Predicción del monto del crédito a desembolsar por el fondo MIVIVIENDA en Perú usando modelos aprendizaje máquina para el periodo 2014-2023

• Autor: Llacza Peña, Jerry Harol
• Formato: tesis de maestría
• Fecha de Publicación: 2024
• Institución: Universidad Ricardo Palma
• Repositorio: URP-Tesis
• Lenguaje: español
• OAI Identifier: oai:repositorio.urp.edu.pe:20.500.14138/9304
• Enlace del recurso: https://hdl.handle.net/20.500.14138/9304
• Nivel de acceso: acceso abierto
• Materia: Aprendizaje automático; Préstamos hipotecarios; Viviendas; https://purl.org/pe-repo/ocde/ford#1.02.00

El presente estudio, denominado "Predicción del monto del crédito a desembolsar por el fondo Mivivienda en Perú usando modelos Aprendizaje Máquina para el periodo 2014 - 2023", tiene como finalidad analizar y comparar la eficiencia de 4 modelos de Aprendizaje Máquina para optimizar la estimación del monto de los créditos hipotecarios. La investigación se centra principalmente en variables como el tipo de producto, la ubicación geográfica, características del beneficiario y condiciones financieras, con el fin de brindar estrategias que ayuden en la mejora del otorgamiento de recursos del Fondo MiVivienda. La metodología fue estructurada para realizar la implementación de modelos supervisados tales como Regresión Ridge, Árboles de Decisión, Random Forest y Gradient Boosting Machines, los cuales fueron aplicados a un conjunto de datos públicos. Los resultados que se obtuvieron evidencian que el Random Forest y el Gradient Boosting Machines tienen una alta capacidad predictiva y son robustos, alcanzando valores de R2 por encima del 93% el cual nos indica que interpretan más del 93% de la variabilidad del monto de crédito. Además, el estudio identificó variables importantes como la tasa de interés (TASA), el monto del Bono de Buen Pagador (MONTO_BBP), la cuota inicial (MONTO_CUOTA_INICIAL) y los plazos de pago (PLAZOS), las cuales fueron vitales para mejorar el desempeño de los modelos. Este estudio resalta lo vital que es la implementación de técnicas de análisis de datos y Aprendizaje Máquina para la gestión de créditos hipotecarios y con ello optimizar los procesos de toma de decisiones. Finalmente, se sugiere la evaluación periódica de los modelos predictivos para garantizar su adaptabilidad a los constantes cambios económicos y financieros en el sector hipotecario