Modelos predictivos de defaults soberanos utilizando herramientas de machine learning : una comparación basada en métricas de desempeño

Abstract

Las crisis de deuda soberana se han vuelto cada vez más preeminentes en la opinión pública, principalmente en países en desarrollo. Frente a la situación mundial post pandemia y de la guerra en curso, un número cada vez mayor de economías emergentes están experimentando dificultades financieras, lo que aumenta el riesgo de una ola de defaults soberanos y por lo que cada vez cobra mayor relevancia el hecho de poder realizar una predicción sobre el momento en el cual las naciones entrarán en tales crisis de deuda. El presente trabajo propone una actividad de predicción de defaults de una selección de cinco países quienes resultaron ser aquellos con mayor cantidad de incumplimientos de deuda soberana desde 1970 hasta la actualidad. En este sentido, el trabajo contribuye a la literatura por un lado, proporcionando un dataset para el conjunto de países en cuestión. Para ello, se seleccionaron variables macroeconómicas y de deuda para los países seleccionados; la elección de dichas variables fue resultado de una extensa revisión de la literatura existente sobre las variables más adecuadas y eficaces a la hora de predecir defaults. Por otro lado, el trabajo brinda un exhaustivo análisis de predicción de dichos defaults utilizando modelos de Machine Learning. La propuesta consta de una comparación o "carrera de caballos", del entrenamiento de diversos modelos, entre ellos regresión logit, KNN y árboles de regresión, y a través del cálculo de diversas métricas de desempeño se seleccionó al modelo de Random Forest como aquel que presentó las mejores métricas de exactitud evaluadas.