Modelo de aprendizaje automático para riesgo crediticio de microempresarios regionales según perfil socioeconómico
View/
Compartir en:
- Views
- Downloads
Date
2022Publicador
Fundación Universitaria Los Libertadores. Sede Bogotá.
Documentos PDF
Abstract
La cartera de crédito es fundamental en una entidad financiera, por ello ante cada crédito
entregado, la esperanza es recuperarla en tiempos pactados 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 default, 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 requieren capital de
trabajo para su negocio en curso, todos ellos con un interés en común, crear empresa y salir
adelante con su idea, sin importar 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 institución 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 gradient
boosting. Tres opciones de las cuales se escogió el random forest como la mejor, según sus
2 métricas. Se hizo el comparativo con la metodología actual de evaluación crediticia y se
determinó las implicaciones en caso de ser implementado.