Clasificación de créditos utilizando máquinas de soporte vectorial sobre la base de datos de LendingClub
| Autor | Karen Estefanía Guevara-Díaz |
| Cargo | Magíster en Finanzas. Trader. Banco Davivienda S.A. [keguevar@davivienda.com], [0000-0001-6360-7377]. |
| Páginas | 59-98 |
Clasificación de créditos
utilizando máquinas de soporte
vectorial sobre la base de
datos de LendingClub
Credit classification using support vector
machines on the LendingClub database
Karen Estefanía Guevara-Díaz*
* Magíster en Finanzas. Trader. Banco Davivienda S.A. [keguevar@davivienda.com],
[0000-0001-6360-7377].
Artículo recibido el 01 de febrero de 2020.
Aceptado el 01 de marzo de 2020.
Para citar este artículo:
Guevara-Díaz, K. E. (2020). Clasificación de créditos utilizando máquinas de soporte
vectorial sobre la base de datos de LendingClub. ODEON, 18, 59-98.
DOI: https://doi.org/10.18601/17941113.n18.03
60
ODEON, ISSN: 1794-1113, E-ISSN: 2346-2140, N° 18, enero-junio de 2020, pp. 59-98
Resumen
Se presenta la teoría de máquinas de soporte vectorial (Support Vector Machine
– SVM ) aplicada a la clasificación de créditos otorgados por la banca fintech
(financial technology) de Estados Unidos LendingClub. Se estudiará la clasifi-
cación que da el método SVM a los créditos contra la ya otorgada por la entidad.
Se analizan las variables más importantes que maneja LendingClub para el
otorgamiento de créditos comparándolas con la clasificación de pago o impago
que arroja el experimento de SVM.
Palabras clave: riesgo de crédito; máquinas de soporte vectorial; fintech.
Clasificación J EL: C63, G21.
Abstract
The theory of support vector machines applied to the classification of credits
granted by the United States fintech banking LendingClub is presented. The
classification given by the SVM method to credits will be analyzed against
what has already been granted by the entity. The most important variables that
LendingClub manages for the granting of credits are analyzed, comparing it with
the classification of payment or non-payment that the SVM experiment gives.
Key words: Credit risk; vector support machines; fintech.
JEL classification: C63, G21.
Introducción
En la práctica financiera, la clasificación de clientes entre buenos y malos es
importante para el buen funcionamiento de los establecimientos de crédito. El
riesgo de crédito se asocia a la “probabilidad de pago de un agente al que se le
otorga el crédito” (Moreno y Melo, 2011, p. 2). Así, el problema de riesgo de
crédito puede acotarse a un problema de pago o impago de los agentes/clientes.
Analizar el riesgo de crédito es significativo porque es el primer factor para
proteger la solvencia de las entidades financieras. La importancia de las entidades
financieras se funda en su papel de proveedor de liquidez y transformador de
plazos en la sociedad. Al buscar modelos que ayuden a mejorar la clasificación
de aquellos agentes que pagan y los que no pagan, mejoramos la solvencia de los
bancos y, a su vez, protegemos la economía de un colapso de liquidez.
O DE O N N º 1 8
61
ODEON, ISSN: 1794-1113, E-ISSN: 2346-2140, N° 18, enero-junio de 2020, pp. 59-98
Esta búsqueda de calidad crediticia no es ajena a las nuevas entidades finan-
cieras que enfocan su colocación de crédito en el análisis de variables novedosas
que se extraen netamente a través de sistemas digitales. Sobre la novedad de
variables para el análisis de crédito se hablará más adelante en este trabajo.
En este artículo se analiza la base de datos de clientes de la compañía esta-
dounidense de préstamos entre pa rticulares llamada LendingClub, aplicando la
metodología de máquina de soporte vectorial (Support Vector Machine – SVM)
para clasificar entre “buenos y malos” los clientes y asignarles una clase crediticia.
El interés de analizar a los clientes de LendingClub se debe a que es la pri-
mera compañía de préstamos peer to peer (P2P, préstamos entre par ticulares) en
listarse en la Securities and Exchange Comission en el año 2013. Su modelo de
negocios de desintermediación, acerca a inversionistas y prestamistas a un mismo
objetivo de eficiencia en los recursos. Los mecanismos P2P aproximan a quienes
tienen excedentes de liquidez a aquellos que necesitan de esos excedentes. Así,
a través de una plataforma tecnológica (el lugar de encuentro) y sin las barreras
de la banca tradicional, se unen dos grupos de interés para darle solución a su
problema. Por un lado, las bajas tasas de remuneración en inversiones como
cuentas de ahorro o depósitos a término y, por otro, la necesidad de crédito.
No obstante, el primer grupo de interés de este negocio –quienes tienen el
exceso de liquidez– necesita prestar mayor atención a las tasas de default de los
créditos, tanto como lo hacen los bancos comerciales para evitar el colapso del
negocio. Así, al aplicar SVM se quiere resolver si la clasificación con la metodo-
logía SV M clasifica mejor los créditos presentados en el data set original de la
compañía LendingClub.
El presente documento consta de cinco partes. Primero, se abordará la impor-
tancia del riesgo de crédito y se hará una breve descripción de metodologías en
esta área de uso habitual. Segundo, se describirá la metodología SVM. Tercero, se
explicarán las particularidades de los datos de clientes que publica LendingClub
en su página web. Cuar to, se aplicará la metodología SVM al problema de clasifi-
cación de crédito. Por último, se presentarán las conclusiones de este experimento.
1. Importancia del riesgo de crédito
El riesgo de crédito es el riesgo de impago de dinero como resultado de la im-
posibilidad de honrar la obligación de crédito por parte del acreedor (Bessis,
Para continuar leyendo
Solicita tu prueba