| Revista: | TecnoLógicas |
| Base de datos: | |
| Número de sistema: | 000597488 |
| ISSN: | 0123-7799 |
| Autores: | Tadeo Espinoza, Frank Edward1 Coral Ygnacio, Marco Antonio2 |
| Instituciones: | 1Universidad Católica Sedes Sapientiae, Ventanilla, Callao. Perú 2Universidad Católica Sedes Sapientiae, Lima. Perú |
| Año: | 2023 |
| Periodo: | Sep-Dic |
| Volumen: | 26 |
| Número: | 58 |
| País: | Colombia |
| Idioma: | Inglés |
| Tipo de documento: | Artículo |
| Resumen en español | Esta revisión analiza una selección de artículos científicos sobre la implantación de sistemas de evaluación del riesgo de crédito para identificar las soluciones existentes, las más acertadas y las limitaciones y problemas en su desarrollo. Se adoptó la declaración PRISMA del siguiente modo: se formularon las preguntas de investigación, se definieron los criterios de inclusión, se seleccionaron las palabras clave y se diseñó la cadena de búsqueda. Por último, se calcularon varios estadísticos descriptivos de los artículos seleccionados. En los estudios seleccionados se identificaron 31 soluciones, entre métodos, modelos y algoritmos. Algunos de los modelos más utilizados se basan en técnicas de Inteligencia Artificial (IA), especialmente Redes Neuronales y Bosques Aleatorios. Se concluyó que las Redes Neuronales son las soluciones más eficientes, con precisiones medias superiores al 90 %, pero su desarrollo puede tener limitaciones. Estas soluciones deben implementarse teniendo en cuenta el contexto en el que se van a emplear. |
| Resumen en inglés | This review analyzes a selection of scientific articles on the implementation of Credit Risk Assessment (CRA) systems to identify existing solutions, the most accurate ones, and limitations and problems in their development. The PRISMA statement was adopted as follows: the research questions were formulated, the inclusion criteria were defined, the keywords were selected, and the search string was designed. Finally, several descriptive statistics of the selected articles were calculated. Thirty-one solutions were identified in the selected studies; they include methods, models, and algorithms. Some of the most widely used models are based on Artificial Intelligence (AI) techniques, especially Neural Networks and Random Forest. It was concluded that Neural Networks are the most efficient solutions, with average accuracies above 90 %, but their development can have limitations. These solutions should be implemented considering the context in which they will be employed. |
| Disciplinas: | Economía, Ciencias de la computación |
| Palabras clave: | Banca, Inteligencia artificial |
| Keyword: | Banks, Artificial intelligence |
| Texto completo: | Texto completo (Ver PDF) Texto completo (Ver HTML) |
