JavaScript is disabled for your browser. Some features of this site may not work without it.
Mostrar el registro sencillo del ítem
Predicción de riesgo de impago en institución financiera usando modelos de Machine Learning
dc.contributor.advisor | Henry Antonio Osorto Ruiz | es_ES |
dc.contributor.author | José Manuel García Hernández | es_ES |
dc.contributor.author | Walther Nahun Torres Moreno | es_ES |
dc.date.accessioned | 2023-12-09T17:23:27Z | |
dc.date.available | 2023-12-09T17:23:27Z | |
dc.date.issued | 2023-12-04 | |
dc.identifier.uri | https://repositorio.unitec.edu/xmlui/handle/123456789/12906 | |
dc.description.abstract | Esta investigación se centra en la identificación de las variables clave que influyen en el riesgo de impago en la cartera de consumo fiduciario de instituciones financieras en Honduras. A través de un análisis exhaustivo de datos históricos, se logró destacar las principales variables predictoras. Posteriormente, se desarrolló y aplicó un modelo de machine learning altamente preciso que utiliza estas variables para anticipar el riesgo de impago. Este modelo ha demostrado una capacidad excepcional al predecir con éxito aproximadamente el 60% de los clientes propensos a caer en impago. Además de mejorar la gestión del riesgo crediticio, la implementación de este enfoque promete reducir costos, optimizar recursos y fortalecer la toma de decisiones en el sector financiero hondureño. | es_ES |
dc.format | es_ES | |
dc.language | Español | es_ES |
dc.publisher | Universidad Tecnológica Centroamericana UNITEC | es_ES |
dc.source | Universidad Tecnológica Centroamericana UNITEC | es_ES |
dc.subject | Cartera de consumo | es_ES |
dc.subject | Modelos predictivos | es_ES |
dc.subject | Riesgo crediticio | es_ES |
dc.title | Predicción de riesgo de impago en institución financiera usando modelos de Machine Learning | es_ES |
dc.type | Thesis | es_ES |
dc.description.abstractenglish | This research focuses on identifying the key variables that influence the default risk in the fiduciary consumer portfolio of financial institutions in Honduras. Through a comprehensive analysis of historical data, the main predictive variables were highlighted. Subsequently, a highly accurate machine learning model was developed and applied, using these variables to anticipate the default risk. This model has demonstrated exceptional capability by successfully predicting approximately 60% of clients prone to default. In addition to improving credit risk management, the implementation of this approach promises to reduce costs, optimize resources, and strengthen decision-making in the Honduran financial sector. | es_ES |
dc.coverage | Tegucigalpa, Francisco Morazán, Honduras | es_ES |
dc.catalogador | Dennis Cálix | es_ES |
dc.faculty | Facultad de Postgrado | es_ES |
dc.thesis.degreename | Maestría en Analítica de Negocios | es_ES |
dc.codigocarrera | M-40 | es_ES |
dc.thesis.degreelevel | Postgrado | es_ES |
dc.discipline | Administración y Negocios / Business and Management | es_ES |
dc.ddc | 006.31 G216 | es_ES |
dc.campus | UNITEC TGU | es_ES |
dc.collection | Tesis de Postgrado | es_ES |
dc.date.terna | 2023-09-02 |
Ficheros en el ítem
Este ítem aparece en la(s) siguiente(s) colección(ones)
-
Tesis de Postgrado [21]