Desarrollo de una red neuronalartificial para la identificación de posibles deudores morosos

• Gil Vera, Víctor Daniel ^[1]
  1. [1] Fundación Universitaria Luis Amigó

     Fundación Universitaria Luis Amigó

     Colombia

     
• Localización: QUID: Investigación, Ciencia y Tecnología, ISSN-e 2462-9006, ISSN 1692-343X, Nº. 24, 2015, págs. 29-34
• Idioma: español
• Títulos paralelos:
  • Development Of An Artificial Neural Network For The Identification Of Possible Defaulting Debtors
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    El riesgo crediticio ha sido durante muchos años un tema ampliamente estudiado y analizado en el sector bancario; en la actualidad, para muchas entidades financieras sigue siendo el riesgo más importante y difícil de gestionar y evaluar. Este trabajo presenta una red neuronal artificial (RNA) del tipo perceptrón multicapa para identificar posibles deudores morosos. Para el desarrollo del modelo se empleó una base de datos conformada por una muestra de 360 clientes de una entidad financiera de los cuáles 288 habían solicitado un crédito, el resto de clientes fueron utilizados para validar el análisis. Con la realización de este trabajo se concluye que los modelos de pronóstico basados en redes neuronales artificiales permiten obtener resultados más precisos que otras clases de técnicas y metodologías, ya que permiten considerar variables que son difíciles de cuantificar por medio de simples ecuaciones. En esta investigación, el modelo desarrollado con redes neuronales artificiales (RNA) permitió identificar que los egresos mensuales es la principal variable que deben analizar las entidades financieras antes de aprobar un crédito.

  • English

    Credit risk has been a topic widely studied and analyzed in the banking sector for many years. Nowadays, such topic keeps as the most important and difficult to manage and to evaluate. This paper presents an artificial neural network (ANN) based upon the multilayer perceptrón in order to identify potential failing debtors. Development of the model required data processing from a database consisting of 360 clients belonging to a financial institution, from which 288 had asked for a credit and the other customers were used to validate the analysis. Therefore, it is possible to conclude that ANN forecasting models enable accurate results, rather than other classes of techniques (since they only consider variables that are difficult to quantify through simple equations). In this technical contribution, the developed ANN model allowed lead to a deduction on the fact that monthly expenditure should be the main variable that has to analyzed by financial institutions before approving a loan to their customers.