Cost-sensitive learning for credit risk

Resumen

Esta tesis aborda el problema de detección de fraude y riesgo de crédito desde una perspectiva sensible al coste. Se investigan técnicas que maximicen los beneficios de una entidad financiera al mismo tiempo que se minimiza la probabilidad de incurrir en pérdidas. En primer lugar se propone un algoritmo para la estimación de la decisión óptima dada una puntuación. Una vez obtenida la regla de decisión óptima,se aborda la estimación de la puntuación desde un enfoque sensible al coste. S epropone un modelo paramétrico sensible al coste, para el cual se obtiene su consistencia y normalidad asintótica. También se propone un modelo semi paramétric osensible al coste, el cual es más robusto y flexible. Finalmente se afronta el riesgo de crédito desde una perspectiva de aprendizaje por refuerzo. En particular, se proponen un algoritmo de aprendizaje en línea y un algoritmo de bandido, de forma que se obtienen modelos actualizados con la última información disponible, optimizándolas decisiones desde una perspectiva sensible al coste. El buen funcionamiento de todas las propuestas es demostrado a través de estudios de simulación y el análisis de varios conjuntos de datos reales de riesgo de crédito.