IzanMoya/Credit-Scoring-Risk-Model-TFM

🏦 Credit Risk Scoring Model (TFM)

📋 Ficha Técnica del Proyecto

Campo	Descripción
Autor	Izan Moya Romero
Tipo de Modelo	Clasificación Binaria Supervisada (Riesgo de Impago)
Algoritmo	Random Forest / XGBoost (En desarrollo)
Dataset Original	Home Credit Default Risk
Entorno	Banca / Fintech / Análisis de Riesgos
Input	Datos tabulares (Ingresos, Edad, Historial, Ratios Financieros)
Output	Probabilidad de Default (0 - 1)
Estado	🚧 MVP (Fase de Validación y Limpieza)

📖 Descripción del Proyecto

Este modelo es parte del Trabajo de Fin de Máster (TFM) en Big Data e Inteligencia Artificial.

El objetivo es desarrollar una herramienta de soporte a la decisión para entidades bancarias que permita estimar la probabilidad de que un cliente no pueda cumplir con sus obligaciones de pago (Default). El proyecto pone énfasis no solo en la precisión predictiva, sino en la explicabilidad (XAI) para cumplir con normativas financieras (Basilea III/IV).

⚙️ Metodología y Pipeline

El flujo de trabajo sigue los estándares de la industria bancaria:

1. Ingeniería de Datos:
   • Tratamiento de Thin Files (clientes con poco historial) mediante imputación semántica (Flag + Mediana).
   • Corrección de anomalías de dominio (ej. errores en antigüedad laboral).
   • Codificación híbrida: LabelEncoding para binarias y One-Hot Encoding para categóricas complejas.
2. Feature Engineering:
   • Creación de ratios financieros clave (Ratio Deuda/Ingresos, Capacidad de Anualidad).
3. Manejo de Desbalanceo:
   • Aplicación de técnicas de sobremuestreo sintético (SMOTE) para mejorar la detección de la clase minoritaria (Morosos).

📊 Métricas Preliminares

Se actualizará tras el entrenamiento final.

• Target: 1 (Impago) / 0 (Pago)
• AUC-ROC Esperado: > 0.75

⚠️ Limitaciones y Descargo de Responsabilidad

Este modelo ha sido entrenado con datos históricos anonimizados para fines académicos. No debe utilizarse para la concesión real de créditos sin una validación adicional y auditoría de sesgos (Fairness).

---

Proyecto desarrollado con Python, Scikit-Learn y Pandas.