ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 14, Año: 2026 (Enero 2026 - Junio 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1167)
http://www.aulavirtual.web.ve
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 14, Año: 2026 (Enero 2026 - Junio 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1168)
http://www.aulavirtual.web.ve
REVISTA CIENTÍFICA
AULA VIRTUAL
Director Editor:
La Revista seriada Científica Arbitrada e Indexada
Aula Virtual, es de acceso abierto y en formato
electrónico; la misma está orientada a la
divulgación de las producciones científicas creadas
por investigadores en diversas áreas del
conocimiento. Su cobertura temática abarca
Tecnología, Ciencias de la Salud, Ciencias
Administrativas, Ciencias Sociales, Ciencias
Jurídicas y Políticas, Ciencias Exactas y otras áreas
afines. Su publicación es CONTINUA, indexada y
arbitrada por especialistas en el área, bajo la
modalidad de doble ciego. Se reciben las
producciones tipo: Artículo Científico en las
diferentes modalidades cualitativas y cuantitativas,
Avances Investigativos, Ensayos, Reseñas
Bibliográficas, Ponencias o publicaciones
derivada de eventos, y cualquier otro tipo de
investigación orientada al tratamiento y
profundización de la información de los campos de
estudios de las diferentes ciencias. La Revista Aula
Virtual, busca fomentar la divulgación del
conocimiento científico y el pensamiento crítico
reflexivo en el ámbito investigativo.
• Dra. Leidy Hernández PhD.
• Dr. Fernando Bárbara
Consejo Asesor:
• MSc. Manuel Mujica
• MSc. Wilman Briceño
• Dra. Harizmar Izquierdo
• Dr. José Gregorio Sánchez
Revista Científica Arbitrada de
Fundación Aula Virtual
Email: revista@aulavirtual.web.ve
URL: http://aulavirtual.web.ve/revista
ISSN:
Depósito Legal:
País:
Año de Inicio:
Periodicidad:
Sistema de Arbitraje:
Licencia:
Volumen:
Número:
Año:
Período:
Dirección Fiscal:
2665-0398
LA2020000026
Venezuela
2020
Continua
Revisión por pares. “Doble Ciego”
Creative Commons CC BY NC ND
7
14
2026
Enero 2026 - Junio 2026 (continua)
Av. Libertador, Arca del Norte, Nro.
52D, Barquisimeto estado Lara,
Venezuela, C.P. 3001
Generando Conocimiento
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 14, Año: 2026 (Enero 2026 - Junio 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1169)
http://www.aulavirtual.web.ve
EVALUACIÓN DEL MODELO RANDOM FOREST COMO HERRAMIENTA DE
PREDICCIÓN DEL RIESGO CREDITICIO EN ESTUDIANTES UNIVERSITARIOS
EVALUATION OF THE RANDOM FOREST MODEL AS A TOOL FOR PREDICTING
CREDIT RISK IN UNIVERSITY STUDENTS
Tipo de Publicación: Articulo Científico
Área del Conocimiento: Ciencias Sociales y Aplicadas
Recibido: 20/03/2026
Aceptado: 22/04/2026
Publicado: 26/05/2026
Código Único AV: e707
Páginas: 1(1167-1195)
DOI: https://doi.org/10.5281/zenodo.20394963
Autores:
César Gerardo León Velarde
Licenciado en Educación: Filosofía y CC.SS.
Maestría en Educación: Gestión de la Educación.
Maestría en Educación: Evaluación Calidad Educativa
Doctor en Educación
https://orcid.org/0000-0002-8273-1995
E-mail: cleon@unfv.edu.pe
Afiliación: Universidad Nacional Federico Villarreal
País: República del Perú
Yenso Rodrigo Lino García
Estudiante de Ingeniería de Sistemas
https://orcid.org/0009-0001-4327-9553
E-mail: 2024024326@unfv.edu.pe
Afiliación: Universidad Nacional Federico Villarreal
País: República del Perú
Guillermo Victor Solano Rosembertt
Ingeniero de Sistemas
https://orcid.org/0000-0002-4478-4543
E-mail: 2019703556@unfv.edu.pe
Afiliación: Universidad Nacional Federico Villarreal
País: República del Perú
Resumen
El riesgo crediticio para los estudiantes universitarios es uno de los problemas en
aumento en el ambiente de baja inclusión financiera que se asocia con Perú.
Muchos jóvenes recurren a préstamos informales o tienen dificultades para acceder
al crédito formal. Para tales prestatarios, se aplica un algoritmo de aprendizaje
automático para medir la evaluación del puntaje crediticio, donde el algoritmo
Random Forest (RF) es popular debido a su capacidad de predicción y la
complejidad de las variables. El propósito del estudio es investigar los factores
relevantes del riesgo crediticio según el comportamiento socioeconómico,
académico y financiero de los estudiantes universitarios peruanos; verificar la
predicción hecha por el modelo RF en comparación con el modelo tradicional. El
diseño del estudio adoptado fue cuantitativo, básico y no experimental de corte
transversal. Se utilizaron cuestionarios e investigaciones de bases de datos para la
recolección de datos. Para sostener el marco teórico, se utilizaron el diagrama de
Pareto, el diagrama de Ishikawa como herramientas de análisis. Los datos fueron
preprocesados y el modelo Random Forest fue entrenado con validación cruzada y
precisión, recall, F1 como métricas. En cuanto a los resultados obtenidos, el modelo
alcanzó una precisión del 78% en la clasificación del riesgo crediticio. Las variables
clave fueron los ingresos familiares, el historial de pagos, el uso de la tarjeta de
crédito y el rendimiento académico, lo que demuestra que Random Forest es un
modelo fuerte de predicción de riesgo crediticio en comparación con las tecnologías
tradicionales. Puede ser utilizado para mejorar la toma de decisiones financieras,
disminuir la morosidad y proporcionar políticas de financiamiento más equitativas
y seguras para los estudiantes universitarios.
Palabras Clave
Riesgo crediticio, machine learning, random forest,
estudiantes universitarios, factores
socioeconómicos.
Abstract
Credit risk for university students is one of the growing problems in the context of
low financial inclusion associated with Peru. Many young people resort to informal
loans or face difficulties in accessing formal credit. For such borrowers, a machine
learning algorithm is applied to measure credit score assessment, with the Random
Forest algorithm being popular due to its predictive capacity and ability to handle
complex variables. The purpose of the study was to investigate the relevant factors
of credit risk according to the socioeconomic, academic, and financial behavior of
Peruvian university students, and to verify the predictions made by the RF model
compared to the traditional model. The study design adopted was quantitative,
basic, and non-experimental with a cross-sectional approach. Questionnaires and
database inquiries were used for data collection. To support the theoretical
framework, Pareto diagrams, Ishikawa diagrams, and VOS viewer were applied as
analysis tools. The data were preprocessed, and the Random Forest model was
trained with cross-validation using accuracy, recall, and F1 as metrics. Regarding
the results obtained, the model achieved 78% accuracy in credit risk classification.
The key variables were family income, payment history, credit card usage, and
academic performance, demonstrating that Random Forest is a robust model for
predicting credit risk compared to traditional technologies. It can be used to
improve financial decision-making, reduce delinquency, and provide fairer and
safer financing policies for university students.
Keywords
Credit risk, machine learning, random forest, university
students, socioeconomic factors.
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 14, Año: 2026 (Enero 2026 - Junio 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1170)
http://www.aulavirtual.web.ve
Introducción
Uno de los productos financieros más
demandados en el sector bancario son los préstamos
personales y comerciales. De hecho, según Morales
& Espinosa (2023), en México los créditos
comerciales iniciaron su crecimiento desde
representar el 0.011 del PBI mexicano en la crisis
Subprime a 0.0317 del PBI en la pandemia de
COVID-19, resultando así un aumento del 188%;
por otro lado, los créditos de consumo el aumento
fue desde el 0.0073 del PBI en el periodo 2013-2019
y llegando a 0.0098 del PBI en la pandemia de
COVID-19 (Morales & Espinosa, 2023).
Esta tendencia alta de crecimiento no es
exclusiva del entorno latinoamericano; a nivel
global también se nota el alza, viéndose reflejado en
uno de los sectores sociales más importantes como
es la educación. Por ejemplo, en Estados Unidos, la
deuda federal por préstamos estudiantiles aumentó
de $229 mil millones de dólares en el año 2000 a
más de $1.04 billones de dólares en 2020,
convirtiéndolo así en el segundo tipo de deuda más
importantes de los hogares, solo después de las
hipotecas (Goldstein et al., 2023). Este estudio nos
revela no solo el incremento y dependencia del
crédito en múltiples ámbitos, sino también la
necesidad de implementar herramientas eficientes
de evaluación de riesgo crediticio que eviten
decisiones financieras no sostenibles y que generen
situaciones de impago.
En ese sentido han sido muchas las
tecnologías y estrategias planteadas para medir el
riesgo crediticio, dentro de los cuales recientes
estudios muestran que modelos de machine learning
han logrado resultados prometedores en la
predicción del riesgo crediticio universitario como
se muestra en el estudio de Thuy et al., (2025) sobre
un estudio de riesgo crediticio universitario en un
estudio de caso en vietnam:
“El modelo Random Forest logró una
precisión del 95,15%, superando a otros modelos
como Decision Tree (91,67%) y Logistic
Regression (88,64%), al predecir la solvencia
crediticia de los estudiantes universitarios
basándose en el conjunto de datos recopilados”
(Thuy et al., 2025).
Mediante los resultados obtenidos podemos
sostener que el modelo Rando Forest es superior a
comparación de otros modelos tradicionales en la
precisión de predicción de riesgo crediticio en
entornos universitarios, ratificando su importancia
como herramienta de análisis en contextos
similares.
Descripción y formulación del problema
Según estimaciones recientes, los prestatarios
que califican para pagos mensuales bajo el esquema
IDR (Income-Driven Repayment) son 18 puntos
porcentuales menos propensos a caer en mora y 2.4
puntos porcentuales menos propensos a entrar en
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 14, Año: 2026 (Enero 2026 - Junio 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1171)
http://www.aulavirtual.web.ve
default en su primer año, en comparación con
aquellos que deben pagar montos positivos
(Monarrez & Turner, 2024).
Esta situación no es exclusiva a los países más
desarrollados. En América latina y el Caribe un
estudio revela que las restricciones y poca
confiabilidad a crédito formal han incrementado el
crédito informal, como los préstamos entre
familiares y amigos. En 2021, el 52 % de la
población en la región había recurrido a esta
modalidad de crédito informal, superando
ampliamente al promedio mundial de 30%.
Desvelando una importante desconfianza en las
instituciones financieras, donde el 51% de los
adultos en la región mencionaron no confiar en el
sistema financiero, superando en un 13% al
promedio mundial (Herrero et al., 2025).
Esta alta dependencia de préstamos
informales y desconfianza generalizada en el
sistema financiero formal deja en evidencia las
barreras para la inclusión financiera en la región,
asimismo, refleja la ausencia de mecanismos para la
evaluación eficiente y objetiva del riesgo crediticio,
en especial en poblaciones que normalmente son
subatendidas por los bancos, como son los
estudiantes.
En el caso de Perú, la problemática de acceso
al crédito se ve reflejada en los bajos niveles de
inclusión financiera que enfrenta gran parte de la
población, especialmente los grupos más
vulnerables, entre los que se encuentran los jóvenes
estudiantes.
“El algoritmo Random Forest obtuvo una
precisión del 87% y un puntaje F1 de 0,88,
superando a otros modelos en la predicción de la
inclusión financiera entre los consumidores
peruanos según variables demográficas y
socioeconómicas” (Maehara et al., 2024).
Este estudio demuestra que el modelo de
Random Forest no solo tiene alto nivel de precisión
en contextos internacionales, sino que tiene una
precisión similar en el contexto peruano, lo que
justifica su uso para estudiar la situación de los
estudiantes de la Universidad Nacional Federico
Villarreal.
A pesar de los esfuerzos recientes en
Perú por impulsar la inclusión
financiera, persisten importantes
problemas de exclusión, especialmente
entre los grupos vulnerables [...] Según
el Banco Mundial (2023b), el país aún
está lejos de alcanzar los objetivos
programados, ya que solo el 57% de los
adultos en Perú tienen una cuenta
bancaria (Náñez Alonso et al., 2024).
En el contexto Local, la Universidad Nacional
Federico Villarreal (UNFV) está compuesta por una
comunidad estudiantil amplia, que integra jóvenes
provenientes de diversos entornos
socioeconómicos. Al igual que la población
nacional, enfrentan limitaciones para acceder a
productos financieros formales, incrementando la
probabilidad de optar por financiación informal o
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 14, Año: 2026 (Enero 2026 - Junio 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1172)
http://www.aulavirtual.web.ve
asumir obligaciones crediticias sin una previa
evaluación de riesgo. Este contexto hace pertinente
la implementación de herramientas tecnológicas
avanzadas, como el modelo Random Forest, para
predecir el riesgo crediticio y permitir identificar
efectivamente los estudiantes con menor o mayor
probabilidad de incumplimiento.
Así se tiene el desarrollo de diferentes
investigaciones que preceden a la actual. En la
Investigación de Golbayani et al., (2020), el objetivo
de investigación del primer objetivo en su artículo
es revisar la literatura, mientras que en su segundo
objetivo se emplearon cuatro algoritmos de
aprendizaje automático que son Árboles de
Decisión Agrupados (GDT), Bosque Aleatorio
(RF), Máquina de Vectores de Soporte (SVM) y
Perceptrón Multicapa. Para la metodología,
realizaron una validación cruzada de 10 pliegues
probando su rendimiento al introducir una nueva
métrica "Distancia de Notch ", que es básicamente
el error en la distancia entre las calificaciones reales
y las predichas.
Sus resultados muestran que los modelos de
árboles de decisión tienen un mayor poder
predictivo hasta niveles de precisión
impresionantes, y aunque el grado de error es
similar en alcance a las calificaciones emitidas por
las principales agencias de calificación, este estudio
no solo proporciona un cuerpo aún mayor de apoyo
empírico sobre la predicción de calificaciones
crediticias con métodos de aprendizaje automático,
sino que además demuestra que los árboles de
decisión son una alternativa práctica para priorizar
tareas como esta.
En el estudio de Wu (2022), señala que el
objetivo de este estudio es cuantificar qué tan bien
dos modelos de aprendizaje automático,
específicamente Random Forest y XGBoost,
predicen el incumplimiento de préstamos.
Realizaron ingeniería de características y un umbral
de varianza basado en la metodología, comprensión
de datos y eliminaron variables multicolineales
utilizando el VIF (Factor de Inflación de Varianza).
Las características fueron seleccionadas y utilizadas
para entrenar el modelo Random Forest y XGBoost.
Con respecto a los resultados, en general,
ambos modelos son capaces de discriminar los
incumplimientos de préstamos con bastante
precisión (con precisiones generales de
aproximadamente 0.9), y tienen un rendimiento
predictivo similar al menos considerando
estadísticas de primer orden de AUCs.
Este estudio demuestra nuevamente que
Random Forest y XGBoost tienen una mayor
capacidad para predecir la probabilidad de
incumplimiento de préstamos y que sus
rendimientos generalizados son iguales; por lo
tanto, pueden reemplazarse entre sí.
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 14, Año: 2026 (Enero 2026 - Junio 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1173)
http://www.aulavirtual.web.ve
En el estudio de Yang (2023), el propósito de
su investigación fue descubrir los factores que
implican riesgo de crédito personal en préstamos en
línea. La metodología propuso el uso de datos de
préstamos de bancos comerciales ya limitados y
filtrarlos con una calidad de preprocesamiento
excelente, donde entrenamos algoritmos de bosque
aleatorio (RF) y árbol de decisión, demostrando que
el modelo de bosque aleatorio tenía un 97% de
precisión en la predicción de este riesgo de
préstamo, lo cual es ciertamente alto, concluyendo
que el resultado de la investigación mostró que el
proceso de preprocesamiento de datos antes de
modelar juega un papel importante y el uso de un
bosque aleatorio como modelo base conduce a
mejores decisiones en la evaluación del riesgo de
crédito para los bancos comerciales.
En el estudio de Zhu et al., (2019),
implementan un modelo de predicción de
incumplimiento de préstamos con datos reales de
Lending Club, utilizando el algoritmo de bosque
aleatorio. Es crucial para todas las plataformas de
préstamos P2P: la predicción de incumplimiento de
préstamos, para ello se utilizó el sobremuestreo
SMOTE como paso de preprocesamiento para
obtener un conjunto de datos equilibrado a partir de
un desequilibrado.
Luego se realizaron muchos otros procesos,
incluyendo la limpieza de datos y la reducción de
dimensionalidad, para modificar el conjunto de
datos. Los resultados experimentales muestran que
la precisión de clasificación del algoritmo de bosque
aleatorio en la identificación de muestras de
incumplimiento mejora relativamente en
comparación con otros algoritmos de aprendizaje
automático (por ejemplo, regresión logística y árbol
de decisión).
Este estudio nos permite concluir que el
estudio de este vínculo tiene, de hecho, una gran
especificidad, y se pueden esperar altas precisiones
al utilizar el modelo de bosque aleatorio en futuras
predicciones de incumplimiento de préstamos.
Según Thuy et al., (2025), en su estudio
utilizaron modelos de aprendizaje automático y
aprendizaje profundo para predecir la solvencia
crediticia de los estudiantes universitarios
vietnamitas. El objetivo de este estudio es evaluar
técnicas de aprendizaje supervisado (Random
Forest, Máquinas de Aumento de Gradiente (GBM),
Máquina de Vectores de Soporte (SVM) y Red
Neuronal Profunda) para predecir la elegibilidad de
un cliente para un préstamo que cumpla con la
condición especificada.
La metodología utilizada para este propósito
es obtener los datos primarios a través de
cuestionarios de 1024 estudiantes universitarios
sobre académicos, finanzas y personalidad. Los
datos son directos con una generación de modelo y
evaluación basada en algunas métricas de
clasificación y regresión en los modelos. Random
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 14, Año: 2026 (Enero 2026 - Junio 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1174)
http://www.aulavirtual.web.ve
Forest: Para la clasificación RF, la mayor precisión
de clasificación se obtiene al entrenar con Red
Neuronal Profunda y se sitúa en 85.55%.
Random Forest obtuvo el mejor y segundo
mejor puntaje en todas las métricas, incluso en el
peor de los casos teniendo una precisión del 60%. El
estudio también proporciona ideas específicas para
que las instituciones financieras y las universidades
implementen su investigación en términos de
desarrollar herramientas de predicción de préstamos
estudiantiles en las universidades.
El Estudio de Madaan et al., (2021), condujo
a un modelo que simplemente mostró cómo los
banqueros podrían usarlo para lograr que acepten
nuevos solicitantes de préstamos y, por lo tanto,
reducir su tasa de incumplimiento y, como tal, el
riesgo en sus prácticas de préstamo. Para hacer esto,
realizaron cada ejecución del algoritmo en un
conjunto de datos (determinando cómo un nuevo
solicitante incumplirá) y utilizaron patrones de estos
resultados para su modelo. En la prueba de precisión
del análisis comparativo también fue posible
observar que el algoritmo de Bosque Aleatorio
superó al modelo base de Árbol de Decisión.
El Bosque Aleatorio como modelo tiene la
ventaja en la predicción de incumplimientos de
préstamos en comparación con otros modelos y esto
debería verse como la primera línea de defensa para
cualquier industria que planee reducir el riesgo
crediticio.
El estudio Kwamboka Mageto (2015), añadió
el modelo de bosques de supervivencia aleatorios
(RSF) como modelo de puntuación de crédito al
modelo de regresión de riesgos proporcionales de
Cox y lo comparó. La metodología experimental
sometió ambos modelos a una evaluación en una
fuente de datos diferente de un banco comercial en
Kenia, y finalmente se utilizó el índice C como
métrica para medir su poder predictivo. A partir de
los resultados de este análisis, se puede ver que,
aunque el nuevo modelo es capaz de un mejor
rendimiento que el modelo de Cox (predicción de
tasas), su tasa de error en la estimación del riesgo
crediticio fue mayor.
Este estudio mostró que el modelo de Cox fue
más preciso en predecir fallos que el modelo de
bosques de supervivencia aleatorios, y ambos
modelos señalaron el estado civil, el empleo, así
como la propiedad de la vivienda como variables
importantes en términos de medición del análisis de
riesgo, mientras que el género y la edad son
insignificantes.
En la investigación de Emma Howard et al.,
(2017), los autores evalúan el rendimiento de
diferentes modelos de predicción para construir un
sistema de alerta temprana en un curso de estadística
universitaria. El objetivo de este estudio es
encontrar la mejor manera de predecir y, en segundo
lugar, encontrar un momento adecuado en el
semestre para predecir con dicho sistema. Los
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 14, Año: 2026 (Enero 2026 - Junio 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1175)
http://www.aulavirtual.web.ve
métodos en este ensayo compararon ocho técnicas
predictivas con o sin subagrupación por clúster de
participación estudiantil para reducir el error de
predicción. Con respecto a los resultados, la
intervención en las semanas 5-6 tuvo el mayor
impacto en la asistencia (a principios de marzo, a
mitad del semestre).
En este caso, el método BART (Árboles de
Regresión Aditiva Bayesiana) con variables
detalladas y clústeres predijo que los estudiantes
obtendrían su calificación final con un error
absoluto promedio de 6.5 puntos hasta la semana 6.
Esta investigación, concluyo que, los resultados de
este trabajo indican que es posible predecir con
precisión el fracaso muy temprano en el curso y por
lo tanto, realizar intervenciones a tiempo.
En la investigación de Beaulac & Rosenthal
(2019), realizaron una predicción del rendimiento
académico de los estudiantes y su transición a la
carrera, con un conjunto de datos que fue extenso
para cualquier universidad (ubicada en Canadá). Se
buscó desarrollar dos clasificadores distintos: uno
para obtener el título (graduarse) y otro para no
cambiar de facultades (transmitir), solo observando
el rendimiento académico en los primeros
semestres.
Con respecto a la metodología se utilizó un
conjunto de datos total de más de 65.000 estudiantes
durante el período de los últimos 10 años, con un
modelo de Bosque Aleatorio implementado para
entrenar estos clasificadores. En los resultados, se
ha demostrado en pruebas anteriores que ambos son
clasificadores de alto rendimiento con una precisión
incluso mejor en comparación con el modelo lineal.
Concluyendo que el estudio respalda estos
tipos de clasificadores derivados de datos
académicos para la toma de decisiones
administrativas, lo que podría guiar en una mejor
asignación de recursos y en la identificación e
intervención temprana para la deserción estudiantil.
Finalmente, el análisis de la importancia de las
variables reveló patrones importantes como el
excepcional poder predictivo de las calificaciones
en departamentos con bajo rendimiento, lo que
podría hacernos sospechar sobre la inflación de
calificaciones.
En el estudio de Mestiri (2024), utilizó seis
técnicas de puntuación crediticia aplicando Análisis
Discriminante Lineal, Bosques Aleatorios y
Regresión Logística como modelos tradicionales;
Árboles de Decisión y Máquinas de Vectores de
Soporte como modelos no paramétricos; y Redes
Neuronales Profundas como modelo Atheor.
El objetivo principal era ver qué tan bien los
modelos de aprendizaje automático y aprendizaje
profundo predicen los incumplimientos de
préstamos. Derivo un modelo de predicción
utilizando un proceso metodológico a partir de 688
observaciones y doce variables de un estudio
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 14, Año: 2026 (Enero 2026 - Junio 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1176)
http://www.aulavirtual.web.ve
empírico, ejecutando 3 métricas en total, en orden
ascendente: precisión > puntuación F1 > AUC.
Los resultados indican que el aprendizaje
automático supera a los modelos estadísticos
tradicionales en la predicción correcta de
incumplimientos. El estudio concluye que el
aprendizaje automático es el método más apropiado
para la evaluación del riesgo crediticio y puede
desempeñar un papel significativo en la toma de
mejores decisiones financieras.
Pregunta general
¿En qué medida los factores
socioeconómicos, académicos y de comportamiento
financiero influyen en el nivel de riesgo crediticio
de los estudiantes universitarios peruanos,
utilizando el modelo Random Forest?
Objetivos
Determinar la influencia de los factores
socioeconómicos, académicos y de comportamiento
financiero en el riesgo crediticio de los estudiantes
universitarios peruanos, empleando el modelo
Random Forest.
Objetivos específicos
Identificar los factores socioeconómicos con
mayor incidencia en el riesgo crediticio de los
estudiantes universitarios peruanos.
Analizar la relación entre las variables
académicas y el nivel de riesgo crediticio en los
estudiantes universitarios peruanos.
Comparar la efectividad del modelo Random
Forest con los métodos tradicionales de evaluación
crediticia en la predicción del riesgo.
Justificación
Justificación social
La presente investigación tiene relevancia
social, ya que aborda una problemática que afecta
directamente a los estudiantes universitarios
peruanos: el acceso responsable al crédito y la
prevención del sobreendeudamiento. Comprender
los factores que inciden en el riesgo crediticio
permitirá diseñar políticas y estrategias que faciliten
un acceso más seguro a financiamiento educativo y
personal, contribuyendo a mejorar la estabilidad
financiera de los jóvenes y, en consecuencia, su
bienestar y desarrollo integral.
Justificación académica:
Desde el punto de vista académico, este
estudio aporta al campo de la investigación en
ciencias económicas y sociales mediante la
aplicación de técnicas de análisis cuantitativo
avanzadas, como el modelo Random Forest,
complementadas con herramientas de análisis de
causas y priorización como el diagrama de Pareto y
el diagrama de Ishikawa. La integración de estas
metodologías no solo fortalece la rigurosidad del
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 14, Año: 2026 (Enero 2026 - Junio 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1177)
http://www.aulavirtual.web.ve
análisis, sino que también ofrece un marco
metodológico replicable para futuras
investigaciones relacionadas con la predicción y
evaluación de riesgos en el contexto universitario.
Justificación tecnológica y práctica
En el ámbito tecnológico y práctico, la
investigación propone el uso de software
especializado para el análisis bibliométrico y la
identificación de tendencias de investigación, así
como herramientas de machine learning para la
predicción del riesgo crediticio. Estos recursos
fortalecen la capacidad de análisis de los
investigadores y promueven la adopción de
enfoques innovadores en la gestión de datos.
Asimismo, los resultados obtenidos podrán ser
utilizados por instituciones educativas y financieras
para optimizar sus procesos de evaluación
crediticia, mejorando la toma de decisiones y
minimizando el riesgo de morosidad.
Marco Teórico
Bases teóricas sobre el tema de investigación
La investigación se basa en un diseño teórico
sólido que incorpora conocimientos fundamentales
de finanzas y ciencias de la computación. Esta
sección se explica como un tratado en profundidad
de la lógica sobre la cual se construye la
investigación, y establece la base teórica para
comprender tanto sus objetivos, metodología y
resultados.
Identificación y mitigación del riesgo crediticio
El riesgo crediticio, que constituye una piedra
angular en el campo de la banca y las finanzas, se
conoce como la probabilidad de que un deudor no
cumpla con los requisitos de pago contractual
establecidos en el acuerdo, causando así un perjuicio
de capital al prestamista (Morales & Espinosa
2023). Tradicionalmente, este riesgo se ha evaluado
utilizando regresión logística y otros modelos
estadísticos, todos los cuales son muy efectivos,
pero que tienen algunas suposiciones sobre la
linealidad de las relaciones entre variables.
Estos modelos tradicionales, que utilizan
archivos de crédito formales y valores económicos,
no funcionaban para los perfiles de prestatarios que
se consideran "fuera de lo normal". Con este
método, para ciertos segmentos demográficos como
estudiantes universitarios u otros que nunca han
construido un historial crediticio completo y pueden
no tener ingresos estables, los prestamistas pueden
perder solicitantes que en realidad serían solventes.
En consecuencia, medir el riesgo crediticio es un
proceso no solo de modelado estadístico sino
también un problema de desigualdad financiera y
social (Náñez Alonso et al., 2024).
Cómo el aprendizaje automático interrumpe la
evaluación crediticia
El aprendizaje automático es un nuevo
modelo de evaluación del riesgo crediticio. A
diferencia de los modelos estadísticos que requieren
suposiciones a priori sobre la relación entre
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 14, Año: 2026 (Enero 2026 - Junio 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1178)
http://www.aulavirtual.web.ve
variables, los algoritmos de aprendizaje automático
pueden aprender inductivamente de los datos
detectando patrones complejos y no lineales incluso
difíciles de detectar para los humanos o modelos
lineales (Thuy et al., 2025; Wu, 2022).
El Modelo 3 permite un conjunto extenso de
variables, incluyendo datos de comportamiento en
línea como edad, sexo y rendimiento académico.
Esta investigación mostró que, además de aumentar
la precisión de la predicción, el aprendizaje
automático puede ofrecer una solución al problema
de la escasez de datos históricos que afecta a
poblaciones como los estudiantes, resultando en una
mayor equidad y cobertura de los modelos.
Modelo de Bosque Aleatorio: Una Estructura
Predictiva de Última Generación
El modelo de Bosque Aleatorio ha
demostrado ser un método de aprendizaje en
conjunto eficiente y efectivo para predecir
resultados con la capacidad de manejar datos
sesgados, por lo que la mayoría de los
establecimientos lo utilizan para cualquier forma de
análisis de datos. Este algoritmo crea muchos
árboles de decisión independientes diferentes, y
cada árbol se entrena en una parte aleatoria de los
datos y variables.
Para hacer una predicción sobre nuevos datos,
el modelo aprende la salida de cada árbol y luego los
toma como entradas para clasificar por "voto
mayoritario" o promediar la predicción final para
regresión. Tal arquitectura alivia significativamente
el problema de sobreajuste que podría tener un solo
árbol de decisión, y al mismo tiempo hace que el
modelo sea más robusto y generalizador. A la luz de
las numerosas variables, datos faltantes y ruido
involucrados en la predicción de riesgos crediticios
(Thuy et al., 2025), el Bosque Aleatorio emerge
como una herramienta casi perfecta para abordar un
trabajo tan desafiante.
Factores de riesgo crediticio relacionados con el
segmento estudiantil
Los estudiantes universitarios constituyen un
caso especial donde la evaluación del riesgo
crediticio va más allá del enfoque tradicional.
Además de los indicadores financieros básicos, este
trabajo trata con herramientas que son reconocidas
como una necesidad en este segmento por la
literatura especializada (Thuy et al., 2025). A través
de alguna aproximación, se puede modelar un juicio
de disciplina, compromiso y responsabilidad a partir
del rendimiento académico (GPA), que a su vez
también está correlacionado con un comportamiento
financiero responsable. El tipo de carrera, el estado
de empleo (tiempo completo, medio tiempo, etc.) y
las redes de apoyo social/familiar son los mismos
factores que también tienen un impacto directo en si
el estudiante puede pagar y su situación financiera
actual.
El objetivo de este artículo es construir un
sistema de puntuación crediticia más justo y
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 14, Año: 2026 (Enero 2026 - Junio 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1179)
http://www.aulavirtual.web.ve
sofisticado basado en las características de la
población estudiantil, con el fin de ayudar a las
instituciones financieras a controlar el riesgo de
incumplimiento mientras mantienen sus
oportunidades de inversión sobre este importante
segmento de población al incluir estas variables
cuidadosamente seleccionadas en un modelo de
Bosque Aleatorio.
Método
Tipo de investigación
La investigación es de enfoque cuantitativo,
ya que se basa en la recolección y análisis de datos
numéricos para identificar patrones y relaciones
entre las variables que influyen en el riesgo
crediticio de los estudiantes universitarios. Es de
tipo básica, pues busca generar conocimiento y
fundamentos teóricos sobre la aplicación de
algoritmos de machine learning (específicamente
Random Forest) en la predicción del riesgo
crediticio, sin un fin inmediato de intervención
directa en una institución financiera.
Diseño de investigación
Se emplea un diseño no experimental, de corte
transversal, debido a que la recolección de datos se
realizará en un único momento temporal y no habrá
manipulación de variables independientes, sino
observación y análisis de las condiciones existentes.
Ámbito temporal y espacial
El estudio se desarrolla durante el segundo
semestre académico del año en curso, con datos
recolectados en estudiantes de la Facultad de
Ingeniería Industrial y de Sistemas de la
Universidad Nacional Federico Villarreal y de
universidades peruanas que cuenten con programas
de crédito o financiamiento estudiantil.
Variables
1. Variable independiente: Factores
socioeconómicos, académicos y de
comportamiento financiero de los estudiantes.
2. Variable dependiente: Nivel de riesgo crediticio
(alto, medio, bajo), determinado mediante el
modelo Random Forest.
Población y muestra
1. Población: Estudiantes universitarios peruanos
de la Facultad de Ingeniería Industrial y de
Sistemas de la Universidad Nacional Federico
Villarreal que hayan accedido o solicitado un
crédito educativo o préstamo personal.
2. Muestra: Se selecciona una muestra
representativa mediante muestreo no
probabilístico por conveniencia, considerando la
disponibilidad de datos y la accesibilidad de los
estudiantes participantes.
Instrumentos
1. Cuestionario estructurado: para la recolección
de datos académicos, socioeconómicos y
financieros.
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 14, Año: 2026 (Enero 2026 - Junio 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1180)
http://www.aulavirtual.web.ve
2. Bases de datos: registros crediticios y
académicos de estudiantes (previa autorización).
3. Herramientas de análisis:
a. Diagrama de Pareto: para priorizar las
causas más significativas del riesgo
crediticio.
b. Diagrama de Ishikawa (INAH): para
identificar y clasificar las causas del riesgo
en categorías clave (Ingreso, Normativa,
Académico, Hábitos).
c. VOSviewer: para el análisis y visualización
de redes bibliométricas relacionadas con el
tema de investigación.
d. Software estadístico y de machine learning:
Python, R y librerías especializadas para la
implementación del modelo Random Forest.
Procedimientos
Revisión bibliográfica y construcción del marco
teórico con VOSviewer
La revisión sistemática y metodológica de la
literatura y la operacionalización del marco teórico
se desarrollaron sobre la base de la planificación con
VOSviewer, que también apoyó el análisis y los
gráficos de las redes bibliométricas. Esto permitió
evitar quedar atrapados en una revisión narrativa
tradicional y luego posibilitó investigar conexiones,
similitudes y la estructura de la literatura académica
en lo que respecta a la evaluación del riesgo
crediticio (Ver Figura 1). Este enfoque incluyó
cuatro pasos:
1. Fuentes de datos: Los metadatos bibliográficos
incluyeron títulos, resúmenes, palabras clave,
autores, afiliaciones de autores y citas en bases
de datos académicas y científicas (Web of
Science, Scopus). Se incluyeron aquellos
identificados a través de una estrategia de
búsqueda que utilizó gestión de riesgos,
comportamiento financiero estudiantil,
aprendizaje automático y modelos de
predicción.
2. Análisis Bibliométrico utilizando VOSviewer:
Los datos importados se utilizaron en
VOSviewer, una herramienta de mapeo
bibliométrico. El análisis incluyó los siguientes
subconjuntos de análisis:
3. Análisis de Co-ocurrencia de Palabras Clave: Se
emplearon mapas de red para mostrar la relación
entre las palabras clave relevantes. Finalmente,
esto permitió identificar los campos más
predominantes, los en desarrollo y los
subcampos en la literatura.
4. Análisis de Co-citación: Se generaron mapas de
co-citación para autores y documentos,
revelando la estructura del conocimiento, así
como la influencia de los trabajos seminales en
las tres áreas. Se crearon corrientes de
pensamiento o tradiciones de investigación
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 14, Año: 2026 (Enero 2026 - Junio 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1181)
http://www.aulavirtual.web.ve
basadas en comunidades de documentos o
autores co-citados.
Establecimiento del Marco Teórico
Los hallazgos del análisis se utilizaron para
organizar el marco teórico. Temáticamente, las
redes de visualización hicieron posible identificar
las principales teorías y variables discutidas en la
literatura, en términos académicos,
socioeconómicos y de comportamiento. Estos ejes
temáticos sirvieron como base de la
contextualización teórica, que se alineó
teóricamente con el modelo de predicción y la
interpretación de los resultados. Este proceso
garantizó que el modelo estuviera basado en la
evidencia empírica más actual y apropiada.
Figura 1. Red de Co-ocurrencia de términos
Elaborado con Vosviewer
Diseño y validación del cuestionario
Según López Torres et al., (2024), la
validación del cuestionario es crucial para los
autores de esta investigación, ya que garantiza la
precisión y consistencia de las medidas que emplean
para recopilar datos de los participantes. La validez
de las medidas comparadas tiene importantes
implicaciones para la calidad y validez de los
resultados y conclusiones basadas en los resultados
empíricos de la investigación del meta-análisis. Esto
es crucial para desarrollar relaciones significativas
entre las variables examinadas, el materialismo, el
endeudamiento, y sacar conclusiones sólidas que
puedan ser útiles en significancia académica y
práctica.
Para esta investigación el cuestionario se
estructuró como una de las fuentes principales de
recogida de datos y tenía que ser coherente, válido,
objetivo y pragmático para construir un modelo
predictivo. El diseño y el proceso fueron guiados
por una revisión de literatura que consistía en la
literatura especializada en artículos científicos sobre
comportamiento financiero, que establecía
condiciones para la identificación de factores
relacionados con el riesgo crediticio.
Los temas en la aplicación, para ayudar con el
flujo de trabajo y aumentar la posibilidad de que
estas no fueran consultas perdidas, fueron (Ver
Figura 2):
1. Demografía: Edad, género, clase social.
2. Información Académica: CWA (Promedio
Ponderado Acumulativo), semestre y tipo de
universidad.
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 14, Año: 2026 (Enero 2026 - Junio 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1182)
http://www.aulavirtual.web.ve
3. Comportamientos Financieros y de Crédito: Si
tengo tarjeta de crédito; número de créditos
existentes; si he pagado tarde antes.
4. Dinero: Empleo actual y estado laboral, y carga
de deuda.
Figura. 2: Estructura del Datset
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 14, Año: 2026 (Enero 2026 - Junio 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1183)
http://www.aulavirtual.web.ve
La validación del cuestionario fue realizada
mediante la técnica de juicio de expertos. El
propósito de esta validación era confirmar que las
preguntas eran relevantes, que los ítems eran claros,
y que el rango de variables en cada factor era
adecuado para el análisis. Se emplearon las
recomendaciones de expertos para abordar esto.
Por cierto, esto fue probado con algunos
estudiantes. Los beneficios de estas pruebas fueron
corregir malentendidos en la formulación y hacerla
clara para que los datos obtenidos puedan emplearse
a gran escala. Esta conversación sirvió como una
oportunidad para tener una herramienta de
recopilación de datos procesada y robusta para
entrenar nuestro modelo.
Recolección de datos a través de encuestas y bases
de datos institucionales.
Los datos se recopilaron para generar un
modelo predictivo y demostrar su precisión. Esta
ruta metodológica se basó en dos fuentes principales
con el objetivo de obtener información
representativa y confiable.
Las encuestas jugaron un papel importante ya
que recopilamos datos sobre los comportamientos
financieros, atributos sociales y académicos de los
estudiantes mediante una encuesta administrativa
estandarizada. Estos cuestionarios se utilizaron
como referencia para la comparación de variables
adicionales, incluidas el empleo, el promedio de
calificaciones, la fuente de financiación y el uso de
tarjetas de crédito. Para el análisis de riesgo
crediticio, pudimos adquirir información directa y
útil a partir de estas encuestas.
Las bases de datos institucionales no eran
accesibles y la información obtenida a través de
ellas fue desidentificada. Estas bases de datos
contienen detalles sobre el rendimiento universitario
de los estudiantes y sus ingresos y son indiscutibles.
Se incluyó un historial de pagos, montos pendientes
y crédito actual en la lista para calificar los datos de
las bases de datos, que son las variables más
significativas para determinar el riesgo crediticio.
En los países en desarrollo, la mayoría de los
datos de la encuesta y las bases de datos
administrativas son sólidos, ricos y suficientes para
ajustar el modelo de Random Forest, que toma
dichos elementos en cuenta para hacer predicciones.
Una ventaja adicional fue incluir estas diversas
fuentes de datos, lo que añadió fortaleza al análisis
y las conclusiones.
Procesamiento y depuración de datos
El preprocesamiento y la limpieza de datos
son pasos importantes para lograr la confiabilidad y
la validez de los resultados del modelo de
aprendizaje automático. Este paso fue diseñado para
procesar los datos sin procesar para que sean aptos
para el análisis, para rectificar inconsistencias y
también para preparar los datos para su uso en el
modelo de Ramdom Forest. El procedimiento se
construyó con los siguientes pasos:
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 14, Año: 2026 (Enero 2026 - Junio 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1184)
http://www.aulavirtual.web.ve
1. Carga de los datos: Los datos, que se llaman
dataset.co-in.csv, se importaron a un entorno de
trabajo de Python con el uso de Pandas. Este
primer paso permitió la manipulación y análisis
del conjunto de datos en la estructura de
DataFrame.
2. Tratamiento de datos faltantes (NaN): Como se
observó, aparentemente hay algunas filas que
tienen datos faltantes en algunas de sus
columnas. Para abordar esto, utilizamos el
método de imputación de la media, que
completó los valores faltantes en los puntos de
datos con la media de esa columna. Para no
perder observaciones, se utilizó dicha técnica de
muestreo para evitar una pérdida en el tamaño
del conjunto de datos.
3. Codificación de características categóricas: Los
algoritmos de aprendizaje automático necesitan
que los datos se proporcionen como números.
Por lo tanto, las variables categóricas nominales
(género, fuente de ingresos, estado ocupacional
y tipo de universidad) se convirtieron en formas
numéricas invocando la codificación One-Hot.
Este método introduce columnas binarias
adicionales para cada categoría, sin ninguna
suposición jerárquica sobre las variables.
4. La variable objetivo: El objetivo
"riesgo_crediticio", la variable dependiente del
modelo, se mapeó luego de sus etiquetas
textuales originales (es decir: bajo, medio, alto)
a sus correspondientes datos numéricos (es
decir: 0, 1, 2). Este paso es esencial para que los
algoritmos de clasificación funcionen
correctamente.
Estos procedimientos de preprocesamiento y
limpieza eran necesarios para garantizar que el
modelo de Bosque Aleatorio funcione con una
muestra ordenada y homogénea representativa de
las observaciones, y son vitales para que los
resultados sean válidos y confiables.
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 14, Año: 2026 (Enero 2026 - Junio 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1185)
http://www.aulavirtual.web.ve
Análisis preliminar mediante diagramas de Pareto e Ishikawa para identificar factores clave
Figura 3. Diagrama de Pareto
El Diagrama de Pareto es una representación
visual inspirada en el principio de Pareto o la "regla
del 80/20". El concepto central es que la gran
mayoría de los efectos provienen de la minoría de
las causas. En estas circunstancias, el gráfico se
puede usar para responder la siguiente pregunta:
¿Cuáles son el número mínimo de causas que dan
lugar a la mayor parte del riesgo crediticio?
1. Barras (Eje Y izquierdo): Cada barra representa
una causa, la longitud muestra la frecuencia de
la ocurrencia en casos de riesgo medio o alto.
Cuanto más alta es la barra, más plausible es la
causa.
2. Línea (Eje Y derecho): La línea roja nos indica
el porcentaje acumulativo de la frecuencia.
Observando el gráfico, a medida que avanzas de
izquierda a derecha, puedes mostrar cuánto
porcentaje del riesgo total está cubierto por las
causas iniciales.
El punto en el que la línea roja cruza la línea
horizontal del 80% indica qué factores necesitas
abordar efectivamente para tener un mayor impacto
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 14, Año: 2026 (Enero 2026 - Junio 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1186)
http://www.aulavirtual.web.ve
en la reducción del riesgo. Si las tres primeras barras
juntas representan el 80% del riesgo acumulado,
significa que deberías concentrarte en estas tres
causas.
Figura 4. Diagrama de Ishikawa
Los principales contribuyentes al riesgo
crediticio para los estudiantes en este gráfico:
1. Ingresos:
a. La mayoría de los estudiantes — 806 de
ellos — dependen de la familia (368) o de
becas (254), y pocos tienen empleos propios
(175).
b. La mayoría trabaja a tiempo parcial (409) o
está desempleada (345), lo que da lugar a
una inestabilidad financiera.
c. El monto promedio de deuda (584,67) y el
ratio de deuda (4,5) están entre los más bajos
representados.
2. Regulaciones:
a. Solo el 36% tiene una tarjeta de crédito (un
promedio de 0,36).
b. La pequeña cantidad de préstamos activos
(en promedio 0,73) es justo suficiente para
considerarlo de alto riesgo.
3. Académico:
a. El promedio de la calificación ponderada
(14,01) y el ciclo (4,88) muestra que son
estudiantes de nivel medio, aunque todavía
no están en un entorno profesional.
b. Los miembros de universidades públicas
(583) supera en número al de universidades
privados (317), probablemente porque la
mayoría tiene menos recursos financieros de
un año a otro.
4. Hábitos:
a. La historia de presentaciones anteriores
(2,02) indica varios incumplimientos.
b. El uso promedio de la tarjeta de crédito en
términos de ingresos disponibles y deuda
pendiente es alto (19,94).
Entrenamiento y validación del modelo Random
Forest
Según Rao et al., (2020), Ramdom Forest,
explican en su artículo, que es una técnica de
aprendizaje automático que utiliza un conjunto de
árboles de decisión para mejorar el rendimiento en
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 14, Año: 2026 (Enero 2026 - Junio 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1187)
http://www.aulavirtual.web.ve
tareas de clasificación o regresión. En particular, se
centra en su idoneidad para datos complejos y no
lineales y cómo funciona en tareas de clasificación
con diferentes números de clases.
El entrenamiento del modelo siguió el
enfoque de aprendizaje supervisado al entrenarse
con un conjunto de datos etiquetados para predecir
la variable dependiente del riesgo de crédito. El
Random Forest es un método de ensamblaje que
funciona al hacer crecer varios árboles de decisión
en la fase de entrenamiento. Estos árboles se
construyen al azar, lo que agrega una diversidad
que, por supuesto, hace que el modelo sea robusto y
se generalice bien.
El entrenamiento se realizó de la siguiente
manera:
Ensamblado:
En el ensamblado, las muestras utilizadas para
entrenar cada árbol se extrajeron con reemplazo
(bootstrap) del conjunto de entrenamiento original.
Esta es otra forma de decir que algunas filas pueden
ser elegidas más de una vez o no ser elegidas en
absoluto por un árbol específico.
Variables aleatorias:
Solo un subconjunto aleatorio de las diversas
variables predictivas ha sido considerado usando
todos los nodos de todos los árboles. Esto evita que
una sola variable muy predictiva conduzca la
mayoría de las divisiones del árbol e incluso reduce
la correlación entre árboles.
Construcción de árboles:
Cada árbol individual fue construido usando
el mismo enfoque, permitiéndoles crecer hasta su
máxima profundidad sin poda. Esto garantiza una
pequeña varianza en los árboles individuales.
Votación mayoritaria:
Después de la predicción final se adoptó una
votación mayoritaria para obtener el resultado
predicho de un árbol. En esta clasificación, la clase
que recibió más votos fue registrada como el
resultado final. Este post-proceso de resumen de
resultados no solo puede evitar el sobreajuste, sino
también proporcionar una predicción más robusta y
precisa.
Con respecto a la validación se realizó de la
siguiente manera:
Pruebas de entrenamiento y de prueba:
Este procedimiento se aplicó cinco veces,
utilizando en cada ronda un pliegue diferente
(conjunto de prueba), y los pliegues restantes
(conjunto de entrenamiento). Para todo el
procedimiento, se realizaron un total de 25 pruebas.
Métricas:
Para cada conjunto resultante después de la
homogenización, el rendimiento se midió por
precisión, exactitud, recuperación y puntaje F1.
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 14, Año: 2026 (Enero 2026 - Junio 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1188)
http://www.aulavirtual.web.ve
Estimación del rendimiento final:
El rendimiento del modelo se determinó en
base a 5 ejecuciones previas. Esto ayuda a reducir la
varianza al disminuir la dependencia de una
partición aleatoria específica, permitiendo a los
usuarios tener más confianza en que la predicción
del modelo se basa en datos nuevos, no utilizados
durante el entrenamiento.
Su precisión en la validación cruzada es del 78
%. Indica que las capacidades predictivas y de
generalización del modelo son aceptables para la
predicción del riesgo crediticio.
Interpretación de resultados y elaboración de
conclusiones
El modelo de Random Forest proporciona un
rendimiento del 78% de manera confiable y
consistente. Estos hallazgos también implican que
nuestro modelo es, de hecho, un notable generador
de riesgo crediticio general, no solo mejor que
cualquier otro, si no que demuestra validación como
herramienta de predicción.
Los significados de estas medidas se
describen a continuación:
1. Esto significa que en el 78% de todos los casos
de prueba, el modelo clasifica correctamente el
ejemplo. Esta es la proporción de predicciones
correctas (casos altos o bajos) sobre el total de
predicciones. Este es un indicador aceptado
mundialmente para validar el poder
discriminante del modelo general entre dos
posibles clases de riesgo.
2. Si obtuviéramos una precisión del 99%,
estaríamos en un 21% por debajo, lo que
realmente caería en la categoría de un modelo
sobre ajustado. El 78% nos indica que el
algoritmo aprendió a manipular la estructura
interna de los datos, en preferencia a los datos
brutos, y debería rendir bastante bien frente a
datos no vistos.
3. El 78% de precisión nos indica que cuán
confiables son las predicciones positivas del
modelo. En otras palabras, acertamos el 78% de
las veces cuando los casos se clasifican como
riesgosos (ya sea de riesgo medio o alto). Esto
es de gran utilidad para la gestión del riesgo, ya
que queremos tener una alta precisión y no tener
tantos falsos positivos.
4. Cuando el modelo afirma incorrectamente que
alguien es un riesgo crediticio y no lo es, esto se
conoce como falso positivo. Con un 78% de
precisión, la ocurrencia de estos errores se
reduce tanto, que es menos probable que una
solicitud de crédito sea denegada sin razón, y se
toma una mejor decisión.
El modelo predictivo es también altamente
aplicable debido a su precisión que alcanza el 78%
y su exactitud. Si bien esto no es excelente, el
modelo realmente funciona y puede detectar
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 14, Año: 2026 (Enero 2026 - Junio 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1189)
http://www.aulavirtual.web.ve
patrones fundamentalmente importantes alrededor
del riesgo crediticio que pueden ser bien
reproducidos por un modelo.
Esto demuestra que la metodología de
aprendizaje automático es aplicable y sugiere
extender el modelo a un sistema de apoyo de
decisiones capaz de facilitar una toma de decisiones
rápida y ágil para los riesgos. Las diferencias
caracterizadas por diferencias en puntuaciones F1 y
tasas de recuperación (que podrían diferir entre
clases) son áreas donde el modelo podría ser
ajustado en futuras referencias para un rendimiento
mejorado y maximizado del modelo por clase de
riesgo.
El análisis de estas métricas nos dará una
comprensión de qué tan bien ha estado funcionando
el modelo y dónde se puede explorar a continuación
para mejorar el modelo en la predicción de los datos.
Es este tipo de investigación profunda la que se
requiere para implementar y usar modelos
predictivos en finanzas. No está mal, significa que
hay cierto potencial para que el modelo sea una
herramienta predictiva útil si no perfecta (~50% de
tasa de verdaderos positivos).
Se muestra claramente que el modelo es capaz
de predecir los principales patrones de morosidad,
aunque no con la precisión que se logra con
confiabilidad en el caso más extremo. Esto cumple
con la prueba y confirma el enfoque de aprendizaje
automático seleccionado para que el modelo pueda
integrarse en un sistema de apoyo de decisiones para
una evaluación inicial del riesgo.
Cabe resaltar, que, aparecerá en la mejora a
partir de la puntuación F1 y el recuerdo (que están
sujetos a cambios de un grupo a otro) y se puede
investigar más a fondo para optimizar mejor el
modelo para más grupos.
Figura 5. Resultados del modelo optimizado
Elaborado con herramienta Python
Análisis de datos
La información recopilada fue analizada de
acuerdo a estadísticas descriptivas e inferenciales
para describir las variables del estudio y se probaron
cuatro hipótesis. Para la evaluación de Rendimiento
de Aprendizaje Automático, se utilizaron medidas
estándar de rendimiento de aprendizaje automático
para evaluar la capacidad predictiva del modelo de
Ramdom Forest.
Se usaron las tasas de muestreo, anotación y
error, así como las siguientes medidas de
rendimiento para el modelo:
1. Precisión: La fracción de predicciones
verdaderamente positivas entre el total de
predicciones positivas.
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 14, Año: 2026 (Enero 2026 - Junio 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1190)
http://www.aulavirtual.web.ve
2. Recuperación (Recall): La proporción de lo que
el modelo detectó como positivo entre todas las
instancias realmente positivas.
3. Puntuación F1: El punto medio dorado entre
precisión y recuperación.
4. Matriz de Confusión: Una tabla que muestra
cuántas de las categorías reales/predichas fueron
clasificadas correctamente o no (Ver Figura 6).
Figura 6. Matriz de Confusión
Elaborado con herramienta Python
Además, se han implementado técnicas de
análisis visual como el Diagrama de Pareto y el
Diagrama de Ishikawa. El Diagrama de Pareto se
utilizó para clasificar profesionalmente las causas
contribuyentes al riesgo de crédito según la regla
80/20. Mientras tanto, el Diagrama de Ishikawa fue
esencial para la clasificación y organización de las
causas del riesgo en categorías predefinidas
(Ingresos, Política, Académico y Hábitos).
Figura 7. Curvas ROC por clase
Para evaluar la capacidad de discriminación
del modelo Random Forest se calculó el área bajo la
curva ROC (AUC) para cada clase de la variable
objetivo (Ver Figura 7). Los resultados obtenidos
fueron (Ver Tabla 1):
Clase
AUC
Bajo
0.93
Medio
0.87
Alto
0.99
Tabla 1. Curva ROC (AUC)
La clase “Alto” presenta el mayor valor de
AUC (0.99), lo que indica que el modelo distingue
con gran precisión a los clientes de alto riesgo. En
la clase “Bajo” el AUC alcanza 0.93, lo que muestra
una buena separación respecto a las demás clases.
La clase “Medio” obtuvo el menor AUC
(0.87), esto nos dice que las características de este
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 14, Año: 2026 (Enero 2026 - Junio 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1191)
http://www.aulavirtual.web.ve
grupo se superponen con las otras categorías,
dificultando su identificación. En suma, los valores
de AUC demuestran que el modelo posee una
elevada capacidad de discriminación.
Integrar esas herramientas fue un aporte clave
para la interpretación y validación de los resultados
del modelo y creó un método de comprensión de los
mayores contribuyentes a las predicciones
realizadas por el modelo de Random Forest.
Discusión
La discusión de los resultados debería
centrarse en cómo se alcanzaron estos resultados,
basándose en el contexto (empírico y/o teórico). Al
comparar nuestros resultados con trabajos previos,
tanto como sea posible, intentamos generalizar y
detectar algunos nuevos patrones, o dar nueva vida
a algunos entendimientos e hipótesis actuales.
Golbayani et al., (2020), en su investigación,
enfatizan la importancia de las redes neuronales, las
máquinas de vectores soporte y los árboles de
decisión al comparar los diversos métodos con la
aplicación de modelos de inteligencia artificial. El
objetivo de este estudio es encontrar el modelo más
efectivo para manejar la complejidad y diversidad
de los datos financieros. Este enfoque alternativo
permitirá a este estudio y a otros investigadores o
profesionales financieros a tener una comprensión
más clara de lo que los modelos son capaces de
hacer o no, y cuándo sería más apropiado aplicar
uno u otro de estos modelos para satisfacer mejor las
necesidades crediticias del mercado de crédito.
Sin embargo, la aplicación de Random Forest
ofrece una nueva perspectiva al analizar el
rendimiento de un modelo real en términos de
solvencia crediticia universitaria. Esta
recomendación particular de método implica que el
modelo no solo compite con otros modelos, sino que
también está diseñado para adaptarse a una
estructura determinada, y el resultado que aporta
contribuye a la mejora de la toma de decisiones de
riesgo en la educación superior.
Aunque adoptan diferentes enfoques, ambos
demuestran la relevancia de los modelos basados en
IA para la predicción de crédito, revelando que un
enfoque centra y otro comparativo tienen un valor
significativo, ninguno siendo mejor que el otro, pero
respetando plenamente la complejidad y el campo
de aplicación. Esta discusión es la justificación para
adoptar el enfoque específico pero comparativo para
garantizar el rendimiento óptimo de los modelos que
predicen la calificación crediticia.
En el estudio de Wu (2022), se aplican tanto
Random Forest y XGBoost con una predicción
aproximada del 0.9. Los resultados refuerzan la
importancia de abordar la selección de
características (con un umbral de varianza
adecuado) y la multicolinealidad, validada en este
estudio mediante el uso del Factor de Inflación de
Varianza para eliminar las características que no
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 14, Año: 2026 (Enero 2026 - Junio 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1192)
http://www.aulavirtual.web.ve
contribuyen al modelo. Las estimaciones de estos
modelos se utilizan para afirmar que son isomorfos,
de modo que una empresa financiera es libre de
elegir uno de ellos, o ambos, sin perder poder
predictivo en los incumplimientos y a la hipótesis de
mejoras en la gestión del riesgo crediticio.
Por otro lado, sobre la base del modelo de
Random Forest generado para prever el riesgo
crediticio de los estudiantes universitarios, se
prueba la efectividad del modelo correspondiente
para evitar que los estudiantes caigan en la trampa
de la pobreza, lo que indica que quien implemente
ese modelo puede lograr la estabilidad financiera
estudiantil.
Las dos investigaciones podrían tratar sobre
temas diferentes, mientras que ambos nos recuerdan
el hecho de que el algoritmo de Random Forest es
un modelo de predicción poderoso y general por sí
mismo, similar a XGBoost, o, por otro lado, el poder
y la generalización de los métodos de aprendizaje
automático en el crédito.
Los resultados obtenidos en la presente
investigación comunes sostienen la relevancia del
dominio de aplicación al elegir modelos para la
evaluación del riesgo crediticio e indican que la
decisión entre modelos depende significativamente
del contexto, más que solo del rendimiento
predictivo de los modelos.
Según Yang (2023), al construir el modelo
predictivo para préstamos personales, se observó
que el Random Forest es muy útil para desarrollar
un modelo predictivo de riesgo crediticio, ya que su
precisión fue del 97 por ciento. Este resultado
también subraya la eficacia del Random Forest para
separar bien a los deudores y para predecir la
probabilidad de incumplimiento. Comparado con
otros modelos, el rendimiento de predicción del
modelo de Random Forest es bueno, o incluso
superior, lo que indica que este modelo es más
apropiado para la detección de riesgos de productos
de crédito.
Del mismo modo, con respecto a los
estudiantes universitarios, la investigación que
utiliza el modelo de Random Forest también resalta
las cualidades predictivas del modelo, aunque para
una muestra diferente. A nivel estudiantil, al utilizar
datos específicos de los estudiantes, este análisis
permite identificar de manera efectiva a aquellos
con mayor probabilidad de incumplir con sus
obligaciones crediticias.
A pesar de que el estudio de Yang (2023) se
basa en préstamos personales a corto plazo con un
rendimiento excepcionalmente alto, el rendimiento
para el riesgo crediticio estudiantil se contrasta para
ilustrar la adaptabilidad y versatilidad del Random
Forest. Este conocimiento confirma aún más el éxito
universal de Random Forest en el ámbito del
crédito, es decir, el poder del algoritmo radica no
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 14, Año: 2026 (Enero 2026 - Junio 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1193)
http://www.aulavirtual.web.ve
solo en su éxito predictivo, sino también en su
capacidad para adaptarse al conjunto de datos en
cuestión.
Thuy et al., (2025) en este trabajo, emplean
nuevos algoritmos de vanguardia que proporcionan
una evaluación crediticia de los saldos de reembolso
de préstamos y una solución más orientada a la
distribución. Esos algoritmos también se prueban y
se comparan entre sí hasta que las predicciones de
aprendizaje profundo son fiables.
Este hallazgo subraya que el tema del análisis
crediticio: a medida que la tecnología continúa
avanzando, se han empleado modelos avanzados
para ayudar a las partes interesadas a formar una
imagen sólida y completa de las dinámicas
subyacentes que influyen en la solvencia crediticia
estudiantil. Además, el uso de Random Forest en el
riesgo crediticio en estudiantes universitarios, como
parte de la investigación empírica, también
proporciona una nueva idea en este campo. Este
estudio también sugirió que estos modelos de
Random Forest pueden predecir el incumplimiento
lo que demuestra que existen variedad de enfoques
con niveles competitivos de rendimiento.
Las lecciones que aprendemos de los dos
resultados son: uno necesita tener un equilibrio entre
el rendimiento de un modelo, su capacidad de
generalización e interpretabilidad cuando se elige
un modelo para ciertos problemas de evaluación de
riesgo crediticio. Así, el enfoque para la evaluación
del riesgo crediticio es seleccionable según la
necesidad en el campo y para el sujeto.
Conclusiones
Luego de finalizar la investigación sobre la
Evaluación del modelo Random Forest como
herramienta de predicción del riesgo crediticio en
estudiantes universitarios, se llegaron a las
siguientes conclusiones:
1. El análisis permitió identificar y seleccionar
factores significativos a nivel estudiantil que
influyen en el nivel de riesgo crediticio de los
estudiantes universitarios. No solo mejora el
rendimiento de pronóstico del modelo, sino que
también proporciona una referencia valiosa para
la investigación del factor clave de la capacidad
de pago de este grupo.
2. Se entrenó y validó un modelo de Random
Forest, y mostró buena precisión en la
predicción de incumplimientos crediticios. Los
hallazgos implican que este modelo podría ser
una mejor opción para predecir la evaluación del
riesgo crediticio de estudiantes, superando a
otros modelos tradicionales en términos de
rendimiento.
3. Las implicaciones reales generadas por los
resultados de este estudio hacen que las
entidades financieras empleen el modelo de
Random Forest al otorgar un préstamo. Esto no
solo reduciría las restricciones de riesgo en la
gestión de riesgos, sino que también una mejor
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 14, Año: 2026 (Enero 2026 - Junio 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1194)
http://www.aulavirtual.web.ve
percepción y conciencia financiera entre los
estudiantes, a su vez, les haría tomar mejores
decisiones en el ámbito crediticio.
Recomendaciones
A partir de las conclusiones obtenidas en esta
investigación, se proponen las siguientes
recomendaciones:
1. Se sugiere a los bancos a utilizar el modelo de
Random Forest como una herramienta auxiliar
para la evaluación del riesgo crediticio para
estudiantes universitarios y debe ser
implementado y probado donde el modelo se
desempeñe mejor que el clásico.
2. Las universidades deben trabajar con bancos y
cajas de ahorro para ofrecer programas de
gestión del dinero, de modo que los estudiantes
desarrollen una comprensión de lo que significa
el crédito. En este sentido, pueden entender los
factores que pueden influir en la capacidad de
pago.
3. También se recomienda realizar la investigación
para incluir nuevas variables de tipo
socioeconómico, académico y conductual,
validando el modelo en otras universidades y
regiones. Esto permitirá probar su estabilidad,
generalización y aplicabilidad con una mayor
proporción de la población estudiantil.
Referencias
Beaulac, C., & Rosenthal, J. S. (2019). Predicting
University Students’ Academic Success and
Major Using Random Forests. Research in
Higher Education, 60(7), 1048–1064.
Documento en línea. Disponible
https://doi.org/10.1007/s11162-019-09546-y
Emma Howard, M. M. & Parnell, A. (2017).
Contrasting Prediction Methods for Early
Warning Systems at Undergraduate Leve. ArXiv
[Math.HO], 2, 1–20.
Golbayani, P., Florescu, I., & Chatterjee, R. (2020).
A comparative study of forecasting corporate
credit ratings using neural networks, support
vector machines, and decision trees. The North
American Journal of Economics and Finance,
54, 101251. Documento en línea. Disponible
https://doi.org/10.1016/j.najef.2020.101251
Goldstein, A., Eaton, C., Villalobos, A.,
Chakrabarti, P., Cohen, J., & Donnelly, K.
(2023). Administrative Burden in Federal
Student Loan Repayment, and Socially Stratified
Access to Income-Driven Repayment Plans.
RSF, 9(4), 86–111. Documento en línea.
Disponible
https://doi.org/10.7758/RSF.2023.9.4.04
Herrero, S., Rubio, J., & León, M. (2025). Loans to
Family and Friends and the Formal Financial
System in Latin America. International Journal
of Financial Studies, 13(3), 116. Documento en
línea. Disponible
https://doi.org/10.3390/ijfs13030116
Kwamboka Mageto, D. (2015). Modelling of Credit
Risk: Random Forests versus Cox Proportional
Hazard Regression. American Journal of
Theoretical and Applied Statistics, 4(4), 247.
Documento en línea. Disponible
https://doi.org/10.11648/j.ajtas.20150404.13
López Torres, V. G., Valenzuela Montoya, M. M.,
& Lizarraga Benítez, R. I. (2024). Educación
financiera, materialismo y valor del dinero: su
efecto en el endeudamiento de estudiantes
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 14, Año: 2026 (Enero 2026 - Junio 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1195)
http://www.aulavirtual.web.ve
universitarios. RIDE Revista Iberoamericana
Para La Investigación y El Desarrollo
Educativo, 15(29). Documento en línea.
Disponible
https://doi.org/10.23913/ride.v15i29.2015
Madaan, M., Kumar, A., Keshri, C., Jain, R., &
Nagrath, P. (2021). Loan default prediction using
decision trees and random forest: A comparative
study. IOP Conference Series: Materials Science
and Engineering, 1022(1), 012042. Documento
en línea. Disponible
https://doi.org/10.1088/1757-
899X/1022/1/012042
Maehara, R., Benites, L., Talavera, A., Aybar-
Flores, A., & Muñoz, M. (2024). Predicting
Financial Inclusion in Peru: Application of
Machine Learning Algorithms. Journal of Risk
and Financial Management, 17(1). Documento
en línea. Disponible
https://doi.org/10.3390/jrfm17010034
Mestiri, S. (2024). Credit scoring using machine
learning and deep Learning-Based models. Data
Science in Finance and Economics, 4(2), 236–
248. Documento en línea. Disponible
https://doi.org/10.3934/DSFE.2024009
Monarrez, T., & Turner, L. (2024). The Effect of
Student Loan Payment Burdens on Borrower
Outcomes (Working Paper (Federal Reserve
Bank of Philadelphia)). Federal Reserve Bank of
Philadelphia. Documento en línea. Disponible
https://doi.org/10.21799/frbp.wp.2024.08
Morales Castro, J. A., & Espinosa Jiménez, P. M.
(2023). Factors influencing the supply of bank
loans in Mexico: an analysis in the context of the
2000 to 2021 crises. Revista Academia and
Negocios, 9(1), 79–94. Documento en línea.
Disponible https://doi.org/10.29393/RAN9-
7FIJP20007
Náñez Alonso, S., Jorge-Vazquez, J., Arias, L., &
del Nogal, N. (2024). What Factors Are Limiting
Financial Inclusion and Development in Peru?
Empirical Evidence. Economies, 12(4), 93.
Documento en línea. Disponible
https://doi.org/10.3390/economies12040093
Rao, C., Liu, M., Goh, M., & Wen, J. (2020). 2-stage
modified random forest model for credit risk
assessment of P2P network lending to “Three
Rurals” borrowers. Applied Soft Computing, 95,
106570. Documento en línea. Disponible
https://doi.org/10.1016/j.asoc.2020.106570
Thuy, N. T. H., Ha, N. T. V., Trung, N. N., Binh, V.
T. T., Hang, N. T., & Binh, V. T. (2025).
Comparing the Effectiveness of Machine
Learning and Deep Learning Models in Student
Credit Scoring: A Case Study in Vietnam. Risks,
13(5). Documento en línea. Disponible
https://doi.org/10.3390/risks13050099
Wu, W. (2022). Machine Learning Approaches to
Predict Loan Default. Intelligent Information
Management, 14(05), 157–164. Documento en
línea. Disponible
https://doi.org/10.4236/iim.2022.145011
Yang, H. (2023). A Random Forest Approach to
Appraise Personal Credit Risk of Internet Loans.
Tehnicki Vjesnik - Technical Gazette, 30(2).
Documento en línea. Disponible
https://doi.org/10.17559/TV-20221003064737
Zhu, L., Qiu, D., Ergu, D., Ying, C., & Liu, K.
(2019). A study on predicting loan default based
on the random forest algorithm. Procedia
Computer Science, 162, 503–513. Documento en
línea. Disponible
https://doi.org/10.1016/j.procs.2019.12.017
