Moreno Reyes, Nicolás Alberto2024-10-212024https://hdl.handle.net/10784/34684El riesgo crediticio, exacerbado por eventos como la crisis financiera de 2008, sigue siendo una preocupación para entidades bancarias y no bancarias. Este estudio aborda la necesidad de mejorar la clasificación de créditos de libranza en Colombia mediante técnicas tradicionales y de aprendizaje automático. El objetivo de este estudio es desarrollar un modelo capaz de identificar los créditos con mayor probabilidad de incumplimiento mediante el uso de algoritmos de aprendizaje supervisado. Este enfoque ha demostrado una eficacia superior en la clasificación del riesgo crediticio. Como resultado, se espera optimizar la adquisición de créditos de libranza y fortalecer la cartera de los portafolios de inversión.Credit risk, exacerbated by events such as the 2008 financial crisis, remains a concern for both banking and non-banking entities. This study addresses the need to improve the classification of payroll loans in Colombia using both traditional and machine learning techniques. It highlights the superior effectiveness of supervised learning algorithms in credit risk classification, with the ultimate goal of developing a model capable of identifying loans with a higher probability of default. This would optimize the acquisition of payroll loans and strengthen investment portfolio.spaTodos los derechos reservadosClasificación binariaPuntuación crediticiaRiesgo créditoClasificador de créditosCrédito de libranzamasterThesisinfo:eu-repo/semantics/openAccessCRÉDITORIESGO (FINANZAS)ALGORITMOSCIENCIA DE LA INFORMACIÓNBinary ClassificationCredit ScoringCreditCredit ScoringCredit ClassifiersLibranzaXGBoostCredit riskAcceso abierto2024-10-21Gómez Betancur , Juan Camilo