Así se aplica el ‘machine learning’ para estimar el riesgo de incumplimiento en el sector bancario

Debido a la crisis financiera de 1998, la Superintendencia Financiera de Colombia (SFC), solicitó a todas las entidades bancarias emplear modelos estadísticos que permitan estimar la probabilidad de que un cliente no cumpla con el pago de sus obligaciones.

Esto también es conocido como riesgo de default, y es una de las preocupaciones más importantes para el sistema financiero. Por ello, es necesario cuantificarlo mensualmente, monitorearlo de forma continua de acuerdo con las características actuales de la economía.

Y para cumplir esta tarea, se ha hecho imprescindible el uso de herramientas de ‘machine learning’, una rama de la inteligencia artificial, que se refiere a la capacidad que tienen los computadores para ‘aprender’ a partir de un grupo de datos, identificar patrones y probabilidades.

Sobre esto habló el docente Diego Alejandro Castro Llanos, de la facultad de Ciencias Básicas, en el webinar ‘Aplicación del Machine Learning en la estimación del riesgo de incumplimiento en el sector bancario’, que se desarrolló el 26 de febrero de 2021.

El profesor Castro es estadístico, magíster en Economía Aplicada, y se desempeña como analista senior de la División de Riesgo de Crédito en el Banco de Occidente.

Los archivos usados durante la fase práctica del webinar están disponibles para descarga:

Esta webinar hizo parte de una serie de conferencias y talleres que lleva a cabo el departamento de Matemáticas y Estadística los días viernes de los meses de febrero, marzo y abril, alrededor de temas como el ‘machine learning’, Big Data, y metodologías estadísticas aplicadas al análisis de datos.

Encuentre aquí otras charlas de esta serie:

Más información: