Análisis comparativo de técnicas de Machine Learning en modelos de riesgo de crédito

Abstract

Este trabajo de fin de grado, titulado "Análisis comparativo de técnicas de Machine Learning en modelos de Riesgo de Crédito", examina y compara la eficacia de los modelos de scoring tradicionales y modernos modelos de machine learning en la predicción de default en PyMEs, un área crucial para la estabilidad de las instituciones financieras. Con el aumento de la complejidad en el entorno financiero, es fundamental adoptar métodos que mejoren la precisión de las predicciones de riesgo crediticio. Este estudio contrasta el rendimiento de modelos avanzados de machine learning, como la Regresión Logística y las Support Vector Machines, con métodos de scoring tradicionales como el Z-Score de Altman, el Score de Elisabetsky y el Termómetro de Kanitz. La investigación se centra en la capacidad predictiva de estos modelos, su interpretabilidad y la relevancia de las variables utilizadas, proporcionando así una visión integral de su efectividad y aplicabilidad en el actual marco normativo del sector financiero. Utilizando una base de datos de PyMEs en España, este trabajo adopta un enfoque mixto que combina análisis cuantitativo con evaluaciones cualitativas, ofreciendo una nueva perspectiva en la identificación de patrones complejos y no lineales en el comportamiento del crédito.This final degree project, entitled "Comparative analysis of Machine Learning techniques in Credit Risk models", examines and compares the effectiveness of traditional scoring models and modern machine learning models in predicting default in SMEs, a crucial area for the stability of financial institutions. With increasing complexity in the financial environment, it is essential to adopt methods that improve the accuracy of credit risk predictions. This study contrasts the performance of advanced machine learning models, such as Logistic Regression and Support Vector Machines, with traditional scoring methods such as the Altman Z-Score, the Elisabetsky Score and the Kanitz Thermometer. The research focuses on the predictive capacity of these models, their interpretability and the relevance of the variables used, thus providing a comprehensive view of their effectiveness and applicability in the current regulatory framework of the financial sector. Using a database of SMEs in Spain, this work adopts a mixed approach that combines quantitative analysis with qualitative evaluations, offering a new perspective on the identification of complex and non-linear patterns in credit behavior.