Modelo híbrido para mejorar la predicción de credit scoring: Un análisis comparativo de técnicas de minería de datos

Producción científica: Capítulo del libro/informe/acta de congresoContribución a la conferenciarevisión exhaustiva

Resumen

La evaluación del riesgo de pago o no pago de un solicitante de crédito es un tema relevante para las entidades financieras. Incluso un ligero incremento en la capacidad predictiva (grado de acierto en la predicción del pago/no pago) implica grandes ahorros. En esa medida, las organizaciones disponen de diversas técnicas de minería de datos para evaluar este riesgo. Un aspecto crucial es conocer comparativamente la capacidad predictiva de las técnicas y tratar de optimizarla. Este estudio utiliza datos de una entidad financiera para evaluar tres técnicas logit, redes neuronales y modelo híbrido (redes neuronales + algoritmos genéticos). Los resultados muestran que el modelo híbrido arroja una capacidad mayor que las redes neuronales y modelo logit. Se discuten implicancias prácticas de estos hallazgos.
Idioma originalEspañol
Título de la publicación alojadaMemorias LI Asamblea Anual CLADEA 2016
Subtítulo de la publicación alojadaLa innovación en las escuelas de negocios
Lugar de publicaciónLima
Número de páginas21
ISBN (versión digital)978-612-46367-5-2
EstadoPublicada - 2017
EventoConsejo Latinoamericano de Escuelas de Administración-CLADEA 2016 - Colombia
Duración: 1 ene. 20171 ene. 2017

Conferencia

ConferenciaConsejo Latinoamericano de Escuelas de Administración-CLADEA 2016
Período1/01/171/01/17

Palabras clave

  • Credit Scoring
  • Logit
  • Redes neuronales (Computadoras)
  • Algoritmos genéticos
  • Modelos híbridos

Citar esto