Carteras en riesgo: inteligencia artificial para la predicción de degradación financiera en Colombia

Abstract

En medio de la economía colombiana que enfrenta constantes altos y bajos en el nivel de endeudamiento de la población, las entidades financieras están viendo cómo sus carteras de crédito se deterioran cada vez más a través del tiempo. Esta propuesta buscó generar herramientas de Análisis de Datos y Aprendizaje Automático para anticiparse a estos problemas. Para lograrlo, se abordó el problema con una estrategia dual: primero, se aplicó Clusterización y PCA para segmentar a las entidades en seis perfiles de riesgo comparables; y segundo, se implementaron modelos de Series Temporales, donde el modelo Redes Neuronales LSTM demostró ser el más robusto en la solución. Estudiar el comportamiento anterior y aplicar este modelo predictivo, que alcanzó un error porcentual absoluto medio (MAPE) del 13.59%, permitiendo identificar señales tempranas de incumplimiento. Logrando que las compañías pueden actuar e integrar esta arquitectura de Deep Learning para optimizar el cálculo de provisiones y fortalecer su estrategia ante los desafíos del sector financiero.