Please use this identifier to cite or link to this item: https://hdl.handle.net/10953/2403
Full metadata record
DC FieldValueLanguage
dc.contributor.advisorPartal Ureña, Antonio-
dc.contributor.advisorGómez Fernández-Aguado, Mª del Pilar-
dc.contributor.advisorMartínez López, Luis-
dc.contributor.authorRAMOS GONZÁLEZ, MARTA-
dc.contributor.otherUniversidad de Jaén. Departamento de Economíaes_ES
dc.date.accessioned2024-02-12T10:27:46Z-
dc.date.available2024-02-12T10:27:46Z-
dc.date.issued2023-06-30-
dc.date.submitted2023-06-30-
dc.identifier.citationp.[http://hdl.handle.net/10953/]es_ES
dc.identifier.isbn978849159es_ES
dc.identifier.urihttps://hdl.handle.net/10953/2403-
dc.description.abstractLos desarrollos regulatorios sobre la medición del riesgo se encuentran en varios documentos publicados tanto por la Autoridad Bancaria Europea como por el Banco Central Europeo. En base a ellos, se presenta una propuesta concreta de la mejor estimación de pérdida esperada (ELBE) y de la pérdida inesperada (LGD in-default). La metodología se calibra utilizando datos hipotecarios de bancos españoles y el resultado sirve para analizar el perfil de riesgo de las carteras. Recientemente, la pandemia de COVID-19 dificultó la gestión del riesgo financiero. Los métodos tradicionales no sirven estimar su impacto. Por ello, la ELBE se predice utilizando una técnica de aprendizaje automático. Se presenta la proyección de dos parámetros ELBE para el 2022 y su comparación. En una se considera impacto del brote y en la otra se presupone su inexistencia. El método tiene un excelente desempeño y sirve para estimar pérdidas futuras esperadas ante cualquier evento similar.es_ES
dc.description.abstractRegulatory developments on risk measurement are included across several documents published both by the European Banking Authority and the European Central Bank. On this basis, a concrete proposal of the Expected Loss Best Estimate (ELBE) and the Loss Given Default (LGD) in-default models is presented. The methodology is eventually calibrated based on data from the mortgage’s portfolios of Spanish banks. The outcome serves to analyse the portfolios’ risk profile. Recently, the economic onslaught of the COVID-19 pandemic compromised the financial risk management. Traditional methods fail to estimate the impact of such unprecedented situation. The ELBE is thus forecasted using a machine learning technique. The projection of two ELBEs for 2022 and their comparison are presented. One accounts for the outbreak’s impact, and the other presumes its nonexistence. The proposed method has excellent performance and serve to estimate future losses amidst any event of extraordinary magnitude.es_ES
dc.description.sponsorshipTesis Univ. Jaén. Departamento de Economía Financiera y Contabilidades_ES
dc.language.isospaes_ES
dc.publisherJaén : Universidad de Jaénes_ES
dc.rightsLicencia Reconocimiento-NoComercial-SinObraDerivada 3.0 Españaes_ES
dc.rightsAtribución-NoComercial-SinDerivadas 3.0 España*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/es/*
dc.subjectAprendizaje automáticoes_ES
dc.subjectCOVID-19es_ES
dc.subjectmétodo basado en calificaciones internases_ES
dc.subjectriesgo de créditoes_ES
dc.subjectexposiciones en impagoes_ES
dc.titleEXPOSICIONES EN SITUACIÓN DE IMPAGO. ESTIMACIÓN DE PARÁMETROS PARA EL CÁLCULO DE CAPITAL REGULATORIO Y SU PREDICCIÓN MEDIANTE APRENDIZAJE AUTOMÁTICOes_ES
dc.typeinfo:eu-repo/semantics/doctoralThesises_ES
europeana.type.TEXTTEXTes_ES
dc.subject.udc530203es_ES
dc.subject.udc531102es_ES
dc.subject.udc120304es_ES
europeana.dataProviderUniversidad de Jaén. Españaes_ES
europeana.rightshttp://creativecommons.org/licenses/by-nc-nd/3.0/es/es_ES
dc.rights.accessRightsinfo:eu-repo/semantics/openAccesses_ES
Appears in Collections:Tesis

Files in This Item:
File Description SizeFormat 
202305_UJaén Tesis_MR_v.FIN.pdf1,26 MBAdobe PDFView/Open


This item is protected by original copyright