Capacidad predictiva de los modelos de máquina de vectores de soporte y modelo de regresión logística en el análisis de riesgo de crédito-persona

Abstract

El presente estudio, desarrollado en el ámbito de la aplicación de modelos predictivos para la evaluación de riesgo crediticio en banca personal es llevado a cabo sobre una base de datos histórica del profesor Hoffman Siendo importante mencionar que, la investigación es realizada debido que recientes estudios han revelado que las emergentes técnicas de inteligencia artificial son más ventajosas a los modelos estadísticos en cuanto a poder de pronóstico por su alta capacidad de discernimiento de patrones. En el estudio aplicamos y comparamos los resultados encontrados de la técnica de clasificación estadística como es la Regresión Logística con la técnica computacional desarrollada de Support Vector Machine (SVM), esta última es basada en algoritmos matemáticos de aprendizaje. Los resultados experimentales serán llevados a cabo para la problemática de detección de incumplimiento de pago en riesgo de crédito. Siendo los principales hallazgos que: El modelo de SVM presenta mejores indicadores de capacidad predictiva en sus 4 indicadores de potencialidades de capacidad preditiva, con respecto a la aplicación de la Regresión Logística. Y adicionalmente encontramos que ambos modelos de propensión de riesgo de crédito identifican riesgos relativos similares entre las variables elegidas para el modelamiento del riesgo de incumplimiento de pago.