Paiva Ramos, Walter JuniorBravo Castro, Gerson Enrique2022-01-112022-01-1120212022-01-11http://hdl.handle.net/20.500.12404/21260El presente trabajo propone el desarrollo de modelos machine learning para la estimación de la probabilidad de default, que ayuden a reducir los niveles de deterioro de las carteras de créditos de consumo de las instituciones financieras de Perú, las cuales basan sus políticas de créditos en los modelos econométricos tradicionales como la regresión logística. Las variables que mejor explican la probabilidad de default están relacionadas a la evolución de niveles de endeudamiento y la historia de comportamiento de pago en el sistema financiero. Los modelos Random Forest (Bagging) y XGBoost (Boosting) presentan mejores niveles de discriminación y predictibilidad que el modelo tradicional, asimismo, se demuestra que estos modelos machine learning se complementan muy bien con el modelo tradicional dado que permiten identificar conjuntos de intercambio de deudores con menor riesgo por deudores de mayor riesgo calificados por el modelo tradicional. Adicionalmente, estos modelos machine learning permiten una vista complementaria al momento de identificar los perfiles con mayor riesgo ya que metodológicamente no se basan en la identificación de patrones promedio como la regresión logística tradicional.spainfo:eu-repo/semantics/closedAccessAprendizaje automático (Inteligencia artificial)Crédito--PerúRiesgo (Economía)--PerúInstituciones financieras--Perú--Modelos econométricosinfo:eu-repo/semantics/masterThesishttps://purl.org/pe-repo/ocde/ford#5.02.01