Predicción de Incumplimiento en Créditos de Consumo mediante Comparación de Modelos de Aprendizaje Automático
Publicado: 06 Ago 2026, 23:55
Tema: Predicción de Incumplimiento en Créditos de Consumo mediante Comparación de Modelos de Aprendizaje Automático
Autores:
La predicción del incumplimiento en créditos de consumo permite priorizar expedientes, asignar recursos de evaluación y reducir la exposición a operaciones de mayor riesgo. En el estudio se evaluaron siete algoritmos sobre 18 102 créditos, utilizando una variable objetivo binaria construida a partir de la situación histórica del crédito. LightGBM presentó el mejor desempeño interno, con 87.66 % de accuracy, 86.71 % de precision, 78.59 % de recall, 82.45 % de F1-score y 93.58 % de ROC AUC. En comparación con la regresión logística, identificó 80 incumplimientos adicionales y generó 37 falsas alertas menos. Bajo el umbral utilizado, el modelo concentró la revisión intensiva en 33.4 % de las operaciones y mantuvo la detección de 78.6 % de los incumplimientos observados. La propuesta se apoyó en una revisión ampliada de estudios clásicos y recientes sobre credit scoring, desbalance, ensambles, explicabilidad y evaluación económica, y se contrastó en detalle con tres trabajos directamente relacionados. El resultado representa un impacto operativo potencial, no un ahorro financiero realizado. La principal contribución consiste en un prototipo de scoring aplicable a la priorización crediticia y en una ruta metodológica para su validación temporal, explicación individual y evaluación económica.
Autores:
- Alvaro Huacantara Quispe
Yoel Jiménez Céspedes
Sergio Ortiz Pauca
Ivan Francisco Pomajulca López
La predicción del incumplimiento en créditos de consumo permite priorizar expedientes, asignar recursos de evaluación y reducir la exposición a operaciones de mayor riesgo. En el estudio se evaluaron siete algoritmos sobre 18 102 créditos, utilizando una variable objetivo binaria construida a partir de la situación histórica del crédito. LightGBM presentó el mejor desempeño interno, con 87.66 % de accuracy, 86.71 % de precision, 78.59 % de recall, 82.45 % de F1-score y 93.58 % de ROC AUC. En comparación con la regresión logística, identificó 80 incumplimientos adicionales y generó 37 falsas alertas menos. Bajo el umbral utilizado, el modelo concentró la revisión intensiva en 33.4 % de las operaciones y mantuvo la detección de 78.6 % de los incumplimientos observados. La propuesta se apoyó en una revisión ampliada de estudios clásicos y recientes sobre credit scoring, desbalance, ensambles, explicabilidad y evaluación económica, y se contrastó en detalle con tres trabajos directamente relacionados. El resultado representa un impacto operativo potencial, no un ahorro financiero realizado. La principal contribución consiste en un prototipo de scoring aplicable a la priorización crediticia y en una ruta metodológica para su validación temporal, explicación individual y evaluación económica.