Estimación de probabilidad de no pago en nuevas originaciones de tarjeta de crédito

La colocación de créditos es una de las principales fuentes de ingresos de las entidades financieras. Para controlar la exposición al riesgo es necesario identificar los clientes que tienen una baja probabilidad de pagar y de esta forma tomar decisiones en función de la aversión al riesgo de la entidad. Para predecir los clientes que no pagan y los que sí, las entidades financieras emplean modelos predictivos construidos por las centrales de riesgo y usan la información de hábito de pago de los clientes que tiene cada entidad. En este estudio se plantean cuatro modelos de calificación de riesgo de crédito: Support Vector Machines, Boosting, Random Forest y Regresión Logística. La base de datos con la que se trabajó fue proveída por la compañía Experian y corresponde al Bureau de crédito de un país centro americano. Los resultados de este trabajo muestran que Boosting es la mejor estrategia para calibrar los modelos de clasificación de riesgo de crédito y que Random Forest es el modelo que mayor utilidad esperada

• Autores: Polanco Rojas, Alejandra; Rúgeles Vásquez, Mauricio de Jesús; Umaña Ruiz, Augusto
• Fecha de publicación: 2016
• Institución: Universidad de los Andes
• Repositorio: Séneca: repositorio Uniandes
• Idioma: spa
• OAI Identifier: oai:repositorio.uniandes.edu.co:1992/13770
• Acceso en línea: http://hdl.handle.net/1992/13770
• Palabra clave: Crédito al consumidor - Evaluacion de riesgos - Investigaciones - Modelos estadisticos; Comportamiento del consumidor - Pronóstico - Investigaciones - Modelos estadisticos; Sistemas de puntuación crediticia - Investigaciones - Modelos estadisticos; Riesgo crediticio - Investigaciones - Modelos estadisticos; Tarjetas de crédito - Investigaciones; Ingeniería
• Rights: openAccess
• License: https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdf