Credit scoring, aplicando técnicas de regresión logística y redes neuronales, para una cartera de microcrédito

Abstract

Esta investigación pretende contrastar la hipótesis de sí el uso de redes neuronales, para la modelización del credit scoring de una cartera de microcrédito, logra un mejor performance que utilizar una metodología de regresión logística. Para esto se hace uso de la información de una cartera del producto de microcrédito, proporcionada por una institución financiera ecuatoriana de mediano tamaño, desembolsada entre los periodos de enero 2014 a diciembre 2017. La información corresponde al momento del desembolso de los créditos, por lo cual se construye modelos scoring de originación. Los dos modelos por desarrollar son construidos con el programa estadístico R y una vez se cuenta con estos, se procede a comparar su poder predictivo, capacidad para diferenciar entre buenos y malos clientes, adaptación a los datos, etc.; a partir de distintos estadísticos como KS, coeficiente de Gini, matriz de confusión, AUROC, criterio de información de Akaike. Además, se aplica los modelos en un periodo de información distinto al que se usó en su construcción y de esta forma establecer si son generalizables, al ser funcionales con información distinta al de su desarrollo. El modelo de redes neuronales se ajusta de mejor forma a los datos, pues se obtiene un criterio de información Akaike menor al de regresión logística, con una diferencia de 8.029,2 puntos. De igual forma, los estadísticos KS, coeficiente de Gini y curva ROC evidencia que hacer uso de las redes neuronales logra una mejor clasificación de los clientes, con 5,19, 5,84 y 2,92 puntos porcentuales por encima de los estadísticos del modelo de regresión logística, respectivamente. Finalmente, la matriz de confusión muestra un menor error con el modelo de redes neuronales, al compararlos con un mismo punto de corte óptimo. Los resultados obtenidos evidencian que la metodología de redes neuronales proporciona un modelo scoring más robusto que al usar una regresión logística, pudiendo corroborar que la hipótesis planteada es verdadera, bajo el proceso de modelización empleado.