Aplicación de metodologías Machine Learning en la gestión de riesgo de crédito

Trujillo Fernández, David (2017). Aplicación de metodologías Machine Learning en la gestión de riesgo de crédito. Proyecto Fin de Carrera / Trabajo Fin de Grado, E.T.S. de Ingenieros Informáticos (UPM), Madrid, España.

Description

Title: Aplicación de metodologías Machine Learning en la gestión de riesgo de crédito
Author/s:
  • Trujillo Fernández, David
Contributor/s:
  • Mata Hernández, Águeda
  • Ramos García, Daniel
Item Type: Final Project
Degree: Grado en Matemáticas e Informática
Date: June 2017
Subjects:
Freetext Keywords: Riesgo de crédito; Credit scoring; Modelo; Machine learning; Clasificación; Sector financiero; Credit risk; Credit scoring; Model; Machine learning; Classification; Financial sector
Faculty: E.T.S. de Ingenieros Informáticos (UPM)
Department: Matemática Aplicada
Creative Commons Licenses: Recognition - No derivative works - Non commercial

Full text

[img]
Preview
PDF - Requires a PDF viewer, such as GSview, Xpdf or Adobe Acrobat Reader
Download (914kB) | Preview

Abstract

La complejidad en la gestión de los riesgos financieros ha aumentado durante los últimos años, lo cual ha generado, en algunos casos, grandes pérdidas económicas por parte de las instituciones financieras derivadas de fallos en los modelos de medición de riesgos y en los esquemas de toma de decisiones soportados por estos. En especial, el riesgo de crédito supone una de las principales preocupaciones para las entidades. Para reducir este tipo de riesgo, muchas entidades utilizan sistemas automáticos de clasificación de clientes denominados credit scoring. Como resultado de la evolución de la tecnología, los modelos de machine learning están cada vez más presentes en el sector financiero. En este contexto, este trabajo tiene como objetivo analizar la posibilidad de aplicación de estas metodologías en la gestión del riesgo crediticio. Además se estiman diversos modelos de credit scoring haciendo uso de algoritmos de machine learning y se realiza una comparación entre ellos. Por otra parte también se comparan los resultados de estos modelos con la regresión logística, técnica tradicional para el modelado del credit scoring, para poder analizar las ventajas y los avances que supone el uso de modelos machine learning frente a las técnicas de modelado tradicional.---ABSTRACT---The complexity of the financial risks management has increased for the past years, which has sometimes meant a huge amount of economic loss for financial institutions that comes from issues in financial risk forecasting models and decision-making schemes supported by these. Particularly, credit risk means the entity’s main concern. In order to mitigate this kind of risk, many entities use automatic rating systems called credit scoring. As a result of the technology evolution, machine learning models are becoming even more present in the financial sector. In this context, the aim of this paper is to analyse the possibility of application of these methods in credit risk management. Besides, different credit scoring models are considered using machine learning algorithms and a comparison among them is done. Also the results of these models are compared to the logistic regression, a traditional technique for credit scoring modelling, to analyse the advantages and the progress that machine learning means over the traditional modelling techniques.

More information

Item ID: 47087
DC Identifier: http://oa.upm.es/47087/
OAI Identifier: oai:oa.upm.es:47087
Deposited by: Biblioteca Facultad de Informatica
Deposited on: 01 Jul 2017 18:09
Last Modified: 01 Jul 2017 18:09
  • Logo InvestigaM (UPM)
  • Logo GEOUP4
  • Logo Open Access
  • Open Access
  • Logo Sherpa/Romeo
    Check whether the anglo-saxon journal in which you have published an article allows you to also publish it under open access.
  • Logo Dulcinea
    Check whether the spanish journal in which you have published an article allows you to also publish it under open access.
  • Logo de Recolecta
  • Logo del Observatorio I+D+i UPM
  • Logo de OpenCourseWare UPM