Evaluación de modelos de clasificación para la predicción de riesgo crediticio de clientes en el sector financiero

Idarraga Ospina, Korin Alexa

Evaluación de modelos de clasificación para la predicción de riesgo crediticio de clientes en el sector financiero

dc.contributor.advisor	García Arboleda, Isabel Cristina
dc.contributor.author	Idarraga Ospina, Korin Alexa
dc.date.accessioned	2024-06-13T17:37:31Z
dc.date.available	2024-06-13T17:37:31Z
dc.date.issued	2023
dc.description.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.
dc.description.abstracteng	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.
dc.format.extent	42 p.
dc.format.mimetype	application/pdf
dc.identifier.uri	https://vitela.javerianacali.edu.co/handle/11522/2463
dc.language.iso	spa
dc.publisher	Pontificia Universidad Javeriana Cali
dc.publisher.faculty	Facultad de Ingenierías y Arquitectura
dc.rights.accessrights	http://purl.org/coar/access_right/c_abf2
dc.rights.creativecommons	https://creativecommons.org/licenses/by-nc-nd/4.0/
dc.rights.uri	https://creativecommons.org/licenses/by-nc-sa/4.0/
dc.subject	Sistema de administración de riesgo crediticio
dc.subject	Estabilidad financiera de la entidad
dc.subject	Probabilidad de deserción de clientes
dc.subject	Credit risk management system
dc.subject	Financial stability of the entity
dc.subject	Probability of customer churn
dc.thesis.discipline	Facultad de Ingenierías. Matamatícas aplicadas
dc.thesis.grantor	Pontificia Universidad Javeriana Cali
dc.thesis.level	Pregrado
dc.title	Evaluación de modelos de clasificación para la predicción de riesgo crediticio de clientes en el sector financiero	spa
dc.type.coar	http://purl.org/coar/resource_type/c_7a1f
dc.type.local	Tesis/Trabajo de grado - Monografía - Pregrado
dc.type.redcol	https://purl.org/redcol/resource_type/TP