Mostrar el registro sencillo del ítem

dc.contributor.advisorGonzález Fabre, Raúles-ES
dc.contributor.authorMartín Palla, Luises-ES
dc.contributor.otherUniversidad Pontificia Comillas, Facultad de Ciencias Económicas y Empresarialeses_ES
dc.date.accessioned2022-07-05T10:52:59Z
dc.date.available2022-07-05T10:52:59Z
dc.date.issued2023es_ES
dc.identifier.urihttp://hdl.handle.net/11531/69709
dc.descriptionGrado en Administración y Dirección de Empresas y Grado en Análisis de Negocios/Business Analyticses_ES
dc.description.abstractEl Big Data y los modelos de machine learning han ganado un importante protagonismo en los últimos años. La totalidad de sectores económicos a nivel internacional se han visto influenciados por estas nuevas tecnologías, y todo parece indicar que en las próximas décadas este impacto será todavía de mayor dimensión. El sector inmobiliario y el bancario, generadores de más del 10% y del 4% del PIB en nuestro país respectivamente, también se han visto influenciados por estas herramientas, debido principalmente a la revolución que los sistemas de credit scoring han provocado en la concesión y gestión de préstamos hipotecarios. Ante este fenómeno, el presente trabajo de fin de grado estudia la posibilidad de construir un sistema de credit scoring basado en modelos de machine learning que permita alcanzar una precisión elevada en la predicción del acaecimiento del suceso de impago. Mediante la implementación de diferentes algoritmos en un ejercicio de clasificación, se obtienen unos resultados que no permiten confirmar la posibilidad de construir un sistema como el descrito. Sin embargo, sí se han obtenido insights significativos, como la calibración del algoritmo que mejor parece adaptarse al caso de estudio o la identificación de variables relevantes y de oportunidades de mejora de cara a futuros ejercicios de una índole similar.es-ES
dc.description.abstractBig Data and machine learning models have gained significant prominence in recent years. All international economic sectors have been influenced by these new technologies, and everything seems to indicate that in the coming decades this impact will be even greater than that experienced to date. The real estate and banking sectors, which account for 10% and 4% of the GDP in our country respectively, have also been influenced by these tools, mainly due to the revolution that credit scoring systems have caused in the granting and management of mortgage loans, historically highly solicited contracts by the population in order to obtain funds to finance the acquisition of real estate goods. In view of this phenomenon, this thesis studies the possibility of building a credit scoring system based on machine learning models to achieve a high accuracy in the prediction of the occurrence of the default event. By implementing different algorithms in a classification exercise, results are obtained that do not allow confirming the possibility of building a system like the one described. However, significant insights have been obtained, such as the calibration of the algorithm that seems to be best suited to the case study or the identification of relevant variables and opportunities for improvement for future exercises of a similar nature.en-GB
dc.format.mimetypeapplication/pdfes_ES
dc.language.isoes-ESes_ES
dc.rightsAttribution-NonCommercial-NoDerivs 3.0 United Stateses_ES
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/us/es_ES
dc.subject53 Ciencias económicases_ES
dc.subject5306 Economía del cambio tecnológicoes_ES
dc.subject530601 Economía de la investigación y del desarrolloes_ES
dc.subject.otherKBAes_ES
dc.titleBig Data en el sector inmobiliario: aplicación en los préstamos hipotecarioses_ES
dc.typeinfo:eu-repo/semantics/bachelorThesises_ES
dc.rights.accessRightsinfo:eu-repo/semantics/openAccesses_ES
dc.keywordssector inmobiliario, sector bancario, préstamo hipotecario, riesgo de impago, credit scoring, Big Data, machine learning.es-ES
dc.keywordsreal estate sector, banking sector, mortgage lending, default risk, credit scoring, Big Data, machine learning.en-GB


Ficheros en el ítem

Thumbnail

Este ítem aparece en la(s) siguiente(s) colección(ones)

Mostrar el registro sencillo del ítem

Attribution-NonCommercial-NoDerivs 3.0 United States
Excepto si se señala otra cosa, la licencia del ítem se describe como Attribution-NonCommercial-NoDerivs 3.0 United States