1. DSpace en ESPOL
2. Unidades Académicas
3. Facultad de Ciencias Naturales y Matemáticas
4. Tesis de Matemática

Title:	Clasificación de riesgo crediticio mediante técnicas de Machine Learning para una institución financiera.
Authors:	Suaréz Hernández, Carlos Aníbal , Director Freire Zambrano, Gorki Salomón
Keywords:	Machine Learning Riesgo Crediticio Regresión Logística no Lineal Curva ROC-AUC
Issue Date:	2024
Publisher:	ESPOL.FCNM
Citation:	Freire Zambrano, G. S. (2024). Clasificación de riesgo crediticio mediante técnicas de Machine Learning para una institución financiera.. [Proyecto Integrador]. ESPOL.FCNM .
Description:	Este proyecto aborda la necesidad de mejorar la clasificación del riesgo crediticio en una institución financiera a través de la implementación de algoritmos de Machine Learning. Actualmente, la evaluación del riesgo crediticio en Ecuador se realiza de manera operativa, lo que puede conducir a clasificaciones incorrectas, incrementando la morosidad o limitando el acceso a créditos. El objetivo de este trabajo es desarrollar modelos de clasificación del riesgo crediticio utilizando algoritmos de Machine Learning para evaluar su eficacia en la predicción de incumplimientos crediticios en una institución financiera. Se emplearon los modelos de regresión logística, tanto lineal como no lineal, utilizando el método de Newton para optimizar los parámetros de los modelos. Se compararon los resultados obtenidos mediante la librería scikit-learn utilizando métricas como Precisión, Sensibilidad, Especificidad y la Curva ROC-AUC. Los resultados mostraron que el modelo No Lineal proporciona mayor precisión, dado su capacidad de ajustarse a los datos. Finalmente, se concluye que el uso de estos modelos puede mejorar significativamente la rentabilidad de la institución financiera al agilizar la toma de decisiones con respecto a créditos y reducir la probabilidad de incumplimiento en los préstamos. Palabras Clave: Machine Learning, Riesgo Crediticio, Regresión Logística No Lineal, Curva ROC-AUC.
metadata.dc.description.abstractenglish:	This project addresses the need to improve credit risk classification in a financial institution through the implementation of Machine Learning algorithms. Currently, credit risk assessment in Ecuador is performed in an operational manner, which can lead to incorrect classifications, increasing probability of default or limiting access to credit. The aim of this project is to develop credit risk classification models using Machine Learning algorithms to evaluate their effectiveness in predicting credit defaults in a financial institution. Both linear and nonlinear logistic regression models were employed, using Newton?s method to optimize the model parameters. The results obtained and those generated using the scikit-learn library were compared using metrics such as Accuracy, Sensitivity, Specificity and the ROC-AUC Curve. The results showed that the nonlinear model provides higher accuracy, given its capacity to adapt to complex data. Finally, it is concluded that the use of these models can significantly improve the profitability of the financial institution by streamlining credit decision making and reducing the probability of loan default. Keywords: Machine Learning, Credit Risk, Non-linear Logistic Regression, ROC-AUC Curve.
URI:	http://www.dspace.espol.edu.ec/handle/123456789/63104
metadata.dc.identifier.codigoproyectointegrador:	MATE-199
Appears in Collections:	Tesis de Matemática

Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.