Aplicación de algoritmos de clasificación para la evaluación del rating crediticio en empresas pymes cántabras
La aplicación de algoritmos estadísticos y de machine learning toman cada vez más relevancia en el sector bancario y financiero, ya que permiten realizar de una manera eficiente y automatizada distintas tareas que facilitan la toma de decisiones ágiles por parte de dichas organizaciones. En la prese...
| Autor: | |
|---|---|
| Formato: | tesis de maestría |
| Fecha de publicación: | 2024 |
| País: | España |
| Recursos: | Universidad de Cantabria (UC) |
| Repositorio: | UCrea Repositorio Abierto de la Universidad de Cantabria |
| Idioma: | español |
| OAI Identifier: | oai:repositorio.unican.es:10902/32341 |
| Acesso em linha: | https://hdl.handle.net/10902/32341 |
| Access Level: | acceso abierto |
| Palavra-chave: | Rating crediticio Algoritmos de clasificación Machine learning Calificación crediticia Credit rating Classification algorithms Credit assessment |
| Resumo: | La aplicación de algoritmos estadísticos y de machine learning toman cada vez más relevancia en el sector bancario y financiero, ya que permiten realizar de una manera eficiente y automatizada distintas tareas que facilitan la toma de decisiones ágiles por parte de dichas organizaciones. En la presente memoria se tiene como objetivo aplicar una serie de algoritmos de clasificación que permitan determinar el rating crediticio de las pequeñas y medianas empresas (pymes) cántabras, con el fin de brindar una herramienta útil a un organismo público financiero, que contribuya con la decisión de la concesión o no de créditos a las empresas solicitantes. Para alcanzar los objetivos del presente trabajo se desarrolló un análisis previo de los datos, tras lo cual se aplicaron once algoritmos de clasificación, seleccionando el óptimo en base al mejor desempeño. Como resultado del proyecto, se encontró que los algoritmos XGBoost, Random Forest, Adaptive Boosting, Gradient Boosting, KNN, SVM y redes neuronales obtuvieron una mayor precisión a la hora de clasificar correctamente a las empresas, mientras que LDA, regresión logística y redes bayesianas tuvieron un desempeño inferior. Finalmente, se escoge en base a su performance y precisión obtenida el modelo XGBoost para ser la base de clasificación de rating crediticio. |
|---|