Pronóstico de incumplimientos de pago mediante máquinas de vectores de soporte : una aproximación inicial a la gestión del riesgo de crédito

Borradores de Economia
Number: 
677
Published: 
Classification JEL: 
C44, C50, C60, G32
Keywords: 
Human capital agglomeration, Social returns, Private returns, Externalities, Uncertainty, Fiscal policy

The most recent

Juliana Jaramillo-Echeverri, Karina Acosta, Olga Lucia Acosta Navarro, Oscar Iván Ávila-Montealegre, Jhorland Ayala-García, Jaime Bonet-Morón, Jesus Botero, Luz A. Flórez, Daniela Gallo, Luis Armando Galvis-Aponte, Karelys Guzmán-Finol, Eduardo A. Haddad, Ana María Iregui-Bohórquez, David Camilo López-Valenzuela, Ligia Alba Melo-Becerra, Juan J. Ospina-Tejeiro, Andrea Otero-Cortés, Julian A. Parra-Polania, Gerson Javier Pérez-Valbuena, José Pulido, María Teresa Ramírez-Giraldo, Mario A. Ramos-Veloza, Charles Rahal, Jorge Leonardo Rodríguez-Arenas, Shadia Zardibia
Camilo Bohorquez-Penuela, Leonardo Bonilla-Mejía, Anabelle Couleau, Alexánder Almeida

Este documento describe la metodología desarrollada por Vapnik (1995), denominada máquinas de vectores de soporte (SVM, por sus siglas en inglés) y realiza dos aplicaciones al caso de clasificación de agentes para el otorgamiento de créditos a partir de sus características. El primer caso de estudio clasifica individuos de un banco alemán. En el segundo caso se pronostica el incumplimiento del pago de créditos comerciales otorgados a empresas colombianas utilizando las características iniciales del crédito. SVM se compara con dos metodologías utilizadas en el análisis de este tipo de problemas, regresión logística y análisis lineal discriminante. Los resultados arrojan un mejor desempeño en la predicción por parte de SVM respecto a las otras dos metodologías.