Mejorando la Evaluación de Riesgo Credito en Préstamos P2P

El préstamo entre pares (P2P) es una forma de que la gente pida y preste dinero directamente a través de plataformas online. Este enfoque conecta a los prestatarios que necesitan préstamos con los prestamistas que buscan invertir su dinero. Sin embargo, el préstamo P2P tiene un problema conocido como asimetría de información. Esto significa que los prestamistas a menudo no tienen suficiente información para evaluar correctamente qué tan probable es que los prestatarios devuelvan sus préstamos.

Este artículo propone una nueva solución a este problema. Exploramos cómo usar las descripciones escritas que los prestatarios proporcionan al solicitar préstamos para crear un indicador de riesgo. Al analizar estas descripciones con un tipo de inteligencia artificial llamada Modelo de Lenguaje Grande (LLM), podemos mejorar potencialmente la forma en que los prestamistas evalúan el riesgo.

#Riesgo de Crédito en Préstamos P2P

En el préstamo entre pares, los prestatarios a menudo proporcionan información adicional sobre sus solicitudes de préstamos a través de narrativas o descripciones personales. Estas narrativas pueden ayudar a los prestamistas a entender el propósito del préstamo y la situación del prestatario. Sin embargo, los modelos de riesgo tradicionales no aprovechan esta información adicional. En cambio, se basan principalmente en datos cuantitativos como puntajes de crédito y niveles de ingresos.

Algunos investigadores han intentado incluir datos textuales en modelos de riesgo crediticio. Han buscado varios métodos, como analizar el lenguaje utilizado en estas descripciones, para extraer características útiles. Estas características pueden ayudar a entender las intenciones del prestatario y la probabilidad de pago del préstamo.

A pesar de los esfuerzos anteriores, muchos estudios se han basado en técnicas de procesamiento de lenguaje simples. Esto ha llevado a perder oportunidades para capturar la riqueza de la información disponible en las narrativas de los prestatarios.

#Uso de Modelos de Lenguaje Grande

Los Modelos de Lenguaje Grande son un tipo de inteligencia artificial diseñada para entender y generar lenguaje humano. Funcionan procesando enormes cantidades de texto para aprender patrones y relaciones entre palabras. Uno de los modelos más famosos se llama BERT, que significa Representaciones de Codificador Bidireccional de Transformadores. BERT es especialmente bueno entendiendo el contexto en el que se utilizan las palabras en las oraciones.

En nuestro estudio, usaremos BERT para analizar descripciones textuales de préstamos con el fin de crear una puntuación de riesgo, indicando la probabilidad de que un prestatario no cumpla con sus pagos. BERT puede captar matices sutiles en el lenguaje y contexto de las descripciones, lo que puede ayudar a mejorar la evaluación del riesgo.

#Recolección de Datos

Nuestra investigación se basa en un conjunto de datos disponible públicamente de la compañía de préstamos P2P Lending Club. Este conjunto de datos incluye préstamos otorgados entre 2007 y 2018 y contiene una variedad de información, como el ingreso del prestatario, el monto del préstamo solicitado, el puntaje de crédito y la descripción textual proporcionada por el prestatario.

Para enfocarnos en nuestro análisis, solo consideramos préstamos con resultados conocidos: aquellos que se pagaron completos o aquellos en default. También filtramos los préstamos que no incluyen descripciones textuales, dejándonos con un conjunto de datos de más de 119,000 préstamos.

#Explorando los Datos

Antes de sumergirnos en el modelado, realizamos un análisis exploratorio de datos para entender mejor el conjunto de datos. Esto implicó observar la distribución de datos cuantitativos, como niveles de ingresos y puntajes de crédito, así como datos categóricos como propósitos de préstamo.

#Análisis Cuantitativo

A través de nuestro análisis, encontramos varias tendencias clave:

• Los préstamos en default tienden a tener niveles de ingresos y puntajes de crédito más bajos.
• Los prestatarios que defaultan tienden a solicitar montos de préstamo más grandes y tener niveles más altos de endeudamiento.

Estos insights indican que ciertas medidas numéricas pueden ser indicadores importantes para evaluar el riesgo.

#Análisis Categórico

Cuando examinamos variables categóricas como el propósito del préstamo y el estado de propiedad, vimos diferencias significativas en las tasas de default a través de categorías. Por ejemplo, los préstamos para "pequeñas empresas" tenían una tasa de default particularmente alta en comparación con los préstamos para "autos".

El análisis de datos categóricos refuerza nuestra comprensión de los factores de riesgo asociados con diferentes tipos de préstamos.

#Análisis Textual

A continuación, investigamos las descripciones textuales proporcionadas por los prestatarios. Calculamos métricas como el conteo promedio de palabras, la legibilidad, el sentimiento y la subjetividad. Aunque las diferencias entre préstamos en default y no en default eran sutiles, aún proporcionaron evidencia de que las características textuales podrían relacionarse con la solvencia crediticia.

#Metodología

Nuestro objetivo es crear un modelo de riesgo de crédito que incluya puntuaciones de riesgo generadas por BERT. Mejoraremos un modelo de evaluación de riesgo tradicional al agregar una puntuación generada a partir de las descripciones textuales.

#Entrenamiento del Modelo

Aplicaremos un algoritmo de aprendizaje automático popular, llamado XGBoost, que es efectivo para manejar datos estructurados. Este algoritmo será entrenado usando una combinación de variables cuantitativas (como ingresos y puntaje de crédito) y la puntuación adicional de BERT.

#Generación de Puntuaciones BERT

Para generar las puntuaciones de BERT, ajustaremos el modelo específicamente para nuestra tarea. Este proceso implica entrenar a BERT en nuestros datos de descripción de préstamos para que aprenda a predecir si un préstamo estará en default basado en la descripción del prestatario.

#Prevención de Filtraciones de Datos

Es crucial evitar la filtración de datos, que ocurre cuando información del conjunto de prueba se utiliza inadvertidamente en el proceso de entrenamiento. Nos aseguraremos de que durante el entrenamiento, no se use información de los datos de validación, lo que permitirá una evaluación más precisa del rendimiento del modelo.

#Resultados

Después de entrenar nuestro modelo, evaluaremos su rendimiento usando varias métricas. Uno de los objetivos principales es determinar si agregar la puntuación de BERT mejora la predicción de riesgo.

#Análisis de Puntuación BERT

Analizaremos cómo las puntuaciones de BERT se correlacionan con factores de riesgo tradicionales como ingresos y puntajes de crédito. Esperamos que puntajes de BERT más altos indiquen un mayor riesgo de default, apoyando la utilidad de este nuevo enfoque.

#Comparación de Rendimiento del Modelo

Compararemos el rendimiento de nuestro modelo base (que utiliza solo variables tradicionales) con el modelo mejorado (que incluye la puntuación de BERT). Anticipamos que el modelo mejorado demostrará una mejor precisión predictiva.

#Importancia de las Características

Además de evaluar el rendimiento del modelo, también veremos la importancia de varias características utilizadas en nuestro modelo. A través de técnicas como valores SHAP, podemos visualizar cuánto influye cada variable, incluida la puntuación de BERT, en las predicciones del modelo.

#Implicaciones para la Evaluación del Riesgo

Nuestros hallazgos tienen implicaciones notables para cómo los prestamistas evalúan el riesgo crediticio. Al incorporar ideas de las narrativas de los prestatarios, los prestamistas pueden tomar decisiones informadas basadas en una comprensión más rica de los perfiles de riesgo individuales.

Este enfoque tiene el potencial de mejorar la transparencia en los préstamos, ayudando a los prestatarios a recibir préstamos que reflejen mejor sus situaciones.

#Investigaciones Futuras Potenciales

Finalmente, discutiremos direcciones de investigación futuras para continuar mejorando la evaluación del riesgo crediticio. Explorar modelos de lenguaje más avanzados, combinar análisis lingüístico con modelado tradicional, o utilizar técnicas más nuevas de IA generativa podría llevar a resultados aún mejores.

#Conclusión

En conclusión, nuestra investigación subraya la importancia de integrar técnicas de procesamiento de lenguaje natural en la evaluación del riesgo crediticio. Al utilizar modelos de lenguaje avanzados como BERT, podemos analizar descripciones de préstamos para generar indicadores de riesgo valiosos. Este enfoque innovador tiene el potencial de mejorar significativamente la precisión y efectividad de los modelos de riesgo crediticio en el préstamo entre pares y más allá.