Evaluación de modelos de clasificación para la predicción de riesgo crediticio de clientes en el sector financiero
Loading...
Date
2023
Authors
Director
Journal Title
Journal ISSN
Volume Title
Publisher
Pontificia Universidad Javeriana Cali
Abstract
Este trabajo aborda el riesgo crediticio en el sector financiero, especialmente el impacto que este riesgo genera cuando los deudores incumplen con sus obligaciones, lo que puede llevar a crisis financieras y afectar la estabilidad de la entidad. Para medir y gestionar este riesgo, en Colombia se emplean regulaciones del Sistema de Administración de Riesgo Crediticio (SARC), supervisado por la Superintendencia Financiera, que establece políticas y metodologías para la correcta evaluación del riesgo crediticio.
La investigación también explora el uso de modelos estadísticos (regresión logística, random forest y XGBoost) para clasificar a los clientes en términos de riesgo crediticio. Estos modelos permiten evaluar la probabilidad de deserción (churn) de clientes, que puede afectar negativamente la estabilidad financiera de la entidad. El modelado se realiza en Python, destacando la importancia de una adecuada gestión del riesgo crediticio combinada con políticas y modelos de predicción de churn para fortalecer la estabilidad financiera y las relaciones con los clientes.
Description
item.page.descriptioneng
This work addresses credit risk in the financial sector, especially the impact that this risk generates when debtors fail to meet their obligations, which can lead to financial crises and affect the stability of the entity. In Colombia, regulations from the Credit Risk Management System (SARC), supervised by the Financial Superintendency, are used to measure and manage this risk, establishing policies and methodologies for the proper evaluation of credit risk.
The research also explores the use of statistical models (logistic regression, random forest, and XGBoost) to classify clients in terms of credit risk. These models allow for evaluating the probability of customer churn, which can negatively impact the entity’s financial stability. The modeling is done in Python, highlighting the importance of adequate credit risk management combined with churn prediction policies and models to strengthen financial stability and customer relationships.
Keywords
Sistema de administración de riesgo crediticio, Estabilidad financiera de la entidad, Probabilidad de deserción de clientes, Credit risk management system, Financial stability of the entity, Probability of customer churn