Machine Learning Models and Alternative Data in Credit Scoring: Statistical and Financial impact

Las Super-Apps han revolucionado el mercado de servicios financieros al ofrecer soluciones prácticas y a la medida de cada individuo. En este trabajo se investiga cómo la data alternativa generada por el consumo, comportamiento y específicamente interacciones usuarios dentro de una Super-App genera valor para la evaluación del riesgo crediticio. Con este fin, se proponen dos grupos de experimentos que usan diferentes metodologías de grafos. En el primer experimento, se generan variables basadas en la transaccionalidad y comportamiento de usuarios, así como variables basadas en seis grafos construidos a partir de las interacciones de usuarios y diferentes entidades para ser usadas en un modelo de clasificación de machine learning. El segundo experimento, se usan como modelos diferentes graph neural networks donde se aprovecha directamente la estructura de los grafos propuestos. Los resultados muestran que las variables basadas en grafos como centralidad y comportamiento de los usuarios vecinos permiten mejorar la evaluación del riesgo crediticio. Finalmente, se discuten las implicaciones regulatorias y las oportunidades de las Super-Apps de redefinir el riesgo crediticio y promover la inclusión financiera.

• Autores: Roa Ballén, Luisa Fernanda
• Fecha de publicación: 2021
• Institución: Universidad de los Andes
• Repositorio: Séneca: repositorio Uniandes
• Idioma: eng
• OAI Identifier: oai:repositorio.uniandes.edu.co:1992/53220
• Acceso en línea: http://hdl.handle.net/1992/53220
• Palabra clave: Riesgo crediticio; Ingeniería
• Rights: openAccess
• License: https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdf