Predicción garantías a siniestrar

RESUMEN : FGA Fondo de Garantías es una sociedad de economía mixta, que actúa como fiador institucional para respaldar la financiación de servicios, créditos de consumo, educativos, créditos digitales, entre otros; a través de garantías de consumo. Las garantías son la figura financiera que respalda...

Full description

Autores:
Sanmartin Jaramillo, Stiven
Tipo de recurso:
Tesis
Fecha de publicación:
2021
Institución:
Universidad de Antioquia
Repositorio:
Repositorio UdeA
Idioma:
spa
OAI Identifier:
oai:bibliotecadigital.udea.edu.co:10495/24304
Acceso en línea:
http://hdl.handle.net/10495/24304
Palabra clave:
Análisis de datos
Data analysis
Algoritmo
Algorithms
APRENDIZAJE SUPERVISADO (APRENDIZAJE AUTOMATICO)
APRENDIZAJE AUTOMATICO (INTELIGENCIA ARTIFICIAL)
BANCOS-GARANTIA ESTATAL DE LOS DEPOSITOS
TECNICAS DE PREDICCION
http://vocabularies.unesco.org/thesaurus/concept2214
http://vocabularies.unesco.org/thesaurus/concept2024
Rights
openAccess
License
http://creativecommons.org/licenses/by-nc-sa/2.5/co/
Description
Summary:RESUMEN : FGA Fondo de Garantías es una sociedad de economía mixta, que actúa como fiador institucional para respaldar la financiación de servicios, créditos de consumo, educativos, créditos digitales, entre otros; a través de garantías de consumo. Las garantías son la figura financiera que respalda el cumplimiento de los créditos que dan entidades como bancos, cooperativas, cajas de compensación, empresas del sector retail, entre otros, y que permite procesos más ágiles y confiables tanto para las personas que los solicitan, en adelante deudores, como para la entidad que los otorga, en adelante intermediario financiero, facilitando de este modo el acceso al crédito. En este proyecto final, con base en su información demográfica y de comportamiento de cartera de los deudores, se buscó obtener modelos predictivos que permitan prever si una garantía se va a siniestrar. La metodología empleada inicio con la limpieza y normalización de los datos, seguidamente, el análisis exploratorio de los datos, continuo con la ingeniera de variables, y finalmente, el proceso iterativo de entrenamiento y evaluación de los modelos. Se concluyó que el modelo que mejor desempeño obtiene con los datos generados es un GradientBoostingClassifier implementado mediante la librería Sklearn, que emplea todas las variables categóricas de las cuales se dispone.