Predicción de default financiero usando métodos de aprendizaje automático

RESUMEN : En el contexto de la investigación realizada en este proyecto sobre el conjunto de datos "Give Me Some Credit" de Kaggle, el trabajo se focalizó en la potenciación de modelos predictivos, particularmente en estrategias de modelado que utilizaban técnicas como Gradient Boosting y XGBoost. Modelos que después de rigurosas evaluaciones y ajustes, lograron con precisión del 89% y 90%, respectivamente, predecir si una persona entrará en mora por 90 días tal que permita a entidades bancarias definir el riesgo financiero asociado a una solicitud de crédito Los resultados obtenidos en este trabajo revierten de importancia en el ámbito bancario, dado que la aplicación de técnicas avanzadas de aprendizaje automático se ha vuelto crucial y ha permitido aumentar la capacidad de prever riesgos crediticios de manera precisa, lo cual es esencial para la toma de decisiones estratégicas y la mitigación de riesgos. Lo anterior ofrece a las instituciones financieras la posibilidad de optimizar la evaluación de riesgos, reducir pérdidas y mejorar la eficiencia operativa.

• Autores: Ocampo Ortiz, Federico; Orrego Quintero, Andrés Felipe
• Tipo de recurso: Tesis
• Fecha de publicación: 2023
• Institución: Universidad de Antioquia
• Repositorio: Repositorio UdeA
• Idioma: spa
• OAI Identifier: oai:bibliotecadigital.udea.edu.co:10495/37577
• Acceso en línea: https://hdl.handle.net/10495/37577
• Palabra clave: Aprendizaje automático (inteligencia artificial); Machine learning; Técnicas de predicción; Forecasting techniques; Crédito al consumidor; Consumer, credit; Kaggle; Gradient Boosting; XGBoost; GiveMeSomeCredit; Default Financiero
• Rights: openAccess
• License: http://creativecommons.org/licenses/by-sa/2.5/co/