Algoritmos de Machine Learning Para Mejorar la Toma de Decisiones Financieras en Cajas Populares de Guanajuato: Evidencia Preliminar con Enfoque Mixto
Resumen
El objetivo de este artículo es evaluar en qué medida la adopción de algoritmos de machine learning (regresión logística, random forests, gradient boosting y redes neuronales) mejora la toma de decisiones financieras en cajas populares (SOCAP) del estado de Guanajuato. Se emplea un diseño mixto, no experimental y transversal con dos ventanas consecutivas de 12 meses (antes/después de ML). Se analizan cuatro indicadores operativos: (i) morosidad, (ii) tiempo de respuesta, (iii) precisión de clasificación de riesgo y (iv) costo operativo por solicitud. Los resultados preliminares muestran que se mejora la precisión de las métricas de los indicadores mencionados ya que se encuentran resultados que difieren de los que se obtienen en la actualidad, así la morosidad pasa de 4.78% a5.28%; el tiempo de respuesta 5.24 a 4.97 días; la precisión de 80.54% a 72.58%; el costo por solicitud $445.80 a $481.82 MXN. Estos hallazgos sugieren que usando los modelos de Machine Laerning se logra una mayor exactitud y certeza en los resultados que los encontrados por métodos tradicionales y puede mejorar la toma de decisiones de los ejecutivos de las Cajas Populares
Descargas
Citas
Baesens, B., Setiono, R., Mues, C., & Vanthienen, J. (2003). Using neural network rule extraction and decision tables for credit-risk evaluation. Management Science, 312–329.
Booth, W. C., Colomb, G. G., Williams, J. M., & Bizup, J. (2024). The craft of research (5th ed.). University of Chicago Press.
Bravo, C., Thomas, L. C., & Weber, R. (2014). Improving credit scoring by differentiating defaulter behaviour. Journal of the Operational Research Society, 771–781.
Dumitrescu, E., Hué, S., Hurlin, C., & Tokpavi, S. (2022). Machine learning for credit scoring: Improving logistic regression with non-linear decision-tree effects. European Journal of Operational Research, 1178–1192.
Fernández, L., & Romero, Á. (2022). Un enfoque de ciencia de datos para la toma de decisiones en la estimación de costes: Big data y aprendizaje automático. Revista de Contabilidad – Spanish Accounting Review.
Flores, M., & Martínez, A. (2021). Retos en la digitalización del microcrédito en México: El caso de las cajas populares. Revista Mexicana de Economía y Finanzas, 16(4), 45–60.
Gómez, L., Hernández, J., & Salas, F. (2022). Inteligencia artificial aplicada al riesgo crediticio en el sector cooperativo financiero mexicano. Innovación y Desarrollo Financiero, 10(2), 33–49.
Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT Press.
Hastie, T., Tibshirani, R., & Friedman, J. (2009). The elements of statistical learning: Data mining, inference, and prediction (2nd ed.). Springer.
Hosmer, D. W., Lemeshow, S., & Sturdivant, R. X. (2013). Applied logistic regression (3rd ed.). Wiley.
Quinlan, J. R. (1996). Improved use of continuous attributes in C4.5. Journal of Artificial Intelligence Research, 4, 77–90.
Flick, U. (2020). Introducing research methodology: Thinking your way through your research project. Sage Publications.
García-Dihigo, J. (2016). Metodología de la investigación para administradores. Ediciones U.
Hernández-Sampieri, R., & Mendoza-Torres, C. P. (2018). Metodología de la investigación: Las rutas cuantitativa, cualitativa y mixta. McGraw-Hill.
Jinchen, L. (2024). Research on loan default prediction based on logistic regression, random forest, XGBoost and AdaBoost. EDP Sciences.
Toledo-Concha, E., León-Reyes, V., & Reyna-Alcántara, P. (2022). Desafíos de la transformación digital de las microfinanzas en el Perú. Universidad Nacional Mayor de San Marcos, 87–98.
Yi, Z., Cao, X., Chen, Z., & Li, S. (2023). Artificial intelligence in accounting and finance: Challenges and opportunities. IEEE, 100–123.
Yuqi, L. (2024). Fusion of multifactor modeling and supervised learning algorithms in quantitative finance: A comparative analysis of predictive and explanatory power. Applied Mathematics and Nonlinear Sciences.
Derechos de autor 2025 J. Eddie César Villegas Zermeño , Carmen del Pilar S Suárez Rodríguez
Esta obra está bajo licencia internacional Creative Commons Reconocimiento 4.0.
.png)
.png)
1.png)
