Clasificación de créditos utilizando máquinas de soporte vectorial sobre la base de datos de LendingClub

Main Article Content

Autores

Karen Estefanía Guevara-Díaz
https://orcid.org/0000-0001-6360-7377

Resumen

Se presenta la teoría de máquinas de soporte vectorial (Support Vector Machine – svm) aplicada a la clasificación de créditos otorgados por la banca fintech (financial technology) de Estados Unidos LendingClub. Se estudiará la clasifi­cación que da el método svm a los créditos contra la ya otorgada por la entidad. Se analizan las variables más importantes que maneja LendingClub para el otorgamiento de créditos comparándolas con la clasificación de pago o impago que arroja el experimento de SVM.

Palabras clave:

Article Details

Licencia

Creative Commons License
Esta obra está bajo licencia internacional Creative Commons Reconocimiento-NoComercial-CompartirIgual 4.0.

Referencias

Bessis, J. (2015). Risk Management in Banking (e ed.). New York: Wiley.

Fernández-Sainz, A. (2010). ¿Bancos con problemas? Un sistema de alerta temprana para la prevención de crisis bancarias. Cuadernos de Gestión, 11(2), 149-168.

Gareth, J. et al. (2017). An Introduction to Statistical Learning with Applications in R. Berlin: Springer.

Malekipirbazari, M. y Aksakalli, V. (2015). Risk assessment in social lending via ran¬dom forests. Expert Systems With Applications, 42(10), 4621-4631.

Moreno Gutiérrez, J. y Melo Velandia, L. (2011). Pronóstico de incumplimiento de pago mediante máquinas de vectores de soporte: una aproximación inicial a la gestión del riesgo de crédito. Borradores de Economía, 677.

Vapnik, V. y Cortés, C. (1995). Support Vector Networks. Machine Learning, 20, 273-297.

Xi, Y. et al. (2019). Risk control of online P2P lending in China based on health in-vestment. Ekoloji, 107, 2013-2022.

Yu, L. (2014). Credit risk evaluation with a least squares fuzzy support vector machines classifier. Arcif, 1-9.

Descargas

La descarga de datos todavía no está disponible.