Aprendizaje supervisado en la construcción de un modelo de Credit Scoring para cooperativas de ahorro y crédito en Colombia
ilustraciones, diagramas, tablas
- Autores:
-
Cano Bedoya, Jonathan
- Tipo de recurso:
- Fecha de publicación:
- 2021
- Institución:
- Universidad Nacional de Colombia
- Repositorio:
- Universidad Nacional de Colombia
- Idioma:
- spa
- OAI Identifier:
- oai:repositorio.unal.edu.co:unal/81003
- Palabra clave:
- 000 - Ciencias de la computación, información y obras generales
330 - Economía
510 - Matemáticas
Cooperativas
Credit
Crédito
Cooperative societies
Credit Scoring
Supervised learning
Dimensionality reduction
Classification
Logistic regression
Aprendizaje supervisado
Reducción de dimensionalidad
Clasificación
Regresión logística
Puntaje de crédito
- Rights
- openAccess
- License
- Reconocimiento 4.0 Internacional
| id |
UNACIONAL2_b0bb78d1c551f8981686a6fe95c989c1 |
|---|---|
| oai_identifier_str |
oai:repositorio.unal.edu.co:unal/81003 |
| network_acronym_str |
UNACIONAL2 |
| network_name_str |
Universidad Nacional de Colombia |
| repository_id_str |
|
| dc.title.spa.fl_str_mv |
Aprendizaje supervisado en la construcción de un modelo de Credit Scoring para cooperativas de ahorro y crédito en Colombia |
| dc.title.translated.eng.fl_str_mv |
Supervised learning in the construction of a Credit Scoring model for savings and credit cooperatives in Colombia |
| title |
Aprendizaje supervisado en la construcción de un modelo de Credit Scoring para cooperativas de ahorro y crédito en Colombia |
| spellingShingle |
Aprendizaje supervisado en la construcción de un modelo de Credit Scoring para cooperativas de ahorro y crédito en Colombia 000 - Ciencias de la computación, información y obras generales 330 - Economía 510 - Matemáticas Cooperativas Credit Crédito Cooperative societies Credit Scoring Supervised learning Dimensionality reduction Classification Logistic regression Aprendizaje supervisado Reducción de dimensionalidad Clasificación Regresión logística Puntaje de crédito |
| title_short |
Aprendizaje supervisado en la construcción de un modelo de Credit Scoring para cooperativas de ahorro y crédito en Colombia |
| title_full |
Aprendizaje supervisado en la construcción de un modelo de Credit Scoring para cooperativas de ahorro y crédito en Colombia |
| title_fullStr |
Aprendizaje supervisado en la construcción de un modelo de Credit Scoring para cooperativas de ahorro y crédito en Colombia |
| title_full_unstemmed |
Aprendizaje supervisado en la construcción de un modelo de Credit Scoring para cooperativas de ahorro y crédito en Colombia |
| title_sort |
Aprendizaje supervisado en la construcción de un modelo de Credit Scoring para cooperativas de ahorro y crédito en Colombia |
| dc.creator.fl_str_mv |
Cano Bedoya, Jonathan |
| dc.contributor.advisor.none.fl_str_mv |
Sánchez Herrera, Luz Estela Jiménez Ramírez, Claudia Stella |
| dc.contributor.author.none.fl_str_mv |
Cano Bedoya, Jonathan |
| dc.subject.ddc.spa.fl_str_mv |
000 - Ciencias de la computación, información y obras generales 330 - Economía 510 - Matemáticas |
| topic |
000 - Ciencias de la computación, información y obras generales 330 - Economía 510 - Matemáticas Cooperativas Credit Crédito Cooperative societies Credit Scoring Supervised learning Dimensionality reduction Classification Logistic regression Aprendizaje supervisado Reducción de dimensionalidad Clasificación Regresión logística Puntaje de crédito |
| dc.subject.lemb.none.fl_str_mv |
Cooperativas Credit Crédito Cooperative societies |
| dc.subject.proposal.eng.fl_str_mv |
Credit Scoring Supervised learning Dimensionality reduction Classification Logistic regression |
| dc.subject.proposal.spa.fl_str_mv |
Aprendizaje supervisado Reducción de dimensionalidad Clasificación Regresión logística Puntaje de crédito |
| description |
ilustraciones, diagramas, tablas |
| publishDate |
2021 |
| dc.date.issued.none.fl_str_mv |
2021-12-13 |
| dc.date.accessioned.none.fl_str_mv |
2022-02-17T16:22:04Z |
| dc.date.available.none.fl_str_mv |
2022-02-17T16:22:04Z |
| dc.type.spa.fl_str_mv |
Trabajo de grado - Maestría |
| dc.type.driver.spa.fl_str_mv |
info:eu-repo/semantics/masterThesis |
| dc.type.version.spa.fl_str_mv |
info:eu-repo/semantics/acceptedVersion |
| dc.type.content.spa.fl_str_mv |
Text |
| dc.type.redcol.spa.fl_str_mv |
http://purl.org/redcol/resource_type/TM |
| status_str |
acceptedVersion |
| dc.identifier.uri.none.fl_str_mv |
https://repositorio.unal.edu.co/handle/unal/81003 |
| dc.identifier.instname.spa.fl_str_mv |
Universidad Nacional de Colombia |
| dc.identifier.reponame.spa.fl_str_mv |
Repositorio Institucional Universidad Nacional de Colombia |
| dc.identifier.repourl.spa.fl_str_mv |
https://repositorio.unal.edu.co/ |
| url |
https://repositorio.unal.edu.co/handle/unal/81003 https://repositorio.unal.edu.co/ |
| identifier_str_mv |
Universidad Nacional de Colombia Repositorio Institucional Universidad Nacional de Colombia |
| dc.language.iso.spa.fl_str_mv |
spa |
| language |
spa |
| dc.relation.references.spa.fl_str_mv |
Basel Committee on Banking Supervision. “Credit Ratings and Complementary Sources of Credit Quality Information”. Bank for International Settlements, Basel Committee on Banking Supervision, pp. 1-183. (2000). Disponible en: www.bis.org/publ/bcbs72a.pdf K. Brown, y P. Moles. “Credit risk management”. Credit Risk Management. 16. (2014). L. Yu, X. Li, L. Tang, Z. Zhang y G, Kou. “Social credit: A comprehensive literature review”. Financial Innovation. Vol. 1(1). (2015). DOI:10.1186/s40854-015-0005-6. M. Schreiner. “Can credit scoring help attract profit-minded investors to microcredit?” New partnerships for innovation in microfinance, pp. 207-231. (2009). Doi:10.1007/978-3-540-76641-4_12. D. van Thiel, W.F.F, van Raaij. “Artificial Intelligent Credit Risk Prediction: An Empirical Study of Analytical Artificial Intelligence Tools for Credit Risk Prediction in a Digital Era”. Journal of Risk Management in Financial Institutions. Vol. 19(8). (2019). Basel Committee on Banking Supervision. “Basel Committee – 2010”. Bank for International Settlements, Basel Committee on Banking Supervision. (2010). Disponible en: https://www.bis.org/list/bcbs/spp_12/from_01012010/index.htm D. Huang, J. Zhou y H. Wang. “RFMS Method for Credit Scoring Based on Bank Card”. Statistica Sinica. Vol. 28(4), pp. 2903-2919. (2018). DOI: 10.5705/ss.202017.0043 V. S. Ha, D. N. Lu, G.S. Choi, H.-N. Nguyen y B. Yoon. “Improving Credit Risk Prediction in Online Peer-to-Peer (P2P) Lending Using Feature selection with Deep learning”. International Conference on Advanced Communication Technology, ICACT. Vol. 29, pp. 511-515. (2019). DOI: 10.23919/ICACT.2019.8701943 S.O. Yaroshchuk, N.N. Shapovalova, A.M. Striuk, O.H. Rybalchenko, I.O. Dotsenko y S.V.B ilashenko. “Credit scoring model for microfinance organizations”. CEUR Workshop Proceedings. Vol. 2546, pp. 115-127. (2019). CAOBA. “Reporte técnico: Perfil Alianza Caoba”. Universidad de los Andes. (2017). S. Lessmann, B. Baesens, H. Seow y l. Thomas. “Benchmarking state-of-the-art classification algorithms for credit scoring: An update of research”. European Journal of Operational Research. Vol. 247(1), pp. 124-136. (2015). DOI: 10.1016/j.ejor.2015.05.030 Y. Goh y L. S. Lee. “Credit Scoring: A Review on Support Vector Machines and Metaheuristic Approaches”. Advances in Operations Research. Hindawi Limited. (2019). DOI: https://doi.org/10.1155/2019/1974794 El Congreso de Colombia. “Ley 454 de 1998”. (1998). Disponible en: http://www.secretariasenado.gov.co/senado/basedoc/ley_0454_1998.html Superintendencia Financiera de Colombia. "Circular Básica Contable y Financiera (Circular Externa 100 de 1995)". Superintendencia Financiera de Colombia. (1995). Disponible en https://www.superfinanciera.gov.co/inicio/normativa/normativa-general/circular-basica-contable-y-financiera-circular-externa--de---15466 A, Rodan, y H. Faris. “Credit risk evaluation using cycle reservoir neural networks with support vector machines readout”. Lecture Notes in Computer Science. Vol. 9621, pp. 595-604. (2016). DOI:10.1007/978-3-662-49381-6_57 V.S. Ha y H.N. Nguyen. “FRFE: Fast recursive feature elimination for credit scoring”. Lecture Notes of the Institute for Computer Sciences, Social-Informatics and Telecommunications Engineering, LNICST. Vol. 168, pp. 133-142. DOI: 10.1007/978-3-319-46909-6_13. (2016). H. Abdou y J. Pointon. “Credit Scoring, Statistical Techniques and Evaluation Criteria: A Review of the Literature”. Int. Syst. in Accounting, Finance and Management. Vol. 18, pp. 59-88. (2011). DOI: 10.1002/isaf.325. F. A. Medeiro y M. T. S. Arns. “Ten-year evolution on credit risk research: a Systematic Literature Review approach and discussion”. Ingeniería e investigación. Vol. 40 (2), pp. 1-21. (2020). DOI: 10.15446/ing.investig.v40n2.78649 M. Aláraj, M.A. bbod y M. Radi. “The applicability of credit scoring models in emerging economies: an evidence from Jordan”. International Journal of Islamic and Middle Eastern Finance and Management. Vol. 11(4), pp. 608-630. (2018). DOI: 10.1108/IMEFM-02-2017-0048 U. Rahmani, Sukono, Riaman, Subiyanto y A.T. Bon. “Analysis of Credit Scoring Using Particle Swarm Optimization Algorithm under Logistic Regression Model”. Proceedings of the International Conference on Industrial Engineering and Operations Management, pp. 1201-1210. (2019). G. Chornous y I. Nikolskyi. “Business-Oriented Feature Selection for Hybrid Classification Model of Credit Scoring”. Proceedings of the 2018 IEEE 2nd International Conference on Data Stream Mining and Processing, DSMP 2018 1 October 2018. Art. 8478534, pp. 397-401. (2018). DOI:10.1109/DSMP.2018.8478534 J. Kalina. “High-dimensional data in economics and their (robust) analysis”. Serbian Journal of Management. Vol. 12. (2017). DOI: 10.5937/sjm12-10778. Superintendencia Financiera de Colombia. "Evaluación de cartera Concepto No. 1999039821-2. Octubre 14 de 1999". Superintendencia Financiera de Colombia. (1999). Disponible en https://www.superfinanciera.gov.co/jsp/Publicaciones/publicaciones/loadContenidoPublicacion/id/18387/dPrint/1/c/0 A. S. Kumar, S. Ramesh, y S. Rahul. “A Technology on Credit Score System Assessing Public Perception in Bengaluru city”. International Journal of Innovative Technology and Exploring Engineering. Vol. 8(12), pp.1929-1934. (2019). DOI: 10.1016/j.eswa.2008.06.071 G. Arutjothi y C. Senthamarai. “Prediction of loan status in commercial bank using machine learning classifier”. International Conference on Intelligent Sustainable Systems (ICISS), Palladam, pp. 416-419. (2017). DOI: 10.1109/ISS1.2017.8389442. O. S. Pardo. "Perfil de riesgo de crédito para una cooperativa en Villavivencio a partir de un modelo Logit". Universidad y empresa. Vol. 22(38), pp. 237-256. (2020). DOI: 10.12804/revistas.urosario.edu.co/empresa/a.8266 N. R. Ayala. y K. C. Delgado. "Aplicación del modelo SARC (Sistema de Administración del Riesgo Crediticio) a la cooperativa de servicios múltiples de VILLANUEVA LTDA -COOPVILLANUEVA LTDA” DEPARTAMENTO DE SANTANDER". Universidad de SANTANDER. (2014). A. Dimitris, M. Doumpos, P. M. Pardalos. y C. Zopounidis. “Computational approaches and data analytics in financial services: a literature review”. Journal of the Operational Research Society. Vol. 70(10), pp. 1581-1599. (2019) DOI: https://doi.org/10.1080/01605682.2019.1595193 A, Lahsasna, R.N. Ainon y T.Y. Wah, “Credit Scoring Models Using Soft Computing Methods: A Survey”. The International Arab Journal of Information Technology. Vol. 7(2), pp. 115-124. (2010). V. M, A. García y J. S. Salvador. “An insight into the experimental design for credit risk and corporate bankruptcy prediction systems”. Journal of Intelligent Information Systems. Vol. 44(1), pp.1-31. (2014). DOI: 10.1007/s10844-014-0333-4 Y. Zhang, G. Chi y Z. Zhang. “Decision tree for credit scoring and discovery of significant features: an empirical analysis based on Chinese microfinance for farmers”. Filomat. Vol. 32 (5), pp.1513–1521. (2018). DOI: 10.2298/FIL1805513Z D. E. Rodríguez y G. J. González. "Principios de Econometría". Fondo editorial ITM. Colombia. (2017). C. Lagrand, y L. M. Pinzón. "Análisis de datos, métodos y ejemplos". Editorial Escuela Colombiana de Ingeniería. Colombia. (2009). A. Villasante., S. Vignote y R. Blanco. “Análisis estadístico de los nombres comerciales de maderas en un país (España)”. Madera y bosques, vol. 20 (2), pp. 59-70. (2014). L. G. Díaz Monroy y M. A. Morales Rivera. “Análisis estadístico de datos categóricos”. Universidad Nacional de Colombia. (2009). J. J. Espinosa. “Aplicación de algoritmos Random Forest y XGBoost en una base de solicitudes de crédito” Ingeniería Investigación y Tecnología, pp. 1-16. (2020) DOI: https://doi.org/10.22201/fi.25940732e.2020.21.3.022 A. G. Cantú. “Árboles de decisión y su aplicación en el síndrome metabólico”. CIMAT, Centro de Investigación en matemáticas. México. (2019). Disponible en: https://cimat.repositorioinstitucional.mx/jspui/bitstream/1008/1013/1/MTY%20TE%203.pdf C. O. Montalván. “Credit Scoring aplicando técnicas de regresión logística y redes neuronales, para una cartera de microcrédito”. Universidad Andina Simón Bolívar. Ecuador. (2019). Disponible en: https://repositorio.uasb.edu.ec/bitstream/10644/6872/1/T2962-MGFARF-Montalvan-Credit.pdf G. A. Betancourt. “Las máquinas de soporte vectorial”. Scientia Et Technica, vol. XI, no. 27, pp. 67-72. Colombia. (2005). J. A. Resendiz. “Las máquinas de vectores de soporte para identificación en línea”. Tesis. Centro de Investigación y Estudios Avanzados del Politécnico Nacional. Departamento de Control Automático. México. (2006). I. Cañate Quian. “Scoring No Clientes (Modelización con información Big Data)”. Universidad de Santiago de Compostela. España. (2018). |
| dc.rights.coar.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| dc.rights.license.spa.fl_str_mv |
Reconocimiento 4.0 Internacional |
| dc.rights.uri.spa.fl_str_mv |
http://creativecommons.org/licenses/by/4.0/ |
| dc.rights.accessrights.spa.fl_str_mv |
info:eu-repo/semantics/openAccess |
| rights_invalid_str_mv |
Reconocimiento 4.0 Internacional http://creativecommons.org/licenses/by/4.0/ http://purl.org/coar/access_right/c_abf2 |
| eu_rights_str_mv |
openAccess |
| dc.format.extent.spa.fl_str_mv |
xvi, 117 páginas |
| dc.format.mimetype.spa.fl_str_mv |
application/pdf |
| dc.publisher.spa.fl_str_mv |
Universidad Nacional de Colombia |
| dc.publisher.program.spa.fl_str_mv |
Medellín - Minas - Maestría en Ingeniería - Analítica |
| dc.publisher.department.spa.fl_str_mv |
Departamento de la Computación y la Decisión |
| dc.publisher.faculty.spa.fl_str_mv |
Facultad de Minas |
| dc.publisher.place.spa.fl_str_mv |
Medellín, Colombia |
| dc.publisher.branch.spa.fl_str_mv |
Universidad Nacional de Colombia - Sede Medellín |
| institution |
Universidad Nacional de Colombia |
| bitstream.url.fl_str_mv |
https://repositorio.unal.edu.co/bitstream/unal/81003/1/1035424538.2021.pdf https://repositorio.unal.edu.co/bitstream/unal/81003/2/license.txt https://repositorio.unal.edu.co/bitstream/unal/81003/3/1035424538.2021.pdf.jpg |
| bitstream.checksum.fl_str_mv |
30e47fb89d455d655377d6474ff0fb77 8153f7789df02f0a4c9e079953658ab2 4aebedbb039197e48a248f348f632bb4 |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio Institucional Universidad Nacional de Colombia |
| repository.mail.fl_str_mv |
repositorio_nal@unal.edu.co |
| _version_ |
1814089390894350336 |
| spelling |
Reconocimiento 4.0 Internacionalhttp://creativecommons.org/licenses/by/4.0/info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Sánchez Herrera, Luz Estela6e1e331fc2e8e4d54fab129fad0bfdb0Jiménez Ramírez, Claudia Stella6fc8903c736671fa0a63a43e68aa1500600Cano Bedoya, Jonathan5bb336019652265f7bfc787dc3cf37312022-02-17T16:22:04Z2022-02-17T16:22:04Z2021-12-13https://repositorio.unal.edu.co/handle/unal/81003Universidad Nacional de ColombiaRepositorio Institucional Universidad Nacional de Colombiahttps://repositorio.unal.edu.co/ilustraciones, diagramas, tablasLas entidades financieras del sector solidario brindan créditos a sus asociados, exponiéndose a un riesgo derivado de esta actividad. Este trabajo de investigación tiene como objetivo la propuesta metodológica de un modelo de riesgo de crédito, que asigne un puntaje de crédito a los deudores con base en la información que estos proporcionan a las entidades financieras. Se emplean técnicas analíticas de aprendizaje supervisado para la construcción del modelo con la metodología ASUM-DM. Se toman los datos de una cartera de crédito de una compañía del sector solidario en Colombia para ilustrar el desarrollo metodológico en la construcción del modelo de Scoring para el score de comportamiento de los asociados. Se utilizan métodos Biplot, análisis de correspondencias y componentes principales para la reducción de dimensionalidad. También se utilizan las técnicas de árboles de decisión, modelos de regresión probabilísticos, K-Vecinos más cercanos, máquinas de soporte vectorial y redes neuronales. Los métodos anteriores son utilizados para el modelo de Credit Scoring en la asignación del puntaje de crédito y la selección de las variables que son significativas en el estudio. El modelo de regresión logística es empleado para el Score de crédito y se compara con las demás técnicas supervisadas mediante métricas de rendimiento. (Texto tomado de la fuente)The financial companies of the solidarity sector provide credits to their associates, exposing themselves to a risk derived from this activity. The objective of this research work is the methodological proposal of a credit risk model, which assigns a credit score to credit debtors based on the information they provide to financial companies. Analytical techniques of supervised learning are used for the construction of the model accompanied by the ASUM-DM methodology. Data are taken from a credit portfolio of a company in the solidarity sector in Colombia to illustrate the methodological development in the construction of the Scoring model for the behavior score of the associates. The Biplot methods, correspondence analysis and principal components are used for dimensionality reduction. Techniques of decision tree, probabilistic regression models, K-Nearest Neighbors, vector support machines and neural networks are also used. The previous elements are used for the Credit Scoring model in assigning the credit score and selecting the variables that are significant in the study. The logistic regression model is used for the credit score and is compared with the other techniques supervised by performance metrics.MaestríaMagíster en Ingeniería - AnalíticaEn el trabajo se implementa la metodología ASUM-DM (Analytics Solutions Unified Method) de IBM la cual está basada en la metodología CRISP-DM (Cross Standard Process for Data Mining) para orientar el proceso de minería de datos donde se analizará el problema empresarial como un problema analítico.Aprendizaje supervisadoÁrea Curricular de Ingeniería de Sistemas e Informáticaxvi, 117 páginasapplication/pdfspaUniversidad Nacional de ColombiaMedellín - Minas - Maestría en Ingeniería - AnalíticaDepartamento de la Computación y la DecisiónFacultad de MinasMedellín, ColombiaUniversidad Nacional de Colombia - Sede Medellín000 - Ciencias de la computación, información y obras generales330 - Economía510 - MatemáticasCooperativasCreditCréditoCooperative societiesCredit ScoringSupervised learningDimensionality reductionClassificationLogistic regressionAprendizaje supervisadoReducción de dimensionalidadClasificaciónRegresión logísticaPuntaje de créditoAprendizaje supervisado en la construcción de un modelo de Credit Scoring para cooperativas de ahorro y crédito en ColombiaSupervised learning in the construction of a Credit Scoring model for savings and credit cooperatives in ColombiaTrabajo de grado - Maestríainfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/acceptedVersionTexthttp://purl.org/redcol/resource_type/TMBasel Committee on Banking Supervision. “Credit Ratings and Complementary Sources of Credit Quality Information”. Bank for International Settlements, Basel Committee on Banking Supervision, pp. 1-183. (2000). Disponible en: www.bis.org/publ/bcbs72a.pdfK. Brown, y P. Moles. “Credit risk management”. Credit Risk Management. 16. (2014).L. Yu, X. Li, L. Tang, Z. Zhang y G, Kou. “Social credit: A comprehensive literature review”. Financial Innovation. Vol. 1(1). (2015). DOI:10.1186/s40854-015-0005-6.M. Schreiner. “Can credit scoring help attract profit-minded investors to microcredit?” New partnerships for innovation in microfinance, pp. 207-231. (2009). Doi:10.1007/978-3-540-76641-4_12.D. van Thiel, W.F.F, van Raaij. “Artificial Intelligent Credit Risk Prediction: An Empirical Study of Analytical Artificial Intelligence Tools for Credit Risk Prediction in a Digital Era”. Journal of Risk Management in Financial Institutions. Vol. 19(8). (2019).Basel Committee on Banking Supervision. “Basel Committee – 2010”. Bank for International Settlements, Basel Committee on Banking Supervision. (2010). Disponible en: https://www.bis.org/list/bcbs/spp_12/from_01012010/index.htmD. Huang, J. Zhou y H. Wang. “RFMS Method for Credit Scoring Based on Bank Card”. Statistica Sinica. Vol. 28(4), pp. 2903-2919. (2018). DOI: 10.5705/ss.202017.0043V. S. Ha, D. N. Lu, G.S. Choi, H.-N. Nguyen y B. Yoon. “Improving Credit Risk Prediction in Online Peer-to-Peer (P2P) Lending Using Feature selection with Deep learning”. International Conference on Advanced Communication Technology, ICACT. Vol. 29, pp. 511-515. (2019). DOI: 10.23919/ICACT.2019.8701943S.O. Yaroshchuk, N.N. Shapovalova, A.M. Striuk, O.H. Rybalchenko, I.O. Dotsenko y S.V.B ilashenko. “Credit scoring model for microfinance organizations”. CEUR Workshop Proceedings. Vol. 2546, pp. 115-127. (2019).CAOBA. “Reporte técnico: Perfil Alianza Caoba”. Universidad de los Andes. (2017).S. Lessmann, B. Baesens, H. Seow y l. Thomas. “Benchmarking state-of-the-art classification algorithms for credit scoring: An update of research”. European Journal of Operational Research. Vol. 247(1), pp. 124-136. (2015). DOI: 10.1016/j.ejor.2015.05.030Y. Goh y L. S. Lee. “Credit Scoring: A Review on Support Vector Machines and Metaheuristic Approaches”. Advances in Operations Research. Hindawi Limited. (2019). DOI: https://doi.org/10.1155/2019/1974794El Congreso de Colombia. “Ley 454 de 1998”. (1998). Disponible en: http://www.secretariasenado.gov.co/senado/basedoc/ley_0454_1998.htmlSuperintendencia Financiera de Colombia. "Circular Básica Contable y Financiera (Circular Externa 100 de 1995)". Superintendencia Financiera de Colombia. (1995). Disponible en https://www.superfinanciera.gov.co/inicio/normativa/normativa-general/circular-basica-contable-y-financiera-circular-externa--de---15466A, Rodan, y H. Faris. “Credit risk evaluation using cycle reservoir neural networks with support vector machines readout”. Lecture Notes in Computer Science. Vol. 9621, pp. 595-604. (2016). DOI:10.1007/978-3-662-49381-6_57V.S. Ha y H.N. Nguyen. “FRFE: Fast recursive feature elimination for credit scoring”. Lecture Notes of the Institute for Computer Sciences, Social-Informatics and Telecommunications Engineering, LNICST. Vol. 168, pp. 133-142. DOI: 10.1007/978-3-319-46909-6_13. (2016).H. Abdou y J. Pointon. “Credit Scoring, Statistical Techniques and Evaluation Criteria: A Review of the Literature”. Int. Syst. in Accounting, Finance and Management. Vol. 18, pp. 59-88. (2011). DOI: 10.1002/isaf.325.F. A. Medeiro y M. T. S. Arns. “Ten-year evolution on credit risk research: a Systematic Literature Review approach and discussion”. Ingeniería e investigación. Vol. 40 (2), pp. 1-21. (2020). DOI: 10.15446/ing.investig.v40n2.78649M. Aláraj, M.A. bbod y M. Radi. “The applicability of credit scoring models in emerging economies: an evidence from Jordan”. International Journal of Islamic and Middle Eastern Finance and Management. Vol. 11(4), pp. 608-630. (2018). DOI: 10.1108/IMEFM-02-2017-0048U. Rahmani, Sukono, Riaman, Subiyanto y A.T. Bon. “Analysis of Credit Scoring Using Particle Swarm Optimization Algorithm under Logistic Regression Model”. Proceedings of the International Conference on Industrial Engineering and Operations Management, pp. 1201-1210. (2019).G. Chornous y I. Nikolskyi. “Business-Oriented Feature Selection for Hybrid Classification Model of Credit Scoring”. Proceedings of the 2018 IEEE 2nd International Conference on Data Stream Mining and Processing, DSMP 2018 1 October 2018. Art. 8478534, pp. 397-401. (2018). DOI:10.1109/DSMP.2018.8478534J. Kalina. “High-dimensional data in economics and their (robust) analysis”. Serbian Journal of Management. Vol. 12. (2017). DOI: 10.5937/sjm12-10778.Superintendencia Financiera de Colombia. "Evaluación de cartera Concepto No. 1999039821-2. Octubre 14 de 1999". Superintendencia Financiera de Colombia. (1999). Disponible en https://www.superfinanciera.gov.co/jsp/Publicaciones/publicaciones/loadContenidoPublicacion/id/18387/dPrint/1/c/0A. S. Kumar, S. Ramesh, y S. Rahul. “A Technology on Credit Score System Assessing Public Perception in Bengaluru city”. International Journal of Innovative Technology and Exploring Engineering. Vol. 8(12), pp.1929-1934. (2019). DOI: 10.1016/j.eswa.2008.06.071G. Arutjothi y C. Senthamarai. “Prediction of loan status in commercial bank using machine learning classifier”. International Conference on Intelligent Sustainable Systems (ICISS), Palladam, pp. 416-419. (2017). DOI: 10.1109/ISS1.2017.8389442.O. S. Pardo. "Perfil de riesgo de crédito para una cooperativa en Villavivencio a partir de un modelo Logit". Universidad y empresa. Vol. 22(38), pp. 237-256. (2020). DOI: 10.12804/revistas.urosario.edu.co/empresa/a.8266N. R. Ayala. y K. C. Delgado. "Aplicación del modelo SARC (Sistema de Administración del Riesgo Crediticio) a la cooperativa de servicios múltiples de VILLANUEVA LTDA -COOPVILLANUEVA LTDA” DEPARTAMENTO DE SANTANDER". Universidad de SANTANDER. (2014).A. Dimitris, M. Doumpos, P. M. Pardalos. y C. Zopounidis. “Computational approaches and data analytics in financial services: a literature review”. Journal of the Operational Research Society. Vol. 70(10), pp. 1581-1599. (2019) DOI: https://doi.org/10.1080/01605682.2019.1595193A, Lahsasna, R.N. Ainon y T.Y. Wah, “Credit Scoring Models Using Soft Computing Methods: A Survey”. The International Arab Journal of Information Technology. Vol. 7(2), pp. 115-124. (2010).V. M, A. García y J. S. Salvador. “An insight into the experimental design for credit risk and corporate bankruptcy prediction systems”. Journal of Intelligent Information Systems. Vol. 44(1), pp.1-31. (2014). DOI: 10.1007/s10844-014-0333-4Y. Zhang, G. Chi y Z. Zhang. “Decision tree for credit scoring and discovery of significant features: an empirical analysis based on Chinese microfinance for farmers”. Filomat. Vol. 32 (5), pp.1513–1521. (2018). DOI: 10.2298/FIL1805513ZD. E. Rodríguez y G. J. González. "Principios de Econometría". Fondo editorial ITM. Colombia. (2017).C. Lagrand, y L. M. Pinzón. "Análisis de datos, métodos y ejemplos". Editorial Escuela Colombiana de Ingeniería. Colombia. (2009).A. Villasante., S. Vignote y R. Blanco. “Análisis estadístico de los nombres comerciales de maderas en un país (España)”. Madera y bosques, vol. 20 (2), pp. 59-70. (2014).L. G. Díaz Monroy y M. A. Morales Rivera. “Análisis estadístico de datos categóricos”. Universidad Nacional de Colombia. (2009).J. J. Espinosa. “Aplicación de algoritmos Random Forest y XGBoost en una base de solicitudes de crédito” Ingeniería Investigación y Tecnología, pp. 1-16. (2020) DOI: https://doi.org/10.22201/fi.25940732e.2020.21.3.022A. G. Cantú. “Árboles de decisión y su aplicación en el síndrome metabólico”. CIMAT, Centro de Investigación en matemáticas. México. (2019). Disponible en: https://cimat.repositorioinstitucional.mx/jspui/bitstream/1008/1013/1/MTY%20TE%203.pdfC. O. Montalván. “Credit Scoring aplicando técnicas de regresión logística y redes neuronales, para una cartera de microcrédito”. Universidad Andina Simón Bolívar. Ecuador. (2019). Disponible en: https://repositorio.uasb.edu.ec/bitstream/10644/6872/1/T2962-MGFARF-Montalvan-Credit.pdfG. A. Betancourt. “Las máquinas de soporte vectorial”. Scientia Et Technica, vol. XI, no. 27, pp. 67-72. Colombia. (2005).J. A. Resendiz. “Las máquinas de vectores de soporte para identificación en línea”. Tesis. Centro de Investigación y Estudios Avanzados del Politécnico Nacional. Departamento de Control Automático. México. (2006).I. Cañate Quian. “Scoring No Clientes (Modelización con información Big Data)”. Universidad de Santiago de Compostela. España. (2018).AdministradoresEstudiantesInvestigadoresMaestrosORIGINAL1035424538.2021.pdf1035424538.2021.pdfTesis de Maestría en Ingeniería Analíticaapplication/pdf3091465https://repositorio.unal.edu.co/bitstream/unal/81003/1/1035424538.2021.pdf30e47fb89d455d655377d6474ff0fb77MD51LICENSElicense.txtlicense.txttext/plain; charset=utf-84074https://repositorio.unal.edu.co/bitstream/unal/81003/2/license.txt8153f7789df02f0a4c9e079953658ab2MD52THUMBNAIL1035424538.2021.pdf.jpg1035424538.2021.pdf.jpgGenerated Thumbnailimage/jpeg5098https://repositorio.unal.edu.co/bitstream/unal/81003/3/1035424538.2021.pdf.jpg4aebedbb039197e48a248f348f632bb4MD53unal/81003oai:repositorio.unal.edu.co:unal/810032024-08-03 23:10:04.802Repositorio Institucional Universidad Nacional de Colombiarepositorio_nal@unal.edu.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 |