Modelización del riesgo de crédito con técnicas de Machine y Deep Learning

<?xml version="1.0" encoding="UTF-8" standalone="no"?>
<rdf:RDF xmlns:rdf="http://www.w3.org/1999/02/22-rdf-syntax-ns#" xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance">
<rdf:Description>
<dc:creator>Martínez Quiroga, Raquel</dc:creator>
<dc:creator>Pérez Calderón, Raquel</dc:creator>
<dc:creator>Universidad Carlos III de Madrid</dc:creator>
<dc:date>2024</dc:date>
<dc:description xml:lang="es">Trabajo Fin de Master del Master en Ciencias Actuariales y Financieras de la Escuela de Postgrado de la Universidad Carlos III de Madrid. Tutora: Raquel Pérez Calderón. Promoción 2023-2024</dc:description>
<dc:description xml:lang="es">Sumario: Las instituciones financieras están adoptando cada vez más tecnologías avanzadas, aprovechando métodos de aprendizaje automático y profundo en aplicaciones como la calificación crediticia, la detección de anomalías, los controles internos y el cumplimiento normativo. Es cuestión de tiempo que los analistas adopten estas técnicas para la predicción del riesgo en las entidades financieras, ya que son cada vez más accesibles para todo tipo de usuarios.
El propósito de este proyecto es desarrollar modelos de predicción de la probabilidad de incumplimiento sobre una cartera de clientes de una entidad bancaria española. Se exploran diversas técnicas, desde las más tradicionales; como la regresión logística, hasta métodos más avanzados como Random Forest, XGBoost o redes neuronales, basados en el aprendizaje automático y profundo. El objetivo principal es determinar si estas técnicas modernas ofrecen ventajas significativas en comparación con los métodos convencionales y cuantificar en qué medida esto ocurre para una muestra actual</dc:description>
<dc:format xml:lang="en">application/pdf</dc:format>
<dc:identifier>https://documentacion.fundacionmapfre.org/documentacion/publico/es/bib/187346.do</dc:identifier>
<dc:language>spa</dc:language>
<dc:publisher>Universidad Carlos III de Madrid</dc:publisher>
<dc:rights xml:lang="es">InC - http://rightsstatements.org/vocab/InC/1.0/</dc:rights>
<dc:subject xml:lang="es">Entidades financieras</dc:subject>
<dc:subject xml:lang="es">Riesgo crediticio</dc:subject>
<dc:subject xml:lang="es">Cartera</dc:subject>
<dc:subject xml:lang="es">Calificaciones crediticias</dc:subject>
<dc:subject xml:lang="es">Modelos predictivos</dc:subject>
<dc:subject xml:lang="es">Técnicas cuantitativas</dc:subject>
<dc:subject xml:lang="es">Modelos actuariales</dc:subject>
<dc:subject xml:lang="es">Automatización</dc:subject>
<dc:subject xml:lang="es">Machine learning</dc:subject>
<dc:subject xml:lang="es">Redes neuronales artificiales</dc:subject>
<dc:subject xml:lang="es">Trabajos de investigación</dc:subject>
<dc:type xml:lang="es">Libros</dc:type>
<dc:title xml:lang="es">Modelización del riesgo de crédito con técnicas de Machine y Deep Learning</dc:title>
<dc:format xml:lang="es">111 p.</dc:format>
<dc:relation xml:lang="es">Trabajos Fin de Master/de Grado/Tesis doctorales</dc:relation>
</rdf:Description>
</rdf:RDF>