Determinación de algoritmos de clasificación óptimos para la evaluación de riesgo crediticio en el caso de PyMES
Guardado en:
| Autor principal: | |
|---|---|
| Otros Autores: | |
| Publicado: |
2023
|
| Materias: | |
| Acceso en línea: | https://bdigital.uncu.edu.ar/fichas.php?idobjeto=19342 |
| date_str_mv |
2023-07-28 |
|---|---|
| descriptores_str_mv |
Algoritmos de clasificación Aprendizaje automático Diagnóstico Fintechs Peer to peer lending Préstamo Rendimiento |
| titulo_str_mv |
caso de estudio: PyMES que operan en plataformas P2P Determinación de algoritmos de clasificación óptimos para la evaluación de riesgo crediticio en el caso de PyMES |
| disciplina_str_mv |
Ciencias económicas |
| todos_str_mv |
Director/a fce_tg Licenciado/a en Economía Licenciatura en Economía |
| description_str_mv |
En las últimas décadas, y especialmente en los últimos años, el sector financiero se ha visto empujado a desarrollar nuevas técnicas que sirvan para estimar la probabilidad de default de la manera más eficiente y precisa posible a partir de una mayor demanda de créditos y una coyuntura macroeconómica en algunos periodos cada vez más volátil. En relación con esto, la reciente aparición de nuevos actores dentro del sistema financiero como las Fintechs plantean nuevos desafíos debido a la ruptura con el esquema tradicional del sector bancario. Las plataformas P2P son una de las que más relevancia ha tomado en los últimos años dentro del mercado crediticio debido principalmente a la rapidez en el otorgamiento de créditos. Sin embargo, el crecimiento de estas plataformas puede acarrear un significativo riesgo para la estabilidad financiera debido a malos incentivos que aparecen con su funcionamiento, y es a partir de ello que la presente investigación se propone determinar cuál algoritmo de clasificación presenta un mejor desempeño en la obtención de un modelo de puntaje crediticio para los clientes que operan en dichas plataformas.
El presente trabajo consiste en un análisis explicativo y proyectivo en tanto el mismo es de finalidad aplicada. A partir de la base de datos construida en el trabajo de Guidici et al. (2019) acerca de empresas PyMES italianas que participan en plataformas P2P para el año 2015, se lleva a cabo un análisis de estadística descriptiva para conocer las características de los datos y posteriormente se utilizan técnicas econométricas y de entrenamiento de algoritmos de aprendizaje automático para la determinación del algoritmo de clasificación óptimo.
Los resultados indican que: 1) A partir de las diversas métricas de rendimiento utilizadas el algoritmo SVM resulta ser el óptimo, y 2) El algoritmo SVM supera en todas las métricas al clásico modelo Logit. |
| dependencia_str_mv |
Facultad de Ciencias Económicas |
| autor_str_mv |
García Ojeda, Juan Gabriel |
| contributor_str_mv |
Mahnic, Pablo David |
| object_type_str_mv |
Textual: Tesis |
| id |
19342 |
| plantilla_str |
Tesis |
| record_format |
Tesis |
| author2 |
Mahnic, Pablo David |
| author_facet |
Mahnic, Pablo David García Ojeda, Juan Gabriel |
| tipo_str |
textuales |
| type_str_mv |
Tesis |
| title_full |
Determinación de algoritmos de clasificación óptimos para la evaluación de riesgo crediticio en el caso de PyMES |
| title_fullStr |
Determinación de algoritmos de clasificación óptimos para la evaluación de riesgo crediticio en el caso de PyMES Determinación de algoritmos de clasificación óptimos para la evaluación de riesgo crediticio en el caso de PyMES |
| title_full_unstemmed |
Determinación de algoritmos de clasificación óptimos para la evaluación de riesgo crediticio en el caso de PyMES Determinación de algoritmos de clasificación óptimos para la evaluación de riesgo crediticio en el caso de PyMES |
| title |
Determinación de algoritmos de clasificación óptimos para la evaluación de riesgo crediticio en el caso de PyMES |
| spellingShingle |
Determinación de algoritmos de clasificación óptimos para la evaluación de riesgo crediticio en el caso de PyMES Algoritmos de clasificación Aprendizaje automático Diagnóstico Fintechs Peer to peer lending Préstamo Rendimiento García Ojeda, Juan Gabriel |
| topic |
Algoritmos de clasificación Aprendizaje automático Diagnóstico Fintechs Peer to peer lending Préstamo Rendimiento |
| topic_facet |
Algoritmos de clasificación Aprendizaje automático Diagnóstico Fintechs Peer to peer lending Préstamo Rendimiento |
| publishDate |
2023 |
| author |
García Ojeda, Juan Gabriel |
| tags_str_mv |
fce_tg |
| title_sort |
Determinación de algoritmos de clasificación óptimos para la evaluación de riesgo crediticio en el caso de PyMES |
| title_short |
Determinación de algoritmos de clasificación óptimos para la evaluación de riesgo crediticio en el caso de PyMES |
| url |
https://bdigital.uncu.edu.ar/fichas.php?idobjeto=19342 |
| estado_str |
3 |
| building |
Biblioteca Digital |
| collection |
Tesis |
| institution |
Sistema Integrado de Documentación |
| indexed_str |
2024-11-15 11:54 |
| _version_ |
1815801257831432192 |
