El riesgo de crédito se refiere a la posibilidad de que un prestatario no cumpla con las obligaciones contractuales de reembolso, lo que plantea pérdidas potenciales para los prestamistas. Este estudio tiene como objetivo mejorar la predicción de incumplimiento de préstamos en la gestión del riesgo de crédito mediante la construcción de un marco de modelado de series temporales basado en datos de comportamiento de reembolso, lo que permite capturar los riesgos de reembolso que surgen después de la emisión del préstamo. Para lograr este objetivo, se propone un modelo de Codificador Mejorado Residual Bidireccional de Memoria a Largo Plazo (ResE-BiLSTM), en el que el mecanismo de atención es responsable de descubrir correlaciones a largo plazo, mientras que las conexiones residuales aseguran la preservación de la información distante. Este diseño mitiga la tendencia de las arquitecturas recurrentes convencionales a sobreenfatizar las entradas recientes mientras subrepresentan la información temporal distante en el modelado de dependencias a largo plazo. Utilizando el conjunto de datos de nivel de préstamo de una sola familia de Freddie Mac a gran escala del mundo real, el modelo se evalúa en 44 cohortes independientes y se compara con cinco modelos de referencia, incluidos Memoria a Largo Plazo (LSTM), LSTM Bidireccional (BiLSTM), Unidad Recurrente Con Puerta (GRU), Red Neuronal Convolucional (CNN) y Red Neuronal Recurrente (RNN) a través de múltiples métricas de evaluación. Los resultados experimentales demuestran que ResE-BiLSTM logra un rendimiento superior en indicadores clave como F1 y AUC, con valores promedio de 0.92 y 0.97, respectivamente, y demuestra un rendimiento robusto en diferentes longitudes de ventana de características y configuraciones de re-muestreo. Los experimentos de ablación y los análisis de interpretabilidad basados en SHapley Additive exPlanations (SHAP) revelan además que el modelo captura patrones de importancia temporal no monótonos a través de características financieras clave. Este estudio avanza en la detección de anomalías basada en series temporales para la predicción del riesgo de crédito al integrar el aprendizaje temporal global y local. Los hallazgos ofrecen un valor práctico para las instituciones financieras y los profesionales de la gestión de riesgos, al tiempo que proporcionan ideas metodológicas y un paradigma de modelado transferible para futuras investigaciones sobre la evaluación del riesgo de crédito.