El incumplimiento crediticio mediante un análisis comparativo de diferentes técnicas de predicción en la geografía colombiana

• ARMANDO LENÍN TÁMARA AYÚS ^[1] ; ELIANA MARÍA PEÑALOZA MARTÍNEZ ^[1]
  1. [1] Universidad EAFIT

     Universidad EAFIT

     Colombia

     
• Localización: Lurralde: Investigación y espacio, ISSN 0211-5891, Nº 45, 2022, págs. 57-74
• Idioma: español
• Títulos paralelos:
  • Credit default through a comparative analysis of different prediction techniques
• Enlaces
  • Texto Completo Ejemplar
• Resumen
  • español

    Bajo el enfoque del riesgo crediticio, se maneja la probabilidad de impago que un deudor tiene frente a una obligación adquirida en el pasado. El objetivo es aplicar diferentes técnicas de clasificación de aprendizaje automático, árboles de decisión, red neuronal y red bayesiana, para encontrar cuál es el mejor modelo de predicción en la adjudicación de créditos por parte de una institución financiera. A la vez, se analiza el papel de algunas variables financieras y no financieras dentro de los modelos, logrando identificar cuáles son las más influyentes. Las técnicas implementadas utilizan una base de datos conformada por 11.790 clientes pertenecientes a una entidad financiera, la cual se trabaja con una muestra de estimación de naturaleza equilibrada, segmentada en una base de entrenamiento y una de comprobación, ambas del 50% de la base total. Se concluye que los modelos tienen un gran poder de predicción; sin embargo, la técnica de árboles de decisión permite priorizar las variables por nivel de influencia sobre la probabilidad de impago

  • English

    Under the credit risk approach, the probability of default that a debtor has against an obligation acquired in the past is managed. The objective is to apply different classification techniques of machine learning, decision trees, neural network, and Bayesian network, to find which is the best prediction model in the allocation of credits by a financial institution.

    At the same time, the role of some financial and non-financial variables within the models is analyzed, managing to identify which are the most influential. The implemented techniques use a database made up of 11,790 clients belonging to a financial institution, which is worked under an estimation sample of a balanced nature, segmented into a training base and a verification one, both of 50% of the total base. It is concluded that the models have great predictive power; however, the decision trees technique allows prioritizing the variables by level of influence on the probability of default.