Proceso de ASC - PREDICTING COLOMBIAN SOVEREIGN DEFAULT PROBABILITY USING MACHINE LEARNING

El propósito de esta investigación es utilizar una muestra para predecir la probabilidad de default del gobierno colombiano, mediante técnicas de machine learning que buscan crear algoritmos de predicción. El éxito del algoritmo recae en la calidad de los datos utilizados (Mohri et al., 2018). Se es...

Full description

Autores:
Cortés, Lina M
Mosquera, Stephania
Galeano, Juan
Mena, Luis
Tipo de recurso:
Fecha de publicación:
2021
Institución:
Universidad EAFIT
Repositorio:
Repositorio EAFIT
Idioma:
spa
OAI Identifier:
oai:repository.eafit.edu.co:10784/34065
Acceso en línea:
https://hdl.handle.net/10784/34065
Palabra clave:
Impago
CDS
soberano
probabilidades
Default
CDS
sovereign
probabilities
Rights
License
Copyright (c) 2021 © Universidad EAFIT. Vicerrectoría CTeI
id REPOEAFIT2_70a13ffe82f12acbf3d8b4cd9def7ca1
oai_identifier_str oai:repository.eafit.edu.co:10784/34065
network_acronym_str REPOEAFIT2
network_name_str Repositorio EAFIT
repository_id_str
spelling Medellín de: Lat: 06 15 00 N degrees minutes Lat: 6.2500 decimal degrees Long: 075 36 00 W degrees minutes Long: -75.6000 decimal degrees20212024-07-02T15:36:10Z20212024-07-02T15:36:10Zhttps://hdl.handle.net/10784/34065El propósito de esta investigación es utilizar una muestra para predecir la probabilidad de default del gobierno colombiano, mediante técnicas de machine learning que buscan crear algoritmos de predicción. El éxito del algoritmo recae en la calidad de los datos utilizados (Mohri et al., 2018). Se está interesado en aplicar el mejor método para crear el algoritmo, lo cual requiere de un proceso de testeo y ajuste con base en las observaciones tomadas. Los métodos más populares en aprendizaje de máquina son regresiones logísticas, árboles de decisiones, random decision forests, support vector machines (SVM), Naive Bayes, K Nearest Neighbor (KNN), K-means (Shafer et al., 1996). Se entrena y se prueban los diferentes métodos de acuerdo con los datos y a la revisión de literatura.The purpose of this research is to use a sample to predict the probability of default of the Colombian government, using machine learning techniques that seek to create prediction algorithms. The success of the algorithm relies on the quality of the data used (Mohri et al., 2018). One is interested in applying the best method to create the algorithm, which requires a testing and adjustment process based on the observations taken. The most popular methods in machine learning are logistic regressions, decision trees, random decision forests, support vector machines (SVM), Naive Bayes, K Nearest Neighbor (KNN), K-means (Shafer et al., 1996). The different methods are trained and tested according to the data and literature review.application/pdfspaUniversidad EAFITGrupo de Investigación en Finanzas y Banca. Semillero de Investigacion Bufete FinancieroEscuela de Finanzas, Economía y GobiernoMedellínPREDICTING COLOMBIAN SOVEREIGN DEFAULT PROBABILITY USING MACHINE LEARNINGCopyright (c) 2021 © Universidad EAFIT. Vicerrectoría CTeIAcceso cerradohttp://purl.org/coar/access_right/c_14cbPREDICTING COLOMBIAN SOVEREIGN DEFAULT PROBABILITY USING MACHINE LEARNINGImpagoCDSsoberanoprobabilidadesDefaultCDSsovereignprobabilitiesProceso de ASC - PREDICTING COLOMBIAN SOVEREIGN DEFAULT PROBABILITY USING MACHINE LEARNINGinfo:eu-repo/semantics/reportreportinfo:eu-repo/semantics/publishedVersionpublishedVersionInformehttp://purl.org/coar/version/c_970fb48d4fbd8a85http://purl.org/coar/resource_type/c_93fcCortés, Lina MMosquera, StephaniaGaleano, JuanMena, LuisUniversidad EAFITORIGINALLINA_MARCELA_CORTES_DURAN_2021.pdfTexto completoapplication/pdf499447https://repository.eafit.edu.co/bitstreams/a7583cd7-77f5-4261-8e09-28cdccc71f3d/downloadb3303706cd3372a2eeec712d80e5216aMD5110784/34065oai:repository.eafit.edu.co:10784/340652024-07-04 11:10:09.292restrictedhttps://repository.eafit.edu.coRepositorio Institucional Universidad EAFITrepositorio@eafit.edu.co
dc.title.spa.fl_str_mv Proceso de ASC - PREDICTING COLOMBIAN SOVEREIGN DEFAULT PROBABILITY USING MACHINE LEARNING
title Proceso de ASC - PREDICTING COLOMBIAN SOVEREIGN DEFAULT PROBABILITY USING MACHINE LEARNING
spellingShingle Proceso de ASC - PREDICTING COLOMBIAN SOVEREIGN DEFAULT PROBABILITY USING MACHINE LEARNING
Impago
CDS
soberano
probabilidades
Default
CDS
sovereign
probabilities
title_short Proceso de ASC - PREDICTING COLOMBIAN SOVEREIGN DEFAULT PROBABILITY USING MACHINE LEARNING
title_full Proceso de ASC - PREDICTING COLOMBIAN SOVEREIGN DEFAULT PROBABILITY USING MACHINE LEARNING
title_fullStr Proceso de ASC - PREDICTING COLOMBIAN SOVEREIGN DEFAULT PROBABILITY USING MACHINE LEARNING
title_full_unstemmed Proceso de ASC - PREDICTING COLOMBIAN SOVEREIGN DEFAULT PROBABILITY USING MACHINE LEARNING
title_sort Proceso de ASC - PREDICTING COLOMBIAN SOVEREIGN DEFAULT PROBABILITY USING MACHINE LEARNING
dc.creator.fl_str_mv Cortés, Lina M
Mosquera, Stephania
Galeano, Juan
Mena, Luis
dc.contributor.author.none.fl_str_mv Cortés, Lina M
Mosquera, Stephania
Galeano, Juan
Mena, Luis
dc.contributor.affiliation.none.fl_str_mv Universidad EAFIT
dc.subject.spa.fl_str_mv Impago
CDS
soberano
probabilidades
topic Impago
CDS
soberano
probabilidades
Default
CDS
sovereign
probabilities
dc.subject.keyword.eng.fl_str_mv Default
CDS
sovereign
probabilities
description El propósito de esta investigación es utilizar una muestra para predecir la probabilidad de default del gobierno colombiano, mediante técnicas de machine learning que buscan crear algoritmos de predicción. El éxito del algoritmo recae en la calidad de los datos utilizados (Mohri et al., 2018). Se está interesado en aplicar el mejor método para crear el algoritmo, lo cual requiere de un proceso de testeo y ajuste con base en las observaciones tomadas. Los métodos más populares en aprendizaje de máquina son regresiones logísticas, árboles de decisiones, random decision forests, support vector machines (SVM), Naive Bayes, K Nearest Neighbor (KNN), K-means (Shafer et al., 1996). Se entrena y se prueban los diferentes métodos de acuerdo con los datos y a la revisión de literatura.
publishDate 2021
dc.date.issued.none.fl_str_mv 2021
dc.date.available.none.fl_str_mv 2024-07-02T15:36:10Z
dc.date.accessioned.none.fl_str_mv 2024-07-02T15:36:10Z
dc.date.none.fl_str_mv 2021
dc.type.eng.fl_str_mv info:eu-repo/semantics/report
report
info:eu-repo/semantics/publishedVersion
publishedVersion
dc.type.coarversion.fl_str_mv http://purl.org/coar/version/c_970fb48d4fbd8a85
dc.type.coar.fl_str_mv http://purl.org/coar/resource_type/c_93fc
dc.type.local.spa.fl_str_mv Informe
status_str publishedVersion
dc.identifier.uri.none.fl_str_mv https://hdl.handle.net/10784/34065
url https://hdl.handle.net/10784/34065
dc.language.iso.eng.fl_str_mv spa
language spa
dc.relation.ispartof.none.fl_str_mv PREDICTING COLOMBIAN SOVEREIGN DEFAULT PROBABILITY USING MACHINE LEARNING
dc.rights.eng.fl_str_mv Copyright (c) 2021 © Universidad EAFIT. Vicerrectoría CTeI
dc.rights.coar.fl_str_mv http://purl.org/coar/access_right/c_14cb
dc.rights.local.spa.fl_str_mv Acceso cerrado
rights_invalid_str_mv Copyright (c) 2021 © Universidad EAFIT. Vicerrectoría CTeI
Acceso cerrado
http://purl.org/coar/access_right/c_14cb
dc.format.none.fl_str_mv application/pdf
dc.coverage.spatial.eng.fl_str_mv Medellín de: Lat: 06 15 00 N degrees minutes Lat: 6.2500 decimal degrees Long: 075 36 00 W degrees minutes Long: -75.6000 decimal degrees
dc.publisher.spa.fl_str_mv Universidad EAFIT
dc.publisher.program.spa.fl_str_mv Grupo de Investigación en Finanzas y Banca. Semillero de Investigacion Bufete Financiero
dc.publisher.department.spa.fl_str_mv Escuela de Finanzas, Economía y Gobierno
dc.publisher.place.none.fl_str_mv Medellín
dc.source.none.fl_str_mv PREDICTING COLOMBIAN SOVEREIGN DEFAULT PROBABILITY USING MACHINE LEARNING
institution Universidad EAFIT
bitstream.url.fl_str_mv https://repository.eafit.edu.co/bitstreams/a7583cd7-77f5-4261-8e09-28cdccc71f3d/download
bitstream.checksum.fl_str_mv b3303706cd3372a2eeec712d80e5216a
bitstream.checksumAlgorithm.fl_str_mv MD5
repository.name.fl_str_mv Repositorio Institucional Universidad EAFIT
repository.mail.fl_str_mv repositorio@eafit.edu.co
_version_ 1814110268010004480

Publicaciones similares