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...
Guardado en:
Autor principal: | |
---|---|
Otros Autores: | |
Formato: | Tesis de maestría acceptedVersion |
Lenguaje: | Español |
Publicado: |
2023
|
Materias: | |
Acceso en línea: | https://repositorio.utdt.edu/handle/20.500.13098/11571 |
Aporte de: |
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 |