Rating crediticio de préstamos mediante modelos de aprendizaje automático

Abstract

[ES] En este Trabajo de Fin de Grado, se aborda el desafío de realizar una valoración de riesgo en préstamos utilizando modelos de aprendizaje automático, incluyendo modelos de aprendizaje profundo. El objetivo principal es desarrollar una red neuronal capaz de evaluar el riesgo de impago y el deterioro de la solvencia del emisor mediante la utilización de distintas variables, como el salario, el tipo de interés del préstamo, los impagos anteriores, o la situación laboral del sujeto, para valorar su potencial económico. Este enfoque se basa en la aplicación de modelos econométricos avanzados, aprovechando el poder del aprendizaje automático y las redes neuronales. Estos modelos utilizarán técnicas de aprendizaje automático para analizar y procesar los datos relevantes, permitiendo una valoración precisa del riesgo asociado a los préstamos. De esta manera, se proporcionará una herramienta eficaz para los inversores, permitiéndoles evaluar la probabilidad de cobro de intereses y recuperar el capital invertido una vez vendido el producto. Durante el desarrollo del trabajo, se explorarán y seleccionarán variables clave, como la deuda acumulada, la velocidad de devolución y otras variables económicas relevantes, para entrenar y ajustar el modelo de inteligencia artificial. Se utilizará Python como lenguaje de programación principal y bibliotecas populares de deep learning, como TensorFlow o Keras, para implementar la red neuronal y realizar experimentos. Para evaluar la efectividad del modelo, se utilizarán conjuntos de datos que contengan información sobre préstamos y los valores de riesgo asociados. Se emplearán métricas adecuadas para la predicción de valores ordenados, como el error medio absoluto (MAE) o el coeficiente de correlación de Spearman, para evaluar la capacidad del modelo para realizar predicciones precisas y clasificar los préstamos según su nivel de riesgo.