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...
- 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 |