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

<?xml version="1.0" encoding="UTF-8"?><collection xmlns="http://www.loc.gov/MARC21/slim" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://www.loc.gov/MARC21/slim http://www.loc.gov/standards/marcxml/schema/MARC21slim.xsd">
  <record>
    <leader>00000cam a22000004b 4500</leader>
    <controlfield tag="001">MAP20250004788</controlfield>
    <controlfield tag="003">MAP</controlfield>
    <controlfield tag="005">20250319142431.0</controlfield>
    <controlfield tag="008">211217s2024    esp||||       ||| ||spa d</controlfield>
    <datafield tag="040" ind1=" " ind2=" ">
      <subfield code="a">MAP</subfield>
      <subfield code="b">spa</subfield>
      <subfield code="d">MAP</subfield>
    </datafield>
    <datafield tag="084" ind1=" " ind2=" ">
      <subfield code="a">6</subfield>
    </datafield>
    <datafield tag="100" ind1="1" ind2=" ">
      <subfield code="0">MAPA20250001015</subfield>
      <subfield code="a">Martínez Quiroga, Raquel</subfield>
    </datafield>
    <datafield tag="245" ind1="1" ind2="3">
      <subfield code="a">Modelización del riesgo de crédito con técnicas de Machine y Deep Learning</subfield>
      <subfield code="c">Raquel Martínez Quiroga</subfield>
    </datafield>
    <datafield tag="260" ind1=" " ind2=" ">
      <subfield code="a">Madrid</subfield>
      <subfield code="b">Universidad Carlos III de Madrid</subfield>
      <subfield code="c">2024</subfield>
    </datafield>
    <datafield tag="300" ind1=" " ind2=" ">
      <subfield code="a">111 p.</subfield>
    </datafield>
    <datafield tag="500" ind1=" " ind2=" ">
      <subfield code="a">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</subfield>
    </datafield>
    <datafield tag="520" ind1=" " ind2=" ">
      <subfield code="a">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</subfield>
    </datafield>
    <datafield tag="650" ind1=" " ind2="4">
      <subfield code="0">MAPA20080601324</subfield>
      <subfield code="a">Entidades financieras</subfield>
    </datafield>
    <datafield tag="650" ind1=" " ind2="4">
      <subfield code="0">MAPA20080582401</subfield>
      <subfield code="a">Riesgo crediticio</subfield>
    </datafield>
    <datafield tag="650" ind1=" " ind2="4">
      <subfield code="0">MAPA20080543419</subfield>
      <subfield code="a">Cartera</subfield>
    </datafield>
    <datafield tag="650" ind1=" " ind2="4">
      <subfield code="0">MAPA20080619008</subfield>
      <subfield code="a">Calificaciones crediticias</subfield>
    </datafield>
    <datafield tag="650" ind1=" " ind2="4">
      <subfield code="0">MAPA20080592059</subfield>
      <subfield code="a">Modelos predictivos</subfield>
    </datafield>
    <datafield tag="650" ind1=" " ind2="4">
      <subfield code="0">MAPA20080608880</subfield>
      <subfield code="a">Técnicas cuantitativas</subfield>
    </datafield>
    <datafield tag="650" ind1=" " ind2="4">
      <subfield code="0">MAPA20080592011</subfield>
      <subfield code="a">Modelos actuariales</subfield>
    </datafield>
    <datafield tag="650" ind1=" " ind2="4">
      <subfield code="0">MAPA20080568009</subfield>
      <subfield code="a">Automatización</subfield>
    </datafield>
    <datafield tag="650" ind1=" " ind2="4">
      <subfield code="0">MAPA20170005476</subfield>
      <subfield code="a">Machine learning</subfield>
    </datafield>
    <datafield tag="650" ind1=" " ind2="4">
      <subfield code="0">MAPA20080624842</subfield>
      <subfield code="a">Redes neuronales artificiales</subfield>
    </datafield>
    <datafield tag="650" ind1=" " ind2="4">
      <subfield code="0">MAPA20080664510</subfield>
      <subfield code="a">Trabajos de investigación</subfield>
    </datafield>
    <datafield tag="700" ind1="1" ind2=" ">
      <subfield code="0">MAPA20250001008</subfield>
      <subfield code="a">Pérez Calderón, Raquel</subfield>
    </datafield>
    <datafield tag="710" ind1="2" ind2=" ">
      <subfield code="0">MAPA20080455026</subfield>
      <subfield code="a">Universidad Carlos III de Madrid</subfield>
    </datafield>
    <datafield tag="830" ind1=" " ind2="0">
      <subfield code="0">MAPA20160014013</subfield>
      <subfield code="a">Trabajos Fin de Master/de Grado/Tesis doctorales</subfield>
    </datafield>
    <datafield tag="856" ind1=" " ind2=" ">
      <subfield code="q">application/pdf</subfield>
      <subfield code="w">1127243</subfield>
      <subfield code="y">Acceso al documento / Access the document</subfield>
    </datafield>
  </record>
</collection>