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 original | Español |
---|---|
Título de la publicación alojada | Memorias LI Asamblea Anual CLADEA 2016 |
Subtítulo de la publicación alojada | La innovación en las escuelas de negocios |
Lugar de publicación | Lima |
Número de páginas | 21 |
ISBN (versión digital) | 978-612-46367-5-2 |
Estado | Publicada - 2017 |
Evento | Consejo Latinoamericano de Escuelas de Administración-CLADEA 2016 - Colombia Duración: 1 ene. 2017 → 1 ene. 2017 |
Conferencia
Conferencia | Consejo Latinoamericano de Escuelas de Administración-CLADEA 2016 |
---|---|
Período | 1/01/17 → 1/01/17 |
Palabras clave
- Credit Scoring
- Logit
- Redes neuronales (Computadoras)
- Algoritmos genéticos
- Modelos híbridos