Modelos de puntuación de crédito basados en métodos ensemble para concesión de créditos en entidades financieras del segmento 4.

El objetivo de esta investigación fue implementar modelos de puntuación de crédito basados en métodos ensemble. Se utilizaron modelos de aprendizaje automático como Regresión Logística, Árboles de Decisión yMáquinas de Soporte Vectorial, combinados con los métodos ensemble: Bagging, Boosting y Stacking. Se analizó una cartera de crédito y se aplicó un análisis roll rate para clasificar a los clientes, encontrando 300 como “buenos” y 629 como “malos”. Se seleccionaron 16 variables predictivas de la cartera de crédito. Se implementaron los modelos y métodos, evaluando los resultados utilizando validación cruzada k-folds en conjuntos de entrenamiento y prueba. Se calcularon estadísticos a partir de la matriz de confusión y curvas ROC, optimizando las respuestas mediante umbrales de corte. Se analizó la invarianza ante cambios en el entrenamiento utilizando coeficientes de variación con los umbrales de corte óptimos obtenidos por validación cruzada. Los principales resultados mostraron mejoras en los estadísticos F1-score y efectividad en los tres modelos, utilizando los umbrales de corte óptimos. El método Bagging destacó como el mejor en las validaciones cruzadas y junto al Stacking mostraron la mejor respuesta en términos de F1-score y efectividad, con un 96.5% y 97.8% respectivamente. Además, el Stacking demostró un nivel de invarianza del 8.3 %, mientras que el Bagging fue del 13.2 %. En conclusión, se desarrolló un sistema de puntuación de crédito que clasifica a futuros clientes. Se recomienda continuar archivando la información de la cartera de crédito y asegurar su correcta introducción en la base de datos.

• 第一著者: Morales Pilataxi, Edwin Leonardo (author)
• フォーマット: bachelorThesis
• 言語: spa
• 出版事項: 2023
• 主題: MODELOS DE PUNTUACIÓN DE CRÉDITO; MÉTODOS ENSEMBLE; MACHINE LEARNING; BAGGING; BOOSTING; STACKING
• オンライン･アクセス: http://www.dspace.uce.edu.ec/handle/25000/31430