Predicción de riesgo crediticio en Colombia usando técnicas de inteligencia artificial

• Borrero-Tigreros, Diego ^[1] ; Bedoya-Leiva, Oscar Fernando ^[1]
  1. [1] Universidad del Valle (Colombia)

     Universidad del Valle (Colombia)

     Colombia

     
• Localización: Revista UIS Ingenierías, ISSN-e 2145-8456, ISSN 1657-4583, Vol. 19, Nº. 4, 2020 (Ejemplar dedicado a: Revista UIS Ingenierías), págs. 37-52
• Idioma: español
• Títulos paralelos:
  • Credit risk prediction in Colombia using artificial intelligence techniques
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    En este artículo se proponen modelos para la predicción de riesgo crediticio en Colombia utilizando diferentes técnicas de inteligencia artificial. Estos modelos se pueden usar como apoyo por el área de gestión de riesgo en los bancos y tienen como objetivo identificar clientes que podrían incurrir en un estado de mora generando un posible riesgo de crédito para las entidades financieras. En particular, se proponen modelos basados en tres técnicas de aprendizaje supervisado (redes neuronales, árboles de decisión y máquinas de soporte vectorial) para predecir el próximo pago de la cuota de un cliente a partir de datos básicos de la operación, del cliente y de pagos de cuotas anteriores registradas. De acuerdo con los resultados obtenidos, los árboles de decisión resultan ser más exactos que las otras técnicas utilizadas para la predicción de riesgo crediticio con un área bajo la curva ROC de 88.29%. Los modelos propuestos alcanzan exactitudes similares y en algunos casos superan las exactitudes reportadas en algunos trabajos del estado del arte.

  • English

    In this paper, new models for credit risk prediction in Colombia are proposed by using different artificial intelligence techniques. These models can be used to support the risk management area in banks, and they aim to identify clients that could be in default, generating a possible credit risk for financial institutions. Three techniques are used to obtain the models (neuronal networks, decision trees, and support vector machines) that predict the next payment of a client’s fee based on basic data from the client and previous recorded installment payments. Decision trees turns out to be more accurate than the other techniques that have been used when predicting credit risk with a ROC area of 88.29%. The proposed models reach accuracies that are like some other papers in the state of the art and in some cases, they overcome models in other studies.