Modelización del riesgo de crédito con técnicas de Machine y Deep Learning
Objetos digitales
| Tag | 1 | 2 | Valor |
|---|---|---|---|
| LDR | 00000cam a22000004b 4500 | ||
| 001 | MAP20250004788 | ||
| 003 | MAP | ||
| 005 | 20250319142431.0 | ||
| 008 | 211217s2024 esp|||| ||| ||spa d | ||
| 040 | $aMAP$bspa$dMAP | ||
| 084 | $a6 | ||
| 100 | 1 | $0MAPA20250001015$aMartínez Quiroga, Raquel | |
| 245 | 1 | 3 | $aModelización del riesgo de crédito con técnicas de Machine y Deep Learning$cRaquel Martínez Quiroga |
| 260 | $aMadrid$bUniversidad Carlos III de Madrid$c2024 | ||
| 300 | $a111 p. | ||
| 500 | $aTrabajo 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 | ||
| 520 | $aLas 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 | ||
| 650 | 4 | $0MAPA20080601324$aEntidades financieras | |
| 650 | 4 | $0MAPA20080582401$aRiesgo crediticio | |
| 650 | 4 | $0MAPA20080543419$aCartera | |
| 650 | 4 | $0MAPA20080619008$aCalificaciones crediticias | |
| 650 | 4 | $0MAPA20080592059$aModelos predictivos | |
| 650 | 4 | $0MAPA20080608880$aTécnicas cuantitativas | |
| 650 | 4 | $0MAPA20080592011$aModelos actuariales | |
| 650 | 4 | $0MAPA20080568009$aAutomatización | |
| 650 | 4 | $0MAPA20170005476$aMachine learning | |
| 650 | 4 | $0MAPA20080624842$aRedes neuronales artificiales | |
| 650 | 4 | $0MAPA20080664510$aTrabajos de investigación | |
| 700 | 1 | $0MAPA20250001008$aPérez Calderón, Raquel | |
| 710 | 2 | $0MAPA20080455026$aUniversidad Carlos III de Madrid | |
| 830 | 0 | $0MAPA20160014013$aTrabajos Fin de Master/de Grado/Tesis doctorales | |
| 856 | $qapplication/pdf$w1127243$yAcceso al documento / Access the document |