A heterogeneous ensemble credit scoring model and risk adjusted pricing optimization model for Peer to Peer lending

Se han propuesto muchas técnicas para la evaluación del riesgo crediticio, desde clasificadores individuales hasta modelos de conjuntos. Sin embargo, el state-of-the-art en la calificación crediticia se ha centrado principalmente en la predicción precisa de la probabilidad de incumplimiento de un pr...

Full description

Autores:
Díaz Díaz, Carlos Alberto
Toro Barón, Sebastián
Tipo de recurso:
Fecha de publicación:
2021
Institución:
Universidad de los Andes
Repositorio:
Séneca: repositorio Uniandes
Idioma:
eng
OAI Identifier:
oai:repositorio.uniandes.edu.co:1992/50663
Acceso en línea:
http://hdl.handle.net/1992/50663
Palabra clave:
Sistemas de puntuación crediticia
Política crediticia
Crédito
Riesgo (Economía)
Tasa de Interés
Ingeniería
Rights
openAccess
License
https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdf
id UNIANDES2_5bb82a7438c7cb89b218a8cfbd4b84bd
oai_identifier_str oai:repositorio.uniandes.edu.co:1992/50663
network_acronym_str UNIANDES2
network_name_str Séneca: repositorio Uniandes
repository_id_str
dc.title.none.fl_str_mv A heterogeneous ensemble credit scoring model and risk adjusted pricing optimization model for Peer to Peer lending
title A heterogeneous ensemble credit scoring model and risk adjusted pricing optimization model for Peer to Peer lending
spellingShingle A heterogeneous ensemble credit scoring model and risk adjusted pricing optimization model for Peer to Peer lending
Sistemas de puntuación crediticia
Política crediticia
Crédito
Riesgo (Economía)
Tasa de Interés
Ingeniería
title_short A heterogeneous ensemble credit scoring model and risk adjusted pricing optimization model for Peer to Peer lending
title_full A heterogeneous ensemble credit scoring model and risk adjusted pricing optimization model for Peer to Peer lending
title_fullStr A heterogeneous ensemble credit scoring model and risk adjusted pricing optimization model for Peer to Peer lending
title_full_unstemmed A heterogeneous ensemble credit scoring model and risk adjusted pricing optimization model for Peer to Peer lending
title_sort A heterogeneous ensemble credit scoring model and risk adjusted pricing optimization model for Peer to Peer lending
dc.creator.fl_str_mv Díaz Díaz, Carlos Alberto
Toro Barón, Sebastián
dc.contributor.advisor.none.fl_str_mv Cabrales Arévalo, Sergio Andrés
dc.contributor.author.none.fl_str_mv Díaz Díaz, Carlos Alberto
Toro Barón, Sebastián
dc.contributor.jury.none.fl_str_mv Villarreal Navarro, Julio Ernesto
Mendoza, Juan Carlos
dc.subject.armarc.none.fl_str_mv Sistemas de puntuación crediticia
Política crediticia
Crédito
Riesgo (Economía)
Tasa de Interés
topic Sistemas de puntuación crediticia
Política crediticia
Crédito
Riesgo (Economía)
Tasa de Interés
Ingeniería
dc.subject.themes.none.fl_str_mv Ingeniería
description Se han propuesto muchas técnicas para la evaluación del riesgo crediticio, desde clasificadores individuales hasta modelos de conjuntos. Sin embargo, el state-of-the-art en la calificación crediticia se ha centrado principalmente en la predicción precisa de la probabilidad de incumplimiento de un prestatario. No obstante, existe una segunda variable clave para medir adecuadamente el riesgo crediticio: la pérdida ante dicho incumplimiento. En este trabajo se propuso el uso de un clasificador conjunto heterogéneo, compuesto por los modelos más utilizados tradicionalmente: Regresión logística, Bosque aleatorio y Redes neuronales, para predecir adecuadamente la Pérdida Esperada (el producto de la probabilidad de incumplimiento y la pérdida dada por incumplimiento). Con base en estos resultados, se utiliza un modelo de optimización no lineal y una simulación de Monte Carlo para maximizar la rentabilidad esperada de una institución financiera. Los resultados del análisis y la simulación muestran que el modelo propuesto produce resultados más estables y una mejor rentabilidad general que los clasificadores usados tradicionalmente en toda la industria.
publishDate 2021
dc.date.accessioned.none.fl_str_mv 2021-08-03T16:06:00Z
dc.date.available.none.fl_str_mv 2021-08-03T16:06:00Z
dc.date.issued.none.fl_str_mv 2021
dc.type.spa.fl_str_mv Trabajo de grado - Maestría
dc.type.coarversion.fl_str_mv http://purl.org/coar/version/c_970fb48d4fbd8a85
dc.type.driver.spa.fl_str_mv info:eu-repo/semantics/masterThesis
dc.type.content.spa.fl_str_mv Text
dc.type.redcol.spa.fl_str_mv http://purl.org/redcol/resource_type/TM
dc.identifier.uri.none.fl_str_mv http://hdl.handle.net/1992/50663
dc.identifier.pdf.none.fl_str_mv 24088.pdf
dc.identifier.instname.spa.fl_str_mv instname:Universidad de los Andes
dc.identifier.reponame.spa.fl_str_mv reponame:Repositorio Institucional Séneca
dc.identifier.repourl.spa.fl_str_mv repourl:https://repositorio.uniandes.edu.co/
url http://hdl.handle.net/1992/50663
identifier_str_mv 24088.pdf
instname:Universidad de los Andes
reponame:Repositorio Institucional Séneca
repourl:https://repositorio.uniandes.edu.co/
dc.language.iso.none.fl_str_mv eng
language eng
dc.rights.uri.*.fl_str_mv https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdf
dc.rights.accessrights.spa.fl_str_mv info:eu-repo/semantics/openAccess
dc.rights.coar.spa.fl_str_mv http://purl.org/coar/access_right/c_abf2
rights_invalid_str_mv https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdf
http://purl.org/coar/access_right/c_abf2
eu_rights_str_mv openAccess
dc.format.extent.none.fl_str_mv 19 páginas
dc.format.mimetype.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidad de los Andes
dc.publisher.program.none.fl_str_mv Maestría en Ingeniería Industrial
dc.publisher.faculty.none.fl_str_mv Facultad de Ingeniería
dc.publisher.department.none.fl_str_mv Departamento de Ingeniería Industrial
publisher.none.fl_str_mv Universidad de los Andes
institution Universidad de los Andes
bitstream.url.fl_str_mv https://repositorio.uniandes.edu.co/bitstreams/3f5f322d-5ab4-461e-8129-fa5741896339/download
https://repositorio.uniandes.edu.co/bitstreams/2dde866b-33fe-44d4-99d6-6a53a311726a/download
https://repositorio.uniandes.edu.co/bitstreams/7885f7d3-3a02-44ed-ab4b-2c2af9a50f9d/download
bitstream.checksum.fl_str_mv e10aac2fdfba2d6998cc787172de4a52
2f9255fb03dcb91318a93758a4d761e9
e2b0e5c776dc517506498c1e350dc087
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
repository.name.fl_str_mv Repositorio institucional Séneca
repository.mail.fl_str_mv adminrepositorio@uniandes.edu.co
_version_ 1812134036657668096
spelling Al consultar y hacer uso de este recurso, está aceptando las condiciones de uso establecidas por los autores.https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdfinfo:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Cabrales Arévalo, Sergio Andrésvirtual::14930-1Díaz Díaz, Carlos Alberto77a21a99-5172-42a9-bf54-2363c90ccd15500Toro Barón, Sebastián48f45023-a4cf-4de4-b7c3-60c180431371500Villarreal Navarro, Julio ErnestoMendoza, Juan Carlos2021-08-03T16:06:00Z2021-08-03T16:06:00Z2021http://hdl.handle.net/1992/5066324088.pdfinstname:Universidad de los Andesreponame:Repositorio Institucional Sénecarepourl:https://repositorio.uniandes.edu.co/Se han propuesto muchas técnicas para la evaluación del riesgo crediticio, desde clasificadores individuales hasta modelos de conjuntos. Sin embargo, el state-of-the-art en la calificación crediticia se ha centrado principalmente en la predicción precisa de la probabilidad de incumplimiento de un prestatario. No obstante, existe una segunda variable clave para medir adecuadamente el riesgo crediticio: la pérdida ante dicho incumplimiento. En este trabajo se propuso el uso de un clasificador conjunto heterogéneo, compuesto por los modelos más utilizados tradicionalmente: Regresión logística, Bosque aleatorio y Redes neuronales, para predecir adecuadamente la Pérdida Esperada (el producto de la probabilidad de incumplimiento y la pérdida dada por incumplimiento). Con base en estos resultados, se utiliza un modelo de optimización no lineal y una simulación de Monte Carlo para maximizar la rentabilidad esperada de una institución financiera. Los resultados del análisis y la simulación muestran que el modelo propuesto produce resultados más estables y una mejor rentabilidad general que los clasificadores usados tradicionalmente en toda la industria.Many techniques have been proposed for credit risk assessment, from individual classifiers to ensemble models. However, the state-of-the-art on credit scoring has mainly focused on the precise prediction of a borrower?s probability of default. Nonetheless, there is a second variable that is key to adequately measure credit risk: the loss given such default. This paper proposed the use of a heterogeneous ensemble classifier, comprised by the most traditionally used models: Logistic Regression, Random Forest, and Neural Networks, to adequately predict the Expected Loss (the product of the probability of default and the loss given default). Based on such results, a non-linear optimization model and a Monte Carlo simulation are used to maximize the expected profitability of a financial institution. The results of the analysis and simulation show that the proposed model yields more stable results and better overall profitability than the traditionally industry-wide used classifiers.Magíster en Ingeniería IndustrialMaestría19 páginasapplication/pdfengUniversidad de los AndesMaestría en Ingeniería IndustrialFacultad de IngenieríaDepartamento de Ingeniería IndustrialA heterogeneous ensemble credit scoring model and risk adjusted pricing optimization model for Peer to Peer lendingTrabajo de grado - Maestríainfo:eu-repo/semantics/masterThesishttp://purl.org/coar/version/c_970fb48d4fbd8a85Texthttp://purl.org/redcol/resource_type/TMSistemas de puntuación crediticiaPolítica crediticiaCréditoRiesgo (Economía)Tasa de InterésIngeniería1026291885Publication8a8a52da-a97b-45a5-892d-619fbc88a597virtual::14930-18a8a52da-a97b-45a5-892d-619fbc88a597virtual::14930-1https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0001385980virtual::14930-1THUMBNAIL24088.pdf.jpg24088.pdf.jpgIM Thumbnailimage/jpeg19983https://repositorio.uniandes.edu.co/bitstreams/3f5f322d-5ab4-461e-8129-fa5741896339/downloade10aac2fdfba2d6998cc787172de4a52MD55ORIGINAL24088.pdfapplication/pdf818286https://repositorio.uniandes.edu.co/bitstreams/2dde866b-33fe-44d4-99d6-6a53a311726a/download2f9255fb03dcb91318a93758a4d761e9MD51TEXT24088.pdf.txt24088.pdf.txtExtracted texttext/plain41567https://repositorio.uniandes.edu.co/bitstreams/7885f7d3-3a02-44ed-ab4b-2c2af9a50f9d/downloade2b0e5c776dc517506498c1e350dc087MD541992/50663oai:repositorio.uniandes.edu.co:1992/506632024-03-13 15:19:40.749https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdfrestrictedhttps://repositorio.uniandes.edu.coRepositorio institucional Sénecaadminrepositorio@uniandes.edu.co