{rfName}
Ev

Indexado en

APC

0,00 Dollars

Licencia y uso

Icono OpenAccess

Altmetrics

Investigadores/as Institucionales

Garcia-Dopico, AntonioAutor o Coautor

Compartir

31 de julio de 2025
Publicaciones
>
Artículo
Sí

Evaluating the Performance of Deep Convolutional Neural Networks and Support Vector Regression for Creditworthiness Prediction in the Financial Sector

Publicado en: Inteligencia Artificial. 28 (76): 66-84 - 2025-12-01 28(76), DOI: 10.4114/intartif.vol28iss76pp66-84

Autores:

Kandi, K; García-Dopico, A
[+]

Afiliaciones

Univ Politecn Madrid, CCS Ctr Invest Simulac Comp, Madrid 28660, Spain - Autor o Coautor
Univ Politecn Madrid, DATSI Dept Arquitectura & Tecnol Sistemas Informat, Escuelta Tecn Super Ingn Informat, Madrid 28660, Spain - Autor o Coautor

Resumen

Creditworthiness prediction plays a crucial role in the financial sector, where accurate assessments of individuals' credit risk are essential for making informed lending decisions. In recent years, the use of advanced machine learning algorithms, such as Deep Convolutional Neural Networks (DCNNs) and Support Vector Regression (SVR), has gained traction for creditworthiness prediction tasks. These algorithms offer unique capabilities for analyzing complex financial data and extracting valuable insights to effectively assess credit risk. This study develops and compares credit risk prediction models using DCNNs and SVR, leveraging two real-world financial datasets: the Bank Churners Dataset (10,127 records, 23 features) from Kaggle and a Personal Loan Dataset (5,000 records, 14 features) with a significant class imbalance. The datasets include variables such as income, credit limit, transaction history, and loan acceptance, which are critical for assessing financial behavior. Given the imbalance in both datasets (e.g., only 16.1 % of customers churned in the Bank Churners Dataset and 10% accepted loans in the Personal Loan Dataset), we apply the Synthetic Minority Over-sampling Technique (SMOTE) to balance the classes and improve model performance. Evaluation metrics, including accuracy, precision, recall, and F1-score, demonstrate that SVR outperforms DCNN across key parameters, achieving an accuracy of 0.92, F1-score of 0.95, precision of 0.93, and recall of 0.97 on Dataset 1. In comparison, DCNN achieved an accuracy of 0.88, F1-score of 0.89, precision of 0.86, and recall of 0.91. On Dataset 2, while DCNN's accuracy improved to 0.93, SVR excelled with 0.98. These findings underscore the superiority of SVR in scenarios demanding high accuracy and precision, while DCNN offers a more balanced trade-off between precision and recall. This study provides actionable insights into selecting optimal models for credit risk evaluation, contributing to the development of reliable, data-driven financial systems.
[+]

Palabras clave

Complex networksConvolutional neural networkCredit risksCreditworthiness predictionDeep convolutional neural networkDeep learningEconomic and social effectsF1 scoresFinanceFinancial sectorsForecastingImbalanced datasetLearning algorithmsLearning systemsMachine learningMachine-learningPersonal loansRegression analysisRisk assessmentRisk perceptionSupport vector regressionSupport vector regressionsSynthetic minority over-sampling techniquesSynthetic minority oversampling technique

Indicios de calidad

Impacto bibliométrico. Análisis de la aportación y canal de difusión

El trabajo ha sido publicado en la revista Inteligencia Artificial debido a la progresión y el buen impacto que ha alcanzado en los últimos años, según la agencia WoS (JCR), se ha convertido en una referencia en su campo. En el año de publicación del trabajo, 2025, se encontraba en la posición 78/204, consiguiendo con ello situarse como revista Q2 (Segundo Cuartil), en la categoría Computer Science, Artificial Intelligence. Destacable, igualmente, el hecho de que la Revista está posicionada en el Cuartil Q4 para la agencia Scopus (SJR) en la categoría Artificial Intelligence.

[+]

Impacto y visibilidad social

Desde la dimensión de Influencia o adopción social, y tomando como base las métricas asociadas a las menciones e interacciones proporcionadas por agencias especializadas en el cálculo de las denominadas “Métricas Alternativas o Sociales”, podemos destacar a fecha 2026-04-24:

  • La utilización de esta aportación en marcadores, bifurcaciones de código, añadidos a listas de favoritos para una lectura recurrente, así como visualizaciones generales, indica que alguien está usando la publicación como base de su trabajo actual. Esto puede ser un indicador destacado de futuras citas más formales y académicas. Tal afirmación es avalada por el resultado del indicador “Capture” que arroja un total de: 17 (PlumX).

Es fundamental presentar evidencias que respalden la plena alineación con los principios y directrices institucionales en torno a la Ciencia Abierta y la Conservación y Difusión del Patrimonio Intelectual. Un claro ejemplo de ello es:

  • El trabajo se ha enviado a una revista cuya política editorial permite la publicación en abierto Open Access.
  • Además, el trabajo se ha enviado a una revista clasificada como Diamante en relación con este tipo de política editorial.
  • Asignación de un Handle/URN como identificador dentro del Depósito en el Repositorio Institucional: https://oa.upm.es/92918/

Como resultado de la publicación del trabajo en el repositorio institucional, se han obtenido datos estadísticos de uso que reflejan su impacto. En términos de difusión, podemos afirmar que, hasta la fecha

  • Visualizaciones: 31
  • Descargas: 49
[+]

Análisis de liderazgo de los autores institucionales

Existe un liderazgo significativo ya que algunos de los autores pertenecientes a la institución aparecen como primer o último firmante, se puede apreciar en el detalle: Primer Autor (KANDI, KIANEH) y Último Autor (GARCIA DOPICO, ANTONIO).

el autor responsable de establecer las labores de correspondencia ha sido KANDI, KIANEH.

[+]

Objetivos del proyecto

Los objetivos perseguidos en esta aportación se centran en mejorar la predicción de la solvencia crediticia mediante técnicas avanzadas. Se pretende analizar el desempeño de redes neuronales convolucionales profundas (DCNN) y regresión por vectores de soporte (SVR) en la predicción del riesgo crediticio. Evaluar modelos utilizando dos conjuntos de datos financieros reales con desequilibrio de clases. Aplicar la técnica SMOTE para equilibrar las clases y optimizar el rendimiento de los modelos. Comparar métricas de evaluación como precisión, exactitud, recall y F1-score para determinar el modelo más eficaz. Proporcionar recomendaciones para la selección de modelos óptimos en sistemas financieros basados en datos.
[+]

Resultados más relevantes

Los resultados más relevantes del estudio se centran en la comparación del desempeño de modelos de Deep Convolutional Neural Networks (DCNN) y Support Vector Regression (SVR) para la predicción de solvencia crediticia en dos conjuntos de datos financieros reales. En el Bank Churners Dataset, SVR alcanzó una precisión de 0.92, F1-score de 0.95, precisión de 0.93 y recall de 0.97, superando a DCNN que obtuvo 0.88, 0.89, 0.86 y 0.91 respectivamente. En el Personal Loan Dataset, DCNN mejoró su precisión a 0.93, pero SVR destacó con una precisión de 0.98. La aplicación de SMOTE permitió equilibrar las clases en ambos conjuntos, mejorando el rendimiento de los modelos. Estos resultados evidencian la eficacia superior de SVR en precisión y exactitud.
[+]