Template-Type: ReDIF-Paper 1.0
Author-Name: Lucas M. Soules
Author-Name-First: Lucas M.
Author-Name-Last: Soules
Title: Un modelo de aprendizaje automático orientado a predecir mora crediticia sobre la base de datos públicos, abiertos y masivos: desarrollo, evaluación e implicancias prácticas para el mercado crediticio argentino
Abstract: En Argentina el mercado de créditos está compuesto por pocas entidades de gran tamaño y por muchas entidades pequeñas que buscan atender los mercados no satisfechos por las anteriores. El rol que cumplen las entidades pequeñas es fundamental a la hora de democratizar el acceso al crédito, representando la única fuente de financiamiento para muchos individuos. Sin embargo, son estas últimas las que disponen de menos recursos en la utilización de técnicas analíticas para evaluar sus clientes. Los motivos detrás de esto son principalmente dos. En primer lugar, por ser más pequeñas, disponen de un menor volumen de datos. En segundo lugar, muchas no cuentan con departamentos de riesgo capacitados para desarrollar herramientas avanzadas orientadas en la toma de decisiones. En este trabajo se estudia cómo combinando el uso de datos públicos y abiertos con algoritmos avanzados de aprendizaje automático se pueden desarrollar modelos que permiten predecir morosidad futura de manera competitiva cuando se los compara con la literatura previa. Un sistema como el propuesto le permitiría fundamentalmente a las entidades pequeñas aumentar su rentabilidad; y así, ofrecer préstamos con tasas más competitivas, generando un aumento en las posibilidades de acceso al crédito para muchos argentinos.
Length: 32 pages
Creation-Date:  2020-11
File-URL: https://aaep.org.ar/works/works2020/Soules.pdf
File-Format: Application/pdf
Number: 4414
Classification-JEL: C4, G2
Handle: RePEc:aep:anales: 4414