HCL Connections
  • Inicio
  • Perfiles ▼
  • Comunidades ▼
  • Aplicaciones ▼
  • M茅tricas
  • Moderaci贸n
  • ▼
  • Iniciar sesi贸n
  • Compartir
  • ?
  • HCLHCL

Comunidades

Esta comunidad puede tener miembros ajenos a la organizaci贸n. Gerencia Corporativa de Riesgos

  • Iniciar sesi贸n para participar
9f0576ed-5e8a-42e9-95d9-35d6b7c01c03 Blog

▼ Etiquetas Etiquetas de tema

 

▼ Entradas parecidas

Riesgos de contrataci贸n de pro...

Blog: Gerencia Corporativa de Riesgo...
Marianela Orozco Castro 23ECDA4E-8BB9-4060-B95B-9010432CA0CE morozco@bancobcr.com
Actualizada
A 0 personas les gusta estoN煤mero de "me gusta" 0
Ning煤n comentarioComentarios 0

Etapas Acuerdo CNF 14-21

Blog: Gerencia Corporativa de Riesgo...
Gabriel Jose Medina Cerdas AB39F6CC-84BA-46ED-AA24-DAC5B5C05B66 gmedina@bancobcr.com
Actualizada
A 1 personas les gusta estoN煤mero de "me gusta" 1
Ning煤n comentarioComentarios 0

Gu铆a para gestionar adecuadame...

Blog: Gerencia Corporativa de Riesgo...
Kenneth Romero Picado 38EF3F72-B30F-4FCE-8DD9-4D8FDB3CC070 kromero@bancobcr.com
Actualizada
A 3 personas les gusta estoN煤mero de "me gusta" 3
Ning煤n comentarioComentarios 0

Actualizaci贸n de normativa ext...

Blog: Gerencia Corporativa de Riesgo...
Marianela Orozco Castro 23ECDA4E-8BB9-4060-B95B-9010432CA0CE morozco@bancobcr.com
Actualizada
A 1 personas les gusta estoN煤mero de "me gusta" 1
Ning煤n comentarioComentarios 0

Gesti贸n de riesgo de fraude

Blog: Gerencia Corporativa de Riesgo...
Aurora Araya Masis 612511AF-BDC7-4BEE-A9AB-800ECFD10CD7
Actualizada
A 5 personas les gusta estoN煤mero de "me gusta" 5
Ning煤n comentarioComentarios 0

▼ Archivador

  • mayo de 2026
  • abril de 2026
  • febrero de 2026
  • diciembre de 2025
  • octubre de 2025
  • agosto de 2025
  • julio de 2025
  • mayo de 2025
  • abril de 2025
  • marzo de 2025
  • enero de 2025
  • diciembre de 2024
  • noviembre de 2024
  • agosto de 2024
  • julio de 2024
  • mayo de 2024
  • febrero de 2024
  • enero de 2024
  • diciembre de 2023
  • junio de 2023
  • abril de 2023
  • febrero de 2023
  • diciembre de 2022
  • noviembre de 2022
  • octubre de 2022
  • septiembre de 2022
  • agosto de 2022
  • julio de 2022
  • junio de 2022
  • marzo de 2022
  • diciembre de 2021
  • noviembre de 2021
  • septiembre de 2021
  • agosto de 2021
  • julio de 2021
  • junio de 2021
  • mayo de 2021
  • abril de 2021
  • marzo de 2021
  • febrero de 2021
  • enero de 2021
  • diciembre de 2020
  • noviembre de 2020
  • octubre de 2020
  • agosto de 2020
  • julio de 2020
  • junio de 2020
  • mayo de 2020
  • abril de 2020
  • marzo de 2020
  • enero de 2020
  • diciembre de 2019
  • noviembre de 2019
  • agosto de 2019
  • julio de 2019
  • mayo de 2019

▼ Autores de blog

Gerencia Corporativa de Riesgos

Ver todas las entradas
Si pulsa el bot贸n se actualizar谩 la p谩gina completa. El usuario podr铆a ir a la regi贸n "Lista de entradas" para ver el nuevo contenido.) Lista de entradas

馃 Machine Learning para medici贸n del Riesgo

Ferdinando Feoli Juarez AF884ECE-DDEC-463E-8E51-E89406FC0863 ffeoli@bancobcr.com | | Etiquetas:  ciencia_datos riesgo data_science machine_learning ‎ | 1 Comentario ‎ | 55 visualizaciones

Machine Learning(o "aprendizaje de las m谩quinas"/"aprendizaje autom谩tico") es una disciplina que busca聽detectar autom谩ticamente patrones de datos mediante algoritmos de clasificaci贸n, entrenamiento, pruebas y optimizaci贸n, con la finalidad de dar un posible resultado a una inc贸gnita con base en el aprendizaje adquirido.

image

Estas metodolog铆as se pueden implementar en la medici贸n de riesgos, permitiendo determinar probabilidades de p茅rdidas para un evento con base en sus caracter铆sticas y el comportamiento que han tenido eventos con caracter铆sticas similares a trav茅s del tiempo.

聽

Por ejemplo, en Riesgo聽de聽Cr茅dito se utilizan modelos de Machine Learning para determinar la probabilidad de incumplimiento de un cliente en el pago de las cuotas de su operaci贸n de cr茅dito, basado en el comportamiento que han tenido clientes con caracter铆sticas similares a trav茅s de los a帽os.

聽

A continuaci贸n usaremos un ejemplo sumamente b谩sico para entender lo explicado anteriormente:

Supongamos que nuestra instituci贸n en toda su historia ha tenido 煤nicamente 5 clientes, y para esos clientes hemos determinado dos variables que resultan ser significativas al momento de explicar por qu茅 tiene o no tiene un cr茅dito sano.

De pronto llega un nuevo cliente a solicitar un cr茅dito. 驴Con base en experiencias pasadas expuestas en el siguiente cuadro, podr铆as predecir si el cliente desarrollar谩聽o no un cr茅dito sano?

image

聽

Haz una pausa para analizar el cuadro y establece tu deducci贸n.

聽

Resultado: Teniendo en cuenta nuestros datos pasados, los clientes que han tenido los mismos valores en Variable 1 y Variable 2 respecto al cliente nuevo, no han tenido cr茅ditos sanos. Y por lo tanto es muy probable que nuestro cliente nuevo tampoco vaya a tener una sana operaci贸n de cr茅dito con nosotros.

聽

Este patr贸n que acabamos de hallar, es un ejemplo de lo que buscan encontrar los modelos de Machine Learning entre millones de registros con cientos de variables, para con los resultados tratar de deducir de forma autom谩tica los futuros resultados de miles de clientes con聽variedad de diferentes caracter铆sticas.

聽

Gerencia聽de聽Riesgo聽y聽Contol聽Normativo

Modificado el por Ferdinando Feoli Juarez AF884ECE-DDEC-463E-8E51-E89406FC0863 ffeoli@bancobcr.com
  • A帽adir un comentario A帽adir un comentario
  • Editar
  • M谩s acciones v
  • Poner esta entrada en cuarentena
Notificar a otras personas
notification_ex

Enviar notificaci贸n por correo electr贸nico

Poner esta entrada en cuarentena

deleteEntry
duplicateEntry

Marcar como duplicado

  • Entrada anterior
  • Principal
  • Entrada siguiente
Canal de informaci贸n para entradas de blogs | Canal de informaci贸n para comentarios de blogs | Canal de informaci贸n para comentarios en esta entrada
  • Inicio
  • Ayuda
  • Herramientas de marcadores
  • UI m贸vil
  • Acerca de
  • HCL Connections en hcl.com
  • Enviar comentarios