Aprendizaje supervisado en la construcción de un modelo de Credit Scoring para cooperativas de ahorro y crédito en Colombia

Abstract

Las entidades financieras del sector solidario brindan créditos a sus asociados, exponiéndose a un riesgo derivado de esta actividad. Este trabajo de investigación tiene como objetivo la propuesta metodológica de un modelo de riesgo de crédito, que asigne un puntaje de crédito a los deudores con base en la información que estos proporcionan a las entidades financieras. Se emplean técnicas analíticas de aprendizaje supervisado para la construcción del modelo con la metodología ASUM-DM. Se toman los datos de una cartera de crédito de una compañía del sector solidario en Colombia para ilustrar el desarrollo metodológico en la construcción del modelo de Scoring para el score de comportamiento de los asociados. Se utilizan métodos Biplot, análisis de correspondencias y componentes principales para la reducción de dimensionalidad. También se utilizan las técnicas de árboles de decisión, modelos de regresión probabilísticos, K-Vecinos más cercanos, máquinas de soporte vectorial y redes neuronales. Los métodos anteriores son utilizados para el modelo de Credit Scoring en la asignación del puntaje de crédito y la selección de las variables que son significativas en el estudio. El modelo de regresión logística es empleado para el Score de crédito y se compara con las demás técnicas supervisadas mediante métricas de rendimiento. (Texto tomado de la fuente)

The financial companies of the solidarity sector provide credits to their associates, exposing themselves to a risk derived from this activity. The objective of this research work is the methodological proposal of a credit risk model, which assigns a credit score to credit debtors based on the information they provide to financial companies. Analytical techniques of supervised learning are used for the construction of the model accompanied by the ASUM-DM methodology. Data are taken from a credit portfolio of a company in the solidarity sector in Colombia to illustrate the methodological development in the construction of the Scoring model for the behavior score of the associates. The Biplot methods, correspondence analysis and principal components are used for dimensionality reduction. Techniques of decision tree, probabilistic regression models, K-Nearest Neighbors, vector support machines and neural networks are also used. The previous elements are used for the Credit Scoring model in assigning the credit score and selecting the variables that are significant in the study. The logistic regression model is used for the credit score and is compared with the other techniques supervised by performance metrics.