Credit model risk management with machine learning: development, explainability, and automated monitoring
DOI:
https://doi.org/10.26439/interfases2026.n023.8406Keywords:
credit risk, machine learning, model monitoring, model risk managementAbstract
The adoption of machine learning models in the Peruvian banking sector faces the critical challenge of ensuring stability and transparency in production environments, in compliance with current model risk management regulations. This study presents not only the development of a credit scoring model based on the optimized HistGradientBoosting algorithm but primarily the implementation of a comprehensive automated monitoring architecture deployed on cloud computing services. Using a historical sample of 50,206 records, a workflow integrating feature engineering and cross-validation was designed, achieving a Gini coefficient of 67.4%. The main contribution lies in the deployment of an interactive web platform that enables real-time monitoring of performance and stability metrics. Through this system, the model’s consistency was evaluated using the Population Stability Index (PSI), obtaining a value of 0.4%, which confirms the absence of predictive degradation or structural changes in variables over time. This approach demonstrates how the integration of Machine Learning Operations (MLOps) techniques and advanced visualization tools facilitates continuous auditing and early detection of drifts, surpassing the limitations of traditional static reporting.
Downloads
References
Aguirre Felix Díaz, I., Argomedo Sotelo, G. Y., Monzon Ñañez, J. A., & Tuesta Izaguirre, C. A. (2022). Impacto de la adopción de inteligencia artificial como estrategia de negocio en las empresas del sector servicios durante la época de pandemia en el Perú [Tesis de maestría, Pontificia Universidad Católica del Perú]. Repositorio Institucional PUCP. http://hdl.handle.net/20.500.12404/21241
Banchero, S., Verón, S., Petek, M., Sarrailhe, S., & De Abelleyra, D. (2021). Detección de outliers en muestras de entrenamiento generadas mediante interpretación visual [Documento de conferencia]. 50 Jornadas Argentinas de Informática e Investigación Operativa, XIII Congreso de Agroinformática (CAI 2021), Argentina. https://sedici.unlp.edu.ar/bitstream/handle/10915/140745/Documento_completo.pdf-PDFA.pdf?sequence=1&isAllowed=y
Betancourt Ludeña, I. C. (2025). Aplicación de modelos de predicción para identificar patrones de abandono escolar en los datos de unidades educativas del sistema nacional [Tesis de maestría, Universidad de las Américas]. Repositorio Digital UDLA. https://dspace.udla.edu.ec/handle/33000/18132
Bhagavathula, M. B. (2025). ML pipeline monitor: A comprehensive OpenTelemetry—Based observability platform for production machine learning systems. International Journal of AI, BigData, Computational and Management Studies, 6(2), 109-112. https://doi.org/10.63282/3050-9416.IJAIBDCMS-V6I2P112
Buergo Lagunas, J. R. (2025). Cálculo eficiente de SHAP para modelos de redes bayesianas gaussianas [Tesis de maestría, Universidad de Cantabria]. Repositorio Abierto UCrea. https://repositorio.unican.es/xmlui/handle/10902/37755
Carbó-Valverde, S., & Rodríguez-Fernández, F. (2024). Inteligencia artificial en banca: situación y perspectivas. Funcas. https://www.funcas.es/libro/inteligencia-artificial-en-banca-situacion-y-perspectivas/
Castañeda Hilario, A., Mas Azahuanche, G. A., Mendoza Arenas, R. D., Castillo Paredes, O. T. A., Reinoso Palacios, A. R., Delgado Baltazar, M. P., & Mendoza Delgado, R. S. (2025). Explainable machine learning for credit card default prediction using web-scraped financial data: A case study in the Peruvian banking sector. En Entrepreneurship with purpose: Social and Technological Innovation in the age of IA (pp. 1-10). LACCEI. https://laccei.org/LEIRD2025-Cartagena/meta/FP451.html
Cepeda Cavero, L. E., & Véliz Soto, M. P. (2025). Ética y gobernanza algorítmica en el sector financiero: revisión sistemática de principios, gobernanza y brechas de implementación. Interfases, (22), 159-184. https://doi.org/10.26439/interfases2025.n022.8230
Cervantes Artavia, J., Monge Cordonero, M., & Sabater Guzmán, D. (2023). Score crediticio con regresión logística y máquinas de soporte vectorial. Universidad de Costa Rica, Escuela de Matemática. https://serengueti.fce.ucr.ac.cr/images/2023/03/16/Articulos/Score_crediticio_con_Regresion_Logistica_y_Maquinas_de_Soporte_Vectorial.pdf
Cordova Benites, L. S., Gonzales Collantes, L. Y., Leiva Cruz, F. D. R., & Navarro Espinoza, L. E. (2024). Aplicación de la inteligencia artificial a la evaluación crediticia en el sistema financiero peruano [Tesis de maestría, Universidad ESAN]. Repositorio Institucional ESAN. https://hdl.handle.net/20.500.12640/4249
Cosme Cervera, S., Rodríguez Arellano, S., Rocha Barrón, L. R., & Angel Angel, J. D. J. (2025, noviembre). Qué tan vulnerable es la regresión lineal ante los datos del mundo real. En D. Tinoco Varela (Ed.), Memorias del Congreso Estudiantil de Inteligencia Artificial Aplicada a la Ingeniería y Tecnología (pp. 118-124). Universidad Nacional Autónoma de México. https://www.researchgate.net/profile/Jose-Angel-Angel/publication/397461440
Dar, U., & Cavus, M. (2026). From XAI to MLOps: Explainable concept drift detection with profile drift detection. arXiv. https://doi.org/10.48550/arXiv.2412.11308
Dash, C. S. K., Behera, A. K., Dehuri, S., & Ghosh, A. (2023). An outliers detection and elimination framework in classification task of data mining. Decision Analytics Journal, 6, 100164. https://www.sciencedirect.com/science/article/pii/S2772662223000048
De Lange, P. E., Melsom, B., Vennerød, C. B., & Westgaard, S. (2022). Explainable AI for credit assessment in banks. Journal of Risk and Financial Management, 15(12), 556. https://doi.org/10.3390/jrfm15120556
Dos Santos, A. B., Dos Santos, I. D. B., & Toma, K. M. (2025). Detecção de transações fraudulentas com cartão de crédito: uma abordagem comparativa baseada em aprendizado de máquina. Revista Foco, 18(5), e8328. https://doi.org/10.54751/revistafoco.v18n5-037
Enriquez Montes, J., & Orbezo Huamancari, D. A. M. (2025). Modelo de scoring de clientes para la gestión eficiente de productos financieros mediante regresión logística y data analytics: un enfoque moderno para la industria financiera en Perú [Trabajo de suficiencia profesional, Universidad Peruana de Ciencias Aplicadas]. Repositorio Académico UPC. https://repositorioacademico.upc.edu.pe/handle/10757/684767
Erazo Laínez, G. (2024). Machine learning para la estimación de riesgo de crédito de una cartera de consumo [Tesis de maestría, Universidad Complutense de Madrid]. Docta Complutense. https://docta.ucm.es/entities/publication/fc512956-4b59-4f40-ab93-18850315b2a3
Ferro Rugeles, R. D., Cossio Escobar, G., & Fernández Moncada, N. (2023). Pronóstico de ventas a través de una aplicación web aplicando machine learning y variables exógenas [Trabajo de grado, Escuela Colombiana de Ingeniería Julio Garavito]. Repositorio Escuela Colombiana de Ingeniería Julio Garavito. https://repositorio.escuelaing.edu.co/handle/001/2815
Gantman, E. R. (2020). Apertura comercial, pobreza y desigualdad: un análisis mediante árboles de regresión. RInERS: Revista de Investigación en Economía y Responsabilidad Social, 1(4), 1-14. https://repositoriocyt.unlam.edu.ar/handle/123456789/1298
García García, P. (2024). Benchmarking de técnicas de explicabilidad para la inteligencia artificial [Tesis de maestría, Universidad Politécnica de Madrid]. Archivo Digital UPM. https://oa.upm.es/82899/1/TFM_PABLO_GARCIA_GARCIA.pdf
Hermitaño Castro, J. A. (2022). Aplicación de machine learning en la gestión de riesgo de crédito financiero: una revisión sistemática. Interfases, (15), 160-178. https://doi.org/10.26439/interfases2022.n015.5898
Jaimes, D., González, C. A., Llanos, L., Estrada, O., Barrios, C., Agudelo, D., Navarro Racines, C., Jiménez, D., Gardeazabal, A., & Ramírez Villegas, J. (2023). Aplicación en la agricultura de técnicas de explicabilidad del aprendizaje de máquinas: aclarando la caja negra. Alliance Bioversity & CIAT; CGIAR; CIMMYT. https://hdl.handle.net/10568/135694
Joshi, S. (2025). Model risk management in the era of generative AI: Challenges, opportunities, and future directions (MPRA Paper 125221). Munich Personal RePEc Archive. https://mpra.ub.uni-muenchen.de/125221/
Marchant Contreras, V. M. (2022). Un modelo predictivo interpretable para la estimación del ingreso monetario de clientes bancarios basado en XGBoost y SHAP [Tesis de licenciatura, Universidad de Concepción]. Repositorio UdeC. https://repositorio.udec.cl/server/api/core/bitstreams/fcf68aa4-ddb0-4ef7-9cb4-661b16a7b231/content
Martínez Martínez, G. (2024). Optimización bayesiana con multifidelidad para la búsqueda de hiperparámetros en algoritmos de aprendizaje por refuerzo [Tesis de maestría, Universidad Politécnica de Madrida]. Archivo Digital UPM. https://oa.upm.es/82959/
Moneta Pizarro, A. M., Juárez, M. A., Camilo Caro, L. N., & Allub, M. D. H. (2022). Una revisión del supuesto MAR en datos faltantes de la EPH. Documentos de Trabajo de Investigación de la Facultad de Ciencias Económicas (DTI-FCE), 7, 1-20. https://revistas.unc.edu.ar/index.php/DTI/article/view/37746
Noriega, J. P., Rivera, L. A., & Herrera, J. A. (2023). Machine learning for credit risk prediction: A systematic literature review. Preprints.org. https://doi.org/10.20944/preprints202308.0947.v1
Pérez Monsalve, L. O. (2024). Predicción de la vida útil de las baterías de un Nissan Leaf usando datos reales de conducción mediante el uso de Machine Learning [Trabajo de grado, Universidad de Los Andes]. Repositorio Institucional Séneca. https://hdl.handle.net/1992/75130
Polo Romero, V. J. (2024). Modelo predictivo basado en Naive Bayes a través de machine learning supervised y la deserción estudiantil, en centros de educación tecnológicos públicos de la región La Libertad. Sciéndo Ingenium, 59-71. https://revistas.unitru.edu.pe/index.php/PGM/article/view/6169
Putri, N. H., Fatekurohman, M., & Tirta, I. M. (2021). Credit risk analysis using support vector machines algorithm. Journal of Physics: Conference Series, 1863, 012039. https://doi.org/10.1088/1742-6596/1836/1/012039
Rahmani, R., Parola, M., & Cimino, M. G. C. A. (2024). A machine learning workflow to address credit default prediction. arXiv. https://doi.org/10.48550/arXiv.2403.03785
Resolución S.B.S. 00053-2023 [Superintendencia de Bancas, Seguros y AFP]. Reglamento de Gestión de Riesgos de Modelo. 6 de enero del 2023. https://intranet2.sbs.gob.pe/dv_int_cn/2240/v1.0/Adjuntos/0053-2023.R.pdf
Reyes Morales, M. A., & Sosa Castro, M. M. (2022). Modelo de puntuación crediticia para tarjeta de crédito en México: una aproximación logística. Ensayos Revista de Economía, 41(1), 17-52. https://doi.org/10.29105/ensayos41.1-2
Romero Carmen, J. A. (2024). El margen financiero como medida de riesgo de incumplimiento de los préstamos personales del Perú entre 2019 y 2022 [Tesis de maestría, Pontificia Universidad Católica del Perú]. Repositorio Institucional PUCP. https://tesis.pucp.edu.pe/items/f0ab9c35-89a8-4b54-973a-2c1a1a8ce82e
Shcherbinin, A. (2026). Adaptive mechanisms for model retraining in production: Drift triggers, retraining prioritisation, and reduced data preparation time through automated orchestration. Universal Library of Innovative Research and Studies, 3(1), 94-100. https://doi.org/10.70315/uloap.ulirs.2026.0301013
Suhadolnik, N., Ueyama, J., & Da Silva, S. (2023). Machine learning for enhanced credit risk assessment: An empirical approach. Journal of Risk and Financial Management, 16(12), 496. https://doi.org/10.3390/jrfm16120496
Superintendencia de Banca, Seguros y AFP. (2025). Oficio 02569-2025-SBS: opinión sobre el Proyecto de Ley 8969. https://www.sbs.gob.pe/Portals/0/jer/opinion_proy_leg/2024/1-OFICIO-02569-2025-SBS-PL8969.pdf
Tocto Reyes, G., Giraldo Coral, X. A., & Hirpo Marchinares, A. E. (2022). Aplicación de machine learning para campañas de marketing en la banca comercial. Interfases, 2(16), 185-198. https://www.redalyc.org/pdf/7301/730180375008.pdf
True North Partners. (2023). PRA SS1/23 - Principios de gestión de riesgo de modelo. Nuevos requerimientos regulatorios. https://www.clubgestionriesgos.org/wp-content/uploads/TNP-Riesgo-de-Modelo-PRA-SS1-23_CGR.pdf
Valenzuela Sánchez, M. S. (2025). Predicción del riesgo crediticio en clientes del sector retail mediante redes neuronales: caso de estudio de la empresa Credicorp [Tesis de maestría, Universidad de las Américas]. Repositorio Digital UDLA. https://dspace.udla.edu.ec/handle/33000/18134
Weber, P., Carl, K. V., & Hinz, O. (2024). Applications of explainable artificial intelligence in Finance—A systematic review of finance, information systems, and computer science literature. Management Review Quarterly, 74, 867-907. https://doi.org/10.1007/s11301-023-00320-0
Wheeler, R., & Carroll, F. (2023). An explainable AI solution: Exploring extended reality as a way to make artificial intelligence more transparent and trustworthy. En C. Onwubiko, P. Rosati, A. Rege, A. Erola, X. Bellekens, H. Hindy & M. G. Jaatun (Eds.), Proceedings of the International Conference on Cybersecurity, Situational Awareness and Social Media (pp. 255-276). Springer. https://link.springer.com/chapter/10.1007/978-981-19-6414-5_15
Yang, S., Huang, Z., Xiao, W., & Shen, X. (2024). Interpretable credit default prediction with ensemble learning and SHAP. arXiv.
Zegarra Jara, N. (Dir.). (2025). Microfinanzas: la revista del sistema financiero peruano (Edición 236). https://statuscomunicaciones.pe/microfinanzas/M236.pdf
Zuleta Fuerte, D. F., Bru Cordero, O. E., & Pastor Sierra, K. S. (2025). Validación cruzada: una herramienta crucial para mejorar la eficiencia de modelos de clasificación con datos biomédicos. Comunicaciones en Estadística, 18(1), 51-85. https://revistas.usantotomas.edu.co/index.php/estadistica/article/view/11214
Downloads
Published
Issue
Section
License
This work is licensed under a Creative Commons Attribution 4.0 International License.
Authors who publish with this journal agree to the following terms:
Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under an Attribution 4.0 International (CC BY 4.0) License. that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal.
Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgement of its initial publication in this journal.
Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work (See The Effect of Open Access).
Last updated 03/05/21
