Show simple item record

dc.rights.licenseTiene autorización de usoes_CO
dc.rights.licenseNo disponible para uso comercial, venta, o reproducciónes_CO
dc.rights.licenseAl consultar y hacer uso de este recurso, está aceptando las condiciones de uso establecidas por los autores.es_CO
dc.contributor.advisorRúgeles Vásquez, Mauricio de Jesús
dc.contributor.advisorUmaña Ruiz, Augusto
dc.contributor.advisorCabrales Arévalo, Sergio Andrés 
dc.contributor.advisorEscobar, Edgar
dc.contributor.advisorValencia Arboleda, Carlos Felipe 
dc.contributor.authorPolanco Rojas, Alejandra
dc.coverage.spatialBogotáes_CO
dc.date.accessioned2018-09-28T10:53:42Z
dc.date.available2018-09-28T10:53:42Z
dc.date.issued2016es_CO
dc.identifier.urihttp://hdl.handle.net/1992/13770
dc.descriptiongráficoses_CO
dc.descriptionIncluye referencias bibliográficases_CO
dc.descriptiontextoes_CO
dc.descriptioncomputadoraes_CO
dc.descriptionrecurso en líneaes_CO
dc.description.abstractLa 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 esperadaes_CO
dc.format.extent1 recurso en línea (9 hojas)es_CO
dc.format.mediumarchivo de textoes_CO
dc.language.isospaes_CO
dc.publisherUniandeses_CO
dc.sourceinstname:Universidad de los Andeses_CO
dc.sourcereponame:Sénecaes_CO
dc.titleEstimación de probabilidad de no pago en nuevas originaciones de tarjeta de créditoes_CO
dc.typemasterThesises_CO
dc.publisher.programMaestría en Inteligencia Analítica Para la Toma de Decisioneses_CO
dc.rights.accessRightsopenAccess
dc.subject.keywordCrédito al consumidor - Evaluacion de riesgos - Investigaciones - Modelos estadisticoses_CO
dc.subject.keywordComportamiento del consumidor - Pronóstico - Investigaciones - Modelos estadisticoses_CO
dc.subject.keywordSistemas de puntuación crediticia - Investigaciones - Modelos estadisticoses_CO
dc.subject.keywordRiesgo crediticio - Investigaciones - Modelos estadisticoses_CO
dc.subject.keywordTarjetas de crédito - Investigacioneses_CO
dc.creator.degreeTesis (Magister en Inteligencia Analítica para la Toma de Decisiones) -- Universidad de los Andeses_CO
dc.identifier.urlhttp://biblioteca.uniandes.edu.co/acepto201699.php?id=10750.pdfes_CO
dc.publisher.facultyFacultad de Ingenieríaes_CO
dc.publisher.departmentDepartamento de Ingeniería Industriales_CO


Files in this item

[PDF]

This item appears in the following Collection(s)

Show simple item record