Evaluación de la probabilidad de perdida esperada de una cartera de crédito de consumo en el mercado financiero hondureño a través de modelos alternativos: Caso de aplicación con puntajes de crédito

Abstract

En un sector financiero global competitivo, las instituciones buscan métodos científicos, como el aprendizaje de máquinas, para identificar clientes solventes y reducir pérdidas crediticias. En Honduras, las entidades financieras se apoyan en burós de crédito y consultorías analíticas para desarrollar herramientas que minimicen la probabilidad de impago, pero no hay un marco de referencia que demuestre mejoras con modelos de aprendizaje de máquinas. Esta investigación busca evaluar la pérdida esperada en una cartera de crédito de consumo en el mercado hondureño hasta diciembre de 2020, al comparar modelos de aprendizaje de máquinas y estadísticos, con el objetivo de determinar si las metodologías alternativas mejoran la estimación de incumplimiento y la pérdida esperada en la cartera de crédito. En este estudio se compararon modelos como regresión logística, bosques aleatorios, XGBoost y redes neuronales a través de métricas de rendimiento y una comparación de negocio con base en la pérdida esperada acumulada. Además, se utilizaron datos de información crediticia desde mayo de 2018 hasta febrero de 2020 proporcionados por un buró de crédito hondureño. Las variables independientes incluyeron información sociodemográfica y comportamiento de pago de créditos mensualmente, mientras que la variable dependiente identificó como malos pagadores a aquellos con morosidad mayor que 60 días en los 12 meses posteriores a la solicitud de crédito. El modelo XGBoost se seleccionó como el mejor entre los modelos de aprendizaje de máquinas, ya que mostró métricas de rendimiento superiores. Asimismo, obtuvo una puntuación de 0.4072 en Kolmogorov Smirnov (KS), por lo que superó en más de 3.75 % a los otros modelos, al igual que en la métrica área bajo la curva ROC (Auroc). Además, presentó mejor capacidad predictiva y de discriminación que la regresión logística, con una mejora del 7.66 % en sensibilidad y 4.41 % en casos predichos correctamente. Este estudio proporciona evidencia para mejorar la gestión del riesgo crediticio en entidades financieras mediante la adopción del modelo XGBoost.