Thesis:

Propuestas para la predicción del sobreendundamiento en hogares de Chile mediante del uso de un modelo híbrido que mezcla "Artificial Neuro Fuzzy inference system" y modelo probit

The increase in debt levels of families in dierent parts of the world has attracted the attention of local and global organizations dedicated to the prevention of financial risks, and has intensified the interest in developing early detection methods for over-indebtedness in the population. The present work proposes a hybrid model of Adaptative Neuro Fuzzy Inferences System (ANFIS) for the prediction of household over indebtedness, based on a statistical technique and Neuro Fuzzy. The proposed model was compared with the Probit, Multilayer Perceptron (MLP) and Support Vector Machine (SVM) models. The most relevant parameters for the performance of each technique are optimized, and we manage the data balance problems through the Smote oversampling technique. We use data obtained from the Financial Household Survey of the Central Bank (EFH) 2014 of Chile. The results show that the proposed model has a significantly better performance than the reference models in terms of the correct classification rate, the average correct classification rate and the type I error. Consequently, this work provides an innovative understanding of the problem of over-indebtedness of households that can be very useful for dierent governmental entities focused on preventing excessive indebtedness and maintaining financial stability.

Este trabajo propone un mejoramiento en la predicción del sobreendeudamiento de los hogares en Chile, utilizando para ello un innovador modelo hibrido basado en las metodologías Adaptative Neuro Fuzzy Inferences System (ANFIS) y Probit. Para comparar los resultados obtenidos por el modelo propuesto, este trabajo incluye la aplicación de dos técnicas de aprendizaje inteligente ampliamente utilizadas en la literatura; las Redes Neuronales (ANN), en particular el Perceptrón Multicapa (MLP) y Suppor Vector Machine (SVM). Para cada modelo utilizado se realiza una optimización de sus parametros más relevantes para la obtención de resultados. Para el caso de la red MLP se optimiza el número de neuronas de la capa escondida, la tasa de aprendizaje y el momentum. Para el modelo SVM, se obtienen los parametros optimos de costos C y de kernel . Por último, para el caso del modelo ANFIS y ANFIS-Probit se determinan los parametros de funciones de membresía. Los datos utilizados corresponden a la última versión de la Encuesta Financiera de Hogares 2014 elaborada por el Banco Central y cuyas observaciones utilizadas en esta investigación alcanzan los 3425 datos. El procesamiento de datos abarca el escalamiento y la aplicación de la técnica Smote para abordar el problema de desbalance de clases. Los resultados obtenidos permiten indicar que el modelo propuesto es superior a las los modelos benchmark en términos de Tasa de precisión y Tasa de precisión promedio además del Error tipo I.