Modelos predictivos de riesgo crediticio: comparación entre enfoques tradicionales y de machine learning

Abstract

La presente investigación analiza y compara diferentes metodologías de evaluación de riesgo crediticio. A partir del contexto histórico, se observa la predominancia de la utilización de enfoques tradicionales como las regresiones logísticas para la evaluación crediticia. Sin embargo, esta investigación busca probar si los modelos de Machine Learning mejoran la precisión y eficiencia de las predicciones de riesgo crediticio. El presente informe incluye una revisión del modelo tradicional utilizado en la medición de riesgo, así como la implementación y evaluación de modelos más sofisticados que utilizan Machine Learning, como Random Forest y XGBoost. El estudio aborda los desafíos y las oportunidades de adaptación de estos modelos en el marco financiero argentino, proponiendo una evaluación de su aplicabilidad y desempeño.