Buscar en Google Scholar
Título: Estudio comparativo de modelos de credit scoring usando técnicas de machine learning para la asignación de tarjetas de crédito
Asesor(es): Silva Sotillo, Walter Alejandro
Campo OCDE: https://purl.org/pe-repo/ocde/ford#2.11.04
Fecha de publicación: 24-jun-2022
Institución: Pontificia Universidad Católica del Perú
Resumen: Durante los últimos años, la complejidad de la gestión de riesgos, y en especial, la gestión de crédito se ha incrementado en las entidades del sistema financiero; lo cual generó un aumento de la cartera vencida de créditos, lo cual conlleva pérdidas e imprecisiones en los modelos de medición de riesgos y al medir la probabilidad de default de acuerdo al perfil de riesgo. Para reducir este tipo de riesgos, en especial el riesgo crediticio, el cual evidencia una de las principales inquietudes por parte de las entidades financieras, se utilizan sistemas automáticos de medición y clasificación, también conocido como credit scoring. Asimismo, de acuerdo a la transformación digital y la evolución tecnológica, los algoritmos y metodología empleada de machine learning, en combinación con modelos históricos, ayudan a desarrollar y potenciar los modelos, lo cual mitiga el riesgo de crédito en el sistema financiero. En este contexto, el objetivo de la presente tesis es optimizar la probabilidad de aplicaciones de estas técnicas o modelos en la gestión del riesgo crediticio, es decir, la probabilidad de default por parte de los clientes, incorporando algoritmos de machine learning para la asignación de tarjetas de crédito, uno de los productos estrella que representa en gran medida a los productos del sector financiero. Además, se estiman diversos modelos de credit scoring haciendo uso de algoritmos de machine learning y realizando una comparación con los modelos tradicionales del sector financiero que pueden ser paramétricos y no paramétricos. Respecto a técnicas paramétricas, el uso de Análisis Discriminante, Modelos de Probabilidad Lineal, Modelos Logit. Por otro lado, respecto a las técnicas no paramétricas, el uso de Programación Lineal, Árboles de Decisión y Modelo XGBoost.
Disciplina académico-profesional: Ingeniería Industrial
Institución que otorga el grado o título: Pontificia Universidad Católica del Perú. Facultad de Ciencias e Ingeniería
Grado o título: Ingeniero Industrial
Jurado: Rojas Polo, Jonatan Edward; Silva Sotillo, Walter Alejandro; Atoche Diaz, Wilmer Jhonny
Fecha de registro: 24-jun-2022



IMPORTANTE
La información contenida en este registro es de entera responsabilidad de la universidad, institución o escuela de educación superior que administra el repositorio académico digital donde se encuentra el trabajo de investigación y/o proyecto, los cuales son conducentes a optar títulos profesionales y grados académicos. SUNEDU no se hace responsable por los contenidos accesibles a través del Registro Nacional de Trabajos de Investigación – RENATI.