| dc.description | Durante los últimos años, la complejidad de la gestión de riesgos, y en especial, la gestión de
crédito se ha incrementado en las entidades del sistema financiero; lo cual generó un
aumento de la cartera vencida de créditos, lo cual conlleva pérdidas e imprecisiones en los
modelos de medición de riesgos y al medir la probabilidad de default de acuerdo al perfil de
riesgo. Para reducir este tipo de riesgos, en especial el riesgo crediticio, el cual evidencia una
de las principales inquietudes por parte de las entidades financieras, se utilizan sistemas
automáticos de medición y clasificación, también conocido como credit scoring. Asimismo,
de acuerdo a la transformación digital y la evolución tecnológica, los algoritmos y
metodología empleada de machine learning, en combinación con modelos históricos, ayudan
a desarrollar y potenciar los modelos, lo cual mitiga el riesgo de crédito en el sistema
financiero.
En este contexto, el objetivo de la presente tesis es optimizar la probabilidad de aplicaciones
de estas técnicas o modelos en la gestión del riesgo crediticio, es decir, la probabilidad de
default por parte de los clientes, incorporando algoritmos de machine learning para la
asignación de tarjetas de crédito, uno de los productos estrella que representa en gran medida
a los productos del sector financiero. Además, se estiman diversos modelos de credit scoring
haciendo uso de algoritmos de machine learning y realizando una comparación con los
modelos tradicionales del sector financiero que pueden ser paramétricos y no paramétricos.
Respecto a técnicas paramétricas, el uso de Análisis Discriminante, Modelos de
Probabilidad Lineal, Modelos Logit. Por otro lado, respecto a las técnicas no
paramétricas, el uso de Programación Lineal, Árboles de Decisión y Modelo XGBoost. | |
