Exploración y explotación en el análisis de riesgo de crédito

El presente trabajo propone dos experimentos para automatizar el proceso de asignación de créditos bancarios utilizando un conjunto de datos desbalanceado con respecto al target. En el primer experimento se propone utilizar un algoritmo escalable y modular, NGBoost, para clasificar las observacio...

Descripción completa

Guardado en:
Detalles Bibliográficos
Autor principal: Escobar, Aldo Orlando
Otros Autores: Roccatagliata, Pablo
Formato: Tesis de maestría acceptedVersion
Lenguaje:Español
Publicado: 2023
Materias:
Credito bancario
Algoritmos
Predicción tecnológica
Actividad Crediticia
Scoring crediticio
Machine Learning
Natural Gradient Boosting
Thresholding
Feature Importance
Acceso en línea:https://repositorio.utdt.edu/handle/20.500.13098/11571
Aporte de:
Repositorio Digital Universidad Torcuato Di Tella de Universidad Torcuato Di Tella
id I57-R163-20.500.13098-11571
record_format dspace
institution Universidad Torcuato Di Tella
institution_str I-57
repository_str R-163
collection Repositorio Digital Universidad Torcuato Di Tella
language Español
orig_language_str_mv spa
topic Credito bancario
Algoritmos
Predicción tecnológica
Actividad Crediticia
Scoring crediticio
Machine Learning
Natural Gradient Boosting
Thresholding
Feature Importance
spellingShingle Credito bancario
Algoritmos
Predicción tecnológica
Actividad Crediticia
Scoring crediticio
Machine Learning
Natural Gradient Boosting
Thresholding
Feature Importance
Escobar, Aldo Orlando
Exploración y explotación en el análisis de riesgo de crédito
topic_facet Credito bancario
Algoritmos
Predicción tecnológica
Actividad Crediticia
Scoring crediticio
Machine Learning
Natural Gradient Boosting
Thresholding
Feature Importance
description El presente trabajo propone dos experimentos para automatizar el proceso de asignación de créditos bancarios utilizando un conjunto de datos desbalanceado con respecto al target. En el primer experimento se propone utilizar un algoritmo escalable y modular, NGBoost, para clasificar las observaciones en buenos y malos pagadores en base a una función objetivo dada por una matriz de costos (problema de tipo cost-sensitive). Una vez entrenado el modelo se realizarán predicciones y se efectuarán análisis de feature importance para decidir qué features ocultar para el posterior (segundo) ejercicio. Usando este conjunto de datos modificados, se analizará la performance en términos de beneficios de la compañía, con respecto al uso del scoring crediticio standard. Finalmente, se generará una nueva regla para asignar el crédito, considerando el scoring crediticio y la necesidad de dar crédito para poder aprender de los usuarios.
author2 Roccatagliata, Pablo
author_facet Roccatagliata, Pablo
Escobar, Aldo Orlando
format Tesis de maestría
acceptedVersion
author Escobar, Aldo Orlando
author_sort Escobar, Aldo Orlando
title Exploración y explotación en el análisis de riesgo de crédito
title_short Exploración y explotación en el análisis de riesgo de crédito
title_full Exploración y explotación en el análisis de riesgo de crédito
title_fullStr Exploración y explotación en el análisis de riesgo de crédito
title_full_unstemmed Exploración y explotación en el análisis de riesgo de crédito
title_sort exploración y explotación en el análisis de riesgo de crédito
publishDate 2023
url https://repositorio.utdt.edu/handle/20.500.13098/11571
work_keys_str_mv AT escobaraldoorlando exploracionyexplotacionenelanalisisderiesgodecredito
bdutipo_str Repositorios
_version_ 1764820542565646340

Ejemplares similares