Modelos predictivos para la gestión de riesgo de crédito: aplicación de Random Forest y árboles de decisión

Abstract

En la actualidad, el desarrollo del sistema financiero es fundamental para impulsar el crecimiento económico, esto a su vez hace que la gestión del riesgo de crédito es esencial para asegurar la estabilidad de cualquier institución cuya actividad principal sea la colocación de créditos. Sin embargo, la complejidad y la diversidad de los factores que pueden afectar cumplimiento de los pagos por parte de los clientes requieren el desarrollo de metodologías de aprendizaje automático para discernir el comportamiento de pago de los clientes dentro del sistema financiero. Bajo este contexto el presente proyecto propone desarrollar metodologías que permitan una identificación temprana y precisa de los clientes en riesgo de morosidad. La metodología de árboles de decisión ofrece una solución interpretable y fácilmente comprensible, mientras que Random Forest proporciona un enfoque más robusto y escalable mediante la combinación de varios árboles de decisión. A través de la aplicación de estas metodologías y la utilización de variables financieras y de comportamiento del cliente se buscar proponer predicciones que permitan mejorar la capacidad de tomar decisiones informadas, se espera que los resultados obtenidos contribuyan al desarrollo de estrategias más eficaces y personalizadas para la prevención y mitigación del riesgo de crédito, promoviendo así una gestión más proactiva y eficiente de los riesgos financieros en el sector.