Análisis predictivo del score de riesgo crediticio mediante machine learning: una herramienta para la toma de decisiones financieras

Abstract

Al analizar el sistema financiero en Colombia se puede evidenciar que la gestión del riesgo bancario se divide en diferentes tipologías como lo sería el riesgo crediticio, de mercado, operativo y de liquidez, siendo el primer elemento el riesgo más importante para el sector financiero, teniendo en cuenta que uno de sus principales ingresos son el otorgamiento de créditos, bajo este contexto el presente trabajo de grado tiene como objetivo implementar un modelo de predicción del score de riesgo de crediticio a partir de la evaluación de algoritmos de Machine Learning que sean implementado en el campo financiero, obteniendo una herramienta optimizada que permita a la banca tomar decisiones con un alto nivel de asertividad referente al otorgamiento o no de un crédito basado en el análisis de la viabilidad financiera y la capacidad de pago del siente o deudor. El contexto este proyecto aplicado, se realizó sobre el conjunto de datos públicos “credibilidad – Datos crediticios alemanes” obtenido de la plataforma Kaggle, efectuando un análisis a 1000 registros y 20 variables de información suministrada por esta plataforma web; implementando y entrenando diferentes algoritmos de machine learning para construir el modelo de score de riesgo crediticio que permitieran evaluar el rendimiento y desempeño de las diferentes métricas utilizadas como precisión, recall y F1-score. Los resultados obtenidos en este trabajo demuestran el nivel de precisión del modelo, destacando significativamente su rendimiento, para ayudar a las instituciones financieras al momento de evaluar y analizar la posibilidad que tiene la entidad de sufrir pérdidas derivadas de un impago parcial o total de los créditos que pretenden otorgar o fueron concedidos a sus clientes o deudores.