Cost-sensitive learning for credit risk

Resumo

Esta tese aborda o problema da detección do fraude e do risco de crédito desde unha perspectiva sensible ao custo. Investíganse técnicas que maximizan os beneficios dunha entidade financeira e minimizan a probabilidade de sufrir perdas. En primeiro lugar, proponse un algoritmo para estimar a decisión óptima dada unha puntuación. Unha vez resolto o problema da obtención da regra de decisión óptima,a estimación da puntuación afróntase desde un enfoque sensible ao custo. Proponse un modelo paramétrico sensible ao custo, para o que se obtén a súa consistencia e normalidade asintótica. Tamén se propón un modelo semiparamétrico sensible ao custo, que é máis robusto e flexible. Finalmente, o risco de crédito abórdase desde unha perspectiva de aprendizaxe por reforzo. En particular, proponse un algoritmo de aprendizaxe en liña e un algoritmo de bandido, de xeito que se obteñan modelos actualizados coa última información dispoñible, optimizando as decisións desde unha perspectiva sensible ao custo. O bo rendemento de todas as propostas demóstrase mediante estudos de simulación e a análise de varios conxuntos de datos reais de risco de crédito.