Estrategias de machine learning para la personalización de tasas de interés en Fintech. Un enfoque con LGBM y S Learner

Abstract

Este trabajo innova en la optimización de micropréstamos mediante la personalización de tasas de interés, empleando modelos avanzados de Light Gradient Boosting Machine (LightGBM). A través de experimentos, se examina cómo diferentes ajustes afectan la precisión y eficacia de modelos de clasificación y regresión. Se seleccionaron los modelos más efectivos para integrar un enfoque de ganancia ponderada en recurrencia, aplicando la metodología de S-learner con diversas tasas de interés, buscando maximizar la ganancia del usuario. Este enfoque logró mejorar la personalización de tasas de interés y aumentar las ganancias en un 7% sin afectar la recurrencia de los préstamos, sugiriendo un cambio de paradigma hacia un sector Fintech más inclusivo y centrado en el usuario. El estudio abre caminos para futuras investigaciones en personalización de servicios financieros, explorando nuevas áreas y mejorando la rentabilidad de los micropréstamos, promoviendo un sector Fintech equitativo e inclusivo.