Revista Ingenierías Universidad de Medellín (Jan 2007)
LAS REDES NEURONALES Y LA EVALUACIÓN DEL RIESGO DE CRÉDITO
Abstract
A pesar del escepticismo del mundo académico sobre los avances de la inteligencia artificial, las redes neuronales han abierto un campo de exploración bursátil que aún tiene mucho por investigar. Atendiendo a las ventajas del uso de las redes neuronales artificiales (ANN, por sus siglas en inglés) y a su capacidad para estimar modelos no lineales, en este artículo se muestra la aplicación de las redes neuronales a la cuantificación del riesgo de crédito. Además, se hace el desarrollo teórico de los fundamentos básicos de las redes neuronales. Para presentar las metodologías de medición de riesgo de crédito basados en redes neuronales, y aplicarlas a la base de datos de una cartera comercial, fue necesario elaborar un análisis exploratorio de cada una de las variables e investigar la correlación entre ellas. El objetivo del análisis es encontrar algunas relaciones para grupos determinados de la población, de acuerdo con sus características particulares. Por tanto, se cruzan variables de cada cliente, del crédito y del comportamiento contra la variable default (fallidos y no fallidos). Variable que establece un procedimiento de clasificación, y permite determinar las ponderaciones necesarias y, además, establece la probabilidad de fallido.In spite of the skepticism of the academic world on the advances of artificial intelligence, the neuronal networks have opened up a field of stock-exchange exploration that has still so much to research. Upon expounding the advantages of the usage of artificial neuronal network (ANN) and its capacity to estimate nonlinear models this article shows the application of the neuronal networks on the quantification of the credit risk. Furthermore, the article carries out a theoretical development of the basic foundations of neuronal networks. In order to present the methodologies of measurements of credit risk, based upon the neuronal networks and to apply the to the data base of a commercial portfolio, it became necessary to elaborate an exploratory analysis of each of the variables and to research the correlation amongst them. The objective of the analysis is to pinpoint some relations for predetermined population groups according to their particular characteristics. Therefore, variables of each client, the credit and the behavior against the variable are crossed default (insolvent and non insolvent): a variable that establishes the classification procedure and determines the necessary averages in addition to establishing the probability of insolvency.
