Se comparan dos métodos clásicos de clasificación: Análisis de Regresión Logística y Árboles de Clasificación, con el método de Redes Neuronales. La comparación se realizó en base al poder de clasificación y predicción de los modelos obtenidos en la evaluación del Riesgo Crediticio, siendo Redes Neuronales el mejor método por tener mayor poder de clasificación y predicción. Para el análisis se utilizó una Base de Datos de Riesgo Crediticio. Asimismo, se establecen las ventajas y desventajas en el empleo de cada método. -- Palabras Claves: Análisis de Regresión Logística, Árboles de Clasificación, Redes Neuronales. / --- Two classics methods of classification are compared: Analysis of Logistic Regression and Classification Trees with the method of Neural Networks. The comparison realized through his power of classification and prediction of the models obtains in the evaluation of credit risk, Neural Networks is the best method, because it has high power of classification and prediction. For the analysis used a database of credit risk. Likewise found the advantages and disadvantages in the use of each method. -- Key Words: Analysis Logistic Regression, Classification Trees, Neural Networks. / Tesis

Se comparan dos métodos clásicos de clasificación: Análisis de Regresión Logística y Árboles de Clasificación, con el método de Redes Neuronales. La comparación se realizó en base al poder de clasificación y predicción de los modelos obtenidos en la evaluación del Riesgo Crediticio, siendo Redes Neuronales el mejor método por tener mayor poder de clasificación y predicción. Para el análisis se utilizó una Base de Datos de Riesgo Crediticio. Asimismo, se establecen las ventajas y desventajas en el empleo de cada método. Palabras Claves: Análisis de Regresión Logística, Árboles de Clasificación, Redes Neuronales. / Two classics methods of classification are compared: Analysis of Logistic Regression and Classification Trees with the method of Neural Networks. The comparison realized through his power of classification and prediction of the models obtains in the evaluation of credit risk, Neural Networks is the best method, because it has high power of classification and prediction. For the analysis used a database of credit risk. Likewise found the advantages and disadvantages in the use of each method. Key Words: Analysis Logistic Regression, Classification Trees, Neural Networks.

Desarrolla un modelo de Score (calificación) para clientes de una financiera que presentan días de atraso entre 1 a 29 días, cuyo análisis se realiza mediante un modelo predictivo de regresión logística binaria. La finalidad es predecir la probabilidad de que un cliente llegue a caer en default (mayor a 30 días de atraso) y que no llegue a recuperarse, para así poder tomar medidas preventivas. / Trabajo de suficiencia profesional

Publicación a texto completo no autorizada por el autor / Se diseña un modelo scoring para determinar el perfil de riesgo en clientes con tarjetas de crédito en el sistema financiero peruano que pueda ser usado como un filtro de selección de clientes potenciales. Además, puede servir de guía para que las entidades financieras de menor tamaño puedan desarrollar modelos de este tipo in house, sin tener que recurrir a empresas especializadas en el tema generando un costo mayor al crédito. Aplica el análisis de regresión logística a un conjunto de datos público brindado por la Superintendencia de Banca, Seguros y AFP´s, con el fin de obtener un modelo logístico basado en el historial crediticio de clientes con tarjeta de crédito en el Sistema Financiero Peruano. Para determinar los grupos de riesgo, se define la variable incumplimiento como atrasos mayores a 90 días en una ventana de observación de 12 meses después del primer uso de la tarjeta durante el periodo de análisis. Para determinar el perfil de riesgo, es decir, las características de los clientes que presentarán incumplimiento, se utiliza una probabilidad del 80% según la bibliografía utilizada. / Trabajo de suficiencia profesional

Publicación a texto completo no autorizada por el autor / Compara dos métodos de redes neuronales: perceptrón multicapa y función de base radial para la clasificación de los clientes más rentables de una entidad financiera que permita la gestión del riesgo crediticio como apoyo a la toma de decisiones. La comparación se realizó en base al poder de predicción y clasificación de los modelos, siendo el perceptrón multicapa el mejor método por tener mayor poder de predicción y clasificación. Para el análisis se utilizó una base de datos de una entidad financiera. Desarrolla una investigación aplicada, de diseño no experimental de corte transversal. Los datos utilizados son clientes de la entidad financiera que desembolsaron créditos de julio a octubre del 2014. / Trabajo de suficiencia profesional