Categorización del riesgo de crédito para clientes del sector empresarial aplicando técnicas de clasificación estadística
ilustraciones, diagramas
- Autores:
-
Peña Vásquez, Diana Catalina
- Tipo de recurso:
- Fecha de publicación:
- 2023
- Institución:
- Universidad Nacional de Colombia
- Repositorio:
- Universidad Nacional de Colombia
- Idioma:
- spa
- OAI Identifier:
- oai:repositorio.unal.edu.co:unal/84188
- Palabra clave:
- 510 - Matemáticas::519 - Probabilidades y matemáticas aplicadas
Crédito al consumidor
Consumer, credit
Crédito
Credit
Riesgo de Crédito
Impago
Modelos de clasificación
Matrices de transición
Indicadores financieros
Probabilidad de Incumplimiento
Sector empresarial
Credit risk
Default
Classification models
Transition matrices
Financial indicators
Probability of default
- Rights
- openAccess
- License
- Atribución-NoComercial 4.0 Internacional
| id |
UNACIONAL2_f25704a66dfa936763a570ff332ab47a |
|---|---|
| oai_identifier_str |
oai:repositorio.unal.edu.co:unal/84188 |
| network_acronym_str |
UNACIONAL2 |
| network_name_str |
Universidad Nacional de Colombia |
| repository_id_str |
|
| dc.title.spa.fl_str_mv |
Categorización del riesgo de crédito para clientes del sector empresarial aplicando técnicas de clasificación estadística |
| dc.title.translated.eng.fl_str_mv |
Credit risk categorization for clients in the business sector using statistical classification techniques |
| title |
Categorización del riesgo de crédito para clientes del sector empresarial aplicando técnicas de clasificación estadística |
| spellingShingle |
Categorización del riesgo de crédito para clientes del sector empresarial aplicando técnicas de clasificación estadística 510 - Matemáticas::519 - Probabilidades y matemáticas aplicadas Crédito al consumidor Consumer, credit Crédito Credit Riesgo de Crédito Impago Modelos de clasificación Matrices de transición Indicadores financieros Probabilidad de Incumplimiento Sector empresarial Credit risk Default Classification models Transition matrices Financial indicators Probability of default |
| title_short |
Categorización del riesgo de crédito para clientes del sector empresarial aplicando técnicas de clasificación estadística |
| title_full |
Categorización del riesgo de crédito para clientes del sector empresarial aplicando técnicas de clasificación estadística |
| title_fullStr |
Categorización del riesgo de crédito para clientes del sector empresarial aplicando técnicas de clasificación estadística |
| title_full_unstemmed |
Categorización del riesgo de crédito para clientes del sector empresarial aplicando técnicas de clasificación estadística |
| title_sort |
Categorización del riesgo de crédito para clientes del sector empresarial aplicando técnicas de clasificación estadística |
| dc.creator.fl_str_mv |
Peña Vásquez, Diana Catalina |
| dc.contributor.advisor.none.fl_str_mv |
Mazo Lopera, Mauricio Alejandro |
| dc.contributor.author.none.fl_str_mv |
Peña Vásquez, Diana Catalina |
| dc.contributor.orcid.spa.fl_str_mv |
Mazo Lopera, Mauricio Alejandro [0000-0003-1825-6226] |
| dc.contributor.googlescholar.spa.fl_str_mv |
Peña Vásquez, Diana Catalina |
| dc.subject.ddc.spa.fl_str_mv |
510 - Matemáticas::519 - Probabilidades y matemáticas aplicadas |
| topic |
510 - Matemáticas::519 - Probabilidades y matemáticas aplicadas Crédito al consumidor Consumer, credit Crédito Credit Riesgo de Crédito Impago Modelos de clasificación Matrices de transición Indicadores financieros Probabilidad de Incumplimiento Sector empresarial Credit risk Default Classification models Transition matrices Financial indicators Probability of default |
| dc.subject.lemb.none.fl_str_mv |
Crédito al consumidor Consumer, credit Crédito Credit |
| dc.subject.proposal.spa.fl_str_mv |
Riesgo de Crédito Impago Modelos de clasificación Matrices de transición Indicadores financieros Probabilidad de Incumplimiento Sector empresarial |
| dc.subject.proposal.eng.fl_str_mv |
Credit risk Default Classification models Transition matrices Financial indicators Probability of default |
| description |
ilustraciones, diagramas |
| publishDate |
2023 |
| dc.date.accessioned.none.fl_str_mv |
2023-07-17T17:02:25Z |
| dc.date.available.none.fl_str_mv |
2023-07-17T17:02:25Z |
| dc.date.issued.none.fl_str_mv |
2023-07-11 |
| 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/84188 |
| 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/84188 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.indexed.spa.fl_str_mv |
RedCol LaReferencia |
| dc.relation.references.spa.fl_str_mv |
Agresti, A. (2003). Categorical data analysis. John Wiley Sons. Altman, E. (1966). Financial ratios, discriminant analysis and the prediction of cor porate bankruptcy. , 23(4)(1), 589–609. Arias, M. (2011). Fundamentos de medicina basada en la evidencia análisis de las causas de la variabilidad en la práctica médica. Evidencias Pediatricas, 7–21. Descargado de https://evidenciasenpediatria.es/articulo/5578/enlace. Berrío Guzmán, D., y Cabeza de Vergara, L. (2003). Verificación y adaptación del modelo de Altman a la superintendencia de sociedades de Colombia. Blissett, R. (2017). Logistic regression in R. Obtenido de net: https://rpubs.com/rslbliss/r logistic ws. De la República, C. (2006). Ley 1116 de 2006. Diario Oficial(46.494). Dictionary, C. (2023). Cambridge advanced learner’s dictionary. Recuperado de: https://dictionary.cambridge.org/es/. Fisher, R. A. (1936). The use of multiple measurements in taxonomic problems. Annals of eugenics, 7 (2), 179–188. Gonzalez, L. (2019). Conjunto de datos desbalanceados). Obtenido de net:https://aprendeia.com/conjunto-de-datos-desbalanceado/. Hadad, A., Evin, D., y Drozdowicz, B. (2009). Modelo para el tratamiento de datos desbalanceados basado en redes neuronales autoorganizadas. En XVII Congreso Argentino de Bioingeniería, Rosario, Santa Fe. Hogg, R. V., McKean, J. W., y Craig, A. T. (2013). Introduction to mathematical statistics (Seventh ed.). Pearson. Hosmer, D. W., Jovanovic, B., y Lemeshow, S. (1989). Best subsets logistic regression. Biometrics, Vol.45 (N°4), 1265–1270. James, G., Witten, D., Hastie, T., y Tibshirani, R. (2013). An introduction to statistical learning with applications in R (Vol. 112). Springer. Kuhn, M. (2021). caret: Classification and regression training [Manual de software informático]. Descargado de https://CRAN.R-project.org/package=caret (R package version 6.0-90). Linares Galván, J. E. (2010). Gestión del riesgo: pautas generales ofrecidas por la norma técnica colombiana–NTC 5254 95. Apuntes contables, Vol.11 . Lumley, T. (2020). leaps: Regression subset selection [Manual de software informático]. Descargado de https://CRAN.R-project.org/package=leaps (R package version 3.1). Mahto, A. (2019). splitstackshape: Stack and reshape datasets after splitting con catenated values [Manual de software informático]. Descargado de https://CRAN.R-project.org/package=splitstackshape (R package version 1.4.8). Meyer, D., Dimitriadou, E., Hornik, K., Weingessel, A., y Leisch, F. (2022). e1071: Misc functions of the department of statistics, probability theory group (formerly: E1071), tu wien [Manual de software informático]. Descargado de https://CRAN.R-project.org/package=e1071 (R package version 1.7-12). Moreno Valencia, S. (2012). El modelo logit mixto para la construcción de un scoring de crédito. Escuela de Estadística. Norman, G. G. (2010). Islr: Gestion cuantitativa de riesgo de crédito, con aplicaciones en R [Manual de software informático]. Rodrigo, J. A. (2017). Máquinas de vector soporte (support vector machines, svms). Obtenido de cienciadedatos, Abril. net: https://www. cienciadedatos. net/documentos/34 maquinas de vector soporte support vector machines. Sanchez-Roger, M., Oliver-Alfonso, M. D., y Sanchís-Pedregosa, C. (2020). Capacidad total de absorción de pérdidas–hacia una metodología simple y eficiente. Cuadernos de Gestión, 20 (2), 199–222. Statistical Odds & Ends. (2020). What is balanced accuracy? [Manual de software informático]. Descargado de https://tinyurl.com/jsvezz8k. Superintendencia Financiera, I., de Colombia Capítulo. (1995). Reglas relativas a la gestión del riesgo crediticio. Circular Externa, 100 (95), 1–31. OVF, O. V. d. F. (2021). Normas de Basilea. Obtenido de net: https://observatoriodefinanzas.com/wp-content/uploads/NORMAS-DE BASILEA.pdf . Tharwat, A. (2021). Classification assessment methods. Applied computing and informatics, 17 (1), 168–192. Thomas, L. (2020). Stratified sampling definition, guide examples). Obtenido de net:https://www.scribbr.com/methodology/stratified-sampling/. Trueck, S., y Rachev, S. T. (2009). Rating based modeling of credit risk: theory and application of migration matrices. Academic press. Trujillo Ospina, A., Belalcázar Grisales, R., y cols. (2016). ¿Es el modelo z-score de Altman un buen predictor de la situación financiera de las pymes en Colombia? (Tesis Doctoral no publicada). Universidad EAFIT. Vapnik, V., Golowich, S. E., Smola, A., y cols. (1997). Support vector method for function approximation, regression estimation, and signal processing. Advances in neural information processing systems, Vol.9 , 281–287. Venables, W. N., y Ripley, B. D. (2002). Modern applied statistics with s (Fourth ed.). New York: Springer. Descargado de https://www.stats.ox.ac.uk/pub/MASS4/(ISBN 0-387-95457) Verona Martel, M. C. (2007). El rating como evaluación de la calidad crediticia de las empresas. Innovar , 17 (29), 195–196 |
| dc.rights.coar.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| dc.rights.license.spa.fl_str_mv |
Atribución-NoComercial 4.0 Internacional |
| dc.rights.uri.spa.fl_str_mv |
http://creativecommons.org/licenses/by-nc/4.0/ |
| dc.rights.accessrights.spa.fl_str_mv |
info:eu-repo/semantics/openAccess |
| rights_invalid_str_mv |
Atribución-NoComercial 4.0 Internacional http://creativecommons.org/licenses/by-nc/4.0/ http://purl.org/coar/access_right/c_abf2 |
| eu_rights_str_mv |
openAccess |
| dc.format.extent.spa.fl_str_mv |
xv, 72 página |
| dc.format.mimetype.spa.fl_str_mv |
application/pdf |
| dc.coverage.country.none.fl_str_mv |
Colombia |
| dc.publisher.spa.fl_str_mv |
Universidad Nacional de Colombia |
| dc.publisher.program.spa.fl_str_mv |
Medellín - Ciencias - Maestría en Ciencias - Estadística |
| dc.publisher.faculty.spa.fl_str_mv |
Facultad de Ciencias |
| 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/84188/1/license.txt https://repositorio.unal.edu.co/bitstream/unal/84188/2/43908130.2023.pdf https://repositorio.unal.edu.co/bitstream/unal/84188/3/43908130.2023.pdf.jpg |
| bitstream.checksum.fl_str_mv |
eb34b1cf90b7e1103fc9dfd26be24b4a 2566cb7315a5e891497e0ccdedfcbfd0 dee9b91f5174f32fe81b54cf5448cef3 |
| 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_ |
1814089831103332352 |
| spelling |
Atribución-NoComercial 4.0 Internacionalhttp://creativecommons.org/licenses/by-nc/4.0/info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Mazo Lopera, Mauricio Alejandro225507a038cae9633b438fc57783c3b2Peña Vásquez, Diana Catalina5766b1b83ec8d9d1c53a355363940431Mazo Lopera, Mauricio Alejandro [0000-0003-1825-6226]Peña Vásquez, Diana Catalina2023-07-17T17:02:25Z2023-07-17T17:02:25Z2023-07-11https://repositorio.unal.edu.co/handle/unal/84188Universidad Nacional de ColombiaRepositorio Institucional Universidad Nacional de Colombiahttps://repositorio.unal.edu.co/ilustraciones, diagramasUn elemento importante en el apalancamiento de las industrias o empresas es el crédito, el cual posibilita los planes de producción, de inversión, la adquisición de bienes o servicios o simplemente el alivio de estrés financiero en las organizaciones. Esta herramienta es muy utilizada por las instituciones financieras, las cuales cuentan con metodologías, políticas e información importante para otorgar el crédito. Sin embargo, cuando son las empresas del sector real las que se enfrentan a mecanismos de venta a plazo o de financiación, no se cuenta con todos los elementos para hacer operaciones de venta estratégicas y controladas, que no solo le permitan aumentar la participación en el mercado sino también evitar posibles pérdidas económicas. Con el fin de administrar mejor lo que en el argot financiero es llamado riesgo de crédito, se planteará para una empresa de prestación de servicios públicos que tiene clientes del sector industrial, empresarial y comercial, una metodología para valorar el riesgo de crédito por medio de la aplicación de técnicas estadísticas de clasificación de dichos clientes. Se analizará la aplicación de algunos métodos estadísticos, tales como la regresión logística, regresión logística multinomial, regresión logística multinomial ordinal y máquinas de soporte vectorial. Para la construcción de la metodología, se calcularon indicadores financieros, se recopiló información de morosidad interna para las empresas y se consultó información complementaria de algunos atributos geográficos y modelos alternos al interior de la compañía. Se presentan herramientas importantes para la selección de variables, balanceo de muestras y medidas de desempeño para los modelos aplicados. Entre los resultados fue necesario realizar comparaciones individuales para los modelos que presentan variables dicotómicas y los que presentan más de dos niveles en la etiqueta. Para la variable dicotómica Impago o Default, se destacaron los modelos con balanceo Oversampling tanto para la regresión logística como para el modelo de máquinas de soporte con kernel radial. Mientras que para la variable relacionada con la clasificación en tres niveles del riesgo, los modelos con mejores resultados correspondieron al modelo de máquinas de soporte con Kernel lineal o el modelo de regresión multinomial. (Texto tomado de la fuente)An important element in the leverage of industries or companies is credit, which enables production plans, investment, the acquisition of goods or services or simply the relief of financial stress in organizations. This tool is very used by financial institutions which have methodologies, policies and important information to grant the credit. However, when it is the companies of the in the real sector, those that face mechanisms of sale in installments or financing, do not have all the elements to make strategic and controlled sales, which not only allow you to increase market share but also avoid possible economic losses. In order to better manage what in financial jargon is called credit risk, will be propose for a company that provides public services that has clients from the industrial, business and commercial sector, a methodology to value credit risk through the application of statistical classification techniques. Will be analyzed the application of some statistical methods, such as logistic regression, multinomial logistic regression, ordinal multinomial logistic regression, and support machines vector. For the construction of the methodology, financial indicators, internal payment age information of the companies were compiled and complementary information of some geographical attributes and alternative models within the company was consulted. Important tools are presented for the selection of variables, sample balancing and performance measures for the applied models. Among the results, it was necessary to make individual comparisons for the models that present dichotomous variables and those that present more than two levels in the label. For the Default dichotomous variable, the models with Oversampling balancing were highlighted both for the logistic regression and for the model of support machines with radial kernel. While for the three-level rating variable, the models with the best results corresponded to the support machine model with linear Kernel or the multinomial regression model.MaestríaMagister en Ciencias - EstadísticaÁrea Curricular Estadísticaxv, 72 páginaapplication/pdfspaUniversidad Nacional de ColombiaMedellín - Ciencias - Maestría en Ciencias - EstadísticaFacultad de CienciasMedellín, ColombiaUniversidad Nacional de Colombia - Sede Medellín510 - Matemáticas::519 - Probabilidades y matemáticas aplicadasCrédito al consumidorConsumer, creditCréditoCreditRiesgo de CréditoImpagoModelos de clasificaciónMatrices de transiciónIndicadores financierosProbabilidad de IncumplimientoSector empresarialCredit riskDefaultClassification modelsTransition matricesFinancial indicatorsProbability of defaultCategorización del riesgo de crédito para clientes del sector empresarial aplicando técnicas de clasificación estadísticaCredit risk categorization for clients in the business sector using statistical classification techniquesTrabajo de grado - Maestríainfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/acceptedVersionTexthttp://purl.org/redcol/resource_type/TMColombiaRedColLaReferenciaAgresti, A. (2003). Categorical data analysis. John Wiley Sons.Altman, E. (1966). Financial ratios, discriminant analysis and the prediction of cor porate bankruptcy. , 23(4)(1), 589–609.Arias, M. (2011). Fundamentos de medicina basada en la evidencia análisis de las causas de la variabilidad en la práctica médica. Evidencias Pediatricas, 7–21. Descargado de https://evidenciasenpediatria.es/articulo/5578/enlace.Berrío Guzmán, D., y Cabeza de Vergara, L. (2003). Verificación y adaptación del modelo de Altman a la superintendencia de sociedades de Colombia.Blissett, R. (2017). Logistic regression in R. Obtenido de net: https://rpubs.com/rslbliss/r logistic ws.De la República, C. (2006). Ley 1116 de 2006. Diario Oficial(46.494).Dictionary, C. (2023). Cambridge advanced learner’s dictionary. Recuperado de: https://dictionary.cambridge.org/es/.Fisher, R. A. (1936). The use of multiple measurements in taxonomic problems. Annals of eugenics, 7 (2), 179–188.Gonzalez, L. (2019). Conjunto de datos desbalanceados). Obtenido de net:https://aprendeia.com/conjunto-de-datos-desbalanceado/.Hadad, A., Evin, D., y Drozdowicz, B. (2009). Modelo para el tratamiento de datos desbalanceados basado en redes neuronales autoorganizadas. En XVII Congreso Argentino de Bioingeniería, Rosario, Santa Fe.Hogg, R. V., McKean, J. W., y Craig, A. T. (2013). Introduction to mathematical statistics (Seventh ed.). Pearson.Hosmer, D. W., Jovanovic, B., y Lemeshow, S. (1989). Best subsets logistic regression. Biometrics, Vol.45 (N°4), 1265–1270.James, G., Witten, D., Hastie, T., y Tibshirani, R. (2013). An introduction to statistical learning with applications in R (Vol. 112). Springer.Kuhn, M. (2021). caret: Classification and regression training [Manual de software informático]. Descargado de https://CRAN.R-project.org/package=caret (R package version 6.0-90).Linares Galván, J. E. (2010). Gestión del riesgo: pautas generales ofrecidas por la norma técnica colombiana–NTC 5254 95. Apuntes contables, Vol.11 . Lumley, T. (2020). leaps: Regression subset selection [Manual de software informático]. Descargado de https://CRAN.R-project.org/package=leaps (R package version 3.1).Mahto, A. (2019). splitstackshape: Stack and reshape datasets after splitting con catenated values [Manual de software informático]. Descargado de https://CRAN.R-project.org/package=splitstackshape (R package version 1.4.8).Meyer, D., Dimitriadou, E., Hornik, K., Weingessel, A., y Leisch, F. (2022). e1071: Misc functions of the department of statistics, probability theory group (formerly: E1071), tu wien [Manual de software informático]. Descargado de https://CRAN.R-project.org/package=e1071 (R package version 1.7-12).Moreno Valencia, S. (2012). El modelo logit mixto para la construcción de un scoring de crédito. Escuela de Estadística.Norman, G. G. (2010). Islr: Gestion cuantitativa de riesgo de crédito, con aplicaciones en R [Manual de software informático].Rodrigo, J. A. (2017). Máquinas de vector soporte (support vector machines, svms). Obtenido de cienciadedatos, Abril. net: https://www. cienciadedatos. net/documentos/34 maquinas de vector soporte support vector machines.Sanchez-Roger, M., Oliver-Alfonso, M. D., y Sanchís-Pedregosa, C. (2020). Capacidad total de absorción de pérdidas–hacia una metodología simple y eficiente. Cuadernos de Gestión, 20 (2), 199–222.Statistical Odds & Ends. (2020). What is balanced accuracy? [Manual de software informático]. Descargado de https://tinyurl.com/jsvezz8k.Superintendencia Financiera, I., de Colombia Capítulo. (1995). Reglas relativas a la gestión del riesgo crediticio. Circular Externa, 100 (95), 1–31. OVF, O. V. d. F. (2021). Normas de Basilea. Obtenido de net: https://observatoriodefinanzas.com/wp-content/uploads/NORMAS-DE BASILEA.pdf .Tharwat, A. (2021). Classification assessment methods. Applied computing and informatics, 17 (1), 168–192.Thomas, L. (2020). Stratified sampling definition, guide examples). Obtenido de net:https://www.scribbr.com/methodology/stratified-sampling/.Trueck, S., y Rachev, S. T. (2009). Rating based modeling of credit risk: theory and application of migration matrices. Academic press.Trujillo Ospina, A., Belalcázar Grisales, R., y cols. (2016). ¿Es el modelo z-score de Altman un buen predictor de la situación financiera de las pymes en Colombia? (Tesis Doctoral no publicada). Universidad EAFIT.Vapnik, V., Golowich, S. E., Smola, A., y cols. (1997). Support vector method for function approximation, regression estimation, and signal processing. Advances in neural information processing systems, Vol.9 , 281–287.Venables, W. N., y Ripley, B. D. (2002). Modern applied statistics with s (Fourth ed.). New York: Springer. Descargado de https://www.stats.ox.ac.uk/pub/MASS4/(ISBN 0-387-95457)Verona Martel, M. C. (2007). El rating como evaluación de la calidad crediticia de las empresas. Innovar , 17 (29), 195–196AdministradoresEstudiantesMaestrosLICENSElicense.txtlicense.txttext/plain; charset=utf-85879https://repositorio.unal.edu.co/bitstream/unal/84188/1/license.txteb34b1cf90b7e1103fc9dfd26be24b4aMD51ORIGINAL43908130.2023.pdf43908130.2023.pdfTesis de Maestría en Ciencias Estadísticaapplication/pdf2264820https://repositorio.unal.edu.co/bitstream/unal/84188/2/43908130.2023.pdf2566cb7315a5e891497e0ccdedfcbfd0MD52THUMBNAIL43908130.2023.pdf.jpg43908130.2023.pdf.jpgGenerated Thumbnailimage/jpeg4886https://repositorio.unal.edu.co/bitstream/unal/84188/3/43908130.2023.pdf.jpgdee9b91f5174f32fe81b54cf5448cef3MD53unal/84188oai:repositorio.unal.edu.co:unal/841882024-08-14 23:42:04.744Repositorio Institucional Universidad Nacional de Colombiarepositorio_nal@unal.edu.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 |