Please use this identifier to cite or link to this item: http://dspace.utpl.edu.ec/handle/29.500.19856/84558
Full metadata record
DC FieldValueLanguage
dc.contributor.advisorRiofrío Lara, Andrés Alfredoes_ES
dc.contributor.authorTerán Loja, Adrián Oswaldoes_ES
dc.date.accessioned2026-09-29T14:35:09Z-
dc.date.available2026-09-29T14:35:09Z-
dc.date.issued2026es_ES
dc.identifier.citationTerán Loja, A. O. Riofrío Lara, A. A. (2026) Análisis comparativo de modelos de aprendizaje automático para detección de anomalías en mora crediticia en Ecuador: aplicación a una cooperativa de Segmento 3 en cartera de consumo [Tesis de Posgrado, Universidad Técnica Particular de Loja]. Repositorio Institucional. https://dspace.utpl.edu.ec/handle/29.500.19856/84558es_ES
dc.identifier.otherCobarc: 1384040es_ES
dc.identifier.urihttps://bibliotecautpl.utpl.edu.ec/cgi-bin/abnetclwo?ACC=DOSEARCH&xsqf99=155198.TITN.es_ES
dc.descriptionResumen: En Ecuador, las cooperativas de ahorro y crédito del Segmento 3 administran la morosidad de su cartera de consumo con herramientas analíticas que están aún en desarrollo. Para una de esas cooperativas, y con información del periodo 2017-2019, este trabajo construye un sistema de Calificación de Comportamiento o también conocido como Behavioral Scoring que clasifica el riesgo de mora y señala comportamientos de pago fuera de lo común. Un punto de partida fue una base de 11072 registros de crédito, cada operación con varios cortes de observación. Para esto empleando modelos de Aprendizaje Automático desde el lado Supervisado se probaron seis clasificadores: Regresión Logística, Random Forest, XGBoost, LightGBM, SVM y MLP. Por su parte desde el lado No supervisado , tres técnicas de segmentación y detección de anomalías que fueron K-means, DBSCAN e Isolation Forest y estos resultados se contrastaron después contra la mora observada.es_ES
dc.description.abstractAbstract: Segment 3 credit unions in Ecuador manage their consumer loan books with far fewer analytical resources than a private bank would accept. Working with data from 2017-2019, this study built a Behavioral Scoring system for one of these institutions, aimed at classifying default risk and flagging unusual repayment behavior in its consumer portfolio. The starting dataset contained 11072 credit records, each operation observed at several cut-off dates. Six supervised classifiers were tested: Logistic Regression, Random Forest, XGBoost, LightGBM, SVM and MLP. Three unsupervised techniques handled segmentation and anomaly detection (K-means, DBSCAN and Isolation Forest), and their outputs were later checked against observed default.es_ES
dc.language.isospaes_ES
dc.subjectEcuador.es_ES
dc.subjectTesis digital.es_ES
dc.titleAnálisis comparativo de modelos de aprendizaje automático para detección de anomalías en mora crediticia en Ecuador: aplicación a una cooperativa de Segmento 3 en cartera de consumoes_ES
dc.typemasterThesises_ES
Appears in Collections:Maestría en Gestión Financiera y Administración de Riesgos Financieros



Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.