Modelo para la evaluación del riesgo crediticio para los clientes de las microfinancieras del Perú

• Autores: Alarcón Morales, Eduardo Manuel, Mora Ramos, Brian Javier
• Formato: tesis de grado
• Fecha de Publicación: 2020
• Institución: Universidad Peruana de Ciencias Aplicadas
• Repositorio: UPC-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorioacademico.upc.edu.pe:10757/650407
• Enlace del recurso: http://hdl.handle.net/10757/650407
• Nivel de acceso: acceso abierto
• Materia: Microfinanzas; Crédito financiero; Empresas financieras; Microfinance; Financial credit; Financial companies

El riesgo crediticio es un problema que viene afectando a las microfinancieras desde su nacimiento debido a que existe una probabilidad de que el cliente no termine de pagar el préstamo llegando inclusive al cierre de alguna de estas instituciones. En el Perú, la totalidad de empresas financieras utilizan el índice de morosidad como un indicador para medir el porcentaje de créditos no pagados con respecto a la totalidad de colocaciones, siendo en las microfinancieras el doble de la banca regular. Por este motivo, en la presente investigación se diseña un modelo de predicción que permite una mejor toma de decisiones al momento de evaluar al prestatario, utilizando variables estándares y comunes, herramientas y algoritmos modernos que permitan una mejor evaluación de las variables con respecto a la información brindada. El resultado de la investigación muestra las variables y los porcentajes de predicción de pago con la información brindada por una microfinanciera aplicando el algoritmo de redes bayesianas. Para esto, este proyecto demostró la eficacia del modelo planteado como un medio para obtener una fuente fidedigna con respecto a la evaluación de los créditos de consumo de manera objetiva. El modelo cuenta con 5 etapas: 1. Los elementos de entrada; 2. El proceso de evaluación y el análisis; 3. Las regulaciones estandarizadas; 4. La arquitectura tecnológica; 5. Los elementos de salida. Como resultados se obtuve una predicción promedio de las prestatarios de un 63%; así mismo, se evaluaron otros factores del modelo como la sensibilidad y la especificidad que ayudaron a la construcción del mismo.