Poniendo el cerebro a trabajar: Evaluación del índice de crédito para préstamos P2P basados en el modelo de redes neuronales artificiales

Resumen

La evaluación efectiva de los diversos índices de crédito de un prestatario es clave para desentrañar el problema de la asimetría de la información en el contexto del préstamo entre pares (P2P). La mitigación de la selección adversa de prestatarios con alto potencial de incumplimiento continúa plagando las plataformas de préstamos P2P. Para comprender cuales son los factores que determinan el estado crediticio del prestatario (es decir, la aprobación del préstamo, el potencial de pago del préstamo, y el riesgo de incumplimiento), este estudio presenta un Modelo de Redes Neurales en una de las plataformas de préstamos P2P más populares. Nuestros resultados muestran que la tasa de interés, la relación entre el préstamo y el ingreso, y el plazo del préstamo son los indicadores más importantes para reflejar el estado crediticio del prestatario, mientras que la frecuencia de las consultas, la categoría de endeudamiento tiene un grado relativamente bajo de importancia. Este estudio encuentra que el estado del índice de crédito del prestatario se explica mejor en los cuantiles más bajos y se vuelve más difícil de discernir en cuantiles superiores. Este trabajo también concluye que para plazos de préstamo más largos, la presión de la amortización del prestatario y las tasas de incumplimiento aumentan con mayores ratios de préstamo en relación al ingreso y mayores tasas de interés. Además, encontramos que las clasificaciones de crédito más altas y los rendimientos esperados más altos conducen a mayores probabilidades de incumplimiento. Para reducir la probabilidad de impago del prestatario, este estudio recomienda construir grupos de préstamos, seleccionar candidatos de mayor ingreso y aumentar los límites de crédito. Para validar nuestros resultados, realizamos pruebas de robustez que modifican el coeficiente de aprendizaje y la relación de datos de entrenamiento a validación para mostrar que los resultados empíricos de este documento son sólidos y efectivos.