Mostrar el registro sencillo del ítem

dc.contributor.advisorValencia Arboleda, Carlos Felipe
dc.contributor.authorNiño Gutiérrez, Sindy Carolina
dc.date.accessioned2022-06-29T16:27:33Z
dc.date.available2022-06-29T16:27:33Z
dc.date.issued2022-06-03
dc.identifier.urihttp://hdl.handle.net/1992/58363
dc.description.abstractEl riesgo operacional en las entidades financieras existe desde el momento mismo en que un proceso se pone en marcha y su inadecuada gestión puede generar pérdidas significativas. Se define este riesgo como la posibilidad de que la entidad incurra en pérdidas por las deficiencias, fallas o inadecuado funcionamiento de los procesos, la tecnología, la infraestructura o el recurso humano, así como por la ocurrencia de acontecimientos externos asociados a estos. Dado su alcance engloba una gran cantidad de riesgos que deben ser gestionados. De allí la necesidad de contar con una metodología clara en todos los procesos de la organización. Para superar esas deficiencias, proponemos un análisis descriptivo detallado de cada una de las variables con respecto al tiempo y al monto de los eventos ocurridos y derivado de esto un modelo de redes neuronales convolucionales las cuales tendrán por objetivo predecir tanto monto como cantidad de eventos a presentarse en un futuro dada la información recolectada en los últimos 5 años.
dc.format.extent25 páginases_CO
dc.format.mimetypeapplication/pdfes_CO
dc.language.isospaes_CO
dc.publisherUniversidad de los Andeses_CO
dc.titleModelo de predicción del presupuesto de riesgo operacional para una entidad financiera
dc.typeTrabajo de grado - Maestríaes_CO
dc.publisher.programMaestría en Inteligencia Analítica para la Toma de Decisioneses_CO
dc.subject.keywordRiesgo operacional
dc.subject.keywordGestión
dc.subject.keywordPérdidas
dc.subject.keywordFallas
dc.publisher.facultyFacultad de Ingenieríaes_CO
dc.publisher.departmentDepartamento de Ingeniería Industriales_CO
dc.contributor.juryTorres Cadena, Gonzalo
dc.type.driverinfo:eu-repo/semantics/masterThesis
dc.subject.armarcInstituciones financieras
dc.subject.armarcAdministración de riesgos
dc.subject.armarcRedes neuronales convolucionales
dc.type.versioninfo:eu-repo/semantics/acceptedVersion
dc.description.degreenameMagíster en Inteligencia Analítica para la Toma de Decisioneses_CO
dc.description.degreelevelMaestríaes_CO
dc.identifier.instnameinstname:Universidad de los Andeses_CO
dc.identifier.reponamereponame:Repositorio Institucional Sénecaes_CO
dc.identifier.repourlrepourl:https://repositorio.uniandes.edu.co/es_CO
dc.relation.references[CORTES and VAPNIK., 1995] CORTES, C. and VAPNIK., V. (1995). Support vector networks.es_CO
dc.relation.references[Hertz, 1991a] Hertz, J.; Krogh, A. y. P. G. (1991a). Introduction to the theory of neural computation.es_CO
dc.relation.references[Hertz, 1991b] Hertz, J.; Krogh, A. y. P. G. (1991b). Introduction to the theory of neural computation.es_CO
dc.relation.references[Manning, 2018] Manning, C. (2018). Deep learning with python.es_CO
dc.relation.references[Meyer, 2015] Meyer, D. (2015). Support vector machines the interface to libsvm in package e1071.es_CO
dc.relation.references[Springer, 2016] Springer, C. A. (2016). Recommender systems.es_CO
dc.rights.accessrightsinfo:eu-repo/semantics/openAccess
dc.type.coarhttp://purl.org/coar/resource_type/c_bdcc
dc.type.coarversionhttp://purl.org/coar/version/c_ab4af688f83e57aa
dc.type.contentTextes_CO
dc.type.redcolhttps://purl.org/redcol/resource_type/TM
dc.rights.coarhttp://purl.org/coar/access_right/c_abf2
dc.subject.themesIngenieríaes_CO


Ficheros en el ítem

Nombre: Tesis_Maestr_a_Uniandes.pdf

Este ítem aparece en la(s) siguiente(s) colección(ones)

Mostrar el registro sencillo del ítem