Show simple item record

dc.contributor.authorMillán Solarte, Julio César
dc.contributor.authorCaicedo Cerezo, Edinson
dc.date.accessioned2021-06-09T06:04:42Z
dc.date.available2021-06-09T06:04:42Z
dc.date.issued2018-06-30
dc.identifier.citationRevista de métodos cuantitativos para la economía y la empresa, ISSN-e 1886-516X, Vol. 25, 2018, págs. 23-41es_ES
dc.identifier.issn1886-516X
dc.identifier.urihttp://hdl.handle.net/10433/10660
dc.descriptionURL del artículo en la web de la Revista: https://www.upo.es/revistas/index.php/RevMetCuant/article/view/2370es_ES
dc.description.abstractEsta investigación muestra la aplicación y desempeño de tres modelos para la clasificación de solicitantes de créditos: el modelo de análisis discriminante, el de regresión logística y el de redes neuronales; técnicas empleadas por las instituciones financieras en el cálculo del scoring de crédito. Los resultados obtenidos muestran un mejor desempeño del modelo de redes neuronales en comparación con el de regresión logística y análisis discriminante, logrando una tasa de aciertos en la clasificación del 86.9%. Para los tres modelos se emplearon catorce variables que informan sobre las características socioeconómicas del prestatario y sobre las características propias de la operación crediticia. En el ámbito de la gestión financiera, este resultado es importante dado que puede complementarse con el cálculo de la probabilidad de incumplimiento, con los montos expuestos en cada operación de crédito y con la tasa de recuperación de la entidad para establecer el valor de las pérdidas esperadas a nivel individual y a nivel del portafolio de créditos de la entidad.es_ES
dc.description.abstractThis research shows the application and performance of three models for the classification of credit applicants: discriminant analysis, logistic regression and neural networks; techniques used by financial institutions for the calculation of credit scoring. The results show a better performance of the neural network model compared to logistic regression and discriminant analysis, achieving a success rate of 86.9% in the classification. For the three models, fourteen variables were used to inform about applicant¿s socioeconomic characteristics and those of the credit operation. In the area of credit risk management, this result is relevant since it can be complemented by the calculation of default probability, the exposure at default and the recovery rate of the entity to establish the value of expected losses at both the individual level and the whole credit portfolio of the entity.es_ES
dc.description.sponsorshipUniversidad Pablo de Olavidees_ES
dc.format.mimetypeapplication/pdf
dc.language.isoeses_ES
dc.publisherUniversidad Pablo de Olavidees_ES
dc.rightsAttribution-NonCommercial-NoDerivatives 4.0 Internacional*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/*
dc.subjectScoring de créditoes_ES
dc.subjectRiesgo de créditoes_ES
dc.subjectProbabilidad de incumplimientoes_ES
dc.subjectAnálisis discriminantees_ES
dc.subjectRegresión logísticaes_ES
dc.subjectRedes neuronaleses_ES
dc.subjectCredit scoringes_ES
dc.subjectCredit riskes_ES
dc.subjectDefault probabilityes_ES
dc.subjectDiscriminant analysises_ES
dc.subjectLogistic regressiones_ES
dc.subjectNeural networkses_ES
dc.titleModelos para otorgamiento y seguimiento en la gestión del riesgo de créditoes_ES
dc.title.alternativeModels for granting and tracking in credit risk managementes_ES
dc.typeinfo:eu-repo/semantics/articlees_ES
dc.rights.accessRightsopenAccesses_ES
dc.type.hasVersioninfo:eu-repo/semantics/publishedVersiones_ES


Files in this item

This item appears in the following Collection(s)

Show simple item record

Attribution-NonCommercial-NoDerivatives 4.0 Internacional
Except where otherwise noted, this item's license is described as Attribution-NonCommercial-NoDerivatives 4.0 Internacional