Proceso de ASC - PREDICTING COLOMBIAN SOVEREIGN DEFAULT PROBABILITY USING MACHINE LEARNING

Vista sencilla de ítem
dc.contributor.affiliationUniversidad EAFIT
dc.contributor.authorCortés, Lina M
dc.contributor.authorMosquera, Stephania
dc.contributor.authorGaleano, Juan
dc.contributor.authorMena, Luis
dc.coverage.spatialMedellín de: Lat: 06 15 00 N degrees minutes Lat: 6.2500 decimal degrees Long: 075 36 00 W degrees minutes Long: -75.6000 decimal degreeseng
dc.date2021
dc.date.accessioned2024-07-02T15:36:10Z
dc.date.available2024-07-02T15:36:10Z
dc.date.issued2021
dc.descriptionEl propósito de esta investigación es utilizar una muestra para predecir la probabilidad de default del gobierno colombiano, mediante técnicas de machine learning que buscan crear algoritmos de predicción. El éxito del algoritmo recae en la calidad de los datos utilizados (Mohri et al., 2018). Se está interesado en aplicar el mejor método para crear el algoritmo, lo cual requiere de un proceso de testeo y ajuste con base en las observaciones tomadas. Los métodos más populares en aprendizaje de máquina son regresiones logísticas, árboles de decisiones, random decision forests, support vector machines (SVM), Naive Bayes, K Nearest Neighbor (KNN), K-means (Shafer et al., 1996). Se entrena y se prueban los diferentes métodos de acuerdo con los datos y a la revisión de literatura.spa
dc.description.abstractThe purpose of this research is to use a sample to predict the probability of default of the Colombian government, using machine learning techniques that seek to create prediction algorithms. The success of the algorithm relies on the quality of the data used (Mohri et al., 2018). One is interested in applying the best method to create the algorithm, which requires a testing and adjustment process based on the observations taken. The most popular methods in machine learning are logistic regressions, decision trees, random decision forests, support vector machines (SVM), Naive Bayes, K Nearest Neighbor (KNN), K-means (Shafer et al., 1996). The different methods are trained and tested according to the data and literature review.eng
dc.formatapplication/pdf
dc.identifier.urihttps://hdl.handle.net/10784/34065
dc.language.isospaeng
dc.publisherUniversidad EAFITspa
dc.publisher.departmentEscuela de Finanzas, Economía y Gobiernospa
dc.publisher.placeMedellín
dc.publisher.programGrupo de Investigación en Finanzas y Banca. Semillero de Investigacion Bufete Financierospa
dc.relation.ispartofPREDICTING COLOMBIAN SOVEREIGN DEFAULT PROBABILITY USING MACHINE LEARNING
dc.rightsCopyright (c) 2021 © Universidad EAFIT. Vicerrectoría CTeIeng
dc.rights.accessrightsinfo:eu-repo/semantics/closedAccesseng
dc.rights.localAcceso cerradospa
dc.sourcePREDICTING COLOMBIAN SOVEREIGN DEFAULT PROBABILITY USING MACHINE LEARNING
dc.subjectImpagospa
dc.subjectCDSspa
dc.subjectsoberanospa
dc.subjectprobabilidadesspa
dc.subject.keywordDefaulteng
dc.subject.keywordCDSeng
dc.subject.keywordsovereigneng
dc.subject.keywordprobabilitieseng
dc.titleProceso de ASC - PREDICTING COLOMBIAN SOVEREIGN DEFAULT PROBABILITY USING MACHINE LEARNINGspa
dc.typeinfo:eu-repo/semantics/reporteng
dc.typereporteng
dc.typeinfo:eu-repo/semantics/publishedVersioneng
dc.typepublishedVersioneng
dc.type.localInformespa

Archivos

Bloque original
Mostrando 1 - 1 de 1
No hay miniatura disponible
Nombre:
LINA_MARCELA_CORTES_DURAN_2021.pdf
Tamaño:
487.74 KB
Formato:
Adobe Portable Document Format
Descripción:
Texto completo
Descargar

Colecciones

Informes de investigación