Please use this identifier to cite or link to this item: http://cybertesis.uni.edu.pe/handle/uni/17683
Title: Construcción de un modelo Credit Scoring para créditos Mype: una comparación entre un modelo logístico y un modelo de redes neuronales
Authors: Vásquez Canales, Paola
Advisors: Caparó Coronado, Rafael Jimmy
Keywords: Pequeñas y medianas empresas;Modelo Credit Scoring;Modelo Logístico
Issue Date: 2018
Publisher: Universidad Nacional de Ingeniería
Abstract: En un contexto de mayor competencia en el sistema financiero como el actual, el riesgo de crédito es una de las principales preocupaciones de las instituciones microfinancieras, ya que una inadecuada gestión de este puede generar grandes pérdidas económicas. Una de las herramientas de gestión de riesgo de crédito que utilizan algunas empresas del sector microfinanciero en el Perú, son los modelos internos de puntuación, los cuales miden la probabilidad de incumplimiento (PD) de los potenciales clientes, utilizando tradicionalmente para su construcción la regresión logística. Sin embargo, existen otras técnicas para construir un modelo interno de puntuación como la de redes neuronales, que está cada vez más presente en el sector financiero debido a su alto poder de predicción. En ese sentido, el objetivo del presente trabajo de investigación es proponer un modelo interno de puntuación basado en la metodología de redes neuronales para una cartera de microcréditos. Para ello se aplicará el algoritmo de retro - propagación que consiste en la propagación del error desde las salidas a las entradas ajustando gradualmente los pesos de la red con la finalidad de minimizar el error, usando para ello la técnica del gradiente descendente. Se emplearán dos funciones de activación para proporcionar no linealidad a la red, las cuales son la logística y la tangente hiperbólica, con diferentes números de capas y neuronas. Posteriormente, se realizará una comparación, en términos de predictibilidad, entre los resultados arrojados por los modelos de redes neuronales y el modelo de regresión logística. Los resultados muestran que los modelos de redes neuronales tienen mayor poder predictivo en comparación a la regresión logística en todos de los casos. Asimismo, se demuestra la importancia de elegir las funciones de activación y el número de capas y neuronas al momento de entrenar una red neuronal.
URI: http://cybertesis.uni.edu.pe/handle/uni/17683
Rights: info:eu-repo/semantics/embargoedAccess
Appears in Collections:Ingeniería Económica

Files in This Item:
File Description SizeFormat 
vasquez_cp.pdf1,25 MBAdobe PDFView/Open


This item is licensed under a Creative Commons License Creative Commons

Indexado por:
Indexado por Scholar Google LaReferencia Concytec BASE renati ROAR ALICIA RepoLatin UNI