[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"doc-detail-122233-es":3,"doc-seo-122233-110":31,"detail-sidebar-cat-0-es-110":93},{"code":4,"msg":5,"data":6},0,"success",{"doc_id":7,"user_id":8,"nickname":9,"user_avatar":10,"doc_module":4,"category_id":11,"category_name":12,"doc_title":13,"doc_description":14,"doc_content":15,"file_id":16,"file_url":17,"file_type":18,"file_size":19,"view_count":20,"is_deleted":4,"is_public":21,"is_downloadable":21,"audit_status":21,"page_count":22,"language":23,"language_code":24,"site_id":25,"html_lang":24,"table_of_contents":26,"faqs":27,"seo_title":28,"seo_description":14,"update_tm":29,"read_time":30},122233,687207022233,"Riley","https://ap-avatar.wpscdn.com/davatar_155a257f0dc6eb9ab79c44ca47cae57d",41,"Investigación e Informes","Algoritmos para Machine Learning utilizados en la Gestión de Riesgo Crediticio en Perú","El estudio identifica los algoritmos de Machine Learning más usados y efectivos para gestionar el riesgo crediticio en el sistema financiero peruano. Se analizaron cuatro investigaciones que aplicaron modelos como Árbol de Decisión, SVM, Random Forest, Redes Neuronales, Naive Bayes, KNN y Regresión Logística en entidades financieras y microfinancieras. La revisión bibliográfica y webgráfica muestra que Árbol de Decisión y SVM destacan por su mayor utilización, mientras que Redes Neuronales y otros enfoques presentan desempeño aceptable, pero inferior. La elección del modelo óptimo depende de las características de los datos y de los objetivos institucionales.","Revista Micaela  \nISSN: 2955-8646 (en línea) / 2709-8990 (impresa) Universidad Nacional Micaela Bastidas de Apurímac Vice Rectorado de Investigación – Perú  \nVol. 5 Num. 1 (2024) -Publicado: 17/10/24  \n[https://doi.org/10.57166/micaela.v5.n1.2024](https://doi.org/10.57166/micaela.v5.n1.2024)[ ](https://doi.org/10.57166/micaela.v5.n1.2024)Páginas: 30-35  \nRecibido 01/10/2024 ; Aceptado 17/10/2024  \n[https://doi.org/10.57166/micaela.v5.n1.2024.134](https://doi.org/10.57166/micaela.v5.n1.2024.134)  \nAutores:  \n1. ORCID iD [https://orcid.org/0009-0004-3766-6655](https://orcid.org/0009-0004-3766-6655)[ ](https://orcid.org/0009-0004-3766-6655)Guillermo Renato Aguilar-Valenzuela, Ingeniería Informá  \ntica y Sistemas de la Universidad Nacional Micaela Bastidas de Apurímac – [191186@unamba.edu.pe](191186@unamba.edu.pe)  \n2. ORCID iD [https://orcid.org/0000-0002-5205-3660](https://orcid.org/0000-0002-5205-3660)[ ](https://orcid.org/0000-0002-5205-3660)Ecler Mamani-Vilca, Docente de la Universidad Nacional Micaela Bastidas de Apurímac PE, [eclervirtual@unamba.edu.pe](eclervirtual@unamba.edu.pe)  \nAlgoritmos para Machine Learning utilizados en la Gestión de Riesgo Crediti  \ncio en Perú  \nMachine Learning Algorithms used in Credit Risk Management in Peru  \nGuillermo Renato Aguilar-Valenzuela 1 y Ecler Mamani-Vilca 2  \nResumen. El objetivo del presente estudio es identificar los algoritmos de Machine Learning más utilizados y efectivos para gestionar el riesgo crediticio en el sistema financiero peruano. Se analizaron cuatro investigaciones que implementaron diferentes algoritmos, tales como Árbol de Decisión, Support Vector Machine (SVM), Random Forest, Redes Neuronales, Naive Bayes, K Nearest Neighbor (KNN) y Regresión Logística, en entidades financieras y microfinancieras. La metodología incluyó la revisión bibliográfica y la webgrafía. Los resultados mostraron que el Árbol de Decisión y el SVM fueron los algoritmos más utilizados. Por su parte, las Redes Neuronales y otros algoritmos también tuvieron un rendimiento aceptable pero no superaron a los algoritmos anteriores. Las conclusiones señalan que, siendo el Árbol de Decisión y SVM lasopciones más efectivas para predecir incumplimientos de pagos y gestionar el riesgo crediticio, la elección del modelo optimo puede dependerde las características específicas de los datos y sobre todo los objetivos de cada institución financiera.  \nPalabras Clave: Machine Learning, riesgo crediticio.  \nAbstract. The purpose of this study is to identify the most used and effective Machine Learning algorithms in credit risk management in the Peruvian financial system. Four research studies were analyzed that implemented different algorithms, such as Decision Tree, Support Vector Machine (SVM), Random Forest, Neural Networks, Naive Bayes, K Nearest Neighbor and Logistic Regression, in financial and microfinance institutions. The methodology included a literature review and webgraphy. The results revealed that the most used algorithms were Decision Tree and SVM. In addition, Neural Networks and other algorithms presented acceptable performance, but did not outperform the leading models in credit risk prediction. The conclusions point out that, being Decision Tree and SVM the most effective options for predicting defaults and managing credit risk, the choice of the optimal model may depend on the specific characteristics of the data and above all the objectives of each financial institution.  \nKeywords: Keywords: Machine Learning, credit risk.  \n1 Introducción  \nDurante los últimos años, el aprendizaje automático o Machine Learning (ML) ha emergido como una herramienta importante en el sistema financiero global, revolucionando diversas áreas, particularmente la gestión de riesgos como loson el riesgo de mercado, riesgo de crédito y riesgo operacional. La gestión del riesgo crediticio es de suma importancia para las instituciones financieras, ya que permite mitigar pérdidas y minimizar la vulnerabilidad frente","cbCaittYTtOKe1Rk","https://ap.wps.com/l/cbCaittYTtOKe1Rk","pdf",419582,5,1,6,"Spanish","es",110,"# Introducción\n## Importancia del riesgo crediticio y el Machine Learning\n## Propósito del estudio y preguntas de investigación\n## Enfoque de la revisión y relevancia","[{\"question\":\"¿Cuál es el objetivo principal del estudio sobre Machine Learning y riesgo crediticio en Perú?\",\"answer\":\"Identificar los algoritmos de Machine Learning más utilizados y efectivos para gestionar el riesgo crediticio en el sistema financiero peruano.\"},{\"question\":\"¿Qué metodología emplea el trabajo para sustentar sus hallazgos?\",\"answer\":\"Realiza una revisión bibliográfica y webgráfica, analizando cuatro investigaciones con distintos algoritmos aplicados en entidades financieras y microfinancieras.\"},{\"question\":\"¿Cuáles algoritmos aparecen como los más utilizados y efectivos para predecir incumplimientos?\",\"answer\":\"Árbol de Decisión y SVM se reportan como las opciones más utilizadas y efectivas para predecir incumplimientos de pagos y gestionar el riesgo crediticio.\"}]","Algoritmos para Machine Learning utilizados en la Gestión de Riesgo Crediticio en Perú | PDF",1785809548,9,{"code":4,"msg":32,"data":33},"ok",{"site_id":25,"language":24,"slug":34,"title":13,"keywords":35,"description":14,"schema_data":36,"social_meta":88,"head_meta":90,"extra_data":92,"updated_unix":29},"machine-learning-algorithms-used-in-credit-risk-management-in-peru","",{"@graph":37,"@context":87},[38,55,70],{"@type":39,"itemListElement":40},"BreadcrumbList",[41,45,49,52],{"item":42,"name":43,"@type":44,"position":21},"https://docshare.wps.com","Home","ListItem",{"item":46,"name":47,"@type":44,"position":48},"https://docshare.wps.com/es/document/","Document",2,{"item":50,"name":12,"@type":44,"position":51},"https://docshare.wps.com/es/document/investigación-e-informes/",3,{"item":53,"name":13,"@type":44,"position":54},"https://docshare.wps.com/es/document/machine-learning-algorithms-used-in-credit-risk-management-in-peru/122233/",4,{"url":53,"name":13,"@type":56,"author":57,"headline":13,"publisher":59,"fileFormat":62,"inLanguage":24,"description":14,"dateModified":63,"datePublished":64,"encodingFormat":62,"isAccessibleForFree":65,"interactionStatistic":66},"DigitalDocument",{"name":9,"@type":58},"Person",{"url":42,"name":60,"@type":61},"DocShare","Organization","application/pdf","2026-08-17","2026-08-04",true,{"@type":67,"interactionType":68,"userInteractionCount":20},"InteractionCounter",{"@type":69},"ViewAction",{"@type":71,"mainEntity":72},"FAQPage",[73,79,83],{"name":74,"@type":75,"acceptedAnswer":76},"¿Cuál es el objetivo principal del estudio sobre Machine Learning y riesgo crediticio en Perú?","Question",{"text":77,"@type":78},"Identificar los algoritmos de Machine Learning más utilizados y efectivos para gestionar el riesgo crediticio en el sistema financiero peruano.","Answer",{"name":80,"@type":75,"acceptedAnswer":81},"¿Qué metodología emplea el trabajo para sustentar sus hallazgos?",{"text":82,"@type":78},"Realiza una revisión bibliográfica y webgráfica, analizando cuatro investigaciones con distintos algoritmos aplicados en entidades financieras y microfinancieras.",{"name":84,"@type":75,"acceptedAnswer":85},"¿Cuáles algoritmos aparecen como los más utilizados y efectivos para predecir incumplimientos?",{"text":86,"@type":78},"Árbol de Decisión y SVM se reportan como las opciones más utilizadas y efectivas para predecir incumplimientos de pagos y gestionar el riesgo crediticio.","https://schema.org",{"og:url":53,"og:type":89,"og:title":13,"og:site_name":60,"og:description":14},"article",{"robots":91,"canonical":53},"index,follow",{"doc_id":7,"site_id":25},{"code":4,"msg":5,"data":94},[95,100,104,108,112,114,118,122,126,130],{"id":96,"doc_module":4,"doc_module_name":47,"category_name":97,"show_sort_weight":98,"slug":99},39,"Cómic",60,"comic",{"id":101,"doc_module":4,"doc_module_name":47,"category_name":102,"show_sort_weight":98,"slug":103},43,"Estilo de Vida","lifestyle",{"id":105,"doc_module":4,"doc_module_name":47,"category_name":106,"show_sort_weight":98,"slug":107},38,"Examen","exam",{"id":109,"doc_module":4,"doc_module_name":47,"category_name":110,"show_sort_weight":98,"slug":111},44,"General","general",{"id":11,"doc_module":4,"doc_module_name":47,"category_name":12,"show_sort_weight":98,"slug":113},"research-report",{"id":115,"doc_module":4,"doc_module_name":47,"category_name":116,"show_sort_weight":98,"slug":117},37,"Literatura","literature",{"id":119,"doc_module":4,"doc_module_name":47,"category_name":120,"show_sort_weight":98,"slug":121},22,"Relatos y Novelas","story-novel",{"id":123,"doc_module":4,"doc_module_name":47,"category_name":124,"show_sort_weight":98,"slug":125},42,"Religión y Espiritualidad","religion-spirituality",{"id":127,"doc_module":4,"doc_module_name":47,"category_name":128,"show_sort_weight":98,"slug":129},40,"Salud y Atención Médica","healthcare",{"id":131,"doc_module":4,"doc_module_name":47,"category_name":132,"show_sort_weight":98,"slug":133},24,"Tecnología","technology"]