Modelo de Aprendizaje Automático para Riesgo Crediticio de Microempresarios Regionales Según Perfil Socioeconómico
ACI Vol 1 No 1
PDF (Spanish)

Keywords

Machine learning, aprendizaje automático supervisado, riesgo crediticio, default, estudio de crédito.

Abstract

 La cartera de crédito es fundamental en una entidad financiera, por ello
 ante cada crédito entregado, la esperanza es recuperarla en tiempos pac
tados con el cliente, aún así, es latente el riesgo de no pago durante la
 vigencia de la obligación. La propuesta de un modelo de predicción con
 diferentes técnicas que defina la probabilidad de default, puede ayudar
 a definir las posibles causas socioeconómicas que implican riesgo de
 impago. Se tomó la consecución de los defaults causados en el instante
 con el objetivo de identificar clientes que podrían incurrir en estado de
 mora y riesgo de no pago. La modelación se hizo con el fin de mitigar
 o filtrar los usuarios a los cuales se les otorga el crédito y nos ayuda
 a definir cómo puede ser catalogado como habiente potencial de de
fault, esto, determinado por los perfiles que nos proveen los más de 39
 mil individuos que conforman la base de datos. El nicho de mercado al
 cual se dirige la institución, está conformado por usuarios con alcance
 económico limitado para iniciar su empresa o microempresarios que re
quieren capital de trabajo para su negocio en curso, todos ellos con un
 interés en común, crear empresa y salir adelante con su idea, sin impor
tar niveles académicos, músculo financiero o residencia urbana o rural.
 Es menester un concepto sólido del proyecto y su puesta en marcha. Es
 fundamental tener claro el nicho de mercado al cual se dirige la institu
ción y por ello es relevante considerar cuál es el perfil que lo conforma.
 Los modelos expuestos en este proyecto tienen fundamentos de apoyo
 para el área de estudios de crédito o central de evaluación financiera. El
 procedimiento de modelado se llevó a cabo con métodos de aprendizaje
 máquina supervisados como regresión logística, random forest y gra
dient boosting. Tres opciones de las cuales se escogió el random forest
 como la mejor, según sus métricas.

PDF (Spanish)

References

Banco de la República, C. (2000). Riesgo de crédito- informe especial de estabilidad financiera- primer

semestre 2021. https://www.banrep.gov.co/.

Dastile, X., Celik, T., and Potsane, M. (2020). Statistical and machine learning models in cre

dit scoring: A systematic literature survey. Applied Soft Computing, 91:106263, ISSN: 1568-4946,

DOI: https://doi.org/10.1016/j.asoc.2020.106263, https://www.sciencedirect.com/science/

article/pii/S1568494620302039.

Fawcett, T. (2006). An introduction to roc analysis. Pattern Recognition Letters, 27(8):861–874, ISSN:

-8655, DOI: https://doi.org/10.1016/j.patrec.2005.10.010, https://www.sciencedirect.

com/science/article/pii/S016786550500303X. ROC Analysis in Pattern Recognition.

Grau, J. (2020). Machine Learning y riesgo de crédito. Universidad Pontificia COMILLAS.

Kruppa, J., Schwarz, A., Arminger, G., and Ziegler, A. (2013). Consumer credit risk: Individual pro

bability estimates using machine learning. Expert Systems with Applications, 40(13):5125–5131, ISSN:

-4174, DOI: https://doi.org/10.1016/j.eswa.2013.03.019, https://www.sciencedirect.

com/science/article/pii/S0957417413001693.

Merced Cuenca, G. C. (2019). Propuesta de modelo de machine learning para la evaluación de riesgo de crédito

utilizando algoritmos de predicción para la Cooperativa de Ahorro y Crédito La.

Metz, C. E. (1978). Basic principles of roc analysis. Seminars in Nuclear Medicine, 8(4):283–298, ISSN:

-2998, DOI: https://doi.org/10.1016/S0001-2998(78)80014-2, https://www.sciencedirect.

com/science/article/pii/S0001299878800142.

on Banking Supervision, B. C. (1999). Principles for the Management of Credit Risk- final document. Basel

Committee on Banking Supervision.

Ruiz, R. (2021). Factores de predicción de la aparición de personas mayores reportadas como desaparecidas, a

partir de modelos de aprendizaje automático supervisado.

https://doi.org/10.37511/apuntesci.v1n1a3

ISSN: 2745-2956

Sagner, T. (2012). El influjo de cartera vencida como medida de riesgo de crédito: análisis y aplicación al caso

de Chile. Revista de análisis económico.

Wbeimar Ossa Giraldo, V. J. M. (2021). Machine Learning para la estimación del riesgo de crédito en una

cartera de consumo. Universidad EAFIT.