Development of a Predictive Credit Risk Model Using Machine Learning Techniques on Simulated Financial Data El Desarrollo de un modelo predictivo de riesgo crediticio mediante técnicas de aprendizaje automático sobre datos financieros simulados

Resumen

La evaluación del riesgo crediticio sigue siendo un desafío crítico para las instituciones financieras, ya que una clasificación deficiente de los prestatarios puede generar pérdidas financieras significativas. Este estudio presenta el desarrollo de un modelo predictivo de riesgo crediticio mediante algoritmos de aprendizaje automático aplicados a datos financieros simulados. El uso de un conjunto de datos sintéticos permite la creación de perfiles realistas de clientes, preservando al mismo tiempo la privacidad de los datos.

La investigación compara el rendimiento de varios algoritmos (regresión logística, árboles de decisión, bosque aleatorio, XGBoost y perceptrón multicapa) utilizando métricas como la precisión, la recuperación, la puntuación F1 y el AUC-ROC. Los modelos se entrenaron con una división de datos 80/20 y se validaron mediante una validación cruzada de 5 pasos. XGBoost superó a los demás modelos, alcanzando una precisión del 92 % y una alta recuperación, lo que indica su idoneidad para identificar individuos de alto riesgo.

Los hallazgos demuestran que los modelos de aprendizaje automático, en particular los enfoques de conjunto y neuronales, pueden mejorar significativamente la predicción del riesgo crediticio en comparación con los métodos tradicionales. Esto tiene implicaciones para los procesos de toma de decisiones financieras, especialmente en instituciones que buscan reducir las tasas de impago y optimizar las estrategias de asignación de crédito. El estudio también destaca desafíos como la interpretabilidad de los modelos y la necesidad de validación con conjuntos de datos reales. El trabajo futuro se centrará en la integración de herramientas de IA explicables y en la prueba de los modelos con datos de instituciones financieras.