Domingo, 13 de Octubre de 2024

Atlantic Review of Economics 

            Revista Atlántica de Economía

Colegio de Economistas da Coruña
 INICIO > EAWP: Vols. 1 - 9
Modelo de selección de riesgo, aplicado al otorgamiento de microcrédito en un intermediario financiero de crédito colombiano, apoyado en redes neuronales artificiales

Ariza Miller
Barón Wilson

Obregón Nelson

Pineda Yecica

Velosa Francisco

Universidad Piloto de Colombia. Bogotá. Colombia

Reference: Received February 2012; Published June 2012.
ISSN 2174-3835


Resumen

Este artículo tiene como fin, identificar las variables más relevantes que permiten a través de un modelo de redes neuronales artificiales (RNA), -con aprendizaje supervisado, bajo la tipología de corrección de error y con arquitectura perceptrón multicapa hacia adelante- alcanzar los mejores predictores de bajo nivel de riesgo, en la etapa de otorgamiento de microcréditos. Los estudios académicos relativos al tema son limitados, dado que la materia prima para su aplicación, en la gran mayoría de los casos no es de público conocimiento. Esta información (bases de datos), se convierte en un activo intangible para las instituciones financieras, quienes en forma permanente desarrollan metodologías para el otorgamiento, por ser la esencia de su negocio, en la administración de riegos. Implica, además que de acuerdo a la experiencia cada record histórico es único y particular, y no es posible hacer universal la aplicación de un modelo. Se contó con información del comportamiento de ciento dieciséis mil prestatarios en un horizonte de tres años, luego de su depuración.  En el estudio se encontró que el modelo seleccionado (M105), entre los tantos modelos estimados, presenta una mejor estimación de los prestatarios clasificados como “Riesgoso” con un 38.8% y una clasificación general correcta del 58.5%. Para el caso de los 45.953 prestatarios presentados a la red como “Riesgoso”, logró clasificar en esta categoría a 17.853. También se observa un porcentaje de clasificación errado del 61.1%, correspondiente a 28.100 prestatarios. Es decir, se clasificaron esta cantidad de prestatarios como “No Riesgoso”.

 

Abstract

This article aims to identify the most relevant variables that allow through a neural network model (RNA), with supervised learning, in a kind of error correction and feedforward perceptron multilayer architecture to achieve the best predictors of low risk, in the process of microcredit. Academic studies on the topic are limited, since the raw material for your application, in most cases is not made ​​public. This information (databases), it becomes an intangible asset for financial institutions, who permanently develop methodologies for the grant, being the essence of your business, in managing risks. Also implies that, according to the experience every time record is unique and particular and universal cannot make the application of a model. Information was available on the behavior of one hundred and sixteen thousand borrowers in a horizon of three years, after debugging.  The study found that the selected model (M105), provides a better estimate of borrowers classified as "Hazardous" with a 38.8% and an overall 58.5% correct. In the case of borrowers 45,953 presented to the network as "Risky", failed to qualify in this category to 17,853. Also there is a wrong classification rate of 61.1%, corresponding to 28,100 borrowers. That is, the number of borrowers classified as "Not Hazardous".


JEL classification: C14, C45, D14, D87, G21

Keywords: Microcrédito, Default, RNA, Riesgo de crédito. Microcredit, Default, RNA, Credit Risk


Para visualizar el artículo completo, acceder al MENÚ DESCARGAS (download) en el Menú de la Derecha.
To accces
the full article go to DOWNLOADS on the right hand menu.


© 2024 Colexio da Coruña. Revistas Editadas en España, América Latina y el Caribe incluidas en EconLit
COLDATA | Inicio