Redes Neuronales

Atlantic Review of Economics – 1st Volume - 2012 

 
 

Modelo de selección de riesgo, aplicado al
otorgamiento de microcrédito en un intermediario
financiero de crédito colombiano, apoyado en redes
neuronales artificiales
Risk selection model, applied to the microcredit granting in a Colombian financial
intermediary credit, supported by artificial neural networks

Ariza Miller*, Barón Wilson**,Obregón Nélson, Pineda Yecica** y Velosa
Francisco
Universidad Piloto de Colombia, Programa de Ingeniería Financiera.
Bogotá, Colombia, 2011.

* Lic Matemáticas Universidad Distrital, Estadístico Universidad Nacional de Colombia. MSc(c) en Economía Universidad Javeriana. Docente
Ingeniería Financiera. Universidad Piloto de Colombia. miller-ariza@unipiloto.edu.co, milljanny@gmail.com.
**Ingenieros financieros. Jóvenes investigadores. Semillero Aristos, Grupo de Mercados Financieros. Programa de Ingeniería Financiera.

Universidad Piloto de Colombia. wilsonfernandobaronsabogal@gmail.com, yecicapineda@hotmail.com.
 Ingeniero Civil, MSc en Ingeniería Civil, PhD en Hidrología University of California, Davis, USA. Docente Investigador Universidad
Javeriana. nobregon@javeriana.edu.co.
Economista. MSc Alta Dirección en Finanzas Universidad de los Andes, Especialista en Banca, Especialista en Marketing.
nfvelosa@hotmail.com.

Revista Atlántica de Economía – Volumen 1 - 2012

 

Atlantic Review of Economics – 1st Volume - 2012 

 
 

Resumen
Este artículo tiene como fin, identificar las variables más relevantes que permiten a través de un
modelo de redes neuronales artificiales(RNA), -con aprendizaje supervisado, bajo la tipología de
corrección de error y con arquitectura perceptrón multicapa hacia adelante- alcanzar los mejores
predictores de bajo nivel de riesgo, en la etapa de otorgamiento de microcréditos. Los estudios
académicos relativos al tema son limitados, dado que la materia prima para su aplicación, en la gran
mayoría de los casos no es de público conocimiento.Esta información (bases de datos), se convierte
en un activo intangible para las instituciones financieras, quienes en forma permanente desarrollan
metodologías para el otorgamiento, por ser la esencia de su negocio, en la administración de riegos.
Implica, además que de acuerdo a la experiencia cada record histórico es único y particular, y no es
posible hacer universal la aplicación de un modelo.Se contó con información del comportamiento de
ciento dieciséis mil prestatarios en un horizonte de tres años, luego de su depuración. En el estudio se
encontró que el modelo seleccionado (M105), entre los tantos modelos estimados, presenta una mejor
estimación de los prestatarios clasificados como “Riesgoso” con un 38.8% y una clasificación general
correcta del 58.5%. Para el caso de los 45.953prestatarios presentados a la red como “Riesgoso”,
logró clasificar en esta categoría a 17.853. También se observa un porcentaje de clasificación errado
del 61.1%, correspondiente a 28.100 prestatarios. Es decir, se clasificaron esta cantidad de
prestatarios como “No Riesgoso”.

Abstract
This article aims to identify the most relevant variables that allow through a neural network model
(RNA), withsupervised learning, in a kind of error correction and feedforward perceptron multilayer
architecture to achieve the best predictors of low risk, in the process of microcredit. Academic studies
on the topic are limited, since the raw material for your application, in most cases is not made public.
This information (databases), it becomes an intangible asset for financial institutions, whopermanently
develop methodologies for the grant, being the essence of your business, in managing risks. Also
implies that, according to the experience every time record is unique and particular and universal
cannot make the application of a model. Information was available on the behavior of one hundred and
sixteen thousand borrowers in a horizon of three years, after debugging. The study found that...