Aprendizaje automático para la evaluación del riesgo crediticio en una Cooperativa de Ahorro y Préstamo

Abstract

El objetivo de la investigación es proponer un modelo de aprendizaje computacional que permita identificar el riesgo crediticio para las solicitudes de crédito de una Cooperativa de Ahorro y Préstamo en el Estado de Oaxaca. Para ello, se emplean los conjuntos de datos Statlog German Credit Data (GCD) donde el modelo de redes neuronales obtiene el mejor rendimiento con una exactitud de 0.9533. A partir de la información proporcionada por la microfinanciera se construye un conjunto de datos, alcanzando una exactitud de 0.9243 al utilizar el clasificador XGBoost. Ambos conjuntos de datos se encuentran desbalanceados, por lo cual se utiliza el método de SMOTE para realizar sobremuestreo. El modelo propuesto permitirá reducir costos y tiempos en el análisis de solicitudes de crédito, actuando como una herramienta auxiliar para gestionar el riesgo crediticio. Esto minimizará los índices de morosidad de la microfinanciera y promoverá la inclusión financiera. A nivel regional, facilitará la identificación de patrones de comportamiento crediticio específicos, lo que permitirá ajustar las estrategias de la microfinanciera para impulsar el crecimiento económico en el estado de Oaxaca. A nivel nacional, contribuirá a la innovación y al desarrollo tecnológico en el sector financiero, fortaleciendo así el sistema financiero y, por ende, la estabilidad económica del país.A computational learning model to identify credit risk in loan applications for a Savings and Loan Cooperative in the State of Oaxaca is proposed in this study. Statlog German Credit Data (GCD) datasets were used to identify credit risk for credit applications because this neural network model obtained the best performance with an accuracy of 0.9533. GCD characteristics were used as a reference to construct a dataset from the information provided by the microfinance institution. The learning model reached an accuracy rate of 0.9243, which was achieved using the XGBoost classifier. Both data sets were unbalanced, so the SMOTE method was used to oversample. The proposed model will reduce costs and time in the analysis of credit applications, acting as an auxiliary tool for managing credit risk. This will minimize microfinance delinquency rates and promote financial inclusion. At the regional level, it will facilitate the identification of specific credit behavior patterns, which will allow adjusting the microfinance institution's strategies to boost economic growth in the state of Oaxaca. At the national level, it will contribute to innovation and technological development in the financial sector, thus strengthening the financial system and, consequently, the country's economic stability.