Los incumplimientos de préstamos se han convertido en una preocupación creciente para las instituciones de crédito, presentando desafíos significativos para la rentabilidad y la estabilidad operativa. Sin embargo, con la llegada de capacidades avanzadas de procesamiento de datos, una mayor disponibilidad de datos y el desarrollo de técnicas sofisticadas de aprendizaje automático, particularmente redes neuronales, han surgido nuevas oportunidades para clasificar y predecir los incumplimientos de préstamos más allá de los métodos manuales tradicionales. Esto, a su vez, puede reducir el riesgo y mejorar el rendimiento financiero general. En los últimos años, las instituciones han empleado cada vez más estas técnicas avanzadas para mitigar el riesgo de préstamos no productivos (NPL) al mejorar la eficiencia en la aprobación de préstamos. Este estudio tiene como objetivo abordar una brecha en la literatura al examinar el rendimiento predictivo de diferentes arquitecturas de redes neuronales en conjuntos de datos financieros de préstamos. Específicamente, compara la efectividad de las Redes Neuronales Feedforward (FNN), las redes de Memoria a Largo y Corto Plazo (LSTM) y las Redes Neuronales Convolucionales unidimensionales (1D-CNN) en la predicción de incumplimientos de préstamos. A pesar del creciente cuerpo de investigación en esta área, los estudios comparativos que se centran en la aplicación de diversas técnicas de redes neuronales a la predicción de incumplimientos de préstamos siguen siendo relativamente escasos.