Examinando por Materia "Riesgo de crédito"

Mostrando 1 - 2 de 2
  • Miniatura
    PublicaciónAcceso abierto
    Modelo de predicción de default en pymes de la ciudad de Medellín
    (Universidad EIA, 2025) Aristizábal Guzmán, Jacobo; Lochmuller, Christian
    RESUMEN: El presente trabajo de grado tiene como objetivo desarrollar y comparar modelos predictivos para estimar el riesgo de default en pequeñas y medianas empresas (Pymes) de la ciudad de Medellín, utilizando técnicas de clasificación supervisada como regresión logística, random forest y redes neuronales. A partir de información financiera histórica proveniente de la Superintendencia de Sociedades, se construyó una base de datos con variables relevantes para el análisis del comportamiento crediticio empresarial. Cada modelo fue entrenado y evaluado mediante métricas de desempeño como precisión, sensibilidad, especificidad y exactitud, con el fin de determinar su capacidad para discriminar entre empresas riesgosas y no riesgosas. Los resultados evidencian que el modelo de Random Forest obtuvo el mejor rendimiento general, con una exactitud del 96.3%, una alta sensibilidad de 98.7% y una precisión del 94.3%, lo que lo posiciona como la alternativa más eficaz para predecir el incumplimiento de pagos. Se concluye que el uso de modelos avanzados de machine learning puede ser una herramienta valiosa para las entidades financieras al momento de gestionar el riesgo crediticio del segmento Pyme. Asimismo, se recomienda su integración en la etapa de análisis de riesgo dentro del proceso de otorgamiento de crédito, permitiendo una toma de decisiones más objetiva, ágil y fundamentada en datos.
  • Miniatura
    PublicaciónAcceso abierto
    Modelo de scoring para el otorgamiento de crédito a personas naturales
    (Universidad EIA, 2021) Gómez Henao, Juan Pablo; Patiño Pérez, Héctor Alejandro
    RESUMEN: La calidad de los créditos de consumo y de vivienda (hipotecarios) en Colombia ha permanecido en rangos constantes desde el 2017 demostrando que las entidades crediticias presentan ineficiencias en sus modelos de calificación crediticia, ya sea en la recolección de información de las personas o en los métodos estadísticos que se utilizan actualmente, por lo que su asignación de capital para estos productos no son los mejores. Estos modelos de crédito si bien son útiles, no logran desempeñarse de la mejor manera, afectando así tanto a las entidades de crédito como a los posibles clientes. Con la propuesta planteada se busca que las entidades financieras asignen correctamente el capital, teniendo en cuenta el mayor número de criterios y su importancia en los modelos de evaluación de cartera, y de esta forma maximicen sus beneficios, reduzcan sus reservas de capital e incluyan a personas a que accedan a los créditos luego de realizar la solicitud de estos. El estudio se realizará utilizando una base de datos (ficticia o real), analizando la característica de los clientes y definirlos como criterios para los modelos estadísticos a utilizar, adicionalmente, se estudiará la implementación de variables macroeconómicas a los modelos estadísticos propuestos. Finalmente, se realizará una comparación según unas métricas de desempeño de los modelos de machine learning utilizados para el estudio del otorgamiento de créditos, seleccionando el mejor de estos y realizando las respectivas conclusiones.