Las instituciones financieras dedicadas a las Microfinanzas brindan sus servicios a un público
objetivo que en su mayoría presentan bajos recursos económicos y/o cuyo acceso a los
sistemas bancarios tradicionales es limitado, estas instituciones al desarrollarse en un
contexto poco favorable los riesgos de incumplimiento en los pagos son mayores en
comparación a la banca tradicional. Por tanto, se exige hacer una evaluación económica
financiera con mayor grado de detalle, requiriendo para tal fin la participación de un
experto del negocio que basado en información obtenida y pericia propia determine si el
potencial cliente será un buen pagador. Esta forma de evaluar a un cliente ha evolucionado
en el sector financiero en los últimos años, esto debido en gran medida a la aplicación de
tecnologías como la inteligencia artificial y el aprendizaje de máquina, ofreciendo una
singularidad que es la capacidad de aprender de los datos, demandando menos esfuerzo y
participación humana, y redituando mayores niveles de precisión. Se presentan en este
artículo los resultados de la experimentación realizada con los siguientes modelos de
aprendizaje de maquina: Regresión Logística, XGBoost, Random Forest, Gradient Boosting,
Perceptron Multicapa (MLP) y algoritmos de aprendizaje profundo para la predicción del
incumplimiento de pagos, aplicándose técnicas de balanceo de submuestreo y
sobremuestreo, incluida la técnica de SMOTE. Así mismo, se aplicó la técnica de One Hot
Encoding para el tratamiento de variables categóricas. Los diferentes modelos de
aprendizaje de maquina se aplicaron a un conjunto de datos proporcionado por una
institución peruana líder en el sector de las microfinanzas, reportando los mejores
resultados el modelo XGBoost, con una exactitud de 97.53% y un F1-Score de 0.1278. / The financial institutions dedicated to Microfinance offer their services to a target audience
that, for the most part, has low economic resources and/or whose access to traditional
banking systems is limited, these institutions to develop in an unfavorable context the risks
of non-compliance in the payments are greater compared to traditional banking, therefore it
is required to make a financial economic evaluation with a greater degree of detail, requiring
for this purpose the participation of a business expert that based on information obtained
and own expertise determine if the potential client will be a good payer, this way of
evaluating a customer has evolved in the financial sector in recent years, this largely due to
the application of technologies such as artificial intelligence and machine learning, offering a
uniqueness that is the ability to learn from the data, demanding less effort and human
participation mana, and yielding higher levels of accuracy. This article presents the results of
the experimentation carried out with the following machine learning models: Logistic
Regression, XGBoost, Random Forest, Gradient Boosting, Multilayer Perceptron (MLP) and
deep learning algorithms for the prediction of non-payment, applying subsampling and
oversampling balancing techniques, including the SMOTE technique, and the One Hot
Encoding technique was applied for the treatment of categorical variables. The different
models of machine learning were applied to a data set provided by a leading Peruvian
institution in the microfinance sector, with the XGBoost model reporting the best results,
with an accuracy of 97.53% and an F1-Score of 0.1278.
| Identifer | oai:union.ndltd.org:PUCP/oai:tesis.pucp.edu.pe:20.500.12404/19546 |
| Date | 24 June 2021 |
| Creators | López Malca, Jiam Carlos |
| Contributors | Olivares Poggi, Cesar Augusto |
| Publisher | Pontificia Universidad Católica del Perú, PE |
| Source Sets | Pontificia Universidad Católica del Perú |
| Language | Spanish |
| Detected Language | Spanish |
| Type | info:eu-repo/semantics/masterThesis |
| Format | application/pdf |
| Rights | info:eu-repo/semantics/openAccess, Atribución 2.5 Perú, http://creativecommons.org/licenses/by/2.5/pe/ |
Page generated in 0.0016 seconds