Estudio comparativo de modelos de credit scoring usando técnicas de machine learning para la asignación de tarjetas de crédito

Abstract

Durante los últimos años, la complejidad de la gestión de riesgos, y en especial, la gestión de crédito se ha incrementado en las entidades del sistema financiero; lo cual generó un aumento de la cartera vencida de créditos, lo cual conlleva pérdidas e imprecisiones en los modelos de medición de riesgos y al medir la probabilidad de default de acuerdo al perfil de riesgo. Para reducir este tipo de riesgos, en especial el riesgo crediticio, el cual evidencia una de las principales inquietudes por parte de las entidades financieras, se utilizan sistemas automáticos de medición y clasificación, también conocido como credit scoring. Asimismo, de acuerdo a la transformación digital y la evolución tecnológica, los algoritmos y metodología empleada de machine learning, en combinación con modelos históricos, ayudan a desarrollar y potenciar los modelos, lo cual mitiga el riesgo de crédito en el sistema financiero. En este contexto, el objetivo de la presente tesis es optimizar la probabilidad de aplicaciones de estas técnicas o modelos en la gestión del riesgo crediticio, es decir, la probabilidad de default por parte de los clientes, incorporando algoritmos de machine learning para la asignación de tarjetas de crédito, uno de los productos estrella que representa en gran medida a los productos del sector financiero. Además, se estiman diversos modelos de credit scoring haciendo uso de algoritmos de machine learning y realizando una comparación con los modelos tradicionales del sector financiero que pueden ser paramétricos y no paramétricos. Respecto a técnicas paramétricas, el uso de Análisis Discriminante, Modelos de Probabilidad Lineal, Modelos Logit. Por otro lado, respecto a las técnicas no paramétricas, el uso de Programación Lineal, Árboles de Decisión y Modelo XGBoost.