Neural Tools y Credit Scoring

Tamaño: px
Comenzar la demostración a partir de la página:

Download "Neural Tools y Credit Scoring"

Transcripción

1 Bienvenidos

2 Neural Tools y Credit Scoring Foro de Análisis de Riesgos y Decisiones para Latinoamérica / Junio / México Presentado por Gustavo Vinueza, Msc.Finanzas Consultor Palisade Corporation

3 » Modelos tradicionales pueden ser complementados con Predicciones realizadas por Redes Neuronales 3

4 Objetivos 1. Explicar brevemente las Redes Neuronales y Credit Scoring 2. Revisar un modelo Credit Scoring de Regresión y transferirlo a Redes Neuronales 3. Comparar resultados de ambos modelos 4

5 REDES NEURONALES 5

6 Cómo Pensamos? El cerebro es un órgano que aprende y crece a medida que recibe estímulos. Se adapta y reorganiza por sí mismo. La estimulación, ejercicio físico mejoran el funcionamiento del cerebro y nos protegen de declives mentales El cerebro continúa creciendo a través de las neuronas Las neuronas reciben estímulos externos a través de Dendritas (Antenas) Una neurona saludable se conecta con miles de otras Datos interesantes Antes de nacer, el ritmo de crecimiento de las neuronas es de 15 MM / hora! Al nacer, tenemos 1 Billón de Neuronas listas No existe límite en la edad para aprender y extender el número de neuronas

7 Las Neuronas Funcionan a base de excitabilidad eléctrica reciben estímulos y conducen el sistema nervioso Las Dendritas son las terminales de las Neuronas y reciben los impulsos nerviosos (Entradas) Los Axones transmiten el impulso nervioso desde una célula a otra (Información) Referencia: Célula Schwann Células que acompañan a la neurona en su crecimiento y desarrollo Nodo Ranvier Interrupciones regulares en el axón para ponerlo en contacto a la membrana Vaina Mielina Recubrimiento del Axón

8 Las Neuronas: Acercamiento Matemático Input 1 W 1 =1 θ Solamente cambiando el umbral de la neurona podemo cambiar su comportamiento. Los umbrales y los pesos (w) son la inteligencia del sistema. Dendritas Output (0 ó 1) Input 2 W 2 =1 Σin i Neurona Axon En este acercamiento simple, las entradas y salidas son binarias. AND θ=1.5 I1 I2 O OR θ=0.5 I1 I2 O

9 9 Las Neuronas - Evolución Permite que la salida no sea solamente 0 ó 1

10 Redes Neuronales» Qué es una Red Neuronal? Simulación de sistemas neuronales biológicos a través de modelos matemáticos» Objetivo Conseguir que den respuestas similares a las que da el cerebro generales y robustas» Componentes Entradas, Neuronas y Salidas De manera simple, se podría pensar como una matriz de Entradas, Pesos, Umbrales y Salidas que se autoregula Imagen: Fuente NASA

11 Redes Neuronales: Ventajas» Ventajas Capacidad de aprender y auto-organizarse Tolerar fallas e información incompleta Flexibilidad y filtros de ruido Predicción en Tiempo real Pueden utilizar, de forma nativa, datos numéricos y categóricos Ventaja sobre regresión!

12 Redes Neuronales: Modelo» Preparación del Modelo Entrenamiento Conjunto de datos significativo que hace que la red aprenda automáticamente Porcadaregistro: Se modifican los pesos Se propagan hacia atrás (back propagation) a toda la red Una vez entrenada la red grado de correctitud de las predicciones Pruebas Test Se aplica, al set de datos elegido, la red neuronal, y se valida la configuración de los pesos de las entradas y las salidas Se valida el grado de correctitud de ambos conjuntos de datos Predicción Se utiliza la red neuronal para predecir variables dependientes Se generan umbrales de ser necesario Si es que se tienen los datos del modelo de regresión se podría hacer backtesting de los resultados

13 Preguntas? 13

14 Credit Scoring» Qué es? Un resultado numérico basado en los archivos de crédito de una persona, que representa su solvencia Típicamente se basa en información consolidada por los llamados bureaus de crédito (Equifax, Experian, etc.)» Cómo se usa? Bancos, tarjetas de crédito, etc. utilizan esta información para validar los préstamos que entregan y evitar deuda de mala calidad La usan también empresas de telefonía, headhunters, empresas para conocer mejor a sus clientes / usuarios Sirve para determinar Tasa de préstamo, límites de monto, duración

15 Credit Scoring» Metodologías tradicionales FICO (Fair Isaac Co.) Usado en los USA (Equifax, Experian, TransUnion) Rango de 300 a 850 (mediana = 723) Predice la probabilidad de default de 90 días a 2 años Mientras más alto es el score, menor es la probabilidad De acuerdo a su uso un cliente puede tener score diferente para una tarjeta de crédito, que para un crédito hipotecario Límites Estado 640 prime/subprime / Privados Mínimo 660 // Cargos por scores < 740 Otros - Propios Equifax ScorePower, Experian PLUS Score, etc. Algoritmos Propios Inglaterra regresión logística resultado binario (bueno/malo)

16 Credit Scoring: Metodologías» Modelo de Hazard Rate Gráfico de cliente típico. En los primeros meses (6 15) hay mayor probabilidad de default. Una vez que el cliente pasa los 15 meses, la probabilidad se hace más o menos constante.

17 Credit Scoring: Metodologías» Regresión Población homogénea Generalmente se tienen de 10 a 20 variables Observaciones de clientes que defaultean y otros que no» Qué se calcula? Probabilidad de Default Regresión Logística Cálculo de Pérdida Esperada Variables incluidas o BV Behavioural: Balance, no. veces impago, no. Transacciones / mes o MV Macroeconomic: Inflación, Tasa desempleo o AV Application: Edad, # Tarjetas, Score Crédito

18 Credit Scoring» Resumen del Modelo Stress Testing

19 Modelo Regresión - Ejemplo» Descripción de la Muestra cuentas Inglaterra [ ] Se incluyen datos de AV y BV de cada cuenta Algunos valores faltantes por cuenta (como en la realidad) Default 90 días (Basilea II, para créditos consumo) MV varían cada 3 meses, data histórica [ ] Forecast 18 M modelo se probará con resultados para 12 M Fecha observación 1/ene/2005 Training/testing data = 2/1 (400,000 train, 150,000 test) Logaritmos tomados de variables con crecimiento exponencial Earnings, FTSE, House prices, etc. Forecasting and Stress Testing Credit Card Default using Dynamic Models Tony Bellotti and Jonathan Crook Credit Research Centre University of Edinburgh Business School 26 November 2009 / Version 4.5

20 Modelo Regresión - Ejemplo» Coeficientes β1 Duración β2 w i Variables Aplicación β3 x j(t-k) Comportamiento β4 z Macroeconómicas

21 Modelo Regresión Crédito: Variables

22 Distribución de Muestra» En base al modelo, se generó una muestra aleatoria de clientes En cada variable independiente se generaron valores usando distribuciones discretas, uniformes y triangulares.» Sobre esta muestra se podría generar una distribución y calcular una contingencia 22

23 Modelo Ejemplo» Descripción de Resultados BVs añaden precisión al modelo (Comportamiento) MV también ayuda con precisión, pero de forma marginal (Macroeconómicas) Variable Efecto Comentario Balance + A mayor balance, más difícil de cumplir Credit Limit Mayor límite de crédito, mejor calidad cliente Monto Pagado mes Menos Prob.Default por calidad cliente # Transacciones + Mayor uso de la Tarjeta Crédito Monto Transacción Mayor monto, menos probabilidad (cliente más rico) Tasa Interés + Mayor demanda de pagos / hipotecas que afectan a los clientes Tasa Desempleo +

24 Distribución de Muestra » Se escogió a la distribución Beta como la más idónea para representar a los datos» Se calcula una contingencia del 5% (VAR 95%) 24

25 Distribución de Muestra» Para la contingencia, tomaría a todos los clientes que tengan más de un 61,9% de probabilidad de default 5% de la distribución = 24 clientes, Exposición Total = Si es a un día, tenemos un 5% de probabilidad de que nuestra pérdida sea mayor a $2.1 MM.» Si el umbral es 40% de probabilidad, no daría el préstamo a 235 clientes 25

26 Conclusiones de la Regresión» Hubo que generar el estudio inicial para determinar las variables No es fácil de determinar Tiempo, Recursos Muestra Estadísticamente Significativa Adaptación de cartera a la realidad» La metodología a partir de la distribución final es la misma 26

27 Preguntas? 27

28 Modelo NeuralTools Credit Scoring» Aplico Neural Tools al mismo data set Base de datos histórica Variables No es necesario realizar un análisis de independencia entre cada una de ellas Configuro Resultado [+ ó un ] Si mi probabilidad de default > 40% - Credit Screening Se va a dar el crédito o no Tengo además una probabilidad que me entrega el modelo que califica mi predicción

29 Modelo NeuralTools Credit Scoring» Usando el software Se toma la misma base de datos que la de la regresión Se entrena la red Se hace el testing y se valida el % de correctitud Se generan las predicciones

30 Modelo NeuralTools Credit Scoring» Comparación de Resultados Se compararon los datos Regresión vs NeuralTools De las muestras, se debió generar un umbral para tener las menores diferencias posibles: Umbral Diferencias Este umbral no es el mismo del 95% y es el que predice cuándo el cliente va a defaultear o no El promedio de probabilidades fue de un 98,4%, con una SD = 5%

31 Modelo NeuralTools Credit Scoring» Hallazgos: Variables con mayor sensibilidad Deuda Total - Current Balance Number of months past due (Meses en Mora) Credit bureau score

32 Modelo NeuralTools Credit Scoring» Cuándo usar Neural Tools? Escenarios recomendados Prueba de concepto de nuevos datos No es necesario actualizar el modelo de regresión Construcción de Prototipos Iniciales Desconocimiento del Modelo de Cálculo de Crédito Apoyo a decisiones Puede aportar un porcentaje de la decisión del otorgamiento del crédito

33 Aplicación Web» El NeuralTools corre en Excel en el servidor Utilizado actualmente como prototipo 33

34 Conclusiones» Ambos acercamientos necesitan de data precisa Set histórico de variables categóricas y numéricas Los Modelos de Regresión Metodología Tradicional Necesitan de un análisis más detallado Inclusión de variables dummy, revisión de autocolinearidad Proceso más difícil de implementar a nivel sistemas Las Redes Neuronales Facilitan procesos predictivos y pruebas de concepto, prototipos Pueden formar parte de la decisión de crédito de un cliente

35 Preguntas? 35

36 Muchas gracias!» Gustavo Vinueza

37 Neural Tools y Credit Scoring Foro de Análisis de Riesgos y Decisiones para Latinoamérica / Junio / México Presentado por Gustavo Vinueza, Msc.Finanzas Consultor Palisade Corporation

38 Referencias» Modelo Regresión» Redes Neuronales

39 Cómo Pensamos? [2] El impulso eléctrico que generan las neuronas se transmite a través de la Sinapsis A medida que desarrollamos la memoria se generan conexiones a Largo Plazo, que facilitan este proceso haciendo que las neuronas se comuniquen con otras sea más fuertemente o con debilidad de acuerdo al proceso de aprendizaje

40 Redes Neuronales: Ejemplo» Perceptrón Multicapa Capa Entrada Obtienen patrones de entrada Capas Ocultas Capa de Procesamiento Capa Salida Valores de salida para toda la red

41 Ejemplo Cartera T. Crédito» Modelo LossCalc Predición de Pérdida dado el Default (LGD) Variables Tipo de Deuda (Préstamo, bono, preferred stock) Seniority (secured, senior, subordinada, etc.) Estructura de Capital Industria (promedio móvil de recuperación de industria) Macoreconómicas Promedio anual de default Indicadores económicos, etc. Error Mínimos cuadrados en datos históricos Distribución Beta Usando Media y Desviación estándar De lo recuperado

EL IMPACTO DE BASILEA III EN EL NEGOCIO FINANCIERO

EL IMPACTO DE BASILEA III EN EL NEGOCIO FINANCIERO EL IMPACTO DE BASILEA III EN EL NEGOCIO FINANCIERO Herramientas idóneas para el control de riesgos y la evolución de la calidad de las carteras Gustavo Chuliver Gerente AIS Argentina gustavo.chuliver@ais-int.net

Más detalles

Retos de la Proliferación de Modelos. 2 de Octubre 2012

Retos de la Proliferación de Modelos. 2 de Octubre 2012 Retos de la Proliferación de Modelos 2 de Octubre 2012 ÍNDICE Introducción Tipos de modelos Problemática de gestión Conclusiones Introducción 3 Aunque hay créditos desde hace 5000 años, los modelos sólo

Más detalles

Índice. Introducción. Modelización del Riesgo de Crédito. Cómo llevarlo a la práctica? Conclusiones. G r o u p

Índice. Introducción. Modelización del Riesgo de Crédito. Cómo llevarlo a la práctica? Conclusiones. G r o u p Gestionando el riesgo de crédito Herramientas para contener el incremento de la morosidad en las carteras David Fernández Pagerols Director de Metodologías Cuantitativas AIS Group 2002-2012 Índice Introducción

Más detalles

UN MODELO DE PRONÓSTICO PARA LAS PRIMAS DE SEGUROS DE VIDA Y PERSONAS

UN MODELO DE PRONÓSTICO PARA LAS PRIMAS DE SEGUROS DE VIDA Y PERSONAS UN MODELO DE PRONÓSTICO PARA LAS PRIMAS DE SEGUROS DE VIDA Y PERSONAS Wilson Mayorga M. Director de Cámara de Vida y Personas y Actuaría Con base en modelos de regresión que explican la evolución de las

Más detalles

XIII Congreso Latinoamericano de Auditoria Interna y Evaluación n de Riesgos

XIII Congreso Latinoamericano de Auditoria Interna y Evaluación n de Riesgos XIII Congreso Latinoamericano de Auditoria Interna y Evaluación n de Riesgos mayo de de 2009 BASILEA II GESTIÓN DEL EXPOSITOR: Kay Dunlop 1 AGENDA MARCO CONCEPTUAL SISTEMA DE GESTIÓN N DEL RIESGO DE CRÉDITO

Más detalles

CARTERAS DE EMPRESAS. SISTEMAS DE RATING. CONSTRUCCION Y EVALUACION

CARTERAS DE EMPRESAS. SISTEMAS DE RATING. CONSTRUCCION Y EVALUACION CARTERAS DE EMPRESAS. SISTEMAS DE RATING. CONSTRUCCION Y EVALUACION Dirección General de Supervisión Grupo de Tesorería y Modelos de Gestión de Riesgos Luis González Mosquera Antonio Marcelo Antuña Raúl

Más detalles

Aproveche al máximo sus datos mediante optimización

Aproveche al máximo sus datos mediante optimización FICO Forum Navegando en la nueva realidad Aproveche al máximo sus datos mediante optimización Darío Burstein Soluciones analíticas FICO 8 de marzo de 2011 1 Esta presentación se ofrece únicamente al destinatario

Más detalles

Introducción al DataMining

Introducción al DataMining Introducción al DataMining Lluís Garrido garrido@ecm.ub.es Universitat de Barcelona Índice Qué es el DataMining? Qué puede hacer el DataMining? Cómo hacer el DataMining? Técnicas Metodología del DataMining

Más detalles

La nueva arquitectura del paquete AMORE (A MORE Flexible Neural Network)

La nueva arquitectura del paquete AMORE (A MORE Flexible Neural Network) La nueva arquitectura del paquete AMORE (A MORE Flexible Neural Network) III Jornadas de Usuarios de R Javier Alfonso Cendón, Manuel Castejón Limas, Joaquín Ordieres Mere, Camino Fernández Llamas Índice

Más detalles

Aplicación de los modelos de credit scoring para instituciones microfinacieras.

Aplicación de los modelos de credit scoring para instituciones microfinacieras. Econ. Reynaldo Uscamaita Huillca Aplicación de los modelos de credit scoring para instituciones microfinacieras. OBJETIVO Proporcionar al ejecutivo del sistema financiero un modelo solido que permita tomar

Más detalles

9.1.Los sistemas expertos. 9.2.Las redes neuronales artificiales. 9.3.Sistemas de inducción de reglas y árboles de decisión.

9.1.Los sistemas expertos. 9.2.Las redes neuronales artificiales. 9.3.Sistemas de inducción de reglas y árboles de decisión. TEMA 9 TÉCNICAS DE INTELIGENCIA ARTIFICIAL PARA EL ANÁLISIS DE LA INFORMACIÓN CONTABLE 9.1.Los sistemas expertos. 9.2.Las redes neuronales artificiales. 9.3.Sistemas de inducción de reglas y árboles de

Más detalles

Capítulo 2. Las Redes Neuronales Artificiales

Capítulo 2. Las Redes Neuronales Artificiales Capítulo 2. Las Redes Neuronales Artificiales 13 Capitulo 2. Las Redes Neuronales Artificiales 2.1 Definición Redes Neuronales Artificiales El construir una computadora que sea capaz de aprender, y de

Más detalles

UN MODELO PARA LA PREDICCIÓN DE RECIDIVA DE PACIENTES OPERADOS DE CÁNCER DE MAMA (CMO) BASADO EN REDES NEURONALES

UN MODELO PARA LA PREDICCIÓN DE RECIDIVA DE PACIENTES OPERADOS DE CÁNCER DE MAMA (CMO) BASADO EN REDES NEURONALES UN MODELO PARA LA PREDICCIÓN DE RECIDIVA DE PACIENTES OPERADOS DE CÁNCER DE MAMA (CMO) BASADO EN REDES NEURONALES José Alejandro Chiri Aguirre RESUMEN La predicción de recidiva en pacientes que han sido

Más detalles

TransUnion República Dominicana. Preguntas frecuentes sobre los modelos de score de TransUnion

TransUnion República Dominicana. Preguntas frecuentes sobre los modelos de score de TransUnion TransUnion República Dominicana Preguntas frecuentes sobre los modelos de score de TransUnion Los modelos de score de TransUnion El siguiente es un resumen para ayudarle a entender mejor cómo se puede

Más detalles

CREDIT SCORING: Enfoque y ventajas para las instituciones. financieras. Parte I

CREDIT SCORING: Enfoque y ventajas para las instituciones. financieras. Parte I [.estrategiafinanciera.es ] CREDIT SCORING: Enfoque y ventajas para las instituciones financieras. Parte I Un sistema de scoring preciso al que se le haga un seguimiento correcto representa un instrumento

Más detalles

Herramienta no-convencional para modelado en Comunicaciones móviles: Redes Neuronales Artificiales Georgina Stegmayer

Herramienta no-convencional para modelado en Comunicaciones móviles: Redes Neuronales Artificiales Georgina Stegmayer Herramienta no-convencional para modelado en Comunicaciones móviles: Redes Neuronales Artificiales Georgina Stegmayer Centro de I+D CIDISI UTN-FRSF Lavaise 610 (3000) Santa Fe Argentina (e-mail: georgina.stegmayer@ieee.org)

Más detalles

Inteligencia Artificial. Redes Neurales Artificiales

Inteligencia Artificial. Redes Neurales Artificiales Inteligencia Artificial Redes Neurales Artificiales Redes Neural Natural Estructura celular del del cerebro donde residen las las capacidades intelectuales del del hombre Neurona: Soma: Dendritas: Sinapsis:

Más detalles

CURSO DE INTRODUCCION

CURSO DE INTRODUCCION CURSO DE INTRODUCCION A CRYSTAL BALL Cnel R.L. Falcón 1435 C1406GNC 35 Buenos Aires, Argentina Tel.: 054-15-5468-3369 Fax: 054-11-4433-4202 Mail: mgm_consultas@mgmconsultores.com.ar http//www.mgmconsultores.com.ar

Más detalles

el kit completo de herramientas para análisis de riesgos y decisiones

el kit completo de herramientas para análisis de riesgos y decisiones el kit completo de herramientas para análisis de riesgos y decisiones software para análisis de riesgos y decisiones DecisionTools Suite en Español es una serie de programas integrados diseñados para analizar

Más detalles

Caso de Estudio EFL Mejorando los scorecards 1 tradicionales con psicometría

Caso de Estudio EFL Mejorando los scorecards 1 tradicionales con psicometría Caso de Estudio EFL Mejorando los scorecards 1 tradicionales con psicometría BTPN Indonesia Resumen Ejecutivo BTPN, el 4to 2 mayor prestamista de MIPYME en Indonesia, se asoció con EFL para mejorar el

Más detalles

Predicción de índices de futuros financieros mediante redes neuronales

Predicción de índices de futuros financieros mediante redes neuronales Predicción de índices de futuros financieros mediante redes neuronales Joan Bosch 1,Lluís Garrido 1,SergioGómez 2 1) Dept. d Estructura i Constituents de la Matèria, Facultat de Física, Universitat de

Más detalles

BEHAVESCORE DOCUMENTO TECNICO

BEHAVESCORE DOCUMENTO TECNICO HERRAMIENTAS CUANTITATIVAS PARA LA MEDICIÓN DE RIESGO DE CRÉDITO Se presenta un conjunto de modelos de scoring para el sistema de administración de riesgo de crédito (SARC). Cada uno de los cuales está

Más detalles

Minería de Datos. Vallejos, Sofia

Minería de Datos. Vallejos, Sofia Minería de Datos Contenido Introducción: Inteligencia de negocios (Business Intelligence). Componentes Descubrimiento de conocimiento en bases de datos (KDD). Minería de Datos: Perspectiva histórica. Fases

Más detalles

MEJORA EN LA EFICIENCIA DE GENERACIÓN DE MODELOS

MEJORA EN LA EFICIENCIA DE GENERACIÓN DE MODELOS MEJORA EN LA EFICIENCIA DE GENERACIÓN DE MODELOS MODELO DE BEHAVIOR SCORING Por: Rosario Zolezzi Diners Club Perú Agenda Antecedentes Problemática Objetivos Fases del Modelamiento Uso de la herramienta

Más detalles

Tema 3. MODELOS. 2.1 Apoyo Informático a la investigación experimental. 2.2 Modelos del cerebro: A. Realistas biológicos.

Tema 3. MODELOS. 2.1 Apoyo Informático a la investigación experimental. 2.2 Modelos del cerebro: A. Realistas biológicos. Tema 3. MODELOS 011 0 01 01 FUNDAMENTOS 1. Modelos computacionales. 2. Computación y Neurociencia. CONTENIDOS 2.1 Apoyo Informático a la investigación experimental. 2.2 Modelos del cerebro: A. Realistas

Más detalles

Administración Integral de Riesgos

Administración Integral de Riesgos Administración Integral de Riesgos COMPASS Investments de México COMPASS INVESTMENTS opera como un Asesor de Inversión Independiente en México desde 1996. A partir del 2004 se convierte en Sociedad Operadora

Más detalles

José Ignacio Latorre Universidad de Barcelona

José Ignacio Latorre Universidad de Barcelona INTELIGENCIA ARTIFICIAL José Ignacio Latorre Universidad de Barcelona A qué llamamos inteligencia artificial? Es un campo de estudio que intenta conseguir que un ordenador realice funciones similares a

Más detalles

@RISK y el DecisionTools Suite

@RISK y el DecisionTools Suite Pruebe el líder mundial en paquetes de software y soluciones par a Riesgos y Análisis de Decisiones NUESTRA MISIÓN Palisade Corporation está dedicada a desarrollar el paquete de software y soluciones para

Más detalles

Lección n 5. Modelos de distribución n potencial de especies

Lección n 5. Modelos de distribución n potencial de especies Lección n 5. Modelos de distribución n potencial de especies 1. Elaboración de modelos de distribución de especies. a. Planteamiento. El modelado del nicho ambiental se basa en el principio de que la distribución

Más detalles

Ejemplo de Aplicación con Neural Connection

Ejemplo de Aplicación con Neural Connection Ejemplo de Aplicación con Neural Connection El marketing directo es un área donde las redes neuronales han tenido un considerable éxito. En este tipo de marketing, se vende un producto o un servicio, enviando

Más detalles

CURSO MINERÍA DE DATOS AVANZADO

CURSO MINERÍA DE DATOS AVANZADO CURSO MINERÍA DE DATOS AVANZADO La minería de datos (en inglés, Data Mining) se define como la extracción de información implícita, previamente desconocida y potencialmente útil, a partir de datos. En

Más detalles

Prestamos la consultoría y capacitación necesarias para identificar sus necesidades, diseñar las soluciones y conocer a fondo todos los modelos.

Prestamos la consultoría y capacitación necesarias para identificar sus necesidades, diseñar las soluciones y conocer a fondo todos los modelos. Somos una empresa Colombiana especializada en el desarrollo de sistemas para la gestión integral del riesgo financiero y optimización de procesos financieros, por medio de la implementación de modelos

Más detalles

Generación y Transmisión de señales en las Neuronas

Generación y Transmisión de señales en las Neuronas Generación y Transmisión de señales en las Neuronas Los detalle de la transmisión sináptica (comunicación entre neuronas) se explicará en el siguiente capítulo. En éste trataremos de los cambios intraneuronal:

Más detalles

Asimismo el esquema se complementa con políticas y procedimientos específicos para cada uno de estos riesgos (Financiero, crediticio, operacional).

Asimismo el esquema se complementa con políticas y procedimientos específicos para cada uno de estos riesgos (Financiero, crediticio, operacional). POLITICAS DE GERENCIAMIENTO DE RIESGOS En el marco de la política de Gobierno Societario, el Directorio de Banco Macro S.A. aprobó la conformación del Comité de Gestión de Riesgos, entre cuyas responsabilidades

Más detalles

Aplicación Java para distribución de código en R

Aplicación Java para distribución de código en R rolgalan@gmail.com Huesca - 24 de noviembre de 2009 Implementación Descripción problema Existen muchos problemas, cuya resolución informática requiere de un enorme tiempo de cómputo. En la actualidad,

Más detalles

Caso de Estudio EFL: Impulsando el acceso al crédito en el mercado peruano de consumo retail.

Caso de Estudio EFL: Impulsando el acceso al crédito en el mercado peruano de consumo retail. Caso de Estudio EFL: Impulsando el acceso al crédito en el mercado peruano de consumo retail. GMG Perú Resumen Ejecutivo Grupo Monge es un grupo económico líder en Centroamérica en la distribución y venta

Más detalles

RSA ADAPTIVE AUTHENTICATION

RSA ADAPTIVE AUTHENTICATION RSA ADAPTIVE AUTHENTICATION Una plataforma integral de detección de fraudes y autenticación RESUMEN Mide el riesgo de las actividades de inicio de sesión o las posteriores al inicio de sesión evaluando

Más detalles

Mejores prácticas existentes en auditorías de riesgo de crédito Oscar Urzúa KPMG

Mejores prácticas existentes en auditorías de riesgo de crédito Oscar Urzúa KPMG Mejores prácticas existentes en auditorías de riesgo de crédito Oscar Urzúa KPMG Índice a) Programa de trabajo tradicional b) Nuevos modelamientos de crédito c) Nuevo programa de trabajo d) Mejores practicas

Más detalles

Iniciativa sobre Reportes de Créditos y Prestamos Bancarios del Hemisferio Occidental

Iniciativa sobre Reportes de Créditos y Prestamos Bancarios del Hemisferio Occidental Iniciativa sobre Reportes de Créditos y Prestamos Bancarios del Hemisferio Occidental SISTEMAS DE REPORTES CREDITICOS, HERRAMIENTA PARA LAS MICROFINANZAS SEMINARIO EDUCACION FINANCIERA Y MICROFINANZAS

Más detalles

Inglaterra e Irlanda España y. Centro y Sur América Brasil, Argentina, Chile, Perú, Uruguay, Paraguay, Ecuador, El Salvador, Honduras y Costa Rica

Inglaterra e Irlanda España y. Centro y Sur América Brasil, Argentina, Chile, Perú, Uruguay, Paraguay, Ecuador, El Salvador, Honduras y Costa Rica Quiénes somos: Analytics - Equifax Norte América USA 1899 Canadá Europa Inglaterra e Irlanda España y Portugal Asia Rusia India Centro y Sur América Brasil, Argentina, Chile, Perú, Uruguay, Paraguay, Ecuador,

Más detalles

Soluciones Integrales en Inteligencia de Negocios

Soluciones Integrales en Inteligencia de Negocios Soluciones Integrales en Inteligencia de Negocios QUIENES SOMOS NUESTRA MISIÓN DATAWAREHOUSE MINERÍA DE DATOS MODELOS PREDICTIVOS REPORTERÍA Y DASHBOARD DESARROLLO DE APLICACIONES MODELOS DE SIMULACIÓN

Más detalles

Universidad del CEMA Master en Finanzas 2006

Universidad del CEMA Master en Finanzas 2006 Universidad del CEMA Master en Finanzas 2006 La Simulación como una herramienta para el manejo de la incertidumbre Fabián Fiorito ffiorito@invertironline.com Tel.: 4000-1400 Hoy en día la simulación es

Más detalles

METODOLOGÍAS PARA ESTRATEGIAS DE PRECIO

METODOLOGÍAS PARA ESTRATEGIAS DE PRECIO METODOLOGÍAS PARA ESTRATEGIAS DE PRECIO Este documento es propiedad intelectual de MORE Market & Opinion Research,, por lo que cualquier tema relacionado con su contenido, es de uso confidencial y se considera

Más detalles

Con el fin de obtener los datos, se procede con las siguientes instrucciones:

Con el fin de obtener los datos, se procede con las siguientes instrucciones: Capitulo 3. La predicción de beneficios del mercado bursátil Este segundo caso de estudio va más allá en el uso de técnicas de minería de datos. El dominio específico utilizado para ilustrar estos problemas

Más detalles

Pronóstico de Ventas: Comparación de Predicción basada en Redes Neuronales versus Método Estadístico

Pronóstico de Ventas: Comparación de Predicción basada en Redes Neuronales versus Método Estadístico Pronóstico de Ventas: Comparación de Predicción basada en Redes Neuronales versus Método Estadístico Nojek, S. 1, Britos, P. 1,2, Rossi, B. 1,2 y García Martínez, R. 2 1 Departamento de Ingeniería Industrial.

Más detalles

NeuralTools. Programa auxiliar de redes neuronales para Microsoft Excel. Versión 5.7 septiembre, 2010. Guía para el uso de

NeuralTools. Programa auxiliar de redes neuronales para Microsoft Excel. Versión 5.7 septiembre, 2010. Guía para el uso de Guía para el uso de NeuralTools Programa auxiliar de redes neuronales para Microsoft Excel Versión 5.7 septiembre, 2010 Palisade Corporation 798 Cascadilla St. Ithaca, NY 14850 EE.UU. +1-607-277-8000 +1-607-277-8001

Más detalles

DETECCION DE TRANSACCIONES FRAUDULENTAS. Responsable JACKELYNE GÓMEZ. Tutor: MYLADIS COGOLLO UNIVERSIDAD EAFIT DEPARTAMENTO DE CIENCIAS BÁSICAS

DETECCION DE TRANSACCIONES FRAUDULENTAS. Responsable JACKELYNE GÓMEZ. Tutor: MYLADIS COGOLLO UNIVERSIDAD EAFIT DEPARTAMENTO DE CIENCIAS BÁSICAS DETECCION DE TRANSACCIONES FRAUDULENTAS Responsable JACKELYNE GÓMEZ Tutor: MYLADIS COGOLLO UNIVERSIDAD EAFIT DEPARTAMENTO DE CIENCIAS BÁSICAS INGENIERÍA MATEMÁTICA MEDELLÍN NOVIEMBRE DE 2010 INTRODUCCIÓN

Más detalles

III JORNADAS DE DATA MINING DEL CREDIT SCORING A LOS MODELOS DE PRICING AJUSTADOS

III JORNADAS DE DATA MINING DEL CREDIT SCORING A LOS MODELOS DE PRICING AJUSTADOS III JORNADAS DE DATA MINING EN EL MACRO DE LA MAESTRÍA EN DATA MINING DE LA UNIVERSIDAD AUSTRAL DEL CREDIT SCORING A LOS MODELOS DE PRICING AJUSTADOS POR RIESGO David Mermelstein, Economista Senior, Estudio

Más detalles

Introducción a las Redes Neuronales Aplicadas

Introducción a las Redes Neuronales Aplicadas Introducción a las Redes Neuronales Aplicadas CURSO DE EXPERTOS DE U.C.M. (2012) Juan Miguel Marín Diazaraque jmmarin@est-econ.uc3m.es Universidad Carlos III de Madrid INDICE: Redes Neuronales en Economía

Más detalles

Análisis de los determinantes del riesgo de crédito. Aplicación de técnicas emergentes en el marco de los acuerdos de Basilea II y Solvencia II

Análisis de los determinantes del riesgo de crédito. Aplicación de técnicas emergentes en el marco de los acuerdos de Basilea II y Solvencia II REVISTA ESPAÑOLA DE FINANCIACIÓN Y CONTABILIDAD Vol. XXXVI, n.º 135 julio-septiembre 2007 pp. 649-653 649 Análisis de los determinantes del riesgo de crédito. Aplicación de técnicas emergentes en el marco

Más detalles

código Java Solicitudes Reportes AJI resultados API

código Java Solicitudes Reportes AJI resultados API Analizador Java Inteligente López De Luise María Daniela, miembro IT-Lab de la Universidad de Palermo, mlopez74@palermo.edu Agüero Martín Jorge, miembro IT-Lab de la Universidad de Palermo, agüero.martin@gmail.com

Más detalles

Minería de Datos. Vallejos, Sofia

Minería de Datos. Vallejos, Sofia Minería de Datos Vallejos, Sofia Contenido Introducción: Inteligencia de negocios (Business Intelligence). Descubrimiento de conocimiento en bases de datos (KDD). Minería de Datos: Perspectiva histórica.

Más detalles

Scoring: Construcción y Aplicación

Scoring: Construcción y Aplicación Scoring: Construcción y Aplicación Agosto de 2014 2014 Experian Information Solutions, Inc. All rights reserved. Experian and the marks used herein are service marks or registered trademarks of Experian

Más detalles

CLUSTERING MAPAS AUTOORGANIZATIVOS (KOHONEN) (RECUPERACIÓN Y ORGANIZACIÓN DE LA INFORMACIÓN)

CLUSTERING MAPAS AUTOORGANIZATIVOS (KOHONEN) (RECUPERACIÓN Y ORGANIZACIÓN DE LA INFORMACIÓN) CLASIFICACIÓN NO SUPERVISADA CLUSTERING Y MAPAS AUTOORGANIZATIVOS (KOHONEN) (RECUPERACIÓN Y ORGANIZACIÓN DE LA INFORMACIÓN) info@clustering.50webs.com Indice INTRODUCCIÓN 3 RESUMEN DEL CONTENIDO 3 APRENDIZAJE

Más detalles

Software de Optimización Estratégica de Carteras de Inversión OPTIFOLIO

Software de Optimización Estratégica de Carteras de Inversión OPTIFOLIO Software de Optimización Estratégica de Carteras de Inversión OPTIFOLIO mail@optifolio.net www.optifolio.net OptiFolio Visión general del sistema Características del programa Permite visualizar en el plano

Más detalles

Anexo No. 02 FICHA TECNICA FONDO FINANCIERO DE PROYECTOS DE DESARROLLO FONADE

Anexo No. 02 FICHA TECNICA FONDO FINANCIERO DE PROYECTOS DE DESARROLLO FONADE Anexo No. 02 FICHA TECNICA FONDO FINANCIERO DE PROYECTOS DE DESARROLLO FONADE Unidad Administrativa Especial de Gestión Pensional y Contribuciones Parafiscales de la Protección Social UGPP Objeto: ADQUISICIÓN

Más detalles

MINERIA DE DATOS Y Descubrimiento del Conocimiento

MINERIA DE DATOS Y Descubrimiento del Conocimiento MINERIA DE DATOS Y Descubrimiento del Conocimiento UNA APLICACIÓN EN DATOS AGROPECUARIOS INTA EEA Corrientes Maximiliano Silva La información Herramienta estratégica para el desarrollo de: Sociedad de

Más detalles

Habilidades y Herramientas para trabajar con datos

Habilidades y Herramientas para trabajar con datos Habilidades y Herramientas para trabajar con datos Marcelo Ferreyra X Jornadas de Data Mining & Business Intelligence Universidad Austral - Agenda 2 Tipos de Datos Herramientas conceptuales Herramientas

Más detalles

opinoweb el poder de sus datos Descubra LA NECESIDAD DE PREDECIR

opinoweb el poder de sus datos Descubra LA NECESIDAD DE PREDECIR opinoweb SOFTWARE FOR MARKET RESEARCH LA NECESIDAD DE PREDECIR Actualmente las empresas no sólo necesitan saber con exactitud qué aconteció en el pasado para comprender mejor el presente, sino también

Más detalles

DATA MINING EN LA BASE DE DATOS DE LA OMS KNOWLEDGE DETECTION (DETECCIÓN DEL CONOCIMIENTO) Q.F.B. JUANA LETICIA RODRÍGUEZ Y BETANCOURT

DATA MINING EN LA BASE DE DATOS DE LA OMS KNOWLEDGE DETECTION (DETECCIÓN DEL CONOCIMIENTO) Q.F.B. JUANA LETICIA RODRÍGUEZ Y BETANCOURT DATA MINING EN LA BASE DE DATOS DE LA OMS KNOWLEDGE DETECTION (DETECCIÓN DEL CONOCIMIENTO) Q.F.B. JUANA LETICIA RODRÍGUEZ Y BETANCOURT REACCIONES ADVERSAS DE LOS MEDICAMENTOS Los fármacos por naturaleza

Más detalles

Apalancando EFL para influir el mercado de consumidores de bajos recursos

Apalancando EFL para influir el mercado de consumidores de bajos recursos % Tasa de Morosidad Distribución de la Población Caso de Estudio EFL: Apalancando EFL para influir el mercado de consumidores de bajos recursos BanBif Perú Resumen Ejecutivo BanBif, quinto banco 1 comercial

Más detalles

Aprendizaje Automático y Data Mining. Bloque IV DATA MINING

Aprendizaje Automático y Data Mining. Bloque IV DATA MINING Aprendizaje Automático y Data Mining Bloque IV DATA MINING 1 Índice Definición y aplicaciones. Grupos de técnicas: Visualización. Verificación. Descubrimiento. Eficiencia computacional. Búsqueda de patrones

Más detalles

Oferta LS-102013-22 QUICKCHECK Pro

Oferta LS-102013-22 QUICKCHECK Pro Vitoria, 7 de Octubre de 2014 +34 945 06 59 50 asier.barredo@lis-solutions.es Oferta LS-102013-22 QUICKCHECK Pro Gracias por confiar en QUICKCHECK Pro! Nos complace presentarle nuestro dossier de resultados

Más detalles

Introducción al @RISK 5.7

Introducción al @RISK 5.7 Introducción al @RISK 5.7 Javier Ordóñez, PhD Director de Soluciones Personalizadas Riesgo» Riesgo: Un escenario en donde existe una posibilidad de desviación respecto de un resultado deseado o esperado»

Más detalles

Experiencia de una Implantación

Experiencia de una Implantación Debt Manager Experiencia de una Implantación Marzo 2011 1 Un par de reflexiones sobre la tecnología Siempre deseé que mi ordenador fuera tan fácil de usar como mi teléfono. A estas alturas mi deseo ya

Más detalles

Lo qué hacemos en Equifax

Lo qué hacemos en Equifax EQUIFAX A Global Information Solutions Company Norte América USA 1899 Canadá1919 Europa Inglaterra e Irlanda España y Portugal Centro y Sur América C Paraguay, Argentina Argentina,, Chile, Perú, Uruguay,,

Más detalles

Herramienta de Gestión Integral de Riesgos

Herramienta de Gestión Integral de Riesgos Herramienta de Gestión Integral de Riesgos Instituciones Financieras www.managementsolutions.com Por qué MIR MIR es la solución de Management Solutions para la gestión integral del riesgo, que unifica

Más detalles

Monografías de Juan Mascareñas sobre Finanzas Corporativas ISSN: 1988-1878 Introducción al VaR

Monografías de Juan Mascareñas sobre Finanzas Corporativas ISSN: 1988-1878 Introducción al VaR Juan Mascareñas Universidad Complutense de Madrid Versión inicial: mayo 1998 - Última versión: mayo 2008 - El valor en riesgo (VaR), 2 - El método histórico, 3 - El método varianza-covarianza, 6 - El método

Más detalles

Contenido. Horizontes temporales de la previsión La influencia del ciclo de vida del producto

Contenido. Horizontes temporales de la previsión La influencia del ciclo de vida del producto Previsión Contenido Qué es la previsión? Horizontes temporales de la previsión La influencia del ciclo de vida del producto Tipos de previsiones La importancia estratégica de la previsión Recursos humanos

Más detalles

en el funcionamiento del cerebro FRANCISCO CERVANTES PÉREZ, JOSÉ INCERA DIÉGUEZ Y SALVADOR MÁRMOL YAHYA

en el funcionamiento del cerebro FRANCISCO CERVANTES PÉREZ, JOSÉ INCERA DIÉGUEZ Y SALVADOR MÁRMOL YAHYA COMPUTaCIÓN NeURONaL MecaNIsMos INspIrados en el funcionamiento del cerebro FRANCISCO CERVANTES PÉREZ, JOSÉ INCERA DIÉGUEZ Y SALVADOR MÁRMOL YAHYA >A finales de los años 80, los sistemas que procesan información

Más detalles

MASTER DE INGENIERÍA BIOMÉDICA. Métodos de ayuda al diagnóstico clínico. Tema 5: Redes Neuronales

MASTER DE INGENIERÍA BIOMÉDICA. Métodos de ayuda al diagnóstico clínico. Tema 5: Redes Neuronales MASTER DE INGENIERÍA BIOMÉDICA. Métodos de ayuda al diagnóstico clínico. Tema 5: Redes Neuronales 1 Objetivos del tema Conocer las limitaciones de los modelos lineales en problemas de modelización/ clasificación.

Más detalles

INTERFAZ CEREBRAL NO INVASIVA PARA CONTROL DE UN SISTEMA DOMÓTICO POR PERSONAS DISCAPACITADAS

INTERFAZ CEREBRAL NO INVASIVA PARA CONTROL DE UN SISTEMA DOMÓTICO POR PERSONAS DISCAPACITADAS 2007 INTERFAZ CEREBRAL NO INVASIVA PARA CONTROL DE UN SISTEMA DOMÓTICO POR PERSONAS DISCAPACITADAS Autores José María Azorín Poveda Ingeniero Informática. Doctor por la Universidad Miguel Hernández de

Más detalles

OBJETIVO DEL CURSO. Comprenda como ajustar el ciclo económico en los modelos de riesgo de crédito.

OBJETIVO DEL CURSO. Comprenda como ajustar el ciclo económico en los modelos de riesgo de crédito. Contribuimos a potenciar el liderazgo de los directivos y profesionales 5 días Curso Credit Scoring, Validación de Modelos, Capital Económico y Stress Testing Nivel II Director del curso: Fernando González

Más detalles

Fundamentos y Aplicaciones Prácticas del Descubrimiento de Conocimiento en Bases de Datos. - Sesión 9 -

Fundamentos y Aplicaciones Prácticas del Descubrimiento de Conocimiento en Bases de Datos. - Sesión 9 - Fundamentos y Aplicaciones Prácticas del Descubrimiento de Conocimiento en Bases de Datos - Sesión 9 - Juan Alfonso Lara Torralbo 1 Índice de contenidos Actividad. Qué es un modelo de Data Mining Qué es

Más detalles

Sistema de Asignación de Riesgos Crediticios

Sistema de Asignación de Riesgos Crediticios Sistema de Asignación de Riesgos Crediticios Quienes somos Propuesta de Asignación de Riesgos Crediticios (Credit Scoring) CONTENIDO QUIENES SOMOS Matrix Data Labs es una Unidad de Negocios de Matrix CPM

Más detalles

IBM SPSS Decision Trees

IBM SPSS Decision Trees IBM Software IBM SPSS Statistics 19 IBM SPSS Decision Trees Identifique grupos y pronostique resultados con facilidad Funciones destacadas Con IBM SPSS Decision Trees podrá: Crear árboles de clasificación

Más detalles

ANÁLISIS DE RIESGOS: CÓMO GESTIONAR LA MOROSIDAD MEDIANTE LA MODELIZACIÓN EN LA GESTIÓN DE LOS RIESGOS ESTRELLA GARCÍA DÍAZ

ANÁLISIS DE RIESGOS: CÓMO GESTIONAR LA MOROSIDAD MEDIANTE LA MODELIZACIÓN EN LA GESTIÓN DE LOS RIESGOS ESTRELLA GARCÍA DÍAZ ANÁLISIS DE RIESGOS: CÓMO GESTIONAR LA MOROSIDAD MEDIANTE LA MODELIZACIÓN EN LA GESTIÓN DE LOS RIESGOS Madrid, 15 de abril de 2008 ESTRELLA GARCÍA DÍAZ JEFA DE RIESGO DE CRÉDITO CAIXA CATALUNYA Pàgina

Más detalles

Administración de Riesgos en Amex Bank México.

Administración de Riesgos en Amex Bank México. Administración de Riesgos en Amex Bank México. American Express Bank (México), S.A., Institución de Banca Múltiple (Amex Bank) se considera así misma como una institución con perfil de riesgo conservador,

Más detalles

Algoritmos de minería de datos incluidos en SQL Server 2008 1. Algoritmo de árboles de decisión de Microsoft [MIC2009a] Cómo funciona el algoritmo

Algoritmos de minería de datos incluidos en SQL Server 2008 1. Algoritmo de árboles de decisión de Microsoft [MIC2009a] Cómo funciona el algoritmo 1 Algoritmos de minería de datos incluidos en SQL Server 2008 Los algoritmos que aquí se presentan son: Árboles de decisión de Microsoft, Bayes naive de Microsoft, Clústeres de Microsoft, Serie temporal

Más detalles

CURSO DE GESTIÓN DEL RIESGO EN LOS MERCADOS FINANCIEROS. Visión Práctica de la Gestión del Riesgo de Mercado en una entidad bancaria 12 diciembre 2013

CURSO DE GESTIÓN DEL RIESGO EN LOS MERCADOS FINANCIEROS. Visión Práctica de la Gestión del Riesgo de Mercado en una entidad bancaria 12 diciembre 2013 CURSO DE GESTIÓN DEL RIESGO EN LOS MERCADOS FINANCIEROS Visión Práctica de la Gestión del Riesgo de Mercado en una entidad bancaria 12 diciembre 2013 Índice 1. Introducción 2. Riesgo de Mercado Visión

Más detalles

ANÁLISIS DINÁMICO DEL RIESGO DE UN PROYECTO

ANÁLISIS DINÁMICO DEL RIESGO DE UN PROYECTO ANÁLISIS DINÁMICO DEL RIESGO DE UN PROYECTO Por: Pablo Lledó Master of Science en Evaluación de Proyectos (University of York) Project Management Professional (PMP) Profesor de Project Management y Evaluación

Más detalles

BANCO DE MEXICO. Definiciones básicas de Riesgos

BANCO DE MEXICO. Definiciones básicas de Riesgos BANCO DE MEXICO Definiciones básicas de Riesgos Noviembre 2005 1 ÍNDICE DE RIESGO: 1.1. Medidas de riesgo 1.1.1. Valor en Riesgo (VaR) 1.1.2. Análisis de Estrés 1.2. Riesgo de Mercado 1.2.1. Medidas de

Más detalles

Créditos de Consumo Bancarios* Evolución reciente: 1997-2005

Créditos de Consumo Bancarios* Evolución reciente: 1997-2005 Serie Técnica de Estudios - N 003 Créditos de Consumo Bancarios* Evolución reciente: 1997-2005 Liliana Morales R. Álvaro Yáñez O. Enero 2006 Superintendencia de Bancos e Instituciones Financieras SBIF

Más detalles

Value at Risk (VaR)& Value at Earnings (VaE)

Value at Risk (VaR)& Value at Earnings (VaE) Value at Risk (VaR)& Value at Earnings (VaE) Servicios para la automatización de cálculos sobre grandes volúmenes de datos para la gestión de Riesgo de Mercado Compartir conocimiento Respuestas a tiempo

Más detalles

código Java Solicitudes Reportes AJI resultados API

código Java Solicitudes Reportes AJI resultados API Analizador Java Inteligente Agüero Martin Jorge, miembro IT-Lab de la Universidad de Palermo, agüero.marin@gmail.com López De Luise María Daniela, miembro IT-Lab de la Universidad de Palermo, mlopez74@palermo.edu

Más detalles

Módulo 3. Metodología de medición y cuantificación del riesgo de crédito

Módulo 3. Metodología de medición y cuantificación del riesgo de crédito Módulo 3. Metodología de medición y cuantificación DR Instituto Tecnológico y de Estudios Superiores de Monterrey, Universidad Virtual México, 2010 1 Introducción y conceptos fundamentales Introducción

Más detalles

METODOLOGÍAS PARA LA PREDICCIÓN DEL RIESGO DE COBRANZA

METODOLOGÍAS PARA LA PREDICCIÓN DEL RIESGO DE COBRANZA SCORE DE COBRANZA 2 METODOLOGÍAS PARA LA PREDICCIÓN DEL RIESGO DE COBRANZA Score de Buró Score estadístico que utiliza información de Buró, y diseñado para otorgantes de crédito nuevos en la evaluación

Más detalles

Propuesta de un modelo basado en redes neuronales para la detección de riesgo crediticio

Propuesta de un modelo basado en redes neuronales para la detección de riesgo crediticio Revista de Investigación ULASALLE, Rev Inv ULASALLE, Número 1, 2012 (55-64) Universidad La Salle Arequipa, Perú Propuesta de un modelo basado en redes neuronales para la detección de riesgo crediticio

Más detalles

Cómo se usa Data Mining hoy?

Cómo se usa Data Mining hoy? Cómo se usa Data Mining hoy? 1 Conocer a los clientes Detectar segmentos Calcular perfiles Cross-selling Detectar buenos clientes Evitar el churning, attrition Detección de morosidad Mejora de respuesta

Más detalles

Cátedra: Informática Aplicada a la Ingeniería de Procesos Orientación I. Tema: Redes Neuronales: Conceptos Básicos y Aplicaciones.

Cátedra: Informática Aplicada a la Ingeniería de Procesos Orientación I. Tema: Redes Neuronales: Conceptos Básicos y Aplicaciones. Universidad Tecnológica Nacional Facultad Regional Rosario Departamento de Ingeniería Química Grupo de Investigación Aplicada a la Ingeniería Química (GIAIQ) Cátedra: Informática Aplicada a la Ingeniería

Más detalles

ÍNDICE DE CONTENIDOS. Capítulo 1 Presentación

ÍNDICE DE CONTENIDOS. Capítulo 1 Presentación ÍNDICE DE CONTENIDOS Capítulo 1 Presentación Capítulo 2 Introducción al proceso de decisión bajo riesgo e incertidumbre 2.1. Resumen del capítulo 2.2. Introducción 2.3. El concepto de riesgo e incertidumbre

Más detalles

UNIVERSIDAD CARLOS III DE MADRID

UNIVERSIDAD CARLOS III DE MADRID UNIVERSIDAD CARLOS III DE MADRID ESCUELA POLITÉCNICA SUPERIOR Ingeniería en Informática ESTUDIO COMPARATIVO DE PARAMETRIZACIÓN DE UN SISTEMA DE REDES DE NEURONAS ARTIFICIALES EVOLUTIVAS PARA LA PREDICCIÓN

Más detalles

Comparación de Modelos de Redes Neuronales Utilizados en Sistemas de Soporte de Decisiones

Comparación de Modelos de Redes Neuronales Utilizados en Sistemas de Soporte de Decisiones Comparación de Modelos de Redes Neuronales Utilizados en Sistemas de Soporte de Decisiones Broggi, Carlos Javier Goujon, Diego Javier Herrmann, Raúl Alberto Universidad Tecnológica Nacional, Facultad Regional

Más detalles

NeuralTools. Programa auxiliar de redes neuronales para Microsoft Excel. Versión 6 March, 2013. Guía para el uso de

NeuralTools. Programa auxiliar de redes neuronales para Microsoft Excel. Versión 6 March, 2013. Guía para el uso de Guía para el uso de NeuralTools Programa auxiliar de redes neuronales para Microsoft Excel Versión 6 March, 2013 Palisade Corporation 798 Cascadilla St. Ithaca, NY 14850 EE.UU. +1-607-277-8000 +1-607-277-8001

Más detalles

ALCANCE DEL SERVICIO INDICADORES EN ÁREAS CLAVE DE LA EMPRESA

ALCANCE DEL SERVICIO INDICADORES EN ÁREAS CLAVE DE LA EMPRESA Presupuestación DESCRIPCIÓN DEL SERVICIO ALCANCE DEL SERVICIO Objetivo Diseño e implementación de un sistema de gestión de la performance y el riesgo (CRPM) para empresas. Conjunto de procesos, metodologías

Más detalles

Metodología de Clasificación. Títulos de Deuda de Securitización Respaldados con Tarjetas de Crédito

Metodología de Clasificación. Títulos de Deuda de Securitización Respaldados con Tarjetas de Crédito Metodología de Clasificación Títulos de Deuda de Securitización Respaldados con Tarjetas de Crédito Originación de los Créditos y Administración Revisión del Originador o Vendedor/Administrador El proceso

Más detalles

ANÁLISIS DISCRIMINANTE APLICADO AL PROBLEMA DE CREDIT SCORING

ANÁLISIS DISCRIMINANTE APLICADO AL PROBLEMA DE CREDIT SCORING ANÁLISIS DISCRIMINANTE APLICADO AL PROBLEMA DE CREDIT SCORING RESUMEN JUAN MANUEL RIVAS CASTILLO En este documento se emplea el análisis discriminante, que es una técnica del análisis multivariado utilizada

Más detalles

SISTEMA DE CREDIT SCORING

SISTEMA DE CREDIT SCORING SISTEMA DE CREDIT SCORING APLICADO A MICROEMPRESAS Andrés Bernal E. Gerente Comercial Viviana Manríquez F. Asesora Gerente Comercial Banco del Desarrollo División Microempresas Scotiabank Group TEMARIO

Más detalles

JUNIO 2015 MARZO 2015

JUNIO 2015 MARZO 2015 CARACTERÍSTICAS DEL FONDO TIPO DEL FONDO: ABIERTO MONEDA DE PARTICIPACIONES: DÓLARES INVERSIÓN MÍNIMA: US$1,000.00 VALOR CONTABLE DE LA PARTICIPACIÓN AL CIERRE DE JUNIO 2015: 1.000024624627 CUSTODIO DE

Más detalles