Maestría en Finanzas

URI permanente para esta colección

https://repository.eia.edu.co/handle/11190/6293

Navegar

Examinando Maestría en Finanzas por Autor "Lochmuller, Cristián"

Mostrando 1 - 1 de 1
  • Miniatura
    PublicaciónAcceso abierto
    Modelo de machine learning para la evaluación de riesgo en pólizas de arrendamientos comerciales
    (Universidad EIA, 2024) Cano Muñoz, Estefania; Lochmuller, Cristián
    RESUMEN: El presente trabajo tiene como objetivo principal proponer un modelo de aprendizaje automático para la evaluación del riesgo financiero de clientes prospectivos a asegurar bajo pólizas de arrendamiento con fines comerciales. Es relevante destacar que el riesgo financiero también incide en el sector asegurador, un tema que ha adquirido importancia a pesar de la escasa cantidad de estudios e intervenciones sobre el mismo. Esta investigación es de carácter empírico y adopta un diseño no experimental. Con el objetivo de evaluar la liquidez y la solvencia a largo plazo de las empresas, se realiza un análisis de los principales indicadores financieros. Con el fin de alcanzar los objetivos establecidos, se realiza una evaluación de los indicadores financieros clave para determinar la liquidez de las empresas, así como su solvencia a largo plazo; garantizando que puedan cumplir con los cánones de arrendamiento a asegurar. Posteriormente, se implementaron modelos de aprendizaje automático supervisado, integrando variables relevantes en una muestra inicial de 50 empresas, estos datos fueron proporcionados por la aseguradora y corresponden a clientes analizados en el último año. El desarrollo del modelo se basa en el enfoque del Altman Z-score, al que se añadieron variables adicionales de interés, de acuerdo con los criterios de decisión de la aseguradora. Los modelos utilizados son de clasificación, con etiquetas de quiebra, no quiebra y zona de alerta. La muestra de 50 empresas es insuficiente para un modelo de machine learning, pero el análisis ofrece ideas valiosas sobre nuevas técnicas de evaluación de riesgos para el sector asegurador. El modelo, al ser adaptable y entrenado con datos actualizados, puede mejorar su precisión con el tiempo, convirtiéndose en una herramienta confiable para decisiones estratégicas en la suscripción de seguros empresariales.