La puntuación de crédito se reconoce generalmente como una de las técnicas de investigación operativa más significativas utilizadas en la banca y las finanzas, con el objetivo de identificar si un consumidor de crédito pertenece a un grupo de clientes legítimos o sospechosos. Con el vigoroso desarrollo de Internet y la adopción generalizada de registros electrónicos, los bancos y las instituciones financieras han acumulado grandes repositorios de datos etiquetados y en su mayoría no etiquetados. El aprendizaje semi-supervisado constituye una metodología de aprendizaje automático adecuada para extraer conocimiento útil tanto de datos etiquetados como no etiquetados. En este trabajo, evaluamos el rendimiento de dos algoritmos de aprendizaje semi-supervisado en conjunto para el problema de la puntuación de crédito. Nuestros experimentos numéricos indican que los algoritmos propuestos superan a sus algoritmos de aprendizaje semi-supervisado componentes, ilustrando que se podrían desarrollar modelos de predicción fiables y robustos mediante la adaptación de técnicas en conjunto en el marco del aprendizaje semi-supervisado.