Datos tabulares (Ingresos, Edad, Historial, Ratios Financieros de Negocio)
Output
Probabilidad de Default (0 - 1)
Estado
✅ Completado (Modelo Entrenado, Evaluado y Explicable)
📖 Descripción del Proyecto
Este modelo es el resultado del Trabajo de Fin de Máster (TFM) en Big Data e Inteligencia Artificial.
El objetivo principal es desarrollar una herramienta de soporte a la decisión para entidades bancarias que permita estimar la probabilidad de impago (Default) de un préstamo. A diferencia de las soluciones de "caja negra" habituales en competiciones (basadas en ensembling masivo de múltiples tablas), este proyecto adopta un enfoque Lean y regulatorio: maximizar el poder predictivo utilizando una única tabla de datos enriquecida mediante lógica financiera, garantizando una explicabilidad total (XAI) compatible con las normativas bancarias europeas (Basilea III/IV).
⚙️ Metodología y Pipeline
El flujo de trabajo sigue los más estrictos estándares de la industria de riesgos:
Ingeniería de Datos y Limpieza:
Tratamiento de valores nulos (Missing Not At Random) mediante imputación semántica (Flagging + Mediana) y creación de la categoría explícita Unknown para variables categóricas, evitando sesgos.
Eliminación de variables con alta multicolinealidad (correlación Pearson > 0.98).
Codificación híbrida: LabelEncoding (binarias) y One-Hot Encoding (nominales).
Feature Engineering (Lógica de Negocio):
Ratios de Capacidad de Pago: Creación de proxies financieros como Debt-to-Income (PAYMENT_RATE) y duraciones estimadas (CREDIT_TERM).
Estrés de Liquidez: Proxy de Loan-to-Value evaluando la sobre-financiación solicitada frente al valor real del bien (CREDIT_GOODS_DIFF).
Consenso de Mercado: Agregaciones estadísticas combinando las puntuaciones de los burós de crédito externos (EXT_SOURCE).
Benchmark de Modelos y Estrategia de Validación:
Se implementó un Split estratificado (70/10/20) para evitar el Data Leakage y el coste computacional prohibitivo de un K-Fold en un dataset >300k registros.
Se evaluaron múltiples familias de algoritmos: Random Forest (Bagging con SMOTE), LinearSVC (Geométrico), MLPClassifier (Redes Neuronales) y LightGBM (Boosting).
Selección: El sobremuestreo sintético (SMOTE) fue superado por el balanceo de pesos interno (is_unbalance=True). El ganador absoluto fue LightGBM.
📊 Resultados y Métricas del Modelo Final (LightGBM)
El modelo logra un equilibrio óptimo entre capacidad predictiva general y sensibilidad para detectar clientes tóxicos.
ROC-AUC Score:0.756(Superando el 0.72 del baseline original)
Recall (Clase 1 - Fraude):68%(Detecta a casi 7 de cada 10 malos pagadores)
Accuracy Global: 70%
``
🧠 Explicabilidad del Modelo (XAI con SHAP)
Para que el modelo sea auditable por los analistas de riesgos, se ha integrado SHAP (SHapley Additive exPlanations). El análisis confirma que el modelo ha aprendido lógicas de negocio coherentes:
Reputación Externa (EXT_SOURCE_MEAN): Es el factor más determinante. Una mala puntuación en los burós externos dispara el riesgo de forma drástica.
Plazo del Crédito (CREDIT_TERM): Préstamos estructurados a muy largo plazo acumulan mayor incertidumbre y, por ende, mayor riesgo asignado.
Sobre-financiación (CREDIT_GOODS_DIFF): El modelo penaliza severamente a los clientes que solicitan un crédito por un importe muy superior al valor del bien a adquirir, interpretándolo como una necesidad urgente y no declarada de liquidez.
``
⚠️ Limitaciones y Descargo de Responsabilidad
Este modelo ha sido entrenado con datos históricos anonimizados (Home Credit Default Risk) con fines exclusivamente académicos y de demostración técnica. No debe integrarse en sistemas de toma de decisión de concesión de crédito real sin superar auditorías exhaustivas de sesgos (Fairness), calibración de probabilidades y cumplimiento normativo local.
