Reporte de lectura de fuente especializada

Referencia completa

Geraldo-Campos, L. A., Soria, J. J., & Pando-Ezcurra, T. (2022). Machine Learning for Credit Risk
in the Reactive Peru Program: A Comparison of the Lasso and Ridge Regression Models.
Economies, 10(8). https://doi.org/10.3390/economies10080188

Palabras clave: Riesgo crediticio; créditos; Modelo de lazo; aprendizaje automático; Modelo de cresta.

Tema general: Aprendizaje automático para riesgo crediticio en el programa Reactive Perú: una
comparación de los modelos de regresión Lasso y Ridge

Tema específico: Determinar el modelo predictivo óptimo de aprendizaje automático para el riesgo
crediticio de las empresas acogidas al Programa Reactiva Perú por el COVID-19.

Hipótesis: (No presenta)

Metodología: Se aplicó un análisis de regresión multivariado con cuatro variables regresoras (sector económico,
entidad otorgante, monto cubierto y departamento) y un predictor (nivel de riesgo), con una población de 501.298
empresas beneficiadas con el programa, bajo la metodología CRISP-DM orientada especialmente para proyectos de
minería de datos, con técnicas de inteligencia artificial bajo los modelos de regresión machine learning Lasso y Ridge,
con verificación matemática algebraica econométrica para comparar y validar los modelos predictivos utilizando los
software SPSS, Jamovi, R Studio y MATLAB.

Resultado(s) del estudio:

Los resultados revelaron un mejor modelo de regresión de Lasso (λ60 = 0.00038; RMSE = 0.3573685)
que predijo de manera óptima el nivel de riesgo en comparación con el modelo de regresión Ridge
(λ100 = 0.00910; RMSE = 0.3573812) y el modelo de mínimos cuadrados con matemática algebraica,

Resumen de los puntos clave:

1. Riesgo crediticio: Esto sugiere que el impacto del COVID-19, causado por el virus SARS
CoV-2, tiene un efecto notable en la solvencia crediticia y guarda una relación directa con
el capital bancario, el volumen total de préstamos y el rendimiento financiero de los
bancos (Riani 2021).*
2. Créditos. Las compañías receptoras de créditos son las encargadas de gestionar de forma
apropiada estos recursos financieros, cuyo uso se restringe a la adquisición de activos, la
inversión en acciones, bonos y activos líquidos, así como al pago de deudas vencidas,
evitando utilizarlos como aportaciones de capital. Además, tienen el deber y la
responsabilidad de contribuir a la reactivación económica del Perú (COFIDE 2020;
 Martínez y Pérez 2020).
3. Modelo de lasso y cresta: presenta el análisis cuantitativo del conjunto de datos, utilizando
análisis de regresión multivariado con técnicas de aprendizaje automático bajo los
modelos de regresión Lasso y Ridge ( Dalgaard 2008 ; Tan et al. 2019 )

Importancia

Es importante determinar el riesgo crediticio a través de un modelo predictivo de aprendizaje

automático mediante los modelos de regresión múltiple de Lasso y Ridge, los cuales se pueden
verificar con matemáticas algebraicas por mínimos cuadrados del listado de empresas beneficiarias
publicado por el Ministerio de Economía. y Finanzas, que permite a los tomadores de decisiones
públicas del riesgo crediticio otorgado generar estrategias y minimizar los riesgos por parte de las
empresas beneficiarias.

Otros comentarios:
 Reporte de lectura de fuente especializada

Referencia completa

Cairo, V. R., Angel, R., Pacheco, S., Marissa, J., Cueva, Y., & Arnaldo, L. (n.d.). INCIDENCIA DE
LA COBERTURA GEOGRÁFICA DEL SISTEMA FINANCIERO EN EL DESEMPEÑO DE LA
POLÍTICA MACROFINANCIERA “REACTIVA PERÚ” IMPACT OF THE GEOGRAPHICAL
COVERAGE OF THE FINANCIAL SYSTEM ON THE PERFORMANCE OF THE “REACTIVA
PERÚ” MACROFINANCIAL POLICY.
www.revistanotashistoricasygeograficas.clhttps://orcid.org/0000-0001-9330-5978

Palabras clave: Crédito, mercado financiero, empresas, crisis económica, covid-19

Tema general: Incidencia de la cobertura geográfica del sistema financiero en el desempeño de la

política macro financiera “reactiva Perú”

Tema específico: Explicar como la cobertura geográfica del sistema financiero repercutió en el
desempeño de la política macro financiera “Reactiva Perú”

Hipótesis:

Metodología: Se estimó un modelo por cuantiles que evaluó el efecto del número de agencias del sistema financiero
sobre el número de beneficiarios de “reactiva Perú” a nivel distrital.

Resultado(s) del estudio: Se obtuvo como resultado que, si bien la cobertura geográfica del sistema
financiero condicionó el desempeño de “Reactiva Perú”, esta fue diferenciada, y no fue una
limitante para que las empresas deudoras ubicadas en distritos sin presencia en el sistema financiero
accedieran a “Reactiva Perú”

Resumen de los puntos clave:

1. Crédito
2. Mercado financiero
3. Empresas
4. Crisis económica
5. Covid-19

Importancia

Otros comentarios:
 Reporte de lectura de fuente especializada

Referencia completa

Albino Espada, J. R., Ruíz Rafael, J. L., & Medina Sotelo, C. G. (2022). Reactivación económica Post
Pandemia en el Perú: Una mirada desde las políticas públicas. Alpha Centauri, 3(4), 34–48.
https://doi.org/10.47422/ac.v3i4.134

Palabras clave: Políticas públicas, reactivación de la económica, vinculación, políticas económicas,

pandemia

Tema general: Reactivación de la economía post pandemia del Perú: una mirada desde las políticas
públicas.

Tema específico: Estrategias para reactivar la economía post covid-19 en el Perú, que debido a la
crisis sanitaria presenta carencia de financiación, elevado precio del valor monetario y ausencia de
salvaguardas de los intereses económicos

Hipótesis:

Metodología: Analizar estrategias públicas para reactivar la economía peruana, teniendo como materiales artículos
relacionados al tema y como metodología la revisión documentaria de artículos y la revisión estadística de páginas
públicas: MEF, INEI entre otros, a fin de entender los acontecimientos y sucesos importantes a lo largo del desarrollo
investigativo.

Resultado(s) del estudio: Los resultados se reflejan en el accionar de estas políticas públicas,
donde las empresas tendrán que adaptase a la nueva normalidad, en donde todo el proceso de
negocio tradicional ha cambiado, apareciendo nuevas condiciones para poder establecer alianzas a
nivel local, regional y nacional.

Resumen de los puntos clave:

1. Políticas públicas
2. Vinculación
3. Reactivación de la económica
4. Políticas económicas
5. Pandemia

Importancia
Otros comentarios: