Titulo:
Construcción de un modelo para predecir la morosidad de cartera
.
Sumario:
Existe una real e importante necesidad en el sistema financiero, principalmente en Colombia, de aplicar este tipo de modelos de predicción de morosidad, pues, si bien las entidades realizan una recolección de datos y existe una operación humana involucrada en el análisis de otorgamientos, hace falta una herramienta que permita tener una visión más profunda del análisis de los registros y una evaluación que permita tomar decisiones confiables. Si bien, siempre va a existir un riesgo y en muchas ocasiones la morosidad se va a presentar, es valioso poder reducir la misma con base en un modelo que realice una evaluación a priori. Adicional a la necesidad, se encuentra que existen diversas técnicas que suelen ser utilizadas para este tipo de mod... Ver más
Guardado en:
2027-8101
2619-5232
15
2024-05-02
Soralla Bedoya Rios, Daniela - 2024
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
info:eu-repo/semantics/openAccess
http://purl.org/coar/access_right/c_abf2
| id |
metarevistapublica_tdea_cuadernoactiva_14_article_1229 |
|---|---|
| record_format |
ojs |
| institution |
TECNOLOGICO DE ANTIOQUIA INSTITUCION UNIVERSITARIA |
| thumbnail |
https://nuevo.metarevistas.org/TECNOLOGICODEANTIOQUIAINSTITUCIONUNIVERSITARIA/logo.png |
| country_str |
Colombia |
| collection |
Cuaderno activa |
| title |
Construcción de un modelo para predecir la morosidad de cartera |
| spellingShingle |
Construcción de un modelo para predecir la morosidad de cartera Bedoya Rios, Soralla Herrera Arbeláez, Daniela riesgo Crédito Riesgo Mora Retraso |
| title_short |
Construcción de un modelo para predecir la morosidad de cartera |
| title_full |
Construcción de un modelo para predecir la morosidad de cartera |
| title_fullStr |
Construcción de un modelo para predecir la morosidad de cartera |
| title_full_unstemmed |
Construcción de un modelo para predecir la morosidad de cartera |
| title_sort |
construcción de un modelo para predecir la morosidad de cartera |
| title_eng |
Español Español |
| description |
Existe una real e importante necesidad en el sistema financiero, principalmente en Colombia, de aplicar este tipo de modelos de predicción de morosidad, pues, si bien las entidades realizan una recolección de datos y existe una operación humana involucrada en el análisis de otorgamientos, hace falta una herramienta que permita tener una visión más profunda del análisis de los registros y una evaluación que permita tomar decisiones confiables. Si bien, siempre va a existir un riesgo y en muchas ocasiones la morosidad se va a presentar, es valioso poder reducir la misma con base en un modelo que realice una evaluación a priori. Adicional a la necesidad, se encuentra que existen diversas técnicas que suelen ser utilizadas para este tipo de modelos predictivos, tales como Regresión logística, redes neuronales, árboles de decisión. Las cuales contando con un conjunto de datos actualizados y verídicos arrojan resultados muy confiables que contribuyen a buenas prácticas de manejo del sector financiero y una clasificación adecuada de los clientes, tanto nuevos como los existentes, que requieren un nuevo otorgamiento crediticio.
|
| description_eng |
There is a real and important need in the financial system, mainly in Colombia, to apply this type of default prediction models, because although the bank companies collect data and there is a human operation involved in the analysis of credit granting a tool is needed that allows a deeper vision of the analysis of the records and an evaluation that allows reliable decisions to be made. Although there will always be a risk and on many times, a late payment will happen it is very important to be able to reduce it based on a model that performs an a priori evaluation. In addition to the need, it is found that there are several techniques that are usually used for this type of predictive models such as logistic regression, neural networks, decision trees, which, having a set of updated and true data, give very reliable results that help to good management practices in the financial sector and a good classification of both new and existing clients that require a new credit granting.
|
| author |
Bedoya Rios, Soralla Herrera Arbeláez, Daniela |
| author_facet |
Bedoya Rios, Soralla Herrera Arbeláez, Daniela |
| topic |
riesgo Crédito Riesgo Mora Retraso |
| topic_facet |
riesgo Crédito Riesgo Mora Retraso |
| topicspa_str_mv |
Crédito Riesgo Mora Retraso |
| citationvolume |
15 |
| citationissue |
1 |
| citationedition |
Núm. 1 , Año 2023 : Cuaderno Activa |
| publisher |
Tecnológico de Antioquia - Institución Universitaria |
| ispartofjournal |
Cuaderno activa |
| source |
https://ojs.tdea.edu.co/index.php/cuadernoactiva/article/view/1229 |
| language |
spa |
| format |
Article |
| rights |
https://creativecommons.org/licenses/by-nc-sa/4.0 Soralla Bedoya Rios, Daniela - 2024 Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0. info:eu-repo/semantics/openAccess http://purl.org/coar/access_right/c_abf2 |
| references |
I. Iakimenko, M. Semenova, and E. Zimin, “The more the better? Information sharing and credit risk”, Journal of International Financial Markets, Institutions and Money, vol. 80, p. 101651, 2022. [En línea]. Disponible en: doi: 10.1016/J. INTFIN.2022.101651. [2] P. Piccoli, “Valuating consumer credit portfolios”, Latin American Journal of Central Banking, vol. 3, nº 3, p. 100067, 2022. [En línea]. Disponible en: doi: 10.1016/J.LATCB.2022.100067. [3] M. S. ben Ali, “Credit bureaus, corruption and banking stability”, Economic Systems, vol. 46, nº 3, p. 100989, 2022. [En línea]. Disponible en: doi: 10.1016/J.ECOSYS.2022.100989. [4] M. R. Machado and S. Karray, “Assessing credit risk of commercial customers using hybrid machine learning algorithms”, Expert Syst Appl, vol. 200, p. 116889, 2022. [En línea]. Disponible en: doi: 10.1016/J.ESWA.2022.116889. [5] F. E. S. Villano, “Cuantificación del riesgo de incumplimiento en créditos de libre inversión: un ejercicio econométrico para una entidad bancaria del municipio de Popayán, Colombia”, Estudios Gerenciales, vol. 29, nº 129, pp. 416-427, 2013. [En línea]. Disponible en: doi: 10.1016/J. ESTGER.2013.11.007. [6] L. Mansilla Chiguay, M. Denegri Coria, and B. Álvarez Escobar, “Relación entre actitudes hacia el endeudamiento y locus de control del consumidor en estudiantes universitarios”, Suma Psicológica, vol. 23, nº 1, pp. 1-9, 2016. [En línea]. Disponible en: doi: 10.1016/J. SUMPSI.2015.11.002. [7] J. C. Trejo García, M. Á. Martínez García, and F. Venegas Martínez, “Administración del riesgo crediticio al menudeo en México: una mejora econométrica en la selección de variables y cambios en sus características”, Contaduría y Administración, vol. 62, nº 2, pp. 377-398, 2017. [En línea]. Disponible en: doi: 10.1016/j. cya.2017.01.003. [8] L. Wu, “The study on risk avoidance of transaction default based on the herding effect”, Systems Science & Control Engineering, vol. 9, nº 1, pp. 602-611, 2021. [En línea]. Disponible en: doi: 10.1080/21642583.2021.1975320. [9] M. Naili and Y. Lahrichi, “Banks’ credit risk, systematic determinants and specific factors: recent evidence from emerging markets”, Heliyon, vol. 8, nº 2, p. e08960, 2022. [En línea]. Disponible en: doi: 10.1016/j.heliyon.2022. e08960. [10] K. Zheng et al., “Blockchain technology for enterprise credit information sharing in supply chain finance”, Journal of Innovation & Knowledge, vol. 7, nº 4, p. 100256, 2022. [En línea]. Disponible en: doi: 10.1016/J. JIK.2022.100256. [11] L. Coenen, W. Verbeke, and T. Guns, “Machine learning methods for short-term probability of default: A comparison of classification, regression and ranking methods”, Journal of the Operational Research Society, vol. 73, nº 1, pp. 191-206, 2022. [En línea]. Disponible en: doi: 10.1080/01605682.2020.1865847. [12] P. Giudici, B. Hadji-Misheva, and A. Spelta, “Quality Engineering Network based credit risk models”, 2019. [En línea]. Disponible en: doi:10.1080/08982112.2019.1655159. [13] C.-H. Weng, & Cheng, and K. Huang, “Applied Artificial lntelligence A Hybrid Machine Learning Model for Credit Approval”, Applied Artificial Intelligence, vol. 35, pp. 1439- 1465, 2021. [En línea]. Disponible en: doi: 10.1080/08839514.2021.1982475. [14] J. Kriebel and L. Stitz, “Credit default prediction from user-generated text in peer-to-peer lending using deep learning”, Eur J Oper Res, vol. 302, nº 1, pp. 309-323, 2022. [En línea]. Disponible en: doi: 10.1016/J.EJOR.2021.12.024. [15] X. Fan, X. Guo, Q. Chen, Y. Chen, T. Wang, and Y. Zhang, “Data augmentation of credit default swap transactions based on a sequence GAN”, Inf Process Manag, vol. 59, no. 3, p. 102889, 2022. [En línea]. Disponible en: doi: 10.1016/J.IPM.2022.102889. [16] F. Shen, X. Zhang, R. Wang, D. Lan, and W. Zhou, “Sequential optimization three-way decision model with information gain for credit default risk evaluation”, Int J Forecast, vol. 38, nº 3, pp. 1116-1128, 2022. [En línea]. Disponible en: doi: 10.1016/J.IJFORECAST.2021.12.011. [17] J. P. Li, N. Mirza, B. Rahat, and D. Xiong, “Machine learning and credit ratings prediction in the age of fourth industrial revolution”, Technol Forecast Soc Change, vol. 161, p. 120309, 2020. [En línea]. Disponible en: doi: 10.1016/J. TECHFORE.2020.120309. [18] J. R. de Castro Vieira, F. Barboza, V. A. Sobreiro, and H. Kimura, “Machine learning models for credit analysis improvements: Predicting low- incomefamilies’ default”, Appl Soft Comput, vol. 83, p. 105640, 2019. [En línea]. Disponible en: doi:10.1016/j.asoc.2019.105640. [19] B. Chenyu, Y. Haomiao, and Z. Ning, “How does the supervision stringency affect systemic risk based on the differential dynamic model?”, Systems Science & Control Engineering, vol. 7, nº 1, pp. 357-368, 2019. [En línea]. Disponible en: doi: 10.1080/21642583.2019.1681031. [20] Z. Hassani, A. Meybodi, and V. Hajihashemi, “Credit Risk Assessment Using Learning Algorithms for Feature Selection,”, Fuzzy Information and Engineering, vol. 12, nº 4, pp. 529-544, 2021. [En línea]. Disponible en: doi: 10.1080/16168658.2021.1925021. [21] P. Giudici, B. Hadji-Misheva, and A. Spelta, “Network based credit risk models”, Qual Eng, vol. 32, nº 2, pp. 199-211, 2020. [En línea]. Disponible en: doi: 10.1080/08982112.2019.1655159. [22] A. Abdullah and A. Barnawi, “A Novel Crossing Minimization Ranking Method”, Applied Artificial Intelligence, vol. 29, nº 1, pp. 66- 99, 2015. [En línea]. Disponible en: doi: 10.1080/08839514.2015.983014. [23] G. Du, Z. Liu, and H. Lu, “Application of innovative risk early warning mode under big data technology in lnternet credit financial risk assessment”, J Comput Appl Math, vol. 386, p. 113260, 2021. [En línea]. Disponible en: doi: 10.1016/J.CAM.2020.113260. [24] A. Pérez-Martín, A. Pérez-Torregrosa, and M. Vaca, “Big Data techniques to measure credit banking risk in home equity loans”, J Bus Res, vol.89, pp. 448-454, 2018. [En línea]. Disponible en: doi: 10.1016/J.JBUSRES.2018.02.008. [25] T. Law and J. Shawe-Taylor, “Practical Bayesian support vector regression for financial time series prediction and market condition change detection”, Quant Finance, vol. 17, nº 9, pp. 1403-1416, 2017. [En línea]. Disponible en: doi: 10.1080/14697688.2016.1267868. [26] R. A. Mancisidor, M. Kampffmeyer, K. Aas, and R. Jenssen, “Generating customer’s credit behavior with deep generative models”, Knowl Based Syst, vol. 245, p. 108568, 2022. [En línea]. Disponible en: doi:10.1016/J.KNOSYS.2022.108568. |
| type_driver |
info:eu-repo/semantics/article |
| type_coar |
http://purl.org/coar/resource_type/c_6501 |
| type_version |
info:eu-repo/semantics/publishedVersion |
| type_coarversion |
http://purl.org/coar/version/c_970fb48d4fbd8a85 |
| type_content |
Text |
| publishDate |
2024-05-02 |
| date_accessioned |
2024-05-02T17:01:06Z |
| date_available |
2024-05-02T17:01:06Z |
| url |
https://ojs.tdea.edu.co/index.php/cuadernoactiva/article/view/1229 |
| url_doi |
https://doi.org/10.53995/20278101.1229 |
| issn |
2027-8101 |
| eissn |
2619-5232 |
| doi |
10.53995/20278101.1229 |
| url2_str_mv |
https://ojs.tdea.edu.co/index.php/cuadernoactiva/article/download/1229/1771 |
| _version_ |
1811200370570952704 |
| spelling |
Construcción de un modelo para predecir la morosidad de cartera Español Español Existe una real e importante necesidad en el sistema financiero, principalmente en Colombia, de aplicar este tipo de modelos de predicción de morosidad, pues, si bien las entidades realizan una recolección de datos y existe una operación humana involucrada en el análisis de otorgamientos, hace falta una herramienta que permita tener una visión más profunda del análisis de los registros y una evaluación que permita tomar decisiones confiables. Si bien, siempre va a existir un riesgo y en muchas ocasiones la morosidad se va a presentar, es valioso poder reducir la misma con base en un modelo que realice una evaluación a priori. Adicional a la necesidad, se encuentra que existen diversas técnicas que suelen ser utilizadas para este tipo de modelos predictivos, tales como Regresión logística, redes neuronales, árboles de decisión. Las cuales contando con un conjunto de datos actualizados y verídicos arrojan resultados muy confiables que contribuyen a buenas prácticas de manejo del sector financiero y una clasificación adecuada de los clientes, tanto nuevos como los existentes, que requieren un nuevo otorgamiento crediticio. There is a real and important need in the financial system, mainly in Colombia, to apply this type of default prediction models, because although the bank companies collect data and there is a human operation involved in the analysis of credit granting a tool is needed that allows a deeper vision of the analysis of the records and an evaluation that allows reliable decisions to be made. Although there will always be a risk and on many times, a late payment will happen it is very important to be able to reduce it based on a model that performs an a priori evaluation. In addition to the need, it is found that there are several techniques that are usually used for this type of predictive models such as logistic regression, neural networks, decision trees, which, having a set of updated and true data, give very reliable results that help to good management practices in the financial sector and a good classification of both new and existing clients that require a new credit granting. Bedoya Rios, Soralla Herrera Arbeláez, Daniela riesgo Crédito Riesgo Mora Retraso 15 1 Núm. 1 , Año 2023 : Cuaderno Activa Artículo de revista Journal article 2024-05-02T17:01:06Z 2024-05-02T17:01:06Z 2024-05-02 application/pdf Tecnológico de Antioquia - Institución Universitaria Cuaderno activa 2027-8101 2619-5232 https://ojs.tdea.edu.co/index.php/cuadernoactiva/article/view/1229 10.53995/20278101.1229 https://doi.org/10.53995/20278101.1229 spa https://creativecommons.org/licenses/by-nc-sa/4.0 Soralla Bedoya Rios, Daniela - 2024 Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0. I. Iakimenko, M. Semenova, and E. Zimin, “The more the better? Information sharing and credit risk”, Journal of International Financial Markets, Institutions and Money, vol. 80, p. 101651, 2022. [En línea]. Disponible en: doi: 10.1016/J. INTFIN.2022.101651. [2] P. Piccoli, “Valuating consumer credit portfolios”, Latin American Journal of Central Banking, vol. 3, nº 3, p. 100067, 2022. [En línea]. Disponible en: doi: 10.1016/J.LATCB.2022.100067. [3] M. S. ben Ali, “Credit bureaus, corruption and banking stability”, Economic Systems, vol. 46, nº 3, p. 100989, 2022. [En línea]. Disponible en: doi: 10.1016/J.ECOSYS.2022.100989. [4] M. R. Machado and S. Karray, “Assessing credit risk of commercial customers using hybrid machine learning algorithms”, Expert Syst Appl, vol. 200, p. 116889, 2022. [En línea]. Disponible en: doi: 10.1016/J.ESWA.2022.116889. [5] F. E. S. Villano, “Cuantificación del riesgo de incumplimiento en créditos de libre inversión: un ejercicio econométrico para una entidad bancaria del municipio de Popayán, Colombia”, Estudios Gerenciales, vol. 29, nº 129, pp. 416-427, 2013. [En línea]. Disponible en: doi: 10.1016/J. ESTGER.2013.11.007. [6] L. Mansilla Chiguay, M. Denegri Coria, and B. Álvarez Escobar, “Relación entre actitudes hacia el endeudamiento y locus de control del consumidor en estudiantes universitarios”, Suma Psicológica, vol. 23, nº 1, pp. 1-9, 2016. [En línea]. Disponible en: doi: 10.1016/J. SUMPSI.2015.11.002. [7] J. C. Trejo García, M. Á. Martínez García, and F. Venegas Martínez, “Administración del riesgo crediticio al menudeo en México: una mejora econométrica en la selección de variables y cambios en sus características”, Contaduría y Administración, vol. 62, nº 2, pp. 377-398, 2017. [En línea]. Disponible en: doi: 10.1016/j. cya.2017.01.003. [8] L. Wu, “The study on risk avoidance of transaction default based on the herding effect”, Systems Science & Control Engineering, vol. 9, nº 1, pp. 602-611, 2021. [En línea]. Disponible en: doi: 10.1080/21642583.2021.1975320. [9] M. Naili and Y. Lahrichi, “Banks’ credit risk, systematic determinants and specific factors: recent evidence from emerging markets”, Heliyon, vol. 8, nº 2, p. e08960, 2022. [En línea]. Disponible en: doi: 10.1016/j.heliyon.2022. e08960. [10] K. Zheng et al., “Blockchain technology for enterprise credit information sharing in supply chain finance”, Journal of Innovation & Knowledge, vol. 7, nº 4, p. 100256, 2022. [En línea]. Disponible en: doi: 10.1016/J. JIK.2022.100256. [11] L. Coenen, W. Verbeke, and T. Guns, “Machine learning methods for short-term probability of default: A comparison of classification, regression and ranking methods”, Journal of the Operational Research Society, vol. 73, nº 1, pp. 191-206, 2022. [En línea]. Disponible en: doi: 10.1080/01605682.2020.1865847. [12] P. Giudici, B. Hadji-Misheva, and A. Spelta, “Quality Engineering Network based credit risk models”, 2019. [En línea]. Disponible en: doi:10.1080/08982112.2019.1655159. [13] C.-H. Weng, & Cheng, and K. Huang, “Applied Artificial lntelligence A Hybrid Machine Learning Model for Credit Approval”, Applied Artificial Intelligence, vol. 35, pp. 1439- 1465, 2021. [En línea]. Disponible en: doi: 10.1080/08839514.2021.1982475. [14] J. Kriebel and L. Stitz, “Credit default prediction from user-generated text in peer-to-peer lending using deep learning”, Eur J Oper Res, vol. 302, nº 1, pp. 309-323, 2022. [En línea]. Disponible en: doi: 10.1016/J.EJOR.2021.12.024. [15] X. Fan, X. Guo, Q. Chen, Y. Chen, T. Wang, and Y. Zhang, “Data augmentation of credit default swap transactions based on a sequence GAN”, Inf Process Manag, vol. 59, no. 3, p. 102889, 2022. [En línea]. Disponible en: doi: 10.1016/J.IPM.2022.102889. [16] F. Shen, X. Zhang, R. Wang, D. Lan, and W. Zhou, “Sequential optimization three-way decision model with information gain for credit default risk evaluation”, Int J Forecast, vol. 38, nº 3, pp. 1116-1128, 2022. [En línea]. Disponible en: doi: 10.1016/J.IJFORECAST.2021.12.011. [17] J. P. Li, N. Mirza, B. Rahat, and D. Xiong, “Machine learning and credit ratings prediction in the age of fourth industrial revolution”, Technol Forecast Soc Change, vol. 161, p. 120309, 2020. [En línea]. Disponible en: doi: 10.1016/J. TECHFORE.2020.120309. [18] J. R. de Castro Vieira, F. Barboza, V. A. Sobreiro, and H. Kimura, “Machine learning models for credit analysis improvements: Predicting low- incomefamilies’ default”, Appl Soft Comput, vol. 83, p. 105640, 2019. [En línea]. Disponible en: doi:10.1016/j.asoc.2019.105640. [19] B. Chenyu, Y. Haomiao, and Z. Ning, “How does the supervision stringency affect systemic risk based on the differential dynamic model?”, Systems Science & Control Engineering, vol. 7, nº 1, pp. 357-368, 2019. [En línea]. Disponible en: doi: 10.1080/21642583.2019.1681031. [20] Z. Hassani, A. Meybodi, and V. Hajihashemi, “Credit Risk Assessment Using Learning Algorithms for Feature Selection,”, Fuzzy Information and Engineering, vol. 12, nº 4, pp. 529-544, 2021. [En línea]. Disponible en: doi: 10.1080/16168658.2021.1925021. [21] P. Giudici, B. Hadji-Misheva, and A. Spelta, “Network based credit risk models”, Qual Eng, vol. 32, nº 2, pp. 199-211, 2020. [En línea]. Disponible en: doi: 10.1080/08982112.2019.1655159. [22] A. Abdullah and A. Barnawi, “A Novel Crossing Minimization Ranking Method”, Applied Artificial Intelligence, vol. 29, nº 1, pp. 66- 99, 2015. [En línea]. Disponible en: doi: 10.1080/08839514.2015.983014. [23] G. Du, Z. Liu, and H. Lu, “Application of innovative risk early warning mode under big data technology in lnternet credit financial risk assessment”, J Comput Appl Math, vol. 386, p. 113260, 2021. [En línea]. Disponible en: doi: 10.1016/J.CAM.2020.113260. [24] A. Pérez-Martín, A. Pérez-Torregrosa, and M. Vaca, “Big Data techniques to measure credit banking risk in home equity loans”, J Bus Res, vol.89, pp. 448-454, 2018. [En línea]. Disponible en: doi: 10.1016/J.JBUSRES.2018.02.008. [25] T. Law and J. Shawe-Taylor, “Practical Bayesian support vector regression for financial time series prediction and market condition change detection”, Quant Finance, vol. 17, nº 9, pp. 1403-1416, 2017. [En línea]. Disponible en: doi: 10.1080/14697688.2016.1267868. [26] R. A. Mancisidor, M. Kampffmeyer, K. Aas, and R. Jenssen, “Generating customer’s credit behavior with deep generative models”, Knowl Based Syst, vol. 245, p. 108568, 2022. [En línea]. Disponible en: doi:10.1016/J.KNOSYS.2022.108568. https://ojs.tdea.edu.co/index.php/cuadernoactiva/article/download/1229/1771 info:eu-repo/semantics/article http://purl.org/coar/resource_type/c_6501 http://purl.org/redcol/resource_type/ARTREF info:eu-repo/semantics/publishedVersion http://purl.org/coar/version/c_970fb48d4fbd8a85 info:eu-repo/semantics/openAccess http://purl.org/coar/access_right/c_abf2 Text Publication |