Return to search

Probabilidad de default de portafolios de deuda corporativa en economías emergentes

En los últimos años, se ha producido una intensa producción de investigación
académica con respecto a los modelos que estiman o predicen los eventos de
incumplimiento de pago, debido al mayor interés de las empresas por mantener una
mejor gestión de riesgo de crédito. Por ello, el presente trabajo tiene como principal
objetivo comparar la capacidad predictiva de los modelos tradicionales o estadísticos
(Regresión Logística) contra modelos Machine Learning (XGBoost y Random Forest).
Para lo cual, se emplea una muestra de compañías latinoamericanas que emitieron
bonos corporativos durante el período de 1990 a 2022, analizando así un total de 389
empresas. Asimismo, se usó Bloomberg, como fuente de información para extraer los
ratios financieros con frecuencia trimestral en el periodo ya mencionado, obteniendo
así 51,060 observaciones. Una de las características de este trabajo es que se usaron
las variables del modelo de puntaje Z de Altman junto con otros ratios financieros
complementarios, para así mejorar la precisión de los modelos. Sin embargo, para la
determinación del mejor modelo predictivo, se usaron las métricas de clasificación
como el AUC (Área bajo la curva ROC), Precisión, Recall y Score F1, y los resultados
mostraron que los modelos de Machine Learning tuvieron un mejor rendimiento de
clasificación con respecto a la Regresión logística, siendo el modelo Random Forest
el que mejor performance según las métricas de evaluación.

Identiferoai:union.ndltd.org:PUCP/oai:tesis.pucp.edu.pe:20.500.12404/26774
Date11 January 2024
CreatorsEstrella Torres, Maykol Alexander, Vega Nuñez, Johan Jose
ContributorsBendezú Medina, Luis Alfonso
PublisherPontificia Universidad Católica del Perú, PE
Source SetsPontificia Universidad Católica del Perú
LanguageSpanish
Detected LanguageSpanish
Typeinfo:eu-repo/semantics/bachelorThesis
Formatapplication/pdf, application/pdf
RightsAtribución-NoComercial 2.5 Perú, info:eu-repo/semantics/openAccess, http://creativecommons.org/licenses/by-nc/2.5/pe/

Page generated in 0.0021 seconds