Modelos de machine learning aplicados a la estimación de la probabilidad de default de entidades bancarias del sistema bancario argentino - Tesis de maestría

Aug 6, 2026

Subir por Logic

La tesis desarrolla distintos modelos de machine learning con el objetivo de generar modelos predictivos vinculados al default de entidades bancarias. El trabajo realiza un relevamiento de la información disponible en el BCRA, construyendo una base de datos con decenas de indicadores, considerada el eje del modelo. A partir de un conjunto de valores de variables, se busca cuantificar la probabilidad de default de la entidad analizada. También se detalla la aplicación del aprendizaje supervisado y se resumen los resultados obtenidos, incluyendo su poder explicativo.

IdiomaSpanish

CategoríaInvestigación e Informes

FormatoPDF

Páginas53

Tiempo de lectura1 h 22 min

AccesoGratis para descargar

Tabla de contenidos

Resumen

Agradecimientos

1. Introducción

2. Revisión literaria

3. Construcción de las bases de datos

3.1. Origen de datos y preprocesamiento

3.2. Definiciones adoptadas

4. Modelos

4.1. Análisis Discriminante Cuadrático (QDA)

4.2. Regresión logística

4.3. Cross-Validation

4.4. Support Vector Machine

5. Herramientas de evaluación

5.1. Accuracy

5.2. Precision y Recall

5.3. Curva ROC-AUC

5.4. F1-score

6. Análisis empírico

6.1. Asunciones generales

6.2. Resultados sobre trabajo de Fernández-Sainz y Llaugel (2011)

7. Desarrollo de metodología propia

7.1. Preselección de indicadores propios

7.2. Desarrollo de modelos mediante métodos de Machine Learning

8. Conclusiones

9. Pasos siguientes del trabajo

Referencias

Apéndices

A. Indicadores financieros

B. Código en Python

C. Gráficos

D. Tabla de resultados indicadores Fernández-Sainz y Llaugel (2011)

E. Tabla de resultados indicadores propios

# UNIVERSIDAD DE SAN ANDRÉS ESCUELA DE ADMINISTRACIÓN Y NEGOCIOSMAGISTER EN FINANZAS Modelos de machine learning aplicados a laestimación de la probabilidad de default deentidades bancarias del sistema bancarioargentino Autor:Mariano Ezequiel BozziDNI:28.280.898 Director de Tesis:Mg.Ing.FedericoFilgueira # Resumen A lo largo del trabajo se desarrollan distintos modelos de machine learningcon el fin de generar modelos predictivos asociados al default de entidadesbancarias.A tal efecto,se lleva a cabo un relevamiento de la informacióndisponible en el BCRA¹,cuyo resultado final es la generación de una basede información con decenas de indicadores.Esta es,junto a la metodologiadesarrollada,la piedra angular del modelo desarrollado.El objetivo final dedicho modelo es cuantificar,dado un conjunto de valores de un set de in-dicadores,la probabilidad de default que posee la entidad bancaria que seanalice.Por ot ro lado,en la sección correspondiente se detalla el modo enque se aplica el aprendizaje automático supervisado al desarrollo del modelopredictivo en cuestión y,por últ imo,se resumen los resultados alcanzados apartir del abordaje de los parámetros obtenidos y su poder explicativo. Palabras clave:Machine Learning,Probabilidad de default,PD,BCRA,Entidades Bancarias Argentinas. Sa és # Agradecimientos Esta tesis es fruto de un trabajo arduo y de gran crecimiento personal.Esimportante destacar mi agradecimiento hacia las personas que ayudaron asortear las dificultades durante la investigación. En primer término a mitutor Federico Filgueira,por creer en mi,y habermebrindado su guia,compromiso y dedicación sin lo cual estetrabajo no hubiesesido posible.Además,es mi deseo agradecer a la Universidad de San Andrésy al cuerpo docente por su excelencia académica y por haber provisto elámbito necesario para crecer tanto en lo profesional y como en lo personal,especialmente a Gabriel Basaluzzo y Elsa Cortina por todo su apoyo a lolargo del proceso de aprendizaje Por último,quiero agradecer al personal de la Biblioteca Prebish del BCRApor la información suministrada,haciendo una mención especial para NicolásRodriguez,cuya predisposición y colaboración en la búsqueda de informaciónfueron claves para alcanzar los resultados del presente trabajo. I Indice 1. Introducción 3 2. Revisión literaria 6 3. Construcción de las bases de datos 11 3.1. Origen de dat os y preprocesamiento…………………………………………………………11 3.2. Definiciones adoptadas ………………………………………………………………………………………11 4. Modelos 16 4.1. Análisis Discriminante Cuadrático(QDA)…………………………………16 4.2. Regresión logistica.....·7………………………………………18 4.3. Cross-Validation!…………………………………………………………………………………………………………18 4.4. Support Vector Machine……………………………………………………………………………19 5. Herramientas de evaluación 20 5.1. Accuracy./…………………………………………………………………………………………………………20 5.2. Precisiony Recall...RERE……………………………………………………………21 5.3. Curva ROC-AUC...1………………………………………………………21 5.4. F1-score …………………………………………………………………………………………………………………………………21 6. Análisis empírico 23 6.1. Asunciones generales……………………………………… …………………………………………23 6.2. Resultados sobre trabajo de Fernández-Sainz and Llaugel(2011)23 7. Desarrollo de metodologia propia 24 7.1. Preselección de indicadores propios…………………………………………………………24 7.2. Desarrollo de modelos mediante métodos de Machine Learning 26 8. Conclusiones 29 9. Pasos siguientes del trabajo 30 Referencias 31 Apéndices 34 A.Indicadores financieros 34 B. Código en Python 35 C.Gráficos 36 C.1. Gráficos análisis indicadores Fernández-Sainz and Llaugel(2011)36 C.1.1. Ventana 3 en T-00……………………………………………………………………………36 C.1.2. Ventana 3 en T-03…………………………………………………………………………………38 C.1.3. Ventana 3 en T-06 ……………………………………………………………………………40 C.2. Gráficos análisis indicadores propios…………………………………………………………42 C.2.1. Ventana 3 en T-00……………………………………………………………………………42 C.2.2. Ventana 3 en T-03 …………………44 C.2

Preguntas frecuentes

Cuál es el objetivo central del trabajo?

Desarrollar modelos de machine learning para estimar, con variables de indicadores, la probabilidad de default de entidades bancarias.

Qué fuente de datos se utiliza para construir la base de indicadores?

Se releva la información disponible en el BCRA y, con ese insumo, se genera una base con decenas de indicadores.

Qué enfoques de modelado se aplican para el aprendizaje supervisado?

Se emplean modelos predictivos como QDA, regresión logística y máquinas de soporte vectorial, además de validación con cross-validation.

Aug 6, 2026

Subir por Logic