Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Ana Mara Huayna D.1, Vanessa Calvo Huaraz2, Juan Carlos Huiman Snchez
1
Universidad Nacional Mayor de San Marcos
Facultad de Ingeniera de Sistemas e Informtica
RESUMEN
Uno de los principales riesgos que afronta cualquier institucin financiera es la probabilidad de que
los deudores no estn dispuestos o no estn en condiciones de pagar sus prstamos. El presente
articulo desarrolla un modelo enfocado a la solucin de este problema; es decir, a disminuir el
riesgo crediticio en clientes que soliciten algn prstamo o crdito a instituciones financieras. Este
modelo est orientado a Edpymes, implementado con tcnicas de inteligencia artificial, como son
las redes neuronales entrenadas mediante el algoritmo Backpropagation.
Con la aplicacin del modelo desarrollado, se logr reducir el ndice de morosidad de un 3.5% a un
2.5%. Este 1% de diferencia representa aproximadamente unos 900 clientes visto a escala real.
Palabras clave: crditos, redes neuronales, algoritmo Backpropagation
ABSTRACT
The probability that debtors can not pay their loans is one of the main risks facing any financial institution. This work develops a model focused on resolving this problem, namely to reduce the credit
risk at the time of a loan or credit is granted. This model is oriented to Edpymes, implemented with
artificial intelligence techniques such as neural networks trained by the backpropagation algorithm.
As a result of applying the model is achievement to reduce the credit risk of 3.5% to 2.5%. This 1%
represents approximately 900 clients seen full-scale.
Keywords: credits, neural network, backpropagation algorithm
1. INTRODUCCIN
2. FUNDAMENTACIN TERICA
Una de las caractersticas de las neuronas es su capacidad de comunicarse. Las dendritas y el cuerpo ce-
En la seccin 2, describiremos los aspectos ms relevantes sobre las Redes Neuronales, en la seccin 3 se
detalla el modelo a desarrollar y la herramienta terica
a utilizar, en la seccin 4 se presentan las conclusiones,
y en la seccin 5, las referencias bibliogrficas.
Figura N. 1. Neurona y sus partes.
22
Donde :
H i (t ) = X j * W j
j =1
momento t.
Las cinco funciones de transferencia tpicas que determinan los distintos tipos de neuronas son:
1. Funcin escaln
2. Funcin lineal
3. Funcin Sigmoidea
4. Funcin Tangente Sigmoidea
5. Funcin Gaussiana
Al llegar a la neurona, todos los datos de las informaciones ponderados por sus pesos se suman. Esto es
lo que se denomina la Regla de Propagacin. Podra
adoptar otras frmulas, pero la ms habitual es la simple suma de todas las entradas ponderadas que toma
el nombre de Potencial Sinptico [9].
Cuando el resultado de la regla de propagacin supera un cierto nmero, denominado umbral, entonces la
Generalmente, una red neuronal tpica tendr tres capas: una de entrada de datos; otra oculta, donde se
procesan los datos y; una tercera, de salida de los resultados. Cada una de las capas contendr un nmero
determinado de neuronas en funcin del diseo que
haya decidido el analista y del tipo de trabajo que vaya
a realizar la red. Todas las neuronas que contiene una
capa se conectan con todas las neuronas de la siguiente capa. De esta manera, cuando una neurona obtiene
23
G
e
n
e
r
a
l
Neurona
Red
Sistema neuronal
Wj,i
Este proceso se puede representar de manera matricial, que facilita la comprensin del sistema; para el
ejemplo de la Figura 4, la matriz de entradas estar
representada por X; mientras que la matriz de los pesos sinpticos viene representada por W y la matriz H
representa los potenciales sinpticos de cada neurona
de la capa oculta [9].
24
b) Funciones de transferencia
Tambin llamadas de ejecucin o activacin, se encarga de transforma el valor de red expresado por la
funcin de base u (w, x). Las funciones de activacin
ms comunes son:
Asociacin: La red funciona como un proceso de recuperacin de un dato a partir de una entrada relacionada
con el dato almacenado.
Agrupamiento: Cuando no se produce una clasificacin de los datos de entrada, es la red la que genera
esta clasificacin a medida que se va produciendo la
seal.
Generalizacin: Las redes pueden detectar las relaciones subyacentes entre diferentes elementos, y por
tanto, pueden extrapolar las relaciones numricas presentes en los datos disponibles en situaciones similares.
Optimizacin: Cuando es necesario elegir la opcin
ptima entre diferentes alternativas, las redes proporcionan un procedimiento relativamente rpido para generar una solucin subptima que es suficientemente
satisfactoria.
Prediccin y control: La flexibilidad de las redes neuronales las hace adecuadas para la prediccin, ya que
el sistema va aprendiendo y puede seguir de manera
verstil estos cambios [18].
25
Redes Analgicas
Redes Hbridas
Aprendizaje Estocstico
a) Segn su naturaleza
c) Segn su topologa
Redes Monocapa
Redes Multicapa
Perceptron,
Backpropagation,
Hopfield,
Kohonen,
Ward
Aprendizaje hebbiano
problemas que son demasiado complejos para tecnologas convencionales, problemas que no tienen un algoritmo de solucin o que su algoritmo de solucin es muy
difcil de encontrar. Entre estas ventajas se incluyen:
Otra desventaja importante es el tiempo de entrenamiento, y esto se debe a que el error decrece como una
potencia del tamao del entrenamiento.
Adems, se requiere a menudo un significativo procesamiento previo de los datos para adaptarlos al de
entrada que acepta la red [18].
Su robustez.
Las aplicaciones de las RNAs abarcan diversas actividades de muy diferentes campos. Estos son:
Finanzas
Prediccin de ndices
Deteccin de fraudes
Negocios
Marketing
Venta cruzada
Campaas de venta
b) Desventajas
Reconocimiento de grficos
Alimentacin
27
Desarrollo de productos
Control de calidad
Energa
Industria manufacturera
Control de procesos
Control de calidad
Control de robots
Medicina y salud
Anlisis de imgenes
Desarrollo de medicamentos
Distribucin de recursos
Ciencia e Ingeniera
Ingeniera Qumica
Ingeniera Elctrica
Climatologa
Transportes y comunicaciones
Optimizacin de rutas
3. METODOLOGA
Lo que se busca es plantear un Modelo Estndar de
Evaluacin de Crditos basado en Redes Neuronales
que permita mantener en niveles razonables los riesgos en la concesin de prstamos; asegurando una
buena rentabilidad en EDYFICAR.
Filtrado de Datos
Seleccin de Variables
Bienes. Conformado para nuestro caso por las propiedades de viviendas, terrenos, vehculos, mostradores,
computadoras. En trminos contables es conocido
como inmuebles, maquinaria y equipos.
Extraccin de Conocimiento
Validacin y Evaluacin
28
Pasivo total. Es la suma de la deuda que tiene la empresa y/o persona a proveedores, estado (impuestos),
instituciones financieras; a un ao y mayores a un ao.
b) Fase de Aprendizaje
Originalmente la red neuronal no dispone de ningn tipo
de conocimiento til almacenado. Para que la red neuronal ejecute una tarea es preciso entrenarla; durante
esta fase se puede producir la incorporacin de nuevas
neuronas o la prdida de algunas de ellas. Si la red no
aprende correctamente se pueden cambiar diversos
parmetros y volver a entrenar. En todos los programas
hay que seleccionar el algoritmo, que en este caso es el
backpropagation as como una serie de parmetros. Con
ello se est en condiciones de iniciar el aprendizaje.
Durante el aprendizaje en la mayor parte de los modelos se produce una variacin de los pesos sinpticos,
coeficientes del modelo, que miden la intensidad de
interaccin entre las neuronas. La red neuronal ajusta una funcin matemtica (En el caso de Tiberius la
funcin que emplea es del tipo sigmoidal*) que trata de
minimizar los errores, mediante un proceso de clculo
numrico iterativo.
Para llevar a cabo el entrenamiento en Tiberius preparamos un fichero con 80 patrones de entrada y los respectivos patrones de salida con los que se deben asociar.
29
La mayora de los programas presentan un grfico o tabla en la que se observa los resultados del aprendizaje
para cada iteracin, tal como en la Figura 9.
En este caso, la red, configurada con distintas cantidades de neuronas en la capa oculta, fue capaz de clasificar correctamente todos los patrones de entrada que
se le proporcion como estimulo; mostrando solo dife-
c) Fase de Test
Tras la fase de aprendizaje se procede a una fase de
test en la que, con nuevos patrones de entrada, se comprueba la eficacia del sistema generado. Si no es aceptable, se debe proceder a repetir la fase de desarrollo,
utilizando un nuevo conjunto de patrones de entrenamiento, o bien modificando el sistema de aprendizaje
o la arquitectura. Superada esta fase, la arquitectura,
neuronas y conexiones, y los pesos sinpticos quedan
fijos pudiendo el sistema operar en modo recuerdo. El
modo recuerdo es el modo de operacin normal del sistema: dada una entrada proporcionar una salida en
30
0,700000
Cantidad de
Neuronas Ocultas
5
0,0000001
Modelo
Learning Rate
% True
% False
% Total
91,7
75
85
87,5
100
92,5
92,5
0,700000
87,5
100
0,0000001
95,83
100
97,5
0,700000
87,5
100
92,5
0,0000001
91,7
87,5
90
0,700000
87,5
100
92,5
0,0000001
83,3
93,8
87,5
da con cuatro neuronas en la capa oculta son suficientemente satifactorios, siendo evaluadas correctamente
39 de los 40 patrones ingrseados para el test.
31
5. REFERENCIAS BIBLIOGRFICAS
4. CONCLUSIONES
Lo que se busca con la implementacin del proyecto,
es mantener y reducir la tasa de riesgo, minimizar
el ndice de morosidad, contar con una cartera de
clientes sana y agilizar el proceso de evaluacin de
crditos.
Para problemas de Clasificacin son apropiados el
uso de Redes Neuronales para la evaluacin de
crditos, ya que nos permiten filtrar mejor los datos
los cuales suelen presentar un comportamiento no
lineal.
El anlisis y seleccin de los criterios de evaluacin,
en consenso con los expertos, nos permitir una mejor validez del modelo.
El uso de la red Backpropagation, a pesar de invertir un tiempo considerable en su entrenamiento, los
resultados que se obtienen son ms satisfactorios.
Adems este tipo de red presenta propagacin hacia
atrs del error que se obtiene de cada una de las
salidas, lo cual permite una mejor actualizacin de
los pesos de conexin de cada neurona.
La data de testeo debe ser real o muy cercana a la
realidad con datos coherentes, que permitan obtener
un buen modelo de evaluacin.
As como se usaron variables cuantitativas para la
construccin del modelo expuesto, recomendamos
complementarlo usando variables de naturaleza
cualitativas, para as captar todas las variables que
intervienen en el proceso de crdito y hacer mas real
la evaluacin.
Se utiliz la herramienta Tiberius, para el modelado de la red neuronal. Esta herramienta permite la
construccin de una red Backpropagation de 3 capas
(una capa de entrada, una capa oculta y una capa de
salida), pudiendo aumentar o disminuir la cantidad
de neuronas en la capa oculta hasta lograr los resultados que se requieran.
32
15. Simon Haykin. Neuronal Networks: A Comprehensive Foundation (en espaol), (2000) Canada.
16. Barandela Alonso, Ricardo, Procesamiento de la
muestra para el entrenamiento del perceptrn multicapa, Editorial del Instituto Tecnolgico de TolucaCongreso Internacional de Ingeniera Electrnica,
(2000) Mxico D.F.
17. Alejandro Ferrer Quea, Formulacin, anlisis e Interpretacin de los EE.FF. en sus ocho fases ms
importantes, Editorial Pacfico, (2004) Lima, Per.
33