Predicción del riesgo de incumplimiento en los pagos de préstamos personales de una institución financiera mediante el algoritmo LGBM

Abstract

El presente trabajo de investigación muestra un estudio exhaustivo sobre la mejora en la predicción del riesgo de incumplimiento en los pagos de préstamos personales, utilizando el algoritmo LightGBM (LGBM). El objetivo general fue desarrollar un modelo capaz de predecir con alta precisión el riesgo de incumplimiento mediante el uso de este algoritmo. Para alcanzar este objetivo, se empleó una metodología estructurada basada en CRISP-DM, que facilitó un enfoque sistemático y efectivo en la resolución del problema. La metodología incluyó la recopilación de datos históricos de préstamos, la implementación del modelo LGBM, y la evaluación de su rendimiento utilizando principalmente indicadores como el Accuracy balanceado, F1-score y el recall. Además, se realizó una comparación del nuevo modelo entrenado con LGBM frente a un modelo previo basado en Regresión logística. Los resultados del estudio revelaron que el modelo LGBM alcanzó un Accuracy Balanceado de 75%, F1-score de 39%, y un recall de 73% en el conjunto de prueba. Estos resultados indicaron una capacidad superior del modelo de machine learning para identificar el riesgo de incumplimiento en comparación con el modelo anterior y otros enfoques tradicionales. Se concluye por lo tanto que los indicadores del modelo LGBM no solo mejoraron significativamente la precisión en la predicción del riesgo de morosidad, sino que también superaron a los métodos previos tradicionales en términos de rendimiento. Este hallazgo valida la efectividad del algoritmo LGBM en la gestión del riesgo crediticio y sugiere su implementación a largo plazo para optimizar la toma de decisiones en la entidad financiera. El presente estudio también recomienda la evaluación continua del modelo y la exploración de otros algoritmos avanzados para seguir mejorando la precisión y adaptabilidad del sistema de predicción de riesgos.

This research presents a comprehensive study on improving the prediction of default risk in personal loan payments using the LightGBM (LGBM) algorithm. The general objective was to develop a model capable of accurately predicting default risk through the use of this algorithm. To achieve this goal, a structured methodology based on the CRISP-DM framework was employed, which enabled a systematic and effective approach to problem solving. The methodology included the collection of historical loan data, the implementation of the LGBM model, and the evaluation of its performance using robust metrics such as balanced accuracy, F1-score, and recall. Additionally, a comparison was made between the newly trained LGBM model and a previous logistic regression model. The study results revealed that the LGBM model achieved a balanced accuracy of 75%, an F1-score of 39%, and a recall of 73% on the test set.These results indicated a superior capability of the machine learning model to identify default risk compared to the previous model and other traditional approaches. Therefore, it is concluded that the LGBM model's indicators not only significantly improved the accuracy of default risk prediction but also outperformed previous traditional methods in terms of performance. This finding validates the effectiveness of the LGBM algorithm in credit risk management and suggests its long-term implementation to optimize decision-making in the financial institution. The present study also recommends continuous model evaluation and the exploration of other advanced algorithms to further enhance the accuracy and adaptability of the risk prediction system.