Publication:
Aplicación de técnicas de clasificación supervisada para la gestión del riesgo de incumplimiento en el pago de aportes en cartera en una AFP privada colombiana

Thumbnail Image
Files

Files

Díaz, Santiago-2025.pdf (2.38 MB)
 Certificación.pdf (235.89 KB)
 Autorización.pdf (154.84 KB)
View Statistics
Reference Managers
Mendeley
Indexers
Google Scholar CORE
QR Code
QR Code
Authors

Authors

Baquero Sáenz, Angelica Dahyana
Díaz Villamil, Santiago Andrés
Abstract (Spanish)
La gestión de la deuda por aportes obligatorios a pensión en las administradoras de fondos pensionales (AFP) privadas en Colombia representa un desafío crítico, caracterizado por procesos reactivos y costosos que impactan la sostenibilidad financiera y los derechos de los afiliados. Esta investigación aborda dicho problema mediante la implementación y validación de un modelo de machine learning para predecir la probabilidad de pago de las deudas en mora por parte de los empleadores de los afilaidos de una AFP dentro de un horizonte de tres meses desde la creación de la deuda, con el fin de proporcionar una herramienta funcional para la gestión proactiva de la cartera.
Abstract (English)
The management of debt from pension contributions in Colombia's private pension fund administrators (AFPs) represents a critical challenge, characterized by reactive and costly processes that impact financial sustainability and members' rights. This research addresses this problem by developing and validating a machine learning model to predict the payment probability of debts within a three-month horizon from their inception. The objective is to provide a functional tool for proactive portfolio management.
Director

Advisors/Directors

Otero Martínez, Guillermo Andrés
Extent
64 páginas
URI: https://repositorio.escuelaing.edu.co/handle/001/3714
Collections

Collections

GE - Trabajos de Grado Maestría en Ciencia de Datos
References

Abad, J. G. (2018). Comparativa de tecnicas de balanceo de datos. Aplicaci ´ on a un problema de cla- ´ sificacion´ [Trabajo Fin de Master]. Universidad de Oviedo [Consultado el 21 de junio de 2025]. ´ https://digibuo.uniovi.es/dspace/bitstream/handle/10651/60629/TFM Joaqu%C3%ADnGarc% C3%ADaAbad.pdf?sequence=4

Ali, Z., Muhammad, F., Zafar, A., Nabila & Ullah, I. (2024). Optimizing machine learning classifiers for credit card fraud detection on highly imbalanced datasets using pca and smote techniques. Consultado el 1 de junio de 2025, desde https://vfast.org/journals/index.php/VTCS/article/view/ 1921

Altman, E. I., & Hotchkiss, E. (2023). Corporate financial distress, restructuring, and bankruptcy: Analyze leveraged finance, distressed debt, and bankruptcy (4.a ed.). Wiley.

Anderson, R. (2015, agosto). Piecewise Logistic Regression: an Application in Credit Scoring [Edinburgh, UK]. Consultado el 19 de junio de 2025, desde https://www.researchgate.net/profile/ Raymond-Anderson-2/publication/305701103 Piecewise Logistic Regression an Application in Credit Scoring/links/579a79fa08ae2e0b31b15615/Piecewise-Logistic-Regression-an-Applicationin-Credit-Scoring.pdf

Brito Filho, D. A. d., & Artes, R. (2018). Application of bayesian additive regression trees in the development of credit scoring models in Brazil. Production. https://doi.org/10.1590/0103- 6513. 20170110

Chouksey, A., Sadik, S., Rao, N., Kumar, P., Hossain, M., Rahman, S., Khalilor, R., & Hossain, S. (2023). Machine learning-based risk prediction model for loan applications enhancing decision-making and default prevention. Journal of Business and Management Sciences, 11(2). Consultado el 1 de junio de 2025, desde https://al-kindipublisher.com/index.php/jbms/article/view/8806

DataSource.ai. (2025). Metricas de Evaluaci ´ on de Modelos en el Aprendizaje Autom ´ atico. https://www. ´ datasource.ai/es/data-science-articles/metricas-de-evaluacion-de-modelos-en-el-aprendizajeautomatico

Dejusticia. (2022). ¿Es constitucional gravar las pensiones? https://www.dejusticia.org/column/esconstitucional-gravar-las-pensiones/

Equipo CFI. (s.f). Modelo de puntuacion Z de Altman ´ . Consultado el 30 de mayo de 2025, desde https: //corporatefinanceinstitute.com/resources/commercial-lending/altmans-z-score-model/

Gonzalez Rodr ´ ´ıguez, R., & Garc´ıa Restrepo, J. D. (2022). Modelos de analisis predictivo para la gesti ´ on´ de cobro de aportes de pension en Colombia ´ . Consultado el 1 de junio de 2025, desde https: / / redcol . minciencias . gov. co / Record / SANTTOMAS2 bfdb51c70bd48107b1750b4d12ffc34d / Details#description

Guerra Fabra, J. L., & Garc´ıa Velasquez, M. E. (2023). An ´ alisis de la recuperaci ´ on de cartera en empre- ´ sas comercializadoras de motocicletas. Revista Cient´ıfica General Jose Mar ´ ´ıa Cordova ´ . https: //digitk.areandina.edu.co/server/api/core/bitstreams/c0957b15-fb28-46a7-954c-eb87f31947bf/ content

Hastie, T., Tibshirani, R., & Friedman, J. (2009a). The Elements of Statistical Learning: Data Mining, Inference, and Prediction (2nd) [Cap´ıtulo dedicado a Random Forests, con fundamento matematico ´ detallado]. Springer.

Hastie, T., Tibshirani, R., & Friedman, J. (2009c). The Elements of Statistical Learning: Data Mining, Inference, and Prediction (2nd). Springer

Hosmer, D. W., & Lemeshow, S. (2000). Applied logistic regression. John Wiley & Sons. Consultado el 31 de mayo de 2025, desde https://pzs.dstu.dp.ua/DataMining/mls/bibl/logistic.pdf

IBM Corporation. (2024). ¿Que es el aprendizaje por refuerzo? ´ Consultado el 21 de junio de 2025, desde https://www.ibm.com/mx-es/think/topics/reinforcement-learning

Jaramillo, C. (2023). Analisis de la Gesti ´ on de cobranzas en el Instituto Asedu Ecuador. https://dspace. ´ ups.edu.ec/bitstream/123456789/26476/1/UPS-GT004842.pdf

Katherine Quimi, M. O., Jonathan Zeas. (2021). La deuda y el apalancamiento: Aliado estrategico o ´ enemigo empresarial. Journal of Business and Entrepreneurial Studies. https : / / repositorio. utmachala.edu.ec/handle/48000/16739

Mantovani, R. G., Rossi, A. L. D., Alcobac¸a, E., Gertrudes, J. C., Junior, S. B., & de Carvalho, A. C. P. L. F. (2021). Rethinking Default Values: a Low Cost and Efficient Strategy to Define Hyperparameters [Version 3, submitted to Elsevier on July 9, 2021]. arXiv preprint arXiv:2008.00025. https://arxiv. org/pdf/2008.00025

Ministerio de Salud y Proteccion Social de Colombia. (2025). Planilla Integrada de Liquidaci ´ on de Apor- ´ tes (PILA) [Consultado el 18 de junio de 2025].

Moreno Zapata, J. S. (2020). GRILLA: Grouping Recall Least Lazy Algorithm. Modelo Matematico para ´ Cobranza Selectiva usando tecnicas de aprendizaje autom ´ atico ´ [Tesis de Maestr´ıa]. Universidad EAFIT. Consultado el 1 de junio de 2025, desde https://repository.eafit.edu.co/server/api/ core/bitstreams/2c46259b-6cbe-42cc-8e11-0af6a8b0d04e/content

Mujahid, M., Kına, E., Rustman, F., Gracia, M., Silva, E., De La Torre, I., & Imran, A. (2024). Data oversampling and imbalanced datasets: An investigation of performance for machine learning and feature engineering. Journal of Big Data, 11(1), 43. Consultado el 1 de junio de 2025, desde https://journalofbigdata.springeropen.com/articles/10.1186/s40537-024-00943-4

Neelamegam, S., & Ramaraj, E. (2013). Classification algorithm in Data mining: An Overview. International Journal of P2P Network Trends and Technology (IJPTT). Consultado el 1 de junio de 2025, desde https://www.ijpttjournal.org/asserts/volume/volume-3/issue-8/IJPTT-V3I8P101.pdf

Organizacion Internacional del Trabajo. (2022). ´ Informe mundial sobre la proteccion social 2020-22: La ´ proteccion social en la encrucijada - de la respuesta a la recuperaci ´ on´ . Consultado el 30 de mayo de 2025, desde https://www.ilo.org/es/publications/flagship-reports/informe-mundialsobre-la-proteccion-social-2020-2022-la-proteccion-social

Prasetiyowati, M. I., Maulidevi, N. U., & Surendro, K. (2021). Determining Threshold Value on Information Gain Feature Selection to Increase Speed and Prediction Accuracy of Random Forest. Journal of Big Data, 8(84). https://doi.org/10.1186/s40537-021-00472-4

Sathya, R., & Abraham, A. (2013). Comparison of Supervised and Unsupervised Learning Algorithms for Pattern Classification. International Journal of Advanced Research in Artificial Intelligence (IJARAI), 2(2), 34-38. https://thesai.org/Downloads/IJARAI/Volume2No2/Paper 6-Comparison of Supervised and Unsupervised Learning Algorithms for Pattern Classification.pdf

Soomro, A., Zakariyah, H., Aftab, S., Muflehi, M., shah, A., & Meraj, S. (2024). Loan default prediction using machine learning algorithms: A systematic literature review 2020 to 2023. Pakistan Journal of Life and Social Sciences, 22(2). Consultado el 1 de junio de 2025, desde https : //pjlss.edu.pk/pdf files/2024 2/6234-6253.pdf

TIBCO Software Inc. (2023). Spotfire Data Science Client User Guide, Version 6.5.0 [Accessed: 2025- 06-19]. https://docs.tibco.com/pub/sfire-dsc/6.5.0/doc/html/TIB sfire-dsc user-guide/GUID07A78308-525A-406F-8221-9281F4E9D7CF.html

Wamba, S. F., Akter, S., Edwards, A., Chopin, G., & Gnanzou, D. (2015). How ’big data’ can make big impact: Findings from a systematic review and a longitudinal case study. International Journal of Production Economics, 165, 234-246. https://www.sciencedirect.com/science/article/abs/pii/ S0925527314004253

Younes, H., Alameh, M., M, I., & Valle, M. (2025). Efficient Algorithms for Embedded Tactile Data Processing (inf. tec.). https://www.researchgate.net/publication/345602552 ´ Efficient Algorithms for Embedded Tactile Data Processing

Zhao, Y. (2025). Research on Interpretable Machine Learning Models for Identifying Corporate Bond Default Risk. Population, Resources & Environmental Economics, 6, 38-45. https://doi.org/10. 23977/pree.2025.060106