Evitemos el castigo, Modelo de predicción de operaciones de crédito con posible default financiero
Date
2020-12
Type:
Thesis
item.page.extent
44 p.
item.page.accessRights
Authors
item.contributor.advisor
ORCID:
Journal Title
Journal ISSN
Volume Title
Publisher
Universidad del Desarrollo. Facultad de Ingeniería
item.page.isbn
item.page.issn
item.page.issne
item.page.doiurl
item.page.other
item.page.references
Abstract
Las empresas del rubro financiero obtienen sus ingresos en base a los intereses
percibidos de los créditos otorgados a sus clientes, por consiguiente, cuando un cliente
no cancela las cuotas de su crédito, la institución asume la pérdida del capital prestado
(castigo), impactando negativamente en sus utilidades.
Coopeuch, institución financiera cooperativa, minimiza el riesgo de castigo de los
créditos mediante la modalidad de descuento por planilla, sin embargo, a pesar de esta
metodología, tiene pérdidas generadas por el no pago de los créditos equivalente al 30%
de su margen financiero, lo cual afecta en el remanente entregado a sus socios.
El objetivo de este paper es comparar modelos de marchine learning y ver cuál de ellos
predice de mejor manera que operación de crédito se castigará para generar estrategias
de cobranza y reducir las pérdidas por no pago.
Se estudiaron tres modelos puntuales, regresión logística, random forest y extreme
gradiente boosting (XGBoost), modelos más utilizados en estudios similares realizados
por otros autores, donde se pensaba que el modelo XGBoost tendría mejor performance
mediante el algoritmo de descenso de gradiente.
El modelo que mejor resultado entrega al estudio fue Random Forest, con un accuracy
de 95% y un ROC-AUC de 98,9%.
Description
Proyecto de grado presentado a la Facultad de Ingeniería de la Universidad del
Desarrollo para optar al grado académico de Magíster en Data Science
item.page.coverage.spatial
item.page.sponsorship
Citation
Keywords
Empresas, Finanzas, Modelos de prediccion, Comparación, Castigos, 070037S