Modelación de riesgo de crédito de personas naturales. Un caso aplicado a una caja de compensación familiar colombiana

  1. David Esteban Rodríguez Guevara 1
  2. Juan Fernando Rendón Garcia 1
  3. Alfredo Trespalacios Carrasquilla 2
  4. Edwin Andrés Jiménez Echeverri 2
  1. 1 Instituto Tecnológico Metropolitano de Medellín (Colombia)
  2. 2 Instituto Tecnológico Metropolitano de Medellín (ITM)
Revista:
Revista de métodos cuantitativos para la economía y la empresa

ISSN: 1886-516X

Año de publicación: 2022

Volumen: 33

Páginas: 29-48

Tipo: Artículo

DOI: 10.46661/REVMETODOSCUANTECONEMPRESA.5146 DIALNET GOOGLE SCHOLAR lock_openAcceso abierto editor

Otras publicaciones en: Revista de métodos cuantitativos para la economía y la empresa

Resumen

Los modelos de tipo Credit Score permiten a los analistas de crédito la cuantificación de los riesgos que implican las operaciones de crédito, la segmentación de afiliados y la recomendación de decisiones de otorgamiento o rechazo de un crédito para personas naturales. Estos modelos buscan entregar la información necesaria para inferir sobre las probabilidades de impago de un afiliado, mediante la aplicación de técnicas paramétricas o no paramétricas. En este trabajo se busca identificar cuáles de los siguientes modelos pueden ser más apropiados para medir el riesgo de crédito de personas naturales en una caja de compensación familiar ubicada en Colombia: Logit, Probit, Redes Neuronales o Linear Support-Vector Machine. Los resultados obtenidos muestran que, si bien los Linear Support Vector Machine pueden tener mejor desempeño, los modelos Probit-Stepwise son igualmente útiles y tienen como ventaja la posibilidad de interpretar los parámetros calibrados.

Referencias bibliográficas

  • Abdou, H. A., & Pointon, J. (2011). Credit Scoring, Statistical Techniques and Evaluation Criteria: A Review of the Literature. Intelligent Systems in Accounting, Finance and Management, 18(2-3), 59-88. https://doi.org/10.1002/isaf.325
  • Akkoç, S. (2012). An empirical comparison of conventional techniques, neural networks and the three stage hybrid Adaptive Neuro Fuzzy Inference System (ANFIS) model for credit scoring analysis: The case of Turkish credit card data. European Journal of Operational Research, 222(1), 168-178. https://doi.org/10.1016/j.ejor.2012.04.009
  • Altman, E.I. (1980). Commercial bank lending: process, credit scoring, and costs of errors in lending. Journal of Financial and Quantitave Analysis, XV(4), 813-832.
  • Altman, E. (1968). The Prediction of Corporate Bankruptcy. The Journal of Finance, XXIII(4), 589-609. https://doi.org/https://doi.org/10.2307/2978933
  • Anderson, D.R., Sweeney, D.J., & Williams, T.A. (2008). Estadística para Administración y Economía (S. Cervantez (ed.); 10th ed.).
  • Anderson, R. (2007). The Credit Scoring Toolkit. (Oxford University Press, Ed.; 1st ed., Vol. 1). Oxford: Oxford University Press. Mexico DF: CENGAGE Learning.
  • Apilado, V.P., Warner, D.C., & Dauten, J.J. (1974). Evaluative Techniques In Consumer Finance - Experimental Result And Policy Implications For Financial Institutions. Journal of Financial and Quantitave Analysis, 9(2), 275-284.
  • Chaudhuri, K., & Cherical, M.M. (2012). Credit rationing in rural credit markets of India. Applied Economics, 44(7), 803-812. https://doi.org/10.1080/00036846.2010.524627
  • Constangioara, A. (2011). Consumer Credit Scoring. Romanian Journal of Economic Forecasting, 3, 162-178.
  • Desai, V.S., Crook, J.N., & Overstreet, G.A. (1996). A comparison of neural networks and linear scoring models in the credit union environment. European Journal of Operational Research, 95(1), 24-37. https://doi.org/10.1016/0377-2217(95)00246-4
  • Fisher, R.A. (1936). The use of multiple measurements in taxonomic problems. Annals of Eugenics, 7(2), 179-188. https://doi.org/10.1111/j.1469-1809.1936.tb02137.x
  • Glorfeld, L.W. (1990). A Robust Methodology for Discriminant Analysis Based on Least-absolute-value Estimation. Managerial and Desicion Economics, 11(1), 267-277.
  • Gonçalves, R.M.L., & Braga, M.J. (2008). Determinantes de risco de liquidez em cooperativas de crédito: uma abordagem a partir do modelo logit multinomial. Revista de Administração Contemporânea, 12(4), 1019-1041. https://doi.org/10.1590/S1415-65552008000400007
  • Hilbe, J. M. (2015). Practical Guide to Logistic Regression. New York, HY. Taylor and Francis Group. https://doi.org/10.1201/b18678
  • Hosmer, D., Lemeshow, S., & Sturdivant, R. (2013). Applied Logistic Regression. In Wiley (Ed.), Wiley (Third). Wiley. Hoboken (New Yersey): John Wiley & Sons. https://doi.org/10.2307/1270433
  • Lipovetsky, S., & Conklin, M. (2004). Decision Making By Variable Contribution in Discriminant, Logit, and Regression Analyses. International Journal of Information Technology & Decision Making, 3(2), 265-279. https://doi.org/10.1142/S0219622004001033
  • Martens, D., Van Gestel, T., De Backer, M., Haesen, R., Vanthienen, J., & Baesens, B. (2010). Credit rating prediction using Ant Colony Optimization. Journal of the Operational Research Society, 61(4), 561-573. https://doi.org/10.1057/jors.2008.164
  • Melo-Velandia, L.F., & Becerra-Camargo, O.R. (2005). Medidas de riesgo, características y técnicas de medición: una aplicación del VaR y el ES a la tasa Interbancaria de Colombia. Banco de La Republica, 1-75.
  • Melo, L.F., & Granados, J.C. (2011). Regulación y valor en riesgo. Ensayos sobre Política Economica, 29(64), 110-177.
  • Millán-Solarte, J., & Caicedo-Cerezo, É. (2018). Modelos para otorgamiento y seguimiento en la gestión de riesgo de crédito. Revista de Métodos Cuantitativos para la Economía y la Empresa, 1(25), 23-41. https://www.upo.es/revistas/index.php/RevMetCuant/article/view/2370/2709
  • Moreno, J.F., & Melo, L.F. (2011). Pronóstico de incumplimientos de pago mediante máquinas de vectores de soporte: una aproximación inicial a la gestión del riesgo de crédito. Boletín de Prensa DANE, 677, 1-33.
  • Moreno, S. (2013). El Modelo Logit Mixto para la construcción de un Scoring de Crédito. Universidad Nacional de Colombia.
  • Mures, J., García, A., & Vallejo, E. (2011). Aplicación del Análisis Discriminate y Regresión Logística en el estudio de la morosidad en las Entidades Financieras Comparación de Resultados. Revista de La Facultad de Ciencias Económicas y Empresariales, 1, 175-199. http://search.proquest.com/docview/818448211?accountid=10344
  • Myers, J.H., & Forgy, E.W. (1963). Comparison of Discriminant and Regression analysis for credit evaluation System. Journal of the American Statistical Association, 58(303), 799-806.
  • Ochoa, J.C., Galeano, W., & Agudelo, L.G. (2010). Construcción de un modelo de scoring para el otorgamiento de crédito en una entidad financiera. Perfil de Coyuntura Económica, 16, 191-222.
  • Olagunji, F., & Ajiboye, A. (2010). Agricultural lending decision: a tobit regression analysis. African Journal of Food Agriculture, Nutrition and Development, 10(5), 1-27. https://doi.org/10.4314/ajfand.v10i5.57897
  • Orgler, Y.E. (1970). A Credit Scoring Model for Commercial Loans. Journal of Money, Credit and Banking, 2(4), 435-445. https://doi.org/10.2307/1991095
  • Palacio, A.P., Lochmúller, C., Murillo, J.G., Pérez, M.A., & Vélez, C.A. (2011). Modelo cualitativo para la asignación de créditos de consumo y ordinario. El caso de una cooperativa de crédito. Revista Ingenierias Universidad de Medellín, 10(19), 89-100.
  • Pérez, F.O., & Fernández, H. (2007). Las redes neuronales y la evaluación del riesgo de crédito. Revista Ingenierías, 6(10), 77-91.
  • Puertas, R., & Marti, M.L. (2012). Análisis del Credit Scoring. Revista Administración de Empresas, 53(3), 303-315.
  • Rayo, S., Rubio, J.L., & Blasco, D.C. (2010). A Credit Scoring Model for Institutions of Microfinance under the Basel II Normative. Journal of Economics, Finance & Administrative Science, 15(28), 89-124.
  • Rodríguez, D.E., Becerra, J.A., & Cardona, D. (2017). Modelos y metodologías de credit score para personas naturales: una revisión literaria. Revista CEA, 3(5), 13-28. https://doi.org/10.22430/24223182.645
  • Rodríguez, D., & Trespalacios, A. (2015). Medición de valor en riesgo en cartera de clientes a través de modelos logísticos y simulación de Montecarlo. Medellín (Colombia): Universidad EAFIT. https://repository.eafit.edu.co/handle/10784/7853.
  • Roszbach, K. (2004). Bank Lending Policy, Credit Scoring, and the Survival of Loans. Review of Economics and Statistics, 86(4), 946-958. https://doi.org/10.1162/0034653043125248
  • Saavedra-García, M.L., & Saavedra-García, M.J. (2010). Modelos para medir el riesgo de crédito de la banca. Cuadernos de Administración, 23(40), 295-319. http://www.scielo.org.co/scielo.php?script=sci_arttext&pid=S0120-35922010000100013&lang=pt
  • Salazar, F.E. (2013). Cuantificación del riesgo de incumplimiento en créditos de libre inversión: un ejercicio econométrico para una entidad bancaria del municipio de Popayán, Colombia. Estudios Gerenciales, 29(129), 416-427. https://doi.org/10.1016/j.estger.2013.11.007
  • Soydaner, D., & Kocadağlı, O. (2015). Artificial Neural Networks with Gradient Learning Algorithm for Credit Scoring. Journal of the School of Bussiness Administration, 44(2), 3-12.
  • Sustersic, M., Mramor, D., & Zupan, J. (2007). Consumer credit scoring models with limited data. Ljubljana Meetings Paper, 1(1), 1-21. https://doi.org/10.1016/j.eswa.2008.06.016
  • Támara, A., Villegas, G., Leones, M., & Salazar, J. (2018). Modelación del riesgo de insolvencia en empresas del sector salud empleando modelos logit. Revista de Métodos Cuantitativos para la Economía y la Empresa, 1(26), 128-145. https://www.upo.es/revistas/index.php/RevMetCuant/article/view/2757/3039
  • Taylor, K.W., & Chappell, N.L. (1980). Multivariate analysis of qualitative data. Canadian Review of Sociology/Revue Canadienne de Sociologie, 17(2), 93-108. https://doi.org/10.1111/j.1755-618X.1980.tb00688.x
  • Thomas, L., Edelman, D., & Crook, J. (2002). Credit Scoring and Its Applications. Philadelphia: SIAM (Society For Industrial and Applied Mathematics).
  • Trejo, J.C., Martínez, M.Á., & Venegas, F. (2017). Credit risk management at retail in Mexico: An econometric improvement in the selection of variables and changes in their characteristics. Contaduría y Administración, 62(2), 399-418. https://doi.org/10.1016/j.cya.2017.02.006
  • Webster, G. (2011). Bayesian Logistic Regression Models for Credit Scoring (Issue December). Grahamstown, South Africa: Rhodes University.
  • Zhai, H., & Russell, J.S. (1999). Stochastic modelling and prediction of contractor default risk. Construction Management and Economics, 17(1), 563-576.
  • Zhou, L., Lai, K.K., & Yen, J. (2009). Credit Scoring Models With Auc Maximization Based on Weighted Svm. International Journal of Information Technology & Decision Making, 8(4), 677-696. https://doi.org/10.1142/S0219622009003582
Fuente de los datos: Dialnet