Un sistema de motor de predicción de riesgo crediticio basado en aprendizaje automático utilizando un clasificador apilado y un método de selección de características basado en filtros

Resumen La predicción del riesgo crediticio es una tarea crucial para las instituciones financieras. Los avances tecnológicos en aprendizaje automático, junto con la disponibilidad de datos y poder de cómputo, han dado lugar a más modelos de predicción de riesgo crediticio en las instituciones financieras. En este documento, proponemos un enfoque de clasificador apilado junto con una técnica de selección de características (FS) basada en filtros para lograr una predicción eficiente del riesgo crediticio utilizando múltiples conjuntos de datos. El modelo apilado propuesto incluye los siguientes estimadores base: Random Forest (RF), Gradient Boosting (GB) y Extreme Gradient Boosting (XGB). Además, los estimadores en la arquitectura apilada se vincularon secuencialmente para extraer el mejor rendimiento. El método de FS basado en filtros que se utiliza en esta investigación se basa en la teoría de ganancia de información (IG). El algoritmo propuesto fue evaluado utilizando la precisión, el F1-Score y el Área Bajo la Curva (AUC). Además, el algoritmo apilado fue comparado con los siguientes métodos: Red Neuronal Artificial (ANN), Árbol de Decisión (DT) y k-Vecinos más Cercanos (KNN). Los resultados experimentales muestran que el modelo apilado obtuvo AUCs de 0.934, 0.944 y 0.870 en los conjuntos de datos australiano, alemán y de Taiwán, respectivamente. Estos resultados, en conjunto con las métricas de precisión y F1-score, demostraron que el clasificador apilado propuesto supera a los estimadores individuales y a otros métodos existentes.