Modelos de predicción de scoring crediticio utilizando algoritmos cost-sensitive de machine learning y datos alternativos

En los años recientes, las instituciones financieras adoptaron técnicas de machine learning para predecir con mayor éxito la probabilidad de repago ante una solicitud de crédito. Si consideramos también la gran cantidad de datos disponibles, de todo tipo, que pueden ser incorporados a los modelos...

Descripción completa

Detalles Bibliográficos
Autor principal: Gorosabel, Lucas
Otros Autores: García Aramouni, Nicolás
Formato: Tesis de maestría acceptedVersion
Lenguaje:Español
Publicado: Universidad Torcuato Di Tella 2023
Materias:
Finanzas
Predicción tecnológica
Actividad Crediticia
Credit activity
Technological prediction
Machine Learning
Credit Market
Acceso en línea:https://repositorio.utdt.edu/handle/20.500.13098/12032
Aporte de:
Repositorio Digital Universidad Torcuato Di Tella de Universidad Torcuato Di Tella
id I57-R163-20.500.13098-12032
record_format dspace
spelling I57-R163-20.500.13098-120322023-09-20T07:36:57Z Modelos de predicción de scoring crediticio utilizando algoritmos cost-sensitive de machine learning y datos alternativos Gorosabel, Lucas García Aramouni, Nicolás Finanzas Predicción tecnológica Actividad Crediticia Credit activity Technological prediction Machine Learning Credit Market En los años recientes, las instituciones financieras adoptaron técnicas de machine learning para predecir con mayor éxito la probabilidad de repago ante una solicitud de crédito. Si consideramos también la gran cantidad de datos disponibles, de todo tipo, que pueden ser incorporados a los modelos de entrenamiento podríamos esperar un mejor funcionamiento del mercado de créditos. Sin embargo, este no siempre es el caso ya que los sistemas de predicción pueden no obtener una mejora en términos de costos para la institución crediticia ni tampoco una respuesta más satisfactoria para los solicitantes. Este trabajo analiza el impacto de la incorporación de distintas metodologías de datos en la elaboración de modelos de predicción crediticia. Se comparan modelos de aprendizaje automático tradicionales con otros que incorporan costos asimétricos, con el objetivo de identificar los que mejor logran predecir la morosidad. Los resultados muestran la influencia de la elección de algoritmos, modelos de balanceo de clases y tratamiento de variables en las métricas de performance de negocio. Además, se presenta una técnica para minimizar costos que mejora la performance en comparación con modelos que buscan maximizar la métrica accuracy. En este sentido, los resultados indican que la optimización del punto de corte es crucial para minimizar los costos de los modelos de predicción crediticia. A pesar de que los modelos balanceados logran mejores métricas tradicionales, los modelos sin balanceo de clases obtienen menores costos a través de esta técnica. En conclusión, este trabajo destaca la importancia de considerar distintos factores al elegir un modelo de predicción crediticia, con el objetivo de reducir costos y mejorar la satisfacción tanto de los prestamistas como de los solicitantes. 2023-09-19T22:58:02Z 2023-09-19T22:58:02Z 2023 info:eu-repo/semantics/masterThesis info:ar-repo/semantics/tesis de maestría info:eu-repo/semantics/acceptedVersion https://repositorio.utdt.edu/handle/20.500.13098/12032 spa info:eu-repo/semantics/openAccess https://creativecommons.org/licenses/by-sa/2.5/ar/ 80 p. application/pdf application/pdf Universidad Torcuato Di Tella
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 Finanzas
Predicción tecnológica
Actividad Crediticia
Credit activity
Technological prediction
Machine Learning
Credit Market
spellingShingle Finanzas
Predicción tecnológica
Actividad Crediticia
Credit activity
Technological prediction
Machine Learning
Credit Market
Gorosabel, Lucas
Modelos de predicción de scoring crediticio utilizando algoritmos cost-sensitive de machine learning y datos alternativos
topic_facet Finanzas
Predicción tecnológica
Actividad Crediticia
Credit activity
Technological prediction
Machine Learning
Credit Market
description En los años recientes, las instituciones financieras adoptaron técnicas de machine learning para predecir con mayor éxito la probabilidad de repago ante una solicitud de crédito. Si consideramos también la gran cantidad de datos disponibles, de todo tipo, que pueden ser incorporados a los modelos de entrenamiento podríamos esperar un mejor funcionamiento del mercado de créditos. Sin embargo, este no siempre es el caso ya que los sistemas de predicción pueden no obtener una mejora en términos de costos para la institución crediticia ni tampoco una respuesta más satisfactoria para los solicitantes. Este trabajo analiza el impacto de la incorporación de distintas metodologías de datos en la elaboración de modelos de predicción crediticia. Se comparan modelos de aprendizaje automático tradicionales con otros que incorporan costos asimétricos, con el objetivo de identificar los que mejor logran predecir la morosidad. Los resultados muestran la influencia de la elección de algoritmos, modelos de balanceo de clases y tratamiento de variables en las métricas de performance de negocio. Además, se presenta una técnica para minimizar costos que mejora la performance en comparación con modelos que buscan maximizar la métrica accuracy. En este sentido, los resultados indican que la optimización del punto de corte es crucial para minimizar los costos de los modelos de predicción crediticia. A pesar de que los modelos balanceados logran mejores métricas tradicionales, los modelos sin balanceo de clases obtienen menores costos a través de esta técnica. En conclusión, este trabajo destaca la importancia de considerar distintos factores al elegir un modelo de predicción crediticia, con el objetivo de reducir costos y mejorar la satisfacción tanto de los prestamistas como de los solicitantes.
author2 García Aramouni, Nicolás
author_facet García Aramouni, Nicolás
Gorosabel, Lucas
format Tesis de maestría
Tesis de maestría
acceptedVersion
author Gorosabel, Lucas
author_sort Gorosabel, Lucas
title Modelos de predicción de scoring crediticio utilizando algoritmos cost-sensitive de machine learning y datos alternativos
title_short Modelos de predicción de scoring crediticio utilizando algoritmos cost-sensitive de machine learning y datos alternativos
title_full Modelos de predicción de scoring crediticio utilizando algoritmos cost-sensitive de machine learning y datos alternativos
title_fullStr Modelos de predicción de scoring crediticio utilizando algoritmos cost-sensitive de machine learning y datos alternativos
title_full_unstemmed Modelos de predicción de scoring crediticio utilizando algoritmos cost-sensitive de machine learning y datos alternativos
title_sort modelos de predicción de scoring crediticio utilizando algoritmos cost-sensitive de machine learning y datos alternativos
publisher Universidad Torcuato Di Tella
publishDate 2023
url https://repositorio.utdt.edu/handle/20.500.13098/12032
work_keys_str_mv AT gorosabellucas modelosdepredicciondescoringcrediticioutilizandoalgoritmoscostsensitivedemachinelearningydatosalternativos
_version_ 1808040538027327488

Ejemplares similares