Return to the institutional site
    • español
    • English
View Item 
  •   Séneca Home
  • TRABAJOS DE GRADO
  • Maestría
  • View Item
    • español
    • English
  •   Séneca Home
  • TRABAJOS DE GRADO
  • Maestría
  • View Item
JavaScript is disabled for your browser. Some features of this site may not work without it.

Browse

All of SénecaCommunities and CollectionsFaculties and ProgramsAuthorsTitlesSubjectsTypes of contentsAuthor profilesThis CollectionFaculties and ProgramsAuthorsTitlesSubjectsTypes of contents

My Account

LoginRegister

Statistics

View Usage Statistics

Information of interest

What is SénecaHow publishGuidelinesContact us

Estimación de probabilidad de no pago en nuevas originaciones de tarjeta de crédito

RISMendeley
URI: http://hdl.handle.net/1992/13770
Author: Polanco Rojas, Alejandra
Director(s)/Advisor(s): Rúgeles Vásquez, Mauricio de Jesús; Umaña Ruiz, Augusto; Cabrales Arévalo, Sergio AndrésUniandes authority; Escobar, Edgar; Valencia Arboleda, Carlos FelipeUniandes authority
Publication date: 2016
Content type: masterThesis
Keywords:
Crédito al consumidor - Evaluacion de riesgos - Investigaciones - Modelos estadisticos
Comportamiento del consumidor - Pronóstico - Investigaciones - Modelos estadisticos
Sistemas de puntuación crediticia - Investigaciones - Modelos estadisticos
Riesgo crediticio - Investigaciones - Modelos estadisticos
Tarjetas de crédito - Investigaciones
Abstract:
La colocación de créditos es una de las principales fuentes de ingresos de las entidades financieras. Para controlar la exposición al riesgo es necesario identificar los clientes que tienen una baja probabilidad de pagar y de esta forma tomar decisiones en función de la aversión al riesgo de la entidad. Para predecir los clientes que no pagan y los que sí, las entidades financieras emplean modelos predictivos construidos por las centrales de riesgo y usan la información de hábito de pago de los clientes que tiene cada entidad. En este estudio se plantean cuatro modelos de calificación de riesgo de crédito: Support Vector Machines, Boosting, Random Forest y Regresión Logística. La base de datos con la que se trabajó fue proveída por la compañía Experian y corresponde al Bureau de crédito de un país centro americano. Los resultados de este trabajo muestran que Boosting es la mejor estrategia para calibrar los modelos de clasificación de riesgo de crédito y que Random Forest es el modelo que mayor utilidad esperada
Show full item record

Files in this item

Thumbnail
Name:
u729296.pdf
Size:
783.8Kb
Format:
PDF

Statistics

View Usage Statistics
Donaciones

Los Andes

Donaciones


Icono Repositorio

Los Andes

Repositorio


Icono Egresados

Los Andes

Egresados


Icono Eventos

Los Andes

Eventos



Cra 1 Nº 18A - 12

Bogotá - Colombia

Postal code: 111711

+(571) 339 49 99

+(571) 339 49 49


Normatividad Institucional

  • Actos internos e incremento
  • Bienestar
  • Derechos pecunarios
  • Estatuto docente
  • Estatuto general
  • Ley de transparencia
  • Porcentaje de incremento
  • Reglamentos de estudiantes
  • Uso de datos personales

Enlaces Rápidos

  • ATC (Acceso Temporal al Campus)
  • Universidad de los Andes Caribe
  • Convivencia y transparencia
  • Educación Continuada
  • Emergencias: Extensión 0000
  • Nuestros profesores
  • Mapa del sitio
  • Multimedia
  • Noticias
  • Preguntas frecuentes

Redes sociales

  • Facebook
  • twitter
  • youtube
  • linkedin
  • instagram
  • snapchat
  • vimeo
  • google

Directorio de redes