Implementación de un modelo de credit scoring para el fortalecimiento del proceso de otorgamiento de créditos en una Cooperativa de Ahorro y Crédito
No Thumbnail Available
Date
2026-06-15
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Universidad de Cuenca. Facultad de Ciencias Económicas y Administrativas
Abstract
Credit risk in Savings and Credit Cooperatives in the country has increased due to unfavorable conditions in the current political and economic context; therefore, this research aims to develop a credit granting model for the Popular and Solidarity Economy sector, with the objective of avoiding economic losses for financial institutions, which have certain limitations regarding the processing of credit data. However, logistic regression, decision trees, Random Forest, and Gradient Boosting models were applied, using SMOTE techniques to address data imbalance, and the Information Value methodology based on Weight of Evidence (WoE) was used to determine the significance of the explanatory variables. The data used corresponds to the period from December 31, 2024, to February 28, 2026. The results show that the Gradient Boosting model has the best performance indicators, as it presents an AUC of 0.897 and a precision of 93%. However, the Random Forest model is the most suitable for determining the risk level of each member, since it presents more consistent performance indicators between precision and a recall of 80%, being useful for correctly classifying delinquent members and avoiding losses from credit granting. Finally, it was concluded that Random Forest is the model that provides the best credit risk profiling for the institution, due to its predictive capacity, and this constitutes an important tool for decision-making in the credit approval process.
Resumen
El riesgo de crédito en las Cooperativas de Ahorro y Crédito se ha incrementado, por las condiciones desfavorables en esta coyuntura política y económica, por tanto, esta investigación pretende generar un modelo de otorgamiento de créditos para el sector de la Economía Popular y Solidaria con el objetivo de evitar pérdidas económicas a las cooperativas, quienes tienen algunas limitaciones en cuanto a tratamiento de datos crediticios. Por lo tanto, se aplicó los modelos de regresión logística, árboles de decisión, Random Forest o Gradient Boosting usando las técnicas de SMOTE para el desbalanceo de los datos y para determinar la significancia de las variables explicativas se usó la metodología del Valor de la información basadas en WoE. Se uso los datos desde el 31 de diciembre del 2024 al 28 de febrero del 2026. Los resultados muestran que el modelo de Gradient Boosting tiene los mejores indicadores de desempeño, pues presenta un AUC de 0.897, y precisión 93%. Sin embargo, el Random Forest es el modelo más adecuado para la determinar el nivel de riesgo de cada socio. Puesto que presenta indicadores de desempeño más consistentes entre la precisión y el Recall del 80%, siendo útil para clasificar correctamente a los socios morosos y evita perdidas por otorgamiento de créditos. Finalmente, se concluyó que el Random Forest es el modelo que mejor perfilamiento de riesgo crediticio otorga a la entidad, dado a su capacidad predictiva, y esto constituye una herramienta importante para la toma de decisiones en la aprobación de créditos.
Keywords
Finanzas, Mora crediticia, Riesgo de crédito
Citation
Código de tesis
TM4; 2787
Código de tesis
Grado Académico
Magíster en Finanzas con mención en Gestión de Riesgos Financieros