English (United Kingdom)

https://curated-unify.zendy.io/wp-json/zendy-region/v1/featured_content/oa?rat=en

https://curated-unify.zendy.io/wp-json/zendy-region/v1/highlighted_journal/

Global: Zendy Plus annual

Presents the access of premium content as premium feature

Premium Content

Presents the keyphrase highlighting as premium feature

Keyphrase Highlighting

Presents the summarisation as premium feature

Summarisation

Insights

Presents the pdf analysis as premium feature

PDF Analysis

Presents the zaia usage as premium feature

ZAIA

Global: Zendy Tools annual

Global: Zendy Free Plan

Global: Zendy Tools monthly

Global: Zendy Plus monthly

Las entidades crediticias siempre han tenido el problema de controlar el riesgo de crédito al que se exponen al desarrollar sus operaciones crediticias, en tal sentido, siempre han requerido apoyarse en modelos predictivos que les ayuden a tomar decisiones acertadas para la aceptación o el rechazo de una solicitud de crédito. Los modelos predictivos de microcrédito que emplean las instituciones financieras para calificar a los solicitantes de crédito, son los conocidos modelos clásicos basados en técnicas estadísticas y los modelos basados en técnicas de inteligencia artificial. Estos modelos difieren en la cantidad de factores que requieren, en las técnicas que emplean y en la precisión de la predicción. En este estudio, se utilizó redes neuronales supervisadas, implementándose tres redes neuronales, para decidir si se acepte o se rechaza la solicitud de crédito. Las redes neuronales se entrenaron con los datos de una entidad micro-financiera, que constaba de 15,569 casos, cada uno de ellos tenía 20 atributos. Para crear las redes neuronales se utilizó Microsoft Azure Machine Learning Studio, software disponible en la nube, mediante el cual se obtuvieron los ratios de eficiencia y error, que permitieron elegir el mejor modelo de predicción. El modelo elegido se puede utilizar en la automatización de la evaluación de la solicitud de crédito de los clientes de las financieras. Keywords-Microcredit; Credit score; Credit risk; Data mining; Cloud

proceedings of the 16th laccei international multi-conference for engineering, education, and technology: “innovation in education and inclusion”

Diseño de un modelo basado en redes neuronales en la nube para determinar el riesgo de crédito en los solicitantes de microcrédito en el mercado financiero de Perú