Explainability and business sense in machine learning models for credit risk assesment

• Autores: Miller Janny Ariza Garzón
• Directores de la Tesis: María Jesús Segovia Vargas (dir. tes.) , Javier Arroyo Gallardo (dir. tes.) , María del Mar Camacho Miñano (dir. tes.)
• Lectura: En la Universidad Complutense de Madrid ( España ) en 2023
• Idioma: inglés
• Número de páginas: 222
• Títulos paralelos:
  • Explicabilidad y sentido de negocio en modelos de aprendizaje automático para evaluación de riesgo de crédito
• Tribunal Calificador de la Tesis: Antonio José Heras Martínez (presid.) , Juan Antonio Recio García (secret.) , Laura Parte Esteban (voc.) , María Pilar Alberca Oliver (voc.) , José Manuel Galán Ordax (voc.)
• Enlaces
  • Tesis en acceso abierto en: Docta Complutense
• Resumen
  • español

    El cambiante panorama de la modelización del riesgo de crédito, debido al avance tecnológico y la proliferante generación de plataformas con alternativas de financiación, alternas a las instituciones tradicionales, ha planteado cuestiones críticas en relación con la eficacia del aprendizaje automático para satisfacer las exigencias de los reguladores y de los usuarios, en particular en el mercado de préstamos P2P. En este contexto, en este trabajo, se abordan algunos vacíos identificados en la literatura en relación con la modelización, su aplicabilidad orientada al negocio y la interpretabilidad de los resultados del aprendizaje automático. Proponemos estrategias alternativas de modelización, flujos de trabajo, incorporando predictibilidad sentido de negocio y explicabilidad. Se demuestra que este enfoque no sólo mejora la precisión de las predicciones frente a alternativas tradicionales, sino que permite identificar las variables determinantes, y a su vez, perfiles de riesgo o segmentos de mayor rentabilidad. No sólo se discierne la importancia de las variables, sino también las relaciones no lineales, los cambios de dispersión y las rupturas estructurales, características difíciles de captar con métodos convencionales. Además, identificamos las ventajas financieras de incorporar los beneficios en el proceso de modelización. El uso de herramientas de explicabilidad aclara los cambios en la importancia y la forma de dependencia de las variables en comparación con los métodos convencionales, que a menudo pasan por alto los costes y los beneficios de la correcta o incorrecta clasificación. Esto arroja luz sobre los factores que impulsan la concesión rentable de préstamos a pequeñas empresas en el contexto del mercado P2P, distintos de los que influyen en la clasificación tradicional del riesgo de crédito. A su vez, pudimos extraer algunas limitaciones, especialmente en este segmento, caracterizado por un mayor riesgo. De esta manera, aunque este trabajo se centra en la modelización del riesgo crediticio en el mercado P2P, empleando el aprendizaje automático con cualidades de explicabilidad y sentido de negocio para dar mayor transparencia e incrementar la probabilidad de uso de estas herramientas para al proceso de otorgamiento de créditos, nuestro enfoque es extrapolable a otros ámbitos. Abordamos con rigor un problema de clasificación con clases desbalanceadas, se aprecia cómo introducirle costes y beneficios en el aprendizaje, se estudia el aporte de las variables en contextos complejos con herramientas de explicabilidad, lo que es extrapolable a cualquier problema de clasificación, pudiéndose obtener resultados reseñables no solamente en dominios financieros.

  • English

    The changing landscape of credit risk modeling, due to technological advancement and the proliferating generation of platforms with alternative financing alternatives to traditional institutions, has raised critical questions regarding the effectiveness of machine learning in meeting the demands of regulators and users, particularly in the P2P lending market. In this context, we address some gaps identified in the literature regarding modeling, its business-oriented applicability, and the interpretability of machine learning results. We propose alternative modeling strategies workflows, incorporating business sense predictability and explainability. We show that this approach not only improves the accuracy of predictions compared to traditional alternatives but also allows the identification of the critical variables and, in turn, risk profiles or segments of higher profitability...