GOPAR SANCHEZ, Jesús. Modelo sencillo para la predicción de la calificación crediticia para empresas fintech aplicando técnicas SMOTE y MRMR. The Anáhuac j. []. 2024, 24, 2, 00005.   17--2024. ISSN 2683-2690.  https://doi.org/10.36105/theanahuacjour.2024v24n2.2516.

Las empresas fintech han mejorado la eficiencia de la industria financiera y han aumentado la inclusión financiera. Sin embargo, también han incorporado nuevos riesgos al sistema financiero. Los reguladores, los inversionistas y los investigadores están preocupados de que sus dificultades financieras puedan afectar a todo el sistema financiero. Nuestro estudio tiene como objetivo profundizar en la eficacia de las técnicas de machine learning (aprendizaje automático) para identificar alertas tempranas de deterioro del riesgo crediticio de las fintech. Valiéndonos de medidas contables y de mercado comúnmente empleadas en la literatura, creamos varios clasificadores para predecir las calificaciones crediticias de las fintech. Los algoritmos de clasificación enfrentan un desafío cuando el número de observaciones entre clases no es equivalente, lo que afecta su desempeño. Debido al tamaño limitado de las fintech que cotizan en la bolsa y que tienen una calificación crediticia a nivel de emisor, nuestra base de datos incluye pocas observaciones y está muy desequilibrada. Los resultados de nuestro estudio muestran que la técnica de sobremuestreo SMOTE mejora el poder predictivo de los algoritmos de aprendizaje automático y que los algoritmos de selección de características como MRMR permiten la generación de modelos más sencillos y fáciles de entender. Nuestros resultados sugieren que los algoritmos de clasificación basados en KNN tienen mayor precisión para predecir las calificaciones crediticias de las fintech.

: fintech; calificación crediticia; aprendizaje automático; SMOTE; MRMR.

        ·     ·     · ( pdf )