Comparación entre el método tradicional y algunos basados en inteligencia artificial para el estudio del riesgo crediticio en instituciones financieras colombianas
Fecha
2018
Autores
Arango Correa, Diana Marcela
Colmenares Colmenares, Laura Juliana
Rave Contreras, Isabel Cristina
Título de la revista
ISSN de la revista
Título del volumen
Editor
Universidad EAFIT
Resumen
Artificial intelligence models are an open problem for application in various fields of science and search of variable relationships especially when the distribution of events doesn’t depend on a linear function; through this work we want to compare the traditional method most used for credit behavior monitoring with advanced models of artificial intelligence -- The guides that exist in Colombia for management of credit risk are given by the Financial Superintendence of Colombia, international standards such as Basel II, Basel III and Solvency are based on the logistic regression and the discriminant analysis, models used by financial institutions in Colombia to measure credit behavior, thus we carried out an investigation to explore the utility of new models -- This paper addresses one of the traditional methods used in financial institutions, that is, logistic regression, and compares it with alternative methods such as neural networks and random forests -- From the literature review and using a database provided by a banking entity, the dependent variables and the response variable are selected, the logistic regression models, random forests and neural networks are calibrated in the Microsoft Azure Machine Learning application and they are compared to each other with indicators of precision and accuracy such as ROC (from receiver operating characteristic) curve and confusion matrix, obtaining for the models of artificial intelligence, results as good as the traditional one; so they can be used by the financial sector as alternate and / or complementary methods in the analysis of credit risk
Descripción
Los modelos de inteligencia artificial son un problema abierto para aplicación en diversos campos de la ciencia y la identificación de relaciones entre variables, en especial cuando la distribución de los sucesos no depende de una función lineal -- Al considerar lo anterior, esta investigación busca establecer una comparación entre un método tradicional utilizado para el seguimiento del comportamiento crediticio y modelos avanzados de inteligencia artificial -- Las guías que en la actualidad existen en el país y que están dadas por la Superintendencia Financiera de Colombia para el manejo del riesgo de crédito, así como los estándares internacionales, como Basilea II, Basilea III y Solvency, están basados en regresiones logísticas y en análisis discriminantes, modelos que usan las entidades financieras para medir el comportamiento crediticio, por lo que se propone explorar la utilidad de nuevas metodologías -- En este trabajo se aborda uno de los métodos tradicionales utilizados en las instituciones financieras, esto es, la regresión logística, y se compara con métodos alternativos, como las redes neuronales y los bosques aleatorios -- A partir de la revisión de literatura y mediante la utilización de una base de datos suministrada por una entidad bancaria, se seleccionaron las variables dependientes y la variable de respuesta, se calibraron los modelos de regresión logística, lo mismo que bosques aleatorios y redes neuronales en el aplicativo Microsoft Azure Machine Learning y se compararon entre sí con indicadores de precisión y exactitud, como la curva de tipo ROC (por las iniciales de la expresión en inglés receiver operating characteristic) y la matriz de confusión; se obtuvieron para los modelos de inteligencia artificial resultados tan buenos como el tradicional, por lo que pueden ser utilizados por el sector financiero como métodos alternos o complementarios en el análisis de riesgo de crédito