Acceso usuarios
Javier Gamboa Cruzado, Ronald E Astudillo Aquino, Dennis Castro Valverde, Jorge Santiago Nolasco Valenzuela, Juan Gamarra Moreno, Guido Raúl Larico Uchamaco, Flavio Amayo Gamboa
El uso del Machine Learning (ML) en bancos ha ganado impulso debido a su precisión predictiva utilizando algoritmos. Este estudio se centra en determinar la influencia del ML en la evaluación del riesgo crediticio en el sector financiero. Se realizó una revisión sistemática de artículos de 2017 a 2022, consultando fuentes como ACM Digital Library, IEEE Xplore, Scopus, entre otras. Se aplicaron rigurosos criterios de exclusión y calidad, resultando en la selección de 62 artículos para análisis. Los hallazgos muestran una variedad de enfoques e innovaciones en el uso de ML para evaluar riesgos crediticios. La investigación documenta en detalle las metodologías y técnicas de ML más relevantes para prevenir el riesgo crediticio, proporcionando datos cruciales para las instituciones financieras. Este conocimiento permite a los bancos mejorar sus metodologías de evaluación de riesgo, optimizando sus procesos y mejorando la toma de decisiones basada en datos. Estos resultados enfatizan la creciente relevancia del ML en las finanzas y su potencial para transformar prácticas tradicionales, fortaleciendo la seguridad y la confiabilidad en las operaciones bancarias.
The use of Machine Learning (ML) in banks has gained momentum due to its predictive accuracy using algorithms. This study focuses on determining the influence of ML on credit risk assessment in the financial sector. A systematic review of articles from 2017 to 2022 was conducted, consulting sources such as ACM Digital Library, IEEE Xplore, Scopus, among others. Rigorous exclusion and quality criteria were applied, resulting in the selection of 62 articles for analysis. The findings reveal a variety of approaches and innovations in the use of ML to assess credit risks. The research documents in detail the most relevant ML methodologies and techniques to prevent credit risk, providing crucial data for financial institutions. This knowledge allows banks to improve their risk assessment methodologies, optimizing their processes and enhancing data-based decisionmaking. These results emphasize the growing relevance of ML in finance and its potential to transform traditional practices, strengthening security and reliability in banking operations.
