Algoritmos para Machine Learning utilizados en la Gestión de Riesgo Crediticio en Perú Machine Learning Algorithms used in Credit Risk Management in Peru
Barra lateral del artículo
Contenido principal del artículo
Resumen
El objetivo del presente estudio es identificar los algoritmos de Machine Learning más utilizados y efectivos para gestionar el riesgo crediticio en el sistema financiero peruano. Se analizaron cuatro investigaciones que implementaron diferentes algoritmos, tales como Árbol de Decisión, Support Vector Machine (SVM), Random Forest, Redes Neuronales, Naive Bayes, K Nearest Neighbor (KNN) y Regresión Logística, en entidades financieras y microfinancieras. La metodología incluyó la revisión bibliográfica y la webgrafía. Los resultados mostraron que el Árbol de Decisión y el SVM fueron los algoritmos más utilizados. Por su parte, las Redes Neuronales y otros algoritmos también tuvieron un rendimiento aceptable pero no superaron a los algoritmos anteriores. Las conclusiones señalan que, siendo el Árbol de Decisión y SVM las opciones más efectivas para predecir incumplimientos de pagos y gestionar el riesgo crediticio, la elección del modelo optimo puede depender de las características específicas de los datos y sobre todo los objetivos de cada institución financiera.
Detalles del artículo
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Los nombres y las direcciones de correo electrónico introducidos en esta revista se usarán exclusivamente para los fines establecidos en ella y no se proporcionarán a terceros o para su uso con otros fines.
Cómo citar
Referencias
J. Grau Álvarez y J. Portela González, «MACHINE LEARNING Y RIESGO DE CRÉDITO».
L. Rayza Gomez, «MACHINE LEARNING APLICADO A LA GESTIÓN DE RIESGOS. CASO DE UNA CARTERA CASTIGADA DE CRÉDITOS POR CONVENIOS DE UNA ENTIDAD FINANCIERA EN PERÚ», Re-vista de Investigación Interdisciplinaria en Métodos Experimentales, vol. 1, n.o 12, pp. 98-117, dic. 2023, Acce-dido: 9 de octubre de 2024. [En línea]. Disponible en: https://ojs.econ.uba.ar/index.php/metodosexperimentales/article/view/3123
J. C. Cabanillas Romero, «Eficacia de modelos Machine Learning para el pronóstico del riesgo crediticio en la cartera consumo. Coopac San José Cartavio», 2022, Universidad Nacional de Trujillo. Accedido: 9 de octubre de 2024. [En línea]. Disponible en: https://hdl.handle.net/20.500.14414/16149
I. P. Yaranga Vite, «Machine Learning para predecir el riesgo crediticio de un cliente en la Empresa FUTECH PERU S.A.C, 2022», Repositorio Institucional - UCV, 2022, Accedido: 9 de octubre de 2024. [En línea]. Dispo-nible en: https://repositorio.ucv.edu.pe/handle/20.500.12692/104048
A. Morales, E. Manuel, M. Ramos, y B. Javier, «Modelo para la evaluación del riesgo crediticio para los clientes de las microfinancieras del Perú Item Type info:eu-repo/semantics/bachelorThesis», Accedido: 9 de octubre de 2024. [En línea]. Disponible en: http://hdl.handle.net/10757/650407
«Machine Learning | Qué es, tipos, ejemplos y cómo implementarlo». Accedido: 13 de octubre de 2024. [En lí-nea]. Disponible en: https://www.grapheverywhere.com/machine-learning-que-es-tipos-ejemplos-y-como-implementarlo/
«7 algoritmos de machine learning que hay que conocer: Guía para principiantes | Coursera». Accedido: 13 de octubre de 2024. [En línea]. Disponible en: https://www.coursera.org/mx/articles/machine-learning-algorithms
N. S. Anzola, «Máquinas de soporte vectorial y redes neuronales artificiales en la predicción del movimiento USD/COP spot intradiario», ODEON, n.o 9, pp. 113-172, feb. 2015, doi: 10.18601/17941113.N9.04.
J. . Bessis, «Risk management in banking», 2015.
E. Profesional de Contabilidad Finanzas, R. Chambergo Yoni Bach, N. Valdivia Liz Micaela Asesor, y M. Vila Flores Javier, «UNIVERSIDAD PERUANA LOS ANDES Facultad de Ciencias Administrativas y Contables Para Optar : El Título Profesional de Contador Público Autor(es)», 2023.