Modelos de puntuación basados en aprendizaje automático para calcular el scoring de empresas
Tesis (Lic. en Física)--Universidad Nacional de Córdoba, Facultad de Matemática, Astronomía, Física y Computación, 2024.
Main Author: | |
---|---|
Other Authors: | |
Format: | bachelorThesis |
Language: | spa |
Published: |
2024
|
Subjects: | |
Online Access: | http://hdl.handle.net/11086/552428 |
_version_ | 1806012155155185664 |
---|---|
author | Trucco, Martín Gabriel |
author2 | Giuliodori, David Augusto |
author_facet | Giuliodori, David Augusto Trucco, Martín Gabriel |
author_sort | Trucco, Martín Gabriel |
collection | Repositorio Digital Universitario |
description | Tesis (Lic. en Física)--Universidad Nacional de Córdoba, Facultad de Matemática, Astronomía, Física y Computación, 2024. |
format | bachelorThesis |
id | rdu-unc.552428 |
institution | Universidad Nacional de Cordoba |
language | spa |
publishDate | 2024 |
record_format | dspace |
spelling | rdu-unc.5524282024-06-28T06:33:50Z Modelos de puntuación basados en aprendizaje automático para calcular el scoring de empresas Trucco, Martín Gabriel Giuliodori, David Augusto Tamarit, Francisco Antonio Inteligencia artificial Redes neuronales Series temporales Análisis de datos Riesgo crediticio Scoring bancario Aprendizaje automático Machine learning Neural networks Time series Data analysis Credit scoring Credit risk Tesis (Lic. en Física)--Universidad Nacional de Córdoba, Facultad de Matemática, Astronomía, Física y Computación, 2024. Fil: Trucco, Martín Gabriel. Universidad Nacional de Córdoba. Facultad de Matemática, Astronomía, Física y Computación; Argentina. El scoring bancario es una herramienta esencial para facilitar la toma de decisiones en instituciones financieras, ya que permite determinar si es factible hacer entrega del crédito o financiamiento solicitado por parte de individuos o personas jurı́dicas. En consecuencia, este trabajo tiene como objetivo predecir la capacidad de pago de empresas nacionales, analizando bases de datos públicas y anonimizadas correspondientes a 51.141 firmas, con datos recopilados durante 49 meses consecutivos. Debido a la importancia de la dimensión temporal en este tipo de problemas, se adopta un enfoque basado en series temporales y se aplican tres arquitecturas de aprendizaje automático: regresión logı́stica, Random Forest de clasificación y redes neuronales recurrentes LSTM. La evaluación del rendimiento de los modelos se realiza mediante diversas métricas e indi- cadores como la sensibilidad, exactitud o curvas ROC, que proporcionan información valiosa para identificar el método con mejor desempeño. Los resultados reflejan una alta efectividad en general, siendo el clasificador Random Forest predominante, lo que destaca la relevancia actual del aprendizaje automático en el ámbito económico. Bank scoring is an essential tool to facilitate the decision-making in financial institutions, as it allows determining whether it is feasible to grant the requested credit or loan to individuals or legal entities. Consequently, this work aims to predict the default capacity of national companies, analyzing public and anonymized databases corresponding to 51.141 firms, with data collected over 49 consecutive months. Due to the importance of the time dimension in this type of problems, a time series-based approach is adopted, and three machine learning architectures are applied: logistic regression, Random Forest classifier and LSTM recurrent neural networks. The performance evaluation of the models is carried out using various metrics and indicators such as recall, accuracy or ROC curves, which provide valuable information to identify the best method. The results reflect a high effectiveness overall, with the Random Forest classifier being predominant, highlighting the current relevance of machine learning in the economic domain. Fil: Trucco, Martín Gabriel. Universidad Nacional de Córdoba. Facultad de Matemática, Astronomía, Física y Computación; Argentina. 2024-06-27T17:02:53Z 2024-06-27T17:02:53Z 2024-05-03 bachelorThesis http://hdl.handle.net/11086/552428 spa Attribution-NonCommercial-ShareAlike 4.0 International http://creativecommons.org/licenses/by-nc-sa/4.0/ |
spellingShingle | Inteligencia artificial Redes neuronales Series temporales Análisis de datos Riesgo crediticio Scoring bancario Aprendizaje automático Machine learning Neural networks Time series Data analysis Credit scoring Credit risk Trucco, Martín Gabriel Modelos de puntuación basados en aprendizaje automático para calcular el scoring de empresas |
title | Modelos de puntuación basados en aprendizaje automático para calcular el scoring de empresas |
title_full | Modelos de puntuación basados en aprendizaje automático para calcular el scoring de empresas |
title_fullStr | Modelos de puntuación basados en aprendizaje automático para calcular el scoring de empresas |
title_full_unstemmed | Modelos de puntuación basados en aprendizaje automático para calcular el scoring de empresas |
title_short | Modelos de puntuación basados en aprendizaje automático para calcular el scoring de empresas |
title_sort | modelos de puntuacion basados en aprendizaje automatico para calcular el scoring de empresas |
topic | Inteligencia artificial Redes neuronales Series temporales Análisis de datos Riesgo crediticio Scoring bancario Aprendizaje automático Machine learning Neural networks Time series Data analysis Credit scoring Credit risk |
url | http://hdl.handle.net/11086/552428 |
work_keys_str_mv | AT truccomartingabriel modelosdepuntuacionbasadosenaprendizajeautomaticoparacalcularelscoringdeempresas |