Machine Learning y riesgo de crédito

Abstract

El objetivo de este trabajo es analizar como podemos medir o predecir el riesgo de crédito hipotecario mediante técnicas de Machine Learning. Para ello se realizará una aproximación a lo que conocemos como técnicas Machine Learning. Este término hace referencia al aprendizaje automático por el cual, mediante algoritmos, se pueden analizar gran cantidad de datos y obtener información relevante para la toma de decisiones en cualquier ámbito. Por otro lado, se buscará realizar una aproximación al riesgo de crédito, analizando las causas de la todavía reciente crisis económica de 2007 y la influencia que tuvo el riesgo de crédito hipotecario en la consecución de Defaults crediticios en esa época. Se realizará un análisis de los principales métodos de cálculo de riesgo de crédito, desde los más simples hasta aquellos que involucren técnicas más avanzadas. Por último, se realizará un caso de estudio, en el que se seleccionaron un conjunto de créditos hipotecarios a los que se les aplicó una regresión logística, un árbol de decisión y un Gradient Boosting, para ver cuál de ellas nos proporcionaba un mejor análisis desde el punto de vista empresarial.

The objective of this paper is to analyze how we can measure or predict mortgage credit risk using Machine Learning techniques. For this purpose, we will make an approach to what we know as Machine Learning techniques. This term refers to automatic learning by which, through algorithms, a large amount of data can be analyzed, and relevant information obtained, for decision making in any area. On the other hand, an approach to credit risk is made, analyzing the causes of the still recent economic crisis of 2007 and the influence that mortgage credit risk had on the consecution of credit defaults at that time. An analysis of the main credit risk calculation methods will be carried out, from the simplest to those involving more advanced techniques. Finally, a case study will be conducted, in which a set of mortgage loans were selected to which a logistic regression, a decision tree and a Gradient Boosting were applied, to see which of them provided us with a better analysis from a business point of view.