Maestría en Administración Financiera · 2021
Machine Learning para la estimación del riesgo de crédito en una cartera de consumo
Financial entities, due to their business nature, are inherently exposed to credit risk, for this reason, they are continually searching for new ways to measure the probability of default of clients requesting a loan. This research aims to comparing the precision of a logistic regression model against basic Machine Learning models for estimating credit risk in a consumer loan portfolio, these methodologies are emerging as a key tool for estimating risks due to their flexibility and learning capacity. For this, the Logistic Regression, Random Forest, Support Vector Machine and Multilayer Perceptron models were used, making a comparison in the efficiency of the estimation of the clients that are going to default, and obtaining as a result that the most balanced model at time of evaluation is the Random Forest.
Full text 57 pages with text
Read the full thesis Record in the repository
Contents
- Introducciónp. 7
- Aproximación conceptual al problemap. 9
- 2.1. Estado del artep. 9
- 2.2. Marco teóricop. 11
- 2.3. Caso de estudiop. 24
- Metodologíap. 26
- 3.1 Recolección de datosp. 27
- 3.2 Preprocesamiento de datosp. 27
- 3.3 Modelaciónp. 35
- 3.4 Evaluación de la calidad de los modelosp. 37
- Resultadosp. 41
- Conclusionesp. 47
- Referenciasp. 49
- Anexosp. 54
- Figura 1. Gráfico de la función sigmoidea y su umbralp. 15
- Figura 2. Diagrama esquemático de un Random Forestp. 18
- Figura 3. Márgenes y vectores de soporte de un linear SVMp. 21
- Figura 4. Esquema de red neuronal de una sola capa ocultap. 23
- Figura 5. Perfil promedio de los clientesp. 24
- Figura 6. Esquema de trabajop. 26
- Figura 7. Codificación Dummyp. 28
- Figura 8. Ejemplo clasificación FPDp. 29
- Figura 9. Ejemplo del efecto de un valor atípico en la línea de tendenciap. 30
- Figura 10. Ejemplo de imputación de valores faltantesp. 31
- Figura 11. Gráfico de puntuación de las variables seleccionadasp. 32
- Figura 12. Esquema de funcionamiento de SMOTEENp. 34
- Figura 13. Esquema de selección de modelosp. 35
- Figura 14. Ejemplo de curvas de aprendizajep. 36
- Figura 15. Ejemplo de Precisión-Recall Trade-offp. 38
- Figura 16. Ejemplo de curva ROCp. 40
- Figura 17. Curvas de entrenamiento de los modelosp. 43
- Figura 18. Curvas precisión-Recall-Trade-off de los modelosp. 44
- Figura 19. Curvas ROC de los modelosp. 46
- Tabla 1. Enfoques del aprendizaje automáticop. 13
- Tabla 2. División del conjunto de datosp. 33
- Tabla 3. Variables usadas para la modelaciónp. 42
- Tabla 4. Métricas de evaluación de los modelosp. 45
- Ecuación 1. Función sigmoideap. 15
- Ecuación 2. Modelo de regresión linealp. 16
- Ecuación 3. Cálculo del valor de pp. 16
- Ecuación 4. Modelo Logitp. 17
- Ecuación 5. Función de salida MLPp. 22
- Ecuación 6. Fórmula de Min-Max Scalerp. 34
- Ecuación 7. Fórmula Accuracyp. 37
- Ecuación 8. Fórmulas Precision y Recallp. 38
- Ecuación 9. Fórmula F1 -Scorep. 39