MACHINE LEARNING APLICADO A LA GESTIÓN DE RIESGOS. CASO DE UNA CARTERA CASTIGADA DE CRÉDITOS POR CONVENIOS DE UNA ENTIDAD FINANCIERA EN PERÚ

Resumen

Hoy en día, las áreas encargadas de brindar soporte analítico dentro de las entidades financieras se enfrentan a un desafío constante. Parte de este desafío consiste en replantear sus procesos internos, cuyo rol principal es dar soporte a áreas importantes como la de gestión de riesgos.

Esta situación, ha dado lugar a que el uso de modelos de aprendizaje automático o machine learning surjan como alternativa de solución para las organizaciones y el sector bancario no es la excepción. Por lo que, este trabajo busca proponer un modelo de árbol de decisión como alternativa frente a un modelo tradicional logit, aplicado al análisis de créditos castigados del producto Convenios, durante el 2020 en el área de gestión de riesgos de una entidad financiera situada en Perú.

Los modelos de machine learning destacan por tener la capacidad de detectar patrones significativos a partir de los datos y realizar predicciones a partir de los mismos. Por otro lado, el modelo logit o de regresión logística estima la probabilidad de ocurrencia de un evento en base a un conjunto de variables explicativas.

Para contextualizar, en primer lugar, se va a describir la problemática actual que atraviesa el área de gestión de riesgos de esta entidad. Luego, se explica la metodología utilizada y finalmente se aplicarán dos modelos: uno de árbol de decisión y otro de regresión logística, que serán comparados con métricas como el accuracy o precisión a fin de comparar su capacidad predictiva.