Determinantes de la Rentabilidad en Cooperativas de ahorro y crédito de Ecuador. Un análisis mediante Machine Learning

Impacto

Downloads

Downloads per month over past year



Oquendo Torres, Freddy Alejandro (2020) Determinantes de la Rentabilidad en Cooperativas de ahorro y crédito de Ecuador. Un análisis mediante Machine Learning. [Trabajo Fin de Máster]

[thumbnail of TFM_Freddy Oquendo2.pdf]
Preview
PDF
1MB


Abstract

El presente trabajo busca evidenciar empíricamente los principales determinantes que influyen en la rentabilidad de las Cooperativas de ahorro y crédito (COAC) de Ecuador. Para este fin, se implementarán modelos de aprendizaje automático como el árbol de clasificación CART, el Random Forest y el Gradient Boosting Machine. Mediante el empleo de estos modelos se busca llegar al objetivo principal del trabajo que es predecir los determinantes de la rentabilidad y evaluar cuál de las metodologías empleadas es más eficiente en cuanto a la clasificación de las COAC en Ecuador en rentables o no rentables. Se ha elaborado una base de datos que cuenta con un total de 510 observaciones para el año 2020. Para el análisis se han seleccionado dos variables dependientes que son el ROE y la Rentabilidad de la cartera de microcrédito y, como variables independientes, y de acuerdo con la teoría revisada, se han utilizado ratios financieros específicos para este tipo de entidades que miden la liquidez, solvencia, calidad del crédito, eficiencia y tamaño de la entidad. El presente trabajo llegó a la conclusión que, de los modelos utilizados, el modelo de Gradient Boosting Machine es el que mejor predice la rentabilidad, tanto en el caso del ROE como para la rentabilidad de la cartera de microcrédito. Además, las variables relacionadas con el tamaño de la entidad y el crédito son las que más influyen a la hora de clasificar una entidad como rentable o no rentable.

Resumen (otros idiomas)

This work seeks to empirically demonstrate the main determinants that influence the profitability of savings and credit cooperatives in Ecuador. For this purpose, machine learning models will be implemented such as: Classification tree, Random Forest, and Gradient Boosting Machine through which it is sought to reach the main objective of the work, which is to predict the determinants of profitability and evaluate which of the methodologies used is more efficient regarding the classification of COACs in Ecuador as profitable or unprofitable. The analyzed database has a total of 510 observations for the year 2020. The dependent variables will be ROE and Profitability of the microcredit portfolio; As independent variables and in accordance with the revised theory, internal or specific factors of the financial institution will be used, which will be proportions that measure the liquidity, solvency, credit quality, efficiency, and size of the entity. The present work concluded that the Gradient Boosting Machine is the one that best predicts profitability. And the variables related to the size of the entity and the credit are the ones that most influence when classifying an entity as profitable or unprofitable.

Item Type:Trabajo Fin de Máster
Directors:
Directors
Segovia Vargas, María Jesús
Uncontrolled Keywords:Rentabilidad; Sistema financiero ecuatoriano; Árbol de clasificación; Random Forest; Gradient Boosting Machine.
Palabras clave (otros idiomas):Profitability; Ecuadorian financial system; Classification Tree; Random Forest; Gradient Boosting Machine.
Subjects:Social sciences > Economics > Banks and credit unions
Social sciences > Economics > Cooperatives
Título del Máster:Máster en Ciencias Actuariales y Financieras
ID Code:68236
Deposited On:15 Oct 2021 06:59
Last Modified:15 Oct 2021 12:04

Origin of downloads

Repository Staff Only: item control page