu-repo/semantics/bachelorThesisinfo:eu-repo/semantics/publishedVersionTexthttp://purl.org/redcol/resource_type/TPhttp://purl.org/coar/version/c_970fb48d4fbd8a85Riesgo de créditoPymesPredicción de defaultMachine learningRandom ForestRegresión logísticaPublicationLICENSElicense.txtlicense.txttext/plain; charset=utf-82553https://repository.eia.edu.co/bitstreams/da1eb04b-890a-458b-acad-3d068af75edb/download2264fce645ac2952653ce3f3b8fa781eMD55ORIGINALAristizábalJacobo_2025_ModeloPrediccionDefault.pdfAristizábalJacobo_2025_ModeloPrediccionDefault.pdfTrabajo de gradoapplication/pdf728056https://repository.eia.edu.co/bitstreams/e8f785e5-3b86-4752-b484-c3102c3ae7f9/download90378ad278cc8ddd102790a0450df3afMD56TEXTAristizábalJacobo_2025_ModeloPrediccionDefault.pdf.txtAristizábalJacobo_2025_ModeloPrediccionDefault.pdf.txtExtracted texttext/plain86121https://repository.eia.edu.co/bitstreams/1b26e602-3898-40f9-affd-be222a6ab9da/downloadbae54f862dd189f0335d119584cde67fMD57THUMBNAILAristizábalJacobo_2025_ModeloPrediccionDefault.pdf.jpgAristizábalJacobo_2025_ModeloPrediccionDefault.pdf.jpgGenerated Thumbnailimage/jpeg9015https://repository.eia.edu.co/bitstreams/5c0f3a3a-14c7-4e5c-9076-2786d295cd52/downloadeae8395b8b6a4212e1d1666dc5544bcfMD5811190/7152oai:repository.eia.edu.co:11190/71522025-07-28 15:39:34.657open.accesshttps://repository.eia.edu.coRepositorio Institucional Universidad EIAbdigital@metabiblioteca.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 |