Por favor, use este identificador para citar o enlazar este ítem:
http://dspace.udla.edu.ec/handle/33000/16606
Registro completo de metadatos
Campo DC | Valor | Lengua/Idioma |
---|---|---|
dc.contributor.advisor | Morocho Cayamcela, Manuel Eugenio | - |
dc.creator | Tana Pilacuán, Adriana Isabel | - |
dc.creator | Viteri Orozco, Ana Cristina | - |
dc.date.accessioned | 2024-09-09T19:14:57Z | - |
dc.date.available | 2024-09-09T19:14:57Z | - |
dc.date.issued | 2024 | - |
dc.identifier.citation | Tana, A.; Viteri, A. (2024). Creación de un modelo predictivo basado en inteligencia artificial para la evaluación de riesgo crediticio (Tesis de maestría). Universidad de las Américas, Quito. | es_ES |
dc.identifier.other | UDLA-EC-TMINCD-2024-16 | - |
dc.identifier.uri | http://dspace.udla.edu.ec/handle/33000/16606 | - |
dc.description | In today´s financial environment, credit risk assessment is essential for financial institutions. Traditionally, it has relied on statistical models and historical data, but advances in artificial intelligence AI, particularly in machine learning and big data analysis, have significantly improved the accuracy and efficiency of this process. This study focuses on developing a predictive model based on artificial intelligence AI to evaluate credit risk. AI can analyze data in real time, identify complex patterns, and adapt to new information, enhancing prediction accuracy and optimizing decision making, which reduces costs and mitigates risks. Both supervised and unsupervised machine learning methodologies are explored, and ethical challenges, as well as strategies to improve transparency and interpretability of automated decisions, are addressed. This work aims to present an innovative model and provide a practical guide for effectively integrating artificial intelligence into the financial sector, achieving a balance between technological innovation and prudent credit risk management. The overall objective of this project is to determine the feasibility of implementing an AI based model for credit granting. In this project, several models have been used to implement credit scoring; Logistic Regression; A traditional model used to predict the probability of a client meeting their credit obligations. Random Forest; A method that uses multiple decision trees to improve accuracy and avoid overfitting. XGBoost; A machine learning algorithm based on decision trees, known for its high performance and efficiency in classification and regression tasks. In summary, creating a predictive model based on artificial intelligence for credit risk assessment can provide valuable insights and significant improvements in financial risk management, but it requires a comprehensive approach that encompasses model development, validation, effective implementation, and ethical and regulatory compliance. | es_ES |
dc.description.abstract | En el entorno financiero actual, la evaluación del riesgo crediticio es esencial para las instituciones financieras. Tradicionalmente, se ha basado en modelos estadísticos y datos históricos, pero el avance de la inteligencia artificial IA, especialmente en aprendizaje automático y análisis de grandes datos, ha mejorado significativamente la precisión y eficiencia de este proceso. Este estudio se centra en desarrollar un modelo predictivo basado en inteligencia artificial IA para evaluar el riesgo crediticio. La IA puede analizar datos en tiempo real, identificar patrones complejos y adaptarse a nueva información, mejorando la precisión de las predicciones y optimizando la toma de decisiones, lo que reduce costos y mitiga riesgos. Se exploran metodologías de aprendizaje automático, tanto supervisadas como no supervisadas, y se abordan los desafíos éticos, así como las estrategias para mejorar la transparencia y la interpretabilidad de las decisiones automatizadas. Este trabajo busca presentar un modelo innovador y ofrecer una guía práctica para integrar efectivamente la inteligencia artificial en el sector financiero, logrando un equilibrio entre innovación tecnológica y gestión prudente del riesgo crediticio. El objetivo general de este proyecto es determinar la factibilidad de implementar un modelo basado en inteligencia artificial para la otorgación de créditos. En este proyecto se han utilizado varios modelos para implementar el scoring crediticio; Regresión Logística; Un modelo tradicional utilizado para predecir la probabilidad de que un cliente cumpla con sus obligaciones crediticias. Random Forest; Un método que utiliza múltiples árboles de decisión para mejorar la precisión y evitar el sobreajuste. XGBoost; Un algoritmo de aprendizaje automático basado en árboles de decisión, conocido por su alto rendimiento y eficiencia en tareas de clasificación y regresión. En resumen, la creación de un modelo predictivo basado en inteligencia artificial para la evaluación de riesgo crediticio puede proporcionar insights valiosos y mejoras significativas en la gestión de riesgos financieros, pero requiere un enfoque integral que abarque desde la construcción y validación del modelo hasta su implementación efectiva y cumplimiento ético y regulatorio. | es_ES |
dc.format.extent | 71 p. | es_ES |
dc.language.iso | spa | es_ES |
dc.publisher | Quito: Universidad de las Américas, 2024 | es_ES |
dc.rights | openAccess | es_ES |
dc.rights | Atribución-NoComercial-SinDerivadas 3.0 Ecuador | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/ec/ | * |
dc.subject | MODELO PREDICTIVO | es_ES |
dc.subject | INTELIGENCIA ARTIFICIAL | es_ES |
dc.subject | EVALUACIÓN DE RIESGO CREDITICIO | es_ES |
dc.subject | CIENCIA DE DATOS | es_ES |
dc.title | Creación de un modelo predictivo basado en inteligencia artificial para la evaluación de riesgo crediticio | es_ES |
dc.type | masterThesis | es_ES |
Aparece en las colecciones: | Maestría en Inteligencia de Negocios y Ciencia de Datos |
Ficheros en este ítem:
Fichero | Descripción | Tamaño | Formato | |
---|---|---|---|---|
UDLA-EC-TMINCD-2024-16.pdf | 1,19 MB | Adobe PDF | Visualizar/Abrir |
Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons