Aplicación de redes neuronales para seleccionar variables vinculadas con el cumplimiento de créditos directos otorgados por constructoras de unidades residenciales Premium a potenciales compradores

Abstract

La finalidad de esta investigación es seleccionar las variables vinculadas con el cumplimiento de créditos directos otorgados, entre los años 2015 y 2019, por constructoras de unidades residenciales Premium a potenciales compradores. Su importancia está en usar los resultados de este documento, como insumo para elaborar un modelo que cuantifique el riesgo de crédito eficientemente y, por consiguiente, identifique a los demandantes que tengan un perfil idóneo, en términos crediticios, para erosionar la incertidumbre financiera de la cartera de clientes.

Para abordar el problema de investigación, se optó por el enfoque cuantitativo y el diseño no experimental. Dentro de este último, se eligió la tipología transversal correlacional. El diseño y la categoría seleccionadas implican que en este documento se evaluará la asociación entre variables (dependientes e independientes) que no han sido manipuladas anticipadamente, por parte del investigador. Llevando la teoría a la práctica, las entrevistas a los ejecutivos permitieron identificar variables sobre las que, posteriormente, se solicitó información específica para la construcción de la base de datos.

Al aplicar los procesos estadísticos de regresión lineal binaria y redes neuronales de clasificación, se observó que el segundo mostró mayor solidez y confiabilidad en sus predicciones. El resultado de la aplicación de las redes neuronales de clasificación es que las variables independientes que tuvieron vinculación estadísticamente significativa con la dependiente son: la tasa de interés anual de la última deuda bancaria asumida por el evaluado, la aparición en Infocorp del evaluado y el uso que el evaluado le dará a la unidad Premium.

The purpose of this research is to select the variables linked to the fulfilment of direct credits granted, between 2015 and 2019, by builders of Premium residential units to potential buyers. Its importance lies in using the results of this document as input to develop a model that efficiently quantifies credit risk and, consequently, identifies applicants with a suitable profile, in credit terms, to erode the financial uncertainty of the customer portfolio.

To address the research problem, a quantitative approach and a non-experimental design were chosen. Within the latter, the cross-sectional correlational typology was chosen. The design and category selected imply that this paper will assess the association between variables (dependent and independent) that have not been manipulated in advance by the researcher. Putting theory into practice, the interviews with executives allowed the identification of variables on which specific information was subsequently requested for the construction of the database.

When applying the statistical processes of binary linear regression and classification neural networks, it was observed that the latter showed greater robustness and reliability in its predictions. The result of the application of the classification neural networks is that the independent variables that were statistically significantly related to the dependent variable are: the annual interest rate of the last bank debt assumed by the evaluee, the appearance in Infocorp of the evaluee and the use that the evaluee will make of the Premium unit.