Scoring

on6.148

Universidad Nacional de Ingenier´ıa Facultad de Ingenier´ıa Industrial y de Sistemas Escuela Profesional de Ingenier´ıa de Sistemas Propuesta de Tesis presentada para obtener el grado de

Ingeniero de Sistemas

Credit Scoring para Pymes Financieras por Audante Ramos, Néstor Rafael

Lima - Lima Noviembre de 2007

20034021E

Credit Scoring para Pymes Financieras Audante Ramos, Néstor Rafael 7 de enero de 2008

Credit Scoring para Pymes Financieras Audante Ramos, Néstor Rafael

20034021E

Facultad de Ingenier´ıa Industrial y de Sistemas, 2007 Asesor de Tesis: Ing. Oporto D´ıaz, Samuel

Esta tesis tiene por finalidad brindar a las empresas financieras (En especial a las PYMES Financieras) un sistema de Scoring, es decir, una forma de asignarle determinada calificación a los riesgos representados por clientes espec´ıficos, debido a que las empresas anteriormenete mencionadas presentan alto ´ındice de morosidad (tal y como lo demuestran los reportes de las cajas municipales de Ahorro y crédito y las cajas rurales)1 afectando tanto su rentabilidad como haciendo necesario la emisión de tasas de interés bastante altas para compensar el riesgo en el que incurren. Las ventajas que supone el emplear un mecanismo de escoring son, entre otras: Menor nivel de riesgo de la Entidad, mejores niveles de recaudo de Cartera y mejor utilización de los recursos, es decir, la aplicación de Scoring en microfinanzas permite ante todo ser más rentables en los procesos2 .

1

En “Determinantes de la rentabilidad en las Cajas Rurales de Ahorro y Crédito”, se nos habla del caso concreto de los créditos agropecuarios los cuales presentaban en el año 2003 un ´ındice de rentabilidad de -5.3 %además el crédito comercial es el otro producto que registra pérdidas para la CRAC (1.95 % de la cartera promedio), por los reducidos ingresos financieros generados y los altos costos de riesgo de estas colocaciones. 2 Tal y como nos lo indica el Ing. Javier Ibañez Flores del Instituto de Formación Bancaria en su presentación “Aplicaciones del Credit Scoring para Microfinanzas”

´ Indice general 1. Introducción 1.1. Introducción . . . . . . . . . . . . . . . 1.2. Justificación . . . . . . . . . . . . . . . 1.3. Alcances y Limitaciones . . . . . . . . 1.3.1. Limitaciones de la Investigación 2. Formulación del problema 2.1. Descripción de la situación problemática 2.2. Descripción del problema . . . . . . . . 2.3. Objetivo de la Investigación . . . . . . . 2.3.1. Objetivo superior . . . . . . . . 2.3.2. Objetivo principal . . . . . . . 2.3.3. Objetivos espec´ıficos . . . . . . ´ 2.4. Arbol de problemas y objetivos . . . . . ´ 2.4.1. Arbol de problemas . . . . . . .

. . . .

. . . . . . . .

. . . .

. . . . . . . .

. . . .

. . . . . . . .

. . . .

. . . . . . . .

. . . .

. . . . . . . .

. . . .

. . . . . . . .

. . . .

. . . . . . . .

. . . .

. . . . . . . .

. . . .

. . . . . . . .

. . . .

. . . . . . . .

. . . .

. . . . . . . .

. . . .

. . . . . . . .

. . . .

. . . . . . . .

. . . .

. . . . . . . .

. . . .

. . . . . . . .

. . . .

. . . . . . . .

. . . .

. . . . . . . .

. . . .

. . . . . . . .

. . . .

. . . . . . . .

. . . .

. . . . . . . .

. . . .

. . . . . . . .

. . . .

. . . . . . . .

3. Revisión de la bibliograf´ıa 3.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.2. Valoración de Riesgo Crediticio y Credit scoring. . . . . . . . . . . . . . . . . . 3.2.1. Valoración del riesgo crediticio . . . . . . . . . . . . . . . . . . . . . . 3.2.2. Elementos claves de la evaluación de crédito . . . . . . . . . . . . . . . 3.2.3. Credit Scoring . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.2.4. Ventajas del credit scoring para las Pymes Financieras: . . . . . . . . . . 3.3. Revisión de algunos Métodos no estad´ısticos aplicados en la construcción de Credit Scoring . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.3.1. Redes Neuronales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.3.2. Algoritmos Genéticos . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.3.3. Investigaciones previas que han utilizado métodos no estad´ısticos para construir modelos de Scoring . . . . . . . . . . . . . . . . . . . . . . . . 3.4. Antecedentes de la investigaciones . . . . . . . . . . . . . . . . . . . . . . . . .

. . . .

7 7 8 9 9

. . . . . . . .

12 12 13 14 14 14 14 15 15

. . . . . .

17 17 20 20 21 22 23

. 24 . 24 . 28 . 31 . 32

4. Metodolog´ıa de la Investigación 37 4.1. Tipo de Investigación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37 2

˜ de la investigación 5. Diseno 5.1. Objeto de la Investigación . . . . . . . . 5.1.1. Población . . . . . . . . . . . . . 5.1.2. Tamaño de la población . . . . . 5.1.3. Tamaño de la muestra . . . . . . 5.2. Diseño de la investigación . . . . . . . . 5.2.1. Tipo de diseño de la investigación 5.2.2. Variables independientes . . . . . 5.2.3. Variables dependientes . . . . . . 5.2.4. Variables del modelo . . . . . . . 5.3. Diseño de la investigación . . . . . . . . 5.4. Hipotesis . . . . . . . . . . . . . . . . . 5.4.1. Contraste de hipótesis . . . . . . 5.4.2. Instrumentos de Medicion . . . .

. . . . . . . . . . . . .

. . . . . . . . . . . . .

. . . . . . . . . . . . .

. . . . . . . . . . . . .

. . . . . . . . . . . . .

. . . . . . . . . . . . .

. . . . . . . . . . . . .

. . . . . . . . . . . . .

. . . . . . . . . . . . .

. . . . . . . . . . . . .

. . . . . . . . . . . . .

. . . . . . . . . . . . .

. . . . . . . . . . . . .

. . . . . . . . . . . . .

. . . . . . . . . . . . .

. . . . . . . . . . . . .

. . . . . . . . . . . . .

. . . . . . . . . . . . .

. . . . . . . . . . . . .

. . . . . . . . . . . . .

. . . . . . . . . . . . .

. . . . . . . . . . . . .

38 38 38 38 38 39 39 39 39 39 43 44 44 44

6. Modelo de solución 47 6.1. Modelo de solución . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47 7. Planificación de la investigación 7.1. Descripción de actividades - etapas 7.2. Recursos necesarios . . . . . . . . 7.3. Cronograma de trabajo . . . . . . 7.4. Presupuesto de la Investigacion . . 7.4.1. Fuentes de Financiamiento

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

49 49 49 50 50 50

8. Conclusiones 52 8.1. Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52 8.2. Trabajos Futuros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52

3

´ Indice de cuadros 5.1. Cuadro Resumen de la varibles del Modelo . . . . . . . . . . . . . . . . . . . . . 43 5.2. Tabla de Indicadores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44

4

´ Indice de figuras 1.1. Scoring de evaluacion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9 1.2. Scoring de Segmentacion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 1.3. Scoring de Cobranza . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 ´ 2.1. Arbol de problemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 3.1. 3.2. 3.3. 3.4. 3.5. 3.6. 3.7. 3.8. 3.9. 3.10.

Estructura de la Red Neuronal Artificial . . . . . . Suma de Pesos . . . . . . . . . . . . . . . . . . . Función de Activación . . . . . . . . . . . . . . . Arquitectura de la Red . . . . . . . . . . . . . . . Redes FeedForward . . . . . . . . . . . . . . . . . Redes Recurrentes . . . . . . . . . . . . . . . . . EcuacionProgGenetica . . . . . . . . . . . . . . . Esquema de funcionamiento del algoritmo genético Diagrama de flujo del procedimiento de chequeo . Diagrama de flujo del procedimiento . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

24 25 25 26 26 27 29 30 34 35

5.1. Esquema de Diseno del experimento . . . . . . . . . . . . . . . . . . . . . . . . . 44 5.2. Cuadro Diseno Experimento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45 6.1. Modelo Solución.JPG . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48 7.1. Cronograma de trabajo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51

5

6

Cap´ıtulo 1 Introducción 1.1.

Introducción

Esta tesis tiene por finalidad brindar a las empresas financieras en especial a las PYMES Financieras un sistema de Scoring, es decir, una forma de asignarle determinada calificación a los riesgos representados por clientes espec´ıficos, debido a que las empresas anteriormenete mencionadas presentan alto ´ındice de morosidad (tal y como lo demuestran los reportes de las cajas municipales de Ahorro y crédito y las cajas rurales)1 afectando tanto su rentabilidad como haciendo necesario la emisión de tasas de interés bastante altas para compensar el riesgo en el que incurren. Las ventajas que supone el emplear un mecanismo de escoring son, entre otras: Menor nivel de riesgo de la Entidad, mejores niveles de recaudo de Cartera y mejor utilización de los recursos, es decir, la aplicación de Scoring en microfinanzas permite ante todo ser más rentables en los procesos2 . El tema de Credit Scoring ha sido altamente tratado en diversas instituciones a nivel mundial, y se han presentado métodos de optimización los cuales buscan mejorar su precisión (pues lo usual es usar, para efectos de cálculo métodos estad´ısticos como curva de regresión lineal y curvas de regresión log´ıstica) usando técnicas de inteligencia artificial, como es el caso de: Redes Neuronales de Retropopagación, Máquina vector-soporte, algor´ıtmos genéticos, etc.3 . El propósito de esta tésis es seleccionar una o más de e´ stas técnicas para desarrollar una herramienta que nos permita brindar a las PYMES financieras una herramienta de alta precisión para evaluar el riesgo crediticio asociado a sus clientes y, de esta manera, ayudarlas a realizar una mejor gestión crediticia. 1

En “Determinantes de la rentabilidad en las Cajas Rurales de Ahorro y Crédito”, se nos habla del caso concreto de los créditos agropecuarios los cuales presentaban en el año 2003 un ´ındice de rentabilidad de -5.3 % además el crédito comercial es el otro producto que registra pérdidas para la CRAC (1.95 % de la cartera promedio), por los reducidos ingresos financieros generados y los altos costos de riesgo de estas colocaciones. 2 Tal y como nos lo indica el Ing. Javier Ibañez Flores del Instituto de Formación Bancaria en su presentación “Aplicaciones del Credit Scoring para Microfinanzas” 3 Todo lo anteriormente mencinado se abordará y sustentará en el cap´ıtulo 3, donde se presentará papers que hacen referencia ha estos temas

7

Nuestra tesis está divida en 9 cap´ıtulos y los temas a abordar en los mismos son los siguientes: En el cap´ıtulo 1 de este documento trataremos acerca de la introducción, justificación y definición de los alcances de una propuesta de tesis. En el cap´ıtulo 2 de este documento se plantea la problemática que se desea abordar, se sigue un procedimiento - a´ rbol de problemas - para identificar el problema, luego se define el propósito principal del proyecto, los objetivos del proyecto y los objetivos espec´ıficos necesarios para resolver el problema identificado, estos puntos se presentan visualmente en el a´ rbol de objetivos. En el cap´ıtulo 3 se hace un breve revisión de la bibliograf´ıa, se hace una exposición de los conceptos necesarios para entender el tema abordado, se expone las técnicas que utilizaron otros autores y la técnica que se usará en este proyecto y finalmente se presenta breves resúmenes de cada uno de las investigaciones previas identificadas.

1.2.

Justificación

Las Cajas Municipales de Ahorro y Crédito (CMAC) y las cajas Rurales siguen siendo una parte muy pequeña del sistema financiero, alrededor 4,3 % de depósitos del sistema financiero y 6,4 % de los créditos, sin embargo, dentro de las Instituciones Microfinancieras No bancarias (IMFNB), son las más dinámicas en el otorgamiento de créditos y servicios financieros para los agentes económicos que no son atendidos en el sistema financiero normal. Sin embargo, un problema que vienen enfrentando estas entidaddes financieras es la morosidad, la cual en el caso de las CMAC se situó en 5,1 % en el 2006. Cabe mencionar que la mejora de los indicadores de morosidad obedeció al mayor incremento relativo de los créditos directos respecto de la cartera atrasada.4 Por lo tanto, este ser´ıa la primera justificación de la investigación, dado que a pesar de ser e´ ste un sector con movimientos constantes el ´ındice de morosidad viene incrementándose continuamente y una de las razones es que estas empresas no están utilizando las ventajas que le supondr´ıan el contar con un mecanismo preciso de identificación de riesgos. El escoring en Microfinanzas tiene los siguientes matices: Escoring de Seguimiento, de iniciacion y de cobranza. A continuación presentamos la comparación en cada uno de estos tipos de matices sin usar y usando scoring. En las figuras 1.1,1.2 y 1.3 se ven las ventajas y desventajas de cada uno de estos scoring. Otra Justificación para realizar investigación consiste en el realizar una mejora en los métodos de cálculo que se utilizan para asignarle los scores a los clientes, que en la actualidad, en el Perú, se realizan sólo con técnicas estad´ısticas y no hacen uso de las ventajas, en cuanto a precisión en 4

Este fragmento fue extra´ıdo de la publicación “Las cajas municipales de ahorro y crédito” (Ramos [8])

8

Figura 1.1: Scoring de evaluacion el cálculo, que nos presentan las técnicas de inteligencia artificial 5 . Por u´ ltimo, está la motivación de poner en práctica los conceptos de CRM, entendida como filosof´ıa de negocios, en los modelos de propensión y venta cruzada.

1.3.

Alcances y Limitaciones

Esta investigación es válida para PYMES financieras peruanas, es decir, está supeditado a lo que son cajas municipales y rurales (Dado que el estudio se realizará en empresas de este tipo).

1.3.1.

Limitaciones de la Investigación

Una de las limitaciones mayores que se presentan es que la información a la que se pretende acceder es de caracter sensible para las empresas financieras, por lo que los trámites para conse5

Lo del uso de técnicas estad´ısticas para efecto de los cálculos en la actualidad se afirma por lo expuesto en el curso “Gestión Crediticia” expuesta por el IFB

9

Figura 1.2: Scoring de Segmentacion guirla podr´ıan extender demasiado el tiempo de la investigación.

10

Figura 1.3: Scoring de Cobranza

11

Cap´ıtulo 2 Formulación del problema 2.1.

Descripción de la situación problemática

Se estima que las microempresas en Perú dan empleo a alrededor de seis millones de personas, o 75 % de la población económicamente activa, y que su participación en el producto bruto interno (PBI) es aproximadamente de 30 % (Banco Interamericano de Desarrollo, 1996). Sin embargo, la capacidad del sector para desempeñarse en forma efectiva ha sido limitada, principalmente por el escaso acceso a los servicios financieros. Esto u´ ltimo se explica porque en el sistema formal bancario no se cuenta con la capacidad institucional ni con las tecnolog´ıas crediticias apropiadas. Normalmente, la banca peruana se ha mostrado renuente a realizar operaciones con la microempresa, porque dichas actividades son percibidas como extremadamente riesgosas y de alto costo (Banco Interamericano de Desarrollo, 1996). En este contexto, en los u´ ltimos años, han aparecido las Cajas Municipales de Ahorro y Crédito1 (cajas municipales), que son instituciones financieras formales y reguladas sin fines de lucro, con personer´ıa jur´ıdica propia de derecho público y con autonom´ıa económica, financiera y administrativa. El propietario legal es el Consejo provincial: la instancia administrativa de origen comunal existente en Perú, estando su legislación incorporada en la Ley de Bancos (Banco Interamericano de Desarrollo, 1996). Las doce cajas que conforman el sistema están distribuidas a nivel nacional y, en cierta forma, parecen haberse constituido en alternativas exitosas frente al sistema financiero formal, ya que su e´ nfasis está en el apoyo a la microempresa y a su desarrollo masivo, como una forma efectiva de contribuir a reducir los niveles de pobreza actualmente existentes (Tello, 1995). “Las cajas municipales se han desarrollado bajo el modelo de las cajas de Alemania, siguiendo una tecnolog´ıa financiera basada en dicho sistema, pero adaptada a la realidad peruana (Tello, 1995). Los principales elementos que las caracterizan se pueden resumir en: (i) gestión y vigilancia; de forma tal que las cajas municipales se encuentren dirigidas por una gerencia mancomunada; es decir, por dos gerentes; (ii) autonom´ıa; se trata de que la gestión administrativa y el desarrollo de mecanismos sean, en lo posible, independientes de la pol´ıtica partidaria, garantizando conti-

12

nuidad y maximizando la eficiencia y los resultados; (iii) fondo redistributivo; el cual sirve para canalizar los recursos externos y compensar la liquidez; (iv) capacitación; que es permanente y parte integral del sistema de funcionamiento de las cajas; (v) tecnolog´ıa financiera; basada en un mecanismo de “reputación” del cliente: un sistema de crédito individual, de pequeños préstamos iniciales y de plazos cortos per se, para progresivamente acceder a montos mayores. Probablemente, este es el corazón del sistema de las cajas municipales; (vi) análisis detallado; los clientes establecen una relación individual y detallada con el personal de las cajas; (vii) tasas de interés; las cuales tienden a ser más elevadas con relación al sistema financiero bancario comercial, pero relativamente bajas con respecto al costo de oportunidad (es decir, las tasas de usura) de los posibles clientes”[1]. La situacion en las Cajas Rurales es aún menos favorable que la de las cajas municipales tal y como lo señala Felipe Portocarrero [6]: “Aunque es necesario señalar que la situación de las CRAC presenta diferenciaciones individuales, en su conjunto, su situación competitiva es desventajosa frente a las CMAC y a otras entidades microfinancieras como las Edpymes y Mibanco. Las CRAC tienen altos niveles de cartera pesada, limitados ingresos financieros,menor captación de depósitos, mayores, gastos administrativos y reducida utilidad, a diferencia de las otras entidades, que tienen un portafolio de mejor calidad, ingresos financieros más elevados y una mayor base patrimonial, lo que les permite tener una mejor rentabilidad. Asegurar la viabilidad financiera de las CRAC a mediano plazo implica, de manera indispensable, lograr mejoras sostenibles ensu tecnolog´ıa crediticia y rentabilidad”. Es, en base a los criterios mencionados anteriormente, que las PYMES financieras (sean cajas rurales, municipales, etc.), presentan problemas en rentabilidad debido a las tasas de morosidad que se presentan, pues los sectores a los cuales realizan créditos (como los créditos agr´ıcolas y financieros)1 tienen riesgos muy altos y no parecen tener los mecanismos para asociarles riesgos a clientes y poder discriminar a aquellos que representan un riesgo demasiado alto.

2.2.

Descripción del problema

Para decidir si conceder o no productos financieros (ya sea prestamos, tarjetas de credito, etc.) a los clientes, las instituciones financieras consideran una serie de factores acerca del mismo. La cuestión de fondo es: ¿Cómo unimos estos factores, para que de manera objetiva, matemática y cient´ıfica (hasta donde sea posible) se pueda obtener una evaluación de crédito adecuada? Las evaluaciones de crédito parten de analistas, que en la mayor´ıa de casos basan su labor en manuales de crédito en que indican las pol´ıticas de crédito de las respectivas instituciones, pero 1

En “Determinantes de la rentabilidad en las Cajas Rurales de Ahorro y Crédito”, se nos habla del caso concreto de los créditos agropecuarios los cuales presentaban en el año 2003 un ´ındice de rentabilidad de -5.3 además el crédito comercial es el otro producto que registra pérdidas para la CRAC (1.95 de la cartera promedio)[8]

13

esto no siempre garantiza que los criterios se utilizarán de manera uniforme en su estudio, y si la interpretación que le darán los diferentes analistas será la misma. De manera que para obviar este punto, en los comités de crédito, muchas veces hay que volver a estudiar el crédito, independientemente de la cuant´ıa [8]. Esto no representa problema cuando el volumen de créditos es bajo, pero ¿qué pasa si el volumen es alto?. Existe un volumen determinado de créditos que no merecen mayor estudio porque están muy por debajo de los requerimientos para otorgar un crédito, as´ı mismo existe otro volumen de personas sobre calificadas que no requieren mayor estudio. Pero existe una zona gris de créditos que requiere mayor concentración, y de su adecuada colocación depende, en u´ ltimas la gestión de colocaciones de la entidad financiera. ¿Cómo hacer para depurar la base, de manera que nos podamos enfocar en un estudio detallado de estos u´ ltimos?

2.3.

Objetivo de la Investigación

2.3.1.

Objetivo superior

Desarrollar un modelo que ayude a eliminar las pérdidas en instituciones financieras ocasionadas por la no cancelación de las deudas, y que a su vez permita ubicar a los clientes en determinados segmentos.

2.3.2.

Objetivo principal

Brindar una herramienta que permita categorizar clientes en base a un conjunto de tipolog´ıas y/o propensión para hacer un adecuado manejo de los mismos, las ventajas que se derivan de esto son: Menor nivel de riesgo de la Entidad: clientes nuevos de menor riesgo, cobranza preventiva, menor deterioro de cartera. Mejores niveles de recaudo de Cartera: Gracias a mejores clientes nuevos, mejores estrategias de cobranza, mayor retención de clientes. Mejor utilización de los recursos: Conocimiento de clientes facilita dirección a mercado objetivo, menores gastos de aprobación (mayor agilidad y menos instancias), estrategias de cobranza más eficientes, estrategias de mercado efectiva a clientes potenciales.

2.3.3.

Objetivos espec´ıficos

Presentar un modelo que permita identificar a clientes que tengan la tipolog´ıa de clientes rentables, para acogerlos, o incentivarlo a que consuman, o en todo caso incrementen el consumo, de nuestras tarjetas de crédito. Que el modelo permita también identificar aquellos clientes que tienen la tipolog´ıa de clientes riesgosos para evitar cualquier tipo de fraude en el crédito asignado. 14

Que el sistema proceda a catalogar a clientes en base a los criterios fijados por la institución financiera

2.4.

´ Arbol de problemas y objetivos

2.4.1.

´ Arbol de problemas

El a´ rbol que se muestra en la figura 2.1 muestra las causa por las cuales las entidades financieras no obtienen todas las utilidades que deber´ıan pues a pesar de querer enfocarse en retener a los clientes rentables y obtener clientes adicionales que quepan en esta categor´ıa no lo hacen, pues no cuentan con un sistema que les permita obtener una adecuada clasificación de los mismos. El a´ rbol inicia con la realidad, en casi toda organización, de presencia de recursos escasos, por lo que no podemos tratar a todos los clientes por igual pues no ser´ıa ni rentable ni viable para la organización, por lo que la premisa a seguir es atender a todos bien pero engre´ır, deleitar, darle una atención preferencial y personalizada a aquellos que son clientes más rentables o aquellos que en este momento pueden no ser rentables para la organización pero que son clientes rentables potenciales (esto a lo que me refiero cuando introduzco el término ”Necesidad de focalizar los recursos”). Esto nos al siguiente nodo del a´ rbol ”falta de metodolog´ıas y/o medios para clasificar los clientes”, pues los sistemas actuales te dan vista de los depósitos y de los gastos del cliente, te dan información demográfica del mismo, pero no los ordena en base a un patrón, no obtiene tipolog´ıas del mismo y no podr´ıa considerar, en el caso de un nuevo cliente (al menos no de forma automatizada) si este encaja dentro de una tipolog´ıa determinada, por ejemplo, si puede ser cliente rentable, si puede ser cliente no rentable, si es un cliente rentable, etc. Esto debido a que la clasificación pasa por alto muchos factores, resultado de esto pueden darse catalogaciones erróneas de los clientes y hacer que los clientes de tipolog´ıa rentable, no se sientan identificado con nuestros servicios (sea por ejemplo una tarjeta de crédito, de débito, etc.) y o mantengan su nivel de consumo o terminen abandonado nuestros servicios. Se presenta el caso también de que no tenemos una tipolog´ıa que nos permita identificar si un cliente es riesgoso o no, lo cual puede traernos problemas pues puede que prestemos a clientes que no tienen un adecuado hábito de pago o al fraude, etc.

15

´ Figura 2.1: Arbol de problemas 16

Cap´ıtulo 3 Revisión de la bibliograf´ıa 3.1.

Introducción

Cuando un prestamista concede un crédito asume un riesgo que consiste en la probabilidad de que el prestatario incurra en un impago de la deuda ya sea total o parcial. Este hecho es el que nos conduce a preguntarnos cómo podemos valorar este riesgo de impago para, de esta manera, conocido el valor del riesgo, poder establecer una cobertura del capital impl´ıcito en estas circunstancias. Podemos encontrarnos en dos situaciones que a nuestro entender deben ser diferenciadas: 1. Los Prestatarios son grandes empresas o instituciones y los prestamistas pueden ser grandes empresas o agentes económicos individualizados (pequeña y mediana empresa y consumidores). 2. Los Prestatarios son agentes económicos individualizados y los prestamistas generalmente son entidades bancarias. En el primer caso las empresas o entidades con necesidad de liquidez emiten activos financieros y en esta emisión se comprometen a devolver el capital más intereses a quienes han adquirido estos activos. Estos prestamistas pueden incurrir en un riesgo de impago ya que dependen de la solvencia de la empresa emisora durante la vida del préstamo. Para estudiar la valoración del riesgo de estas emisiones el primer paso es elaborar un rating1 de estas grandes empresas o instituciones, aún sin la necesidad de que todas las empresas incluidas en el rating sean emisoras de deuda en ese momento.

17

Normalmente se utiliza el vocablo inglés rating en lugar de su vocablo castellano clasificación puesto que las primeras empresas que decidieron realizar una clasificación de entidades financieras fueron empresas estadounidenses, y por lo tanto utilizaban el término rating que después se fue incorporando en las empresas europeas y del resto del mundo. La razón por la que surgen las empresas de clasificación la encontramos en la emisión de bonos que realizaron las empresas de ferrocarriles en Estados Unidos para financiar su proyecto [2]. En ese momento las empresas de clasificación se dedican a estudiar la mayor o menor solvencia de las diferentes empresas ferroviarias para ver si estas ser´ıan capaces o no de responder después de su deuda. Como dec´ıamos al inicio de esta sección nos podemos encontrar con un segundo caso donde los prestamistas son entidades bancarias y los prestatarios son normalmente pequeñas y medianas empresas y consumidores. Aqu´ı, las entidades bancarias también confeccionan una clasificación para determinar el valor del riesgo en el que incurren cuando conceden un crédito. La clasificación elaborada por las entidades bancarias se denomina Credit Scoring. Un Credit Scoring es un método estad´ıstico usado para predecir la probabilidad de impago de un préstamo. Utilizando datos históricos y técnicas estad´ısticas, el credit scoring trata de aislar los efectos de varias caracter´ısticas de clientes en el impago de los créditos. El método produce una “calificación” que el banco puede utilizar para clasificar un préstamo en términos de riesgo. En la actualidad, el e´ nfasis en la elaboración de un credit scoring radica en el cambio de objetivos para tratar de minimizar el riesgo de impago de un cliente en un producto en particular y al mismo tiempo buscar para la entidad bancaria el máximo beneficio que puede conseguir con este cliente. Como ya hemos indicado un credit scoring es un método de evaluación del riesgo cuando se solicita un préstamo. Para construir un modelo de medición se tienen que analizar los datos históricos correspondientes a las caracter´ısticas de los clientes a los que se les concedió un préstamo y determinar las que se utilizan para indicar que el préstamo fue bien concedido. Un modelo de credit scoring bien construido deber´ıa dar un alto porcentaje de altas calificaciones para los clientes que pagaron su préstamo y un alto porcentaje de bajas calificaciones para los clientes que no pagaron su préstamo o viceversa.

18

Pero el modelo as´ı planteado no es perfecto, y algunos malos clientes reciben calificaciones tan altas (bajas) como los buenos clientes. Los datos que se suelen tener en cuenta, según Lopez [2] son: 1. Renta mensual 2. Deudas 3. Activos financieros 4. Tiempo de permanencia en el trabajo 5. Comportamiento de pago o impago en otros préstamos 6. Cuant´ıa destinada al pago de vivienda (alquiler o hipoteca) y son estos datos con los que el banco puede proceder a dar una calificación a su cliente. Nuestro trabajo estará enfocado hacia la creación de Credit Scoring para entidades bancarias, muy en especial en cuanto a las PYMES Financieras, Cajas Rurales de Ahorro y Crédito y Cajas Municipales. La aplicación de análisis discriminante a todas las variables que hemos indicado anteriormente como importantes en la elaboración de estos modelos nos permite decidir que combinación de estos factores o datos es la mejor para predecir el impago del préstamo y cuál es el peso que tiene cada caracter´ıstica en el impago del crédito. En la mayor´ıa de los sistemas de calificación (no en todos), una alta calificación indica poco riesgo, y por lo tanto habrá una calificación de corte que determina un conjunto de clientes a los que se concederá el crédito porque el riesgo de la concesión es menor. Aplicando estrictamente el modelo pertinente, el banco deber´ıa aprobar aquellos préstamos cuya calificación quedara por encima de la calificación de corte y denegar aquellos que quedaran por debajo de la misma. Habr´ıa que estudiar con detenimiento aquellos que no superan o no alcanzan la nota de corte de forma holgada. Incluso un buen sistema de credit scoring no predice con total certidumbre lo que va a ocurrir con cualquier préstamo individual, pero s´ı proporciona una predicción bastante precisa de la probabilidad de que la concesión de un crédito bajo unas caracter´ısticas pueda resultar impagado. Para construir un buen modelo de credit scoring se necesitan suficientes datos históricos, que reflejen el desarrollo de los créditos tanto en periodos en los que las condiciones económicas han 19

sido buenas como en los periodos en los cuales las condiciones económicas han sido malas. También se emplean métodos no estad´ısticos en la construcción de credit scoring, entre los que destacamos las redes neuronales. Los métodos no estad´ısticos son menos exigentes con las caracter´ısticas que deben cumplir las variables del modelo que los métodos estad´ısticos, por lo tanto, tienen el potencial para ser utilizados en el desarrollo de modelos que son más heterogéneos como préstamos a empresas. Las redes neuronales son algoritmos de inteligencia artificial que permiten desde el aprendizaje a través de la experiencia discernir la relación entre las caracter´ısticas del cliente y la probabilidad de impago y determinar qué caracter´ısticas son más importantes en la predicción del impago.

3.2.

Valoración de Riesgo Crediticio y Credit scoring.

Este apartado corresponde a la definición de los conceptos de riesgo crediticio, de como se valora y la definicion y detalle del Credit Scoring

3.2.1.

Valoración del riesgo crediticio

El riesgo de crédito es uno de los elementos más importantes a considerar por los o´ rganos gobernativos de una cooperativa de Ahorro y crédito. Este riesgo es inherente a la actividad de las CAC, y por lo tanto el objetivo permanente deber ser disminuir su impacto en los estados financieros. Pero para disminuir tal impacto debemos, antes de todo, cuantificar el nivel de riesgo al que esta sometida la CAC. Es decir debemos valorar nuestro riesgo crediticio. A partir de los conceptos difundidos por el acuerdo de Basilea en 1988, espec´ıficamente sobre adecuación de capital a riesgo, han surgido en el mundo una serie de modelos estad´ısticos y matemáticos que pueden constituirse en herramientas para que los entes de crédito aprendan a valorar el riesgo. Para que la CAC escoja un modelo espec´ıfico debe, antes que todo, conocer los conceptos básicos sobre los que operan. Para hablar de valoración en riesgo de crédito, vamos a definir riesgo crediticio como: La probabilidad que un deudor falle en los compromisos adquiridos con la CAC. Como se sabe el crédito no es otra cosa que un contrato en el que la parte deudora se obliga con la CAC, para cancelar la deuda pendiente, a pagar unas cuotas de dinero en unos plazos espec´ıficos. Cualquier incumplimiento en los dos componentes básicos (plazo y monto) del compromiso se considera un fallo. Pero este fallo no implica pérdida automática para la CAC, pues cuando este ocurre la CAC activa una serie de mecanismos de defensa, tendientes a evitar que el fallo se traduzca en pérdida.

20

Frente a un fallo en el plazo, el mecanismo más usado es el cobro de intereses de mora, que teóricamente, debe resarcir a la CAC, de las eventuales pérdidas que la mora le ocasiono por el descase en el flujo de caja de la cooperativa, por el cual asumimos que tuvo que utilizar pasivos más costosos.

3.2.2.

Elementos claves de la evaluación de crédito

La cuestión de fondo es: ¿Cómo unimos estos factores, para que de manera objetiva, matemática y cient´ıfica (hasta donde es posible) se pueda obtener una evaluación de crédito adecuada? Las evaluaciones de crédito parten de analistas, que en la mayor´ıa de casos basan su labor en manuales de crédito en que indican las pol´ıticas de crédito de las CAC, pero esto no siempre garantiza que los criterios se utilizarán de manera uniforme en su estudio, y si la interpretación que le darán los diferentes analistas será la misma. De manera que para obviar este punto, en los comités de crédito, muchas veces hay que volver a estudiar el crédito, independientemente de la cuant´ıa. Esto no representa problema cuando el volumen de créditos es bajo, pero ¿qué pasa si el volumen es alto?. Existe un volumen determinado de créditos que no merecen mayor estudio porque están muy por debajo de los requerimientos para otorgar un crédito, as´ı mismo existe otro volumen de personas sobre calificadas que no requieren mayor estudio. Pero existe una zona gris de créditos que requiere mayor concentración, y de su adecuada colocación depende, en u´ ltimas la gestión de colocaciones de la cooperativa. ¿Cómo hacer para depurar la base, de manera que nos podamos enfocar en un estudio detallado de estos u´ ltimos? Reacomodando a nuestros intereses los criterios de Basilea II, como lo mencionamos atrás, el estudio del crédito y del cliente, no es una labor que se deba hacer una sola vez, sino que debemos encontrar métodos de calificación del riesgo de incumplimiento en nuestra cartera, los cuales no se deben ajustar solo al establecimiento de provisiones por mora o certeza de incumplimiento, (pérdida esperada) sino que debemos avanzar en el establecimiento de métodos, que nos permitan medir los incumplimientos basados en modelos estad´ısticos que partiendo una calificación de nuestro cliente actual nos permita estimar pérdidas futuras (pérdidas estimadas). El documento que activa todo el proceso crediticio, y por tanto del que depende un bajo riesgo crediticio para las CAC es la solicitud de crédito. De ah´ı la importancia de estudiar al detalle su formato, la información que se exige, y los documentos soporte requeridos. Las solicitudes de crédito pueden adolecer de dos fallas:

1. Exceso de información: Muchas veces las CAC desarrollan modelos de solicitud o aplicación de créditos en las que se pide información que es inútil o irrelevante para el analista, y no sirve a los propósitos jur´ıdicos de adecuada identificación del cliente o sus activos. Estas solicitudes alejan a los clientes, que por f´ısico aburrimiento prefieren buscar otra institución. 21

2. Falta de información: Sucede muchas veces que por simplificar procesos, o atraer clientes, las solicitudes son recortadas, al punto de perder información valiosa para el analista de crédito. Existen solicitudes que presentan ambas fallas, por un lado exceso de información, y por otro falta de información vital. Se requiere que los modelos de solicitud de crédito sean revisados periódicamente para establecer su utilidad, por parte del equipo de crédito. As´ı si otro departamento requiere de información (Por ejemplo cobranzas o mercadeo), esa información deberá ser migrada a bases de datos diferentes, dejando en las bases de créditos la información indispensable. Para minimizar el riesgo las CAC deben fijar en sus manuales limites a la exposición en riesgo por Concentración en empresas: No prestar más de determinado porcentaje del patrimonio o del capital. As´ı como l´ımites en la aprobación de créditos por gerente, comité de crédito, Junta Directiva. Adicionalmente se impone un estudio permanente por parte del a´ rea de créditos de la situación macroeconómica del pa´ıs, y de los sectores objetivo de crédito de las CAC, y con base ese estudio limitar montos de crédito por sector. Una pol´ıtica de diversificación y segmentación de créditos por sectores. El crecimiento de la cartera debe ser cauteloso, y debe estar en relación con la situación de la econom´ıa.

3.2.3.

Credit Scoring

A partir del peso que daremos en nuestras evaluaciones de créditos a los factores anteriormente mencionados: Capacidad de pago, moralidad comercial y solvencia - garant´ıas; Y considerando los elementos claves en un estudio de crédito: solicitud, manuales, y estudio del ambiente económico. Podemos adentrarnos en un método que en la actualidad usa la Banca, y que ha demostrado alta eficiencia. El método consiste en un sistema de puntajes, en el que se califique en una escala definida la información obtenida. Este sistema para evaluación de créditos lo llamaremos de puntaje o credit scoring. El puntaje unido al análisis de situación del cliente nos permitirá asignar Cupos de Crédito, los que dejaremos a disposición del cliente para utilizar en diferentes productos. Los cupos asignados deben ser estudiados en per´ıodos de tiempo definido (por ejemplo un año). El credit scoring es una herramienta diseñada en EE.UU, y sobre el que se han desarrollado gran cantidad de modelos con distintos objetivos. Sin embargo existen dos modelos de credit sco-

22

ring que de deben considerar las cooperativas de ahorro y crédito:

1. El credit scoring de aplicación: mediante el cual, y a través de un software, la cooperativa califica por puntos las solicitudes de crédito asignándole mayores porcentajes a los factores que considera más importantes. As´ı el software califica la solicitud de crédito, y ubica la calificación en una escala predeterminada, en la que se ha definido unos valores m´ınimos aceptables de aprobación del crédito, y si el crédito calificado no obtiene tal puntaje es rechazado, (por ejemplo s´ı se determinó que la escala es de uno a diez y la calificación m´ınima es de 3.5, todo crédito con una calificación inferior será rechazado). Los créditos ubicados en escalas superiores son pre-aprobados. 2. El credit scoring de comportamiento: se hace un seguimiento del cliente de manera periódica, mediante la actualización de datos, que son incluidos dentro del software para que este califique al cliente, y a través de esta calificación, determine s´ı existe riesgo de pérdida de la cartera colocada al mismo. Este u´ ltimo modelo es el que las CAC podr´ıan asimilar a los IBR de Basilea II, para efectos de determinar las pérdidas estimadas, basadas en la calificación de clientes. El credit scoring requiere de dos elementos fundamentales: 1. Información histórica: La cual posee, como lo mencionamos anteriormente, la mayor´ıa de las CAC. 2. Análisis estad´ıstico: Esta labor la realizan, normalmente, consultores externos a la CAC, con conocimientos profundos en estad´ıstica y matemáticas, cuya labor principal será la de tomar la información histórica, para que correlacionada mediante algoritmos, identifiquen comportamientos de los clientes, y con base en estos resultados puedan determinar probabilidades de ocurrencia de hechos futuros.

3.2.4.

Ventajas del credit scoring para las Pymes Financieras:

Las ventajas de Aplicar un credit scoring a las Pymes Financieras ser´ıan las siguientes: Elimina la subjetividad en los análisis crediticios, principalmente, de créditos personales. Facilita la evaluación de crédito al procesar más rápidamente solicitudes descartando las que no cumplen requisitos m´ınimos Permite el ordenamiento y la utilización de información histórica que es muy valiosa para la Pymes Financieras, pero que muchas veces no sabe utilizar.

23

3.3.

Revisión de algunos Métodos no estad´ısticos aplicados en la construcción de Credit Scoring

A continuación se presentan algunos de los métodos no estad´ısticos aplicados para la construcción de modelos de credit scoring 1

3.3.1.

Redes Neuronales

Una red neuronal artificial (RNA) es un modelo computacional inspirado en redes neuronales biológicas que puede ser consideradas como un sistema de procesamiento de información con caracter´ısticas como aprendizaje a través de ejemplos adaptabilidad, robustez, capacidad de generalización y tolerancia a fallas[12]. La RNA puede ser definida como una estructura distribuida, de procesamiento paralelo, formada de neuronas artificiales (llamados también elementos de procesamiento), interconectados por un gran numero de conexiones (sinapsis), los cuales son usados para almacenar conocimiento que esta disponible para poder ser usado.

Estructura de la Neurona Artificial Una neurona artificial es una unidad de procesamiento de información de redes neuronales. El modelo de neurona mas conocido es de McCulloch-Pitts.

Figura 3.1: Estructura de la Red Neuronal Artificial 1

No presentamos los métodos estad´ısticos porque de estos métodos se tienen más conocimiento y han sido tocados en innumerables publicaciones

24

Puede observarse que N señales de entrada son representadas por las variables x1 , x2 ...xN las cuales están asociadas a pesos que son representados por las variables wji los cuales determinan el nivel de influencia de la neurona j para la neurona i. Existen dos esta de procesamiento para cada neurona: suma y activación. En la primera etapa, las señales de entrada xj y los pesos wji son combinadas por el sumatoria:

Figura 3.2: Suma de Pesos Donde yi es llamado de estado interno de la neurona i . En la segunda etapa, la salida de la neurona es generada a través de la aplicación de una función llamada función de activación. xi = f (yi )

(3.1)

donde la salida de la neurona es representado por xi y f corresponde a la función de activación aplicada al estado interno de la neurona, que tiene como objetivo limitar el nivel de activación de entre [-1 ,1] o [0 1], en el caso de xi sea un valor continuo y si xi es discreto entonces el puede ser : {-1,1} o {0,1}

Figura 3.3: Función de Activación Existen varios tipos de función de activación. La figura muestra dos funciones de activación más usadas: la función de grado y la tangente hiperbólica. Como se vio en la primera figura la salida de una neurona puede ser la entrada de otra. Generalmente, una red neuronal se forma por muchas neuronas de alguna forma acoplados.

25

Arquitectura de Red La definición de arquitectura es un punto importante en el modelaje de una red neuronal, por que ella restringe un tipo de problema que puede ser tratado. Por ejemplo las redes de una capa. Una red también puede estar formada por múltiples capas, las que pueden ser clasificadas en tres grupos: capa de entrada, capas intermediarias u ocultas y capas de salida

Figura 3.4: Arquitectura de la Red Basado en flujo de las señales, las redes neuronales también pueden ser clasificadas en dos tipos: FeedForward y redes Recurrentes. 1. Redes FeedForward Como podemos ver la estructura de una red FeedForward consiste en capas de neuronas donde la salida de una neurona de una capa, alimenta todas las neuronas de la capa siguiente. El aspecto fundamental de esta estructura es que no existen las uniones de retroalimentación. La red MuitiLayer Perceptron (MLP) de un tipo de red feedforward (D. Rumelhart, 1986).

Figura 3.5: Redes FeedForward 2. Redes Recurrentes Redes recurrentes son aquellas que poseen conexiones de realimentación, como es visto en la figura, las cuales proporcionan un comportamiento dinámico. El modelo de Hopfield es un ejemplo de red neuronal recorrente y será presentado más adelante. 26

Figura 3.6: Redes Recurrentes En general los siguientes parámetros son importantes para definir la arquitectura de una red neural: número de capas, número de neuronas en cada capa y tipo de conexión entre dos neuronas, que definen la red de feedforward o Recorrentes.

Algoritmos de Aprendizaje de un RNA Una propiedad importante de las redes neuronales es la habilidad de aprender a partir de su ambiente. Eso es realizado a través de un proceso interactivo de ajustes aplicado a sus pesos de conexión entre dos neuronas, denominados entrenamiento. Existen muchos algoritmos de aprendizaje. Cada uno sirve para determinar redes neuronales. Entre los principales se tienen: 1. Aprendizaje por Corrección de Error: Algoritmo muy conocido basado en la regla Delta, que busca minimizar la función de error usando un gradiente descendente. Este es el principio usado no algoritmo BackPropagation, muy utilizado para el entrenamiento de redes de multiples capas como la Multilayer-Perceptron (MPL)(James A. Freeman, 1991); 2. Aprendizaje Competitivo: La cual dos neuronas de una capa compiten entre si por el privilegio de permanecer activos, tal que una neurona con mayor actividad será el u´ nico que participará del proceso de aprendizaje. Es usado en mapas de Kohonen (Kohonen, 1988) y en redes ART (Gail A. Carpenter, 1992); 3. Aprendizaje Hebbiano: Son dos neuronas que están simultáneamente activos a conexiones entre ellos que debe ser fortalecida caso contrario será debilitada (Hebb,1949) utilizada en el Modelo de Hopfield (Hopfield, 1982); 4. Aprendizaje de Boltzmann Es una regla de aprendizaje estocástico obtenido a partir de principios de teórico de información y de termodinámica. El objetivo de aprendizaje de Boltzmann es ajustar los pasos de conexión de tal forma que el estado de las unidades visibles satisfaga una distribución de probabilidades deseada en particular (D. Ackley, 1985); Otro factor importante es la manera por la cual una red neuronal se relaciona con el ambiente . A partir de ese concepto existen los siguientes paradigmas de aprendizaje: 1. Aprendizaje Supervisado: Se utiliza un agente externo que indica a la red la respuesta deseada para el patrón de entrada; 27

2. Refuerzo: Es una variante de aprendizaje supervisado a la cual se informa a la red solamente una critica de corrección de salida de red y no la respuesta correcta en si; 3. Aprendizaje No Supervisado (auto-organización): No existe un agente externo indicando la respuesta deseada para los patrones de entrada. Este tipo de aprendizaje es utilizado en los modelos de Mapas de Kohonen (Kohonen, 1988), redes ART1, ART2 (Gail A. Carpenter, 1992) (G. Carpenter, 1987).

3.3.2.

Algoritmos Genéticos

Esta técnica se basa en los mecanismos de selección que utiliza la naturaleza, de acuerdo a los cuales los individuos más aptos de una población son los que sobreviven, al adaptarse más fácilmente a los cambios que se producen en su entorno. Hoy en d´ıa se sabe que estoscambios se efectúan en los genes de un individuo, y que los atributos que les permite adaptarse mejor a su entorno se trasmiten a sus descendientes cuando e´ ste se reproduce. Un investigador de la Universidad de Michigan llamado John Holland era consciente de la selección natural, y a fines de los años sesenta desarrolló una técnica que permitió incorporarla a un programa. Su objetivo era lograr que las computadoras aprendieran por s´ı mismas. A la técnica que inventó Holland se le llamó originalmente planes reproductivos, pero se hizo popular bajo el nombre algoritmo genético tras la publicación de su libro en 1975. Los algoritmos genéticos son métodos adaptativos que pueden usarse para resolver problemas de búsqueda y optimización. Están basados en el proceso genético de los organismos vivos. A lo largo de las generaciones, las poblaciones evolucionan en la naturaleza de acorde con los principios de la selección natural y la supervivencia de los más fuertes, postuladospor Darwin. Por imitación de este proceso, los algoritmos genéticos son capaces de ir creando soluciones para problemas del mundo real. La evolución de dichas soluciones hacia valores o´ ptimos del problema depende en buena medida de una adecuada codificación de las mismas. Un algoritmo genético consiste en una función matemática o una rutina de software que toma como entradas a los ejemplares y retorna como salidas cuales de ellos deben generar descendencia para la nueva generación. En la naturaleza los individuos de una población compiten entre s´ı en la búsqueda de recursos tales como comida, agua y refugio. Incluso los miembros de una misma especie compiten a menudo en la búsqueda de un compañero. Aquellos individuos que tienen más e´ xito en sobrevivir y en atraer compañeros tienen mayor probabilidad de generar un gran número de descendientes. Esto significa que los genes de los individuos mejor adaptados se propagarán en sucesivas generaciones hacia un número de individuos creciente. La combinación de buenas caracter´ısticas provenientes de diferentes ancestros, puede a veces producir descendientes “superindividuos”, cuya adaptación es mucho mayor que la de cualquiera de sus ancestros. De esta manera, las especies evolucionan

28

logrando unas caracter´ısticas cada vez mejor adaptadas al entorno en el que viven. Los algoritmos genéticos usan una analog´ıa directa con el comportamiento natural. Trabajan con una población de individuos, cada uno de los cuales representa una solución factible a un problema dado. A cada individuo se le asigna un valor o puntuación, relacionado con la bondad de dicha solución. En la naturaleza esto equivaldr´ıa al grado de efectividad de un organismo para competir por unos determinados recursos. Cuanto mayor sea la adaptación de un individuo al problema, mayor será la probabilidad de que el mismo sea seleccionado para reproducirse, cruzando su material genético con otro individuo seleccionado de igual forma. Este cruce producirá nuevos individuos, descendientes de los anteriores, los cuales comparten algunas de las caracter´ısticas de sus padres. Cuanto menor sea la adaptación de unindividuo, menor será la probabilidad de que dicho individuo sea seleccionado para la reproducción, y por tanto, de que su material genético se propague en sucesivas generaciones. De esta manera se produce una nueva población de posibles soluciones, la cual reemplaza a la anterior y verifica la interesante propiedad de que contiene una mayor proporción de buenas caracter´ısticas en comparación con la población anterior. As´ı, a lo largo de las generaciones, las buenas caracter´ısticas se propagan a través de la población. Favoreciendo el cruce de los individuos mejor adaptados, van siendo exploradas las a´ reas más prometedoras del espacio de búsqueda. Si el algoritmo genético ha sido bien diseñado, la población convergerá hacia una solución o´ ptima del problema. El algoritmo genético simple Un algoritmo genético (AG) es un proceso de búsqueda sistemática a partir de una población de soluciones potenciales de un problema, as´ı las soluciones candidatas que estén más próximas a la solución del problema tienen una mayor oportunidad de llegar a ser la solución candidata que otras. Dicho lo anterior, se necesita una codificación o representación del problema, que resulte adecuada al mismo. Además se requiere una función de ajuste o adaptación al problema, la cual asigna un número real a cada posible solución codificada La ecuación es un ejemplo de una función de scoring que ha sido utilizada en la literatura

Figura 3.7: EcuacionProgGenetica Suponemos que queremos calcular los parámetros a1 , a2 ...ap , b1 , b2 ...bp y c en la siguiente ecuación de credit scoring para clasificar la asignación de un préstamo, donde xi1 , xi2 ...xip son los valores de las caracter´ısticas de la aplicación i.

29

Cuando los parámetros son estimados, entonces se puede clasificar una aplicación como buena o mala si el valor de f (xi ) es mayor o menor que cero. El procedimiento seguido en un Algoritmo Genético se muestra en la Figura siguiente:

Figura 3.8: Esquema de funcionamiento del algoritmo genético Durante la ejecución del algoritmo, los padres deben ser seleccionados para la reproducción, a continuación dichos padres seleccionados se cruzarán generando dos hijos, sobre cada uno de los cuales actuará un operador de mutación. El resultado de la combinación de las anteriores funciones será un conjunto de individuos (posibles soluciones del problema), los cuales en la evolución del algoritmo genético formarán parte de la siguiente población.

30

3.3.3.

Investigaciones previas que han utilizado métodos no estad´ısticos para construir modelos de Scoring

A continuacinuación se exponen estudios en los que se han utilizados los métodos mencionados y algunos otros para la creación de credit Scoring: A comparison Study of Credit Scoring Models Este documente considerar un modelo de clasificación o asignación de puntajes para credito [12]. Se compara 3 poderosos modelos de clasificacion: Programación Genética (GP), Redes neuronales de retropropagación.(BP), maquinas de soporte a vectores (SVM) usando un modelo combinado de ambas, estas técnicas son aplicadas a un modelo de scoring bastante simplificado (pues no se busca ahondar en los modelos, sino compararlos en un ambiente no tan complicado,la idea es que sirva como punto de partida para otras investigaciones) para medir su eficiencia tanto individual como agrupadas. Al inicio de la lectura, nos habla de 2 modelos bastante usados para los que es clasificación, puntaje o propensión(en realidad estás son traducciones libres de la palabra Scoring), los modelos tradicionales, basados en métodos estad´ısticos clásicos y los modelos de miner´ıa modernos basados en técnicas de Inteligencia artificial. Explican el porqué fijarse más que nada en los u´ ltimos, dado que los primeros han fallado en cubrir las necesidades presentes en el mercado, y nos nombra algunas de las mas populares técnicas modernas: redes neuronales, programación genética,y vectores de soporte a decisiones. Ahora, para el caso del modelo el describe la función que describe el conjunto de datos de un cliente como: S = (x1 , y1 )...(xi , yi )...(xn , yn )

(3.2)

Donde: xi contiene los m atributos o datos: (xj1 , yj1 )(xj2 , yj2 )...(xjm , yjm ) , y yi denota el tipo de cliente, por ejemplo bueno o malo. La tarea de la clasificación es justamente construir un modelo de tal que para el nuevo x, podamos predecir y: y = f (x)

(3.3)

Ellos proponen como ´ındice de medición para la prueba: #clientescorrectamenteclasif icados ∗ 100 % (3.4) #clientestotales Al final de la prueba se concluye que los 3 modelos arrojan buenas clasificaciones para el caso del problema, pero que mejor clasificación o más certera se consigue cuando hacen uso del modelo combinado que ellos han construido. P recision =

31

Credit Scoring using Least Squares Support Vector Machine base on data of Thai Financial Institution Este paper [11] nos habla, primero, de la necesidad que tienen las entidades financieras por clasificar a los clientes en base a diferentes grupos de riesgos , y nos dice que para este caso se han desarrollado innumerables técnicas de clasificación. Nos habla del e´ xito que tienen actualmente, para este propósito, las técnicas de Support Vector Machine (SVM) y de la popularidad que e´ sta ha alcanzado, y de paso nos presenta la técnica Least Squares Suport Vector Machine (LS-SVM), las cuales son una reformulación de las anteriores la ventaja es que es menos costoso que el anterior dado que es su costo es regulado por la función de m´ınimos cuadrados y las restricciones de igualdad y no de desigualdad como en el caso anterior. Otro punto a tener en cuenta es que con el LS-SVM no tendr´ıamos que resolver conjuntos de sistemas lineales y no el caso de la programación cuadrática como es el caso de la anterior. La idea es aplicar esta técnica en entidades financieras en Tailandia. Para el caso de hacer clasificaciones necesitamos tanto data de entrenamiento como data de prueba , los cuales son algunas muestra de la data total. Para el caso de la data de entrenamiento, cada conjunto de ellas contienen un valor objetivo a lo que llamaremos marcas de clase y también poseen ciertos atributos a los que llamaremos caracter´ısticas. Sin embargo en la data de prueba nosotros sólo contamos con atributos y tenemos que producir un modelo o´ ptimo el cual es capaz de producir le con bastante precisión el valor esperado. Al final del experimento lograron producir un modelo, el cual a su criterio es computacionalmente simple pero no por eso deja de ser un poderoso clasificador no lineal para predecir data financiera en Tailandia, y agrupa a los clientes en base, claro, a los criterios establecidos por la institución: buenos clientes, clientes regulares, clientes con tendencia a malos y demasiado malos. Al final, también, los autores llegaron a la conclusión de que los resultados fueron satisfactorios, pero que la precisión lograda se podr´ıa mejorar con una mayor cantidad de data de entrenamiento.

3.4.

Antecedentes de la investigaciones

En esta sección se muestran aquellas investigaciones de otros autores que han creado modelos de credit scoring y se describe brevemente las técnicas que utilizaron

32

Systems and methods for scoring bank customers direct deposit account transaction activity to match financial behavior to specific acquisition, performance and risk events defined by the bank using a decision tree and stochastic process Este art´ıculo [5] nos habla de un sistema para clasificar los clientes de un entidad bancaria en base a ciertas caracter´ısticas y en base a ello pronosticar su comportamiento financiero, para ello se hace a la revisión de sus cuentas de deposito directo (chequeo de sus cuentas), para hacerlo sujeto de promociones, ofrecerle condiciones para sus tarjetas de crédito o de débito o en todo caso catalogarlo como sujeto de riesgo un cliente con peligro de fraude para la institución. Básicamente se hace la clasificación teniendo como referencia a los grupos de clientes más deseados y a los menos deseados (los cuales nos sirven como extremos), y ubicando las categor´ıas respectivas entre estos 2 extremos, esto con el fin de dirigir y canalizar los esfuerzos dependiendo del grupo de interés al que pertenezcan. Este método, entonces, nos da la facilidad de catalogar clientes en base al comportamiento de sus cuentas de depósito directo que está almacenado en los archivos de información del cliente del banco respectivo y logra agrupar a los cliente que cumplen determinado patrón en base a criterios comunes como el poder adquisitivo, rendimiento y criterios de riesgo y parámetros definidos por el banco. El método procesa todos los datos requeridos por el usuario y hace uso del método de a´ rboles de decisión para asignarles peso y parámetros y luego agruparlos en segmentos, luego haciendo uso de técnicas estocásticas (métodos estad´ısticos) -las cuales comprenden: Regresión lineal, modelo de regresión log´ıstica, modelo de detección de interacción automática, de la regla shi-cuadrado, a´ rboles de clasificación y regresión, del modelo de reglas de inducción y el uso del modelo de redes neuronales- presenta un reporte que muestra los segmentos en los cuales ubicó a los clientes en base a sus caracter´ısticas, su posibilidad de respuesta a determinadas promociones o acciones y el retorno sobre la inversión que resulta de los criterios establecidos y definidos por la entidad financiera.

Systems and methods for decisioning or approving a financial credit account based on a customer’s check-writing behaviour Esta invención [10] presenta un método implementado en computadora y a la vez una metodolog´ıa para determinar el riego crediticio asociado con un cliente. El sistema consta de los siguientes pasos. El sistema consta a su vez de un módulo de entrada (que puede ser una computadora, una laptop, una PDA, etc), que ser´ıa la interfaz entre el usuario y el programa, un dispositivo de almacenamiento (que simboliza a los elementos que temporalmente o permanentemente almacenan la data y las instrucciones), un dispositivo que permita conectarse en red para hacer las validaciones 33

Figura 3.9: Diagrama de flujo del procedimiento de chequeo respectivas, una base de datos que tenga la información crediticia y las caracter´ısticas demográficas del cliente y una terminal de salida donde se ver´ıa el reporte de riesgo asociada al cliente.

System and method for automatic evaluation of credit requests Este art´ıculo [3] nos habla de una herramienta de decisión para responder automáticamente a las peticiones de crédito de alguna entidad financiera. La herramienta nos sirve pues nos da la facilidad de operar fácilmente en ambientes globalizados, internacionales, en los cuales los asesores de clientes, asociados con clientes actuales o potenciales pueden residir en diferentes pa´ıses que los funcionarios de crédito, sin necesidad de complicarse innecesariamente la vida como en el caso de los sistemas basados en papeles y mecanismos de aprobación que le hacen la vida más dif´ıcil al cliente. El sistema permite a su vez ser utilizado como caja blanca o como caja gris, esto es, para el caso de la caja blanca es cuando es un cliente que ya ha demostrado un buen comportamiento y el asesor tiene la suficiente autoridad para aprobar el crédito, para el caso de la caja gris es cuando es un nuevo cliente y hay datos que analizar, entonces se requiere de la aprobación del funcionario del crédito. Aqu´ı un diagrama de flujo para entenderlo mejor

34

Figura 3.10: Diagrama de flujo del procedimiento Data proccesing technique for scoring bank customer relationship and awarding incentive rewards El procedimiento ilustrado en esta patente[9] es bastante similar al descrito por Pliha ”[5], de hecho la precede y la idea básicamente está en identificar clientes leales para darle de una u otra manera un incentivo y mejorar la relación con estos. En realidad este procedimiento se podr´ıa decir que ilustró a la norma antes mencionada en lo que es centrarse en el cliente correcto, fijándose básicamente en el número de seguridad social, donde cada numero de seguridad social almacenado en la base de datos del banco (entendiéndose por banco a cada entidad financiera, de ahorros o de préstamo) es asignado a un conjunto de relaciones basados en el número de cuentas corrientes ligadas con cada numero de seguridad social (SSN) y el periodo en que cada cuenta a si ayudada por el numero de seguridad social (El término relaciones hace referencia a todo tipo de transacción financiera, de cuenta o interacción del cliente 35

establecida con el banco, tales como cuentas de ahorros, préstamos, tarjetas de crédito, etc). El periodo de tiempo que el número de seguridad social ha estado activo es el considerado en el proceso de calificación de la relación con el cliente. Es a partir de la implementación de este proceso y su cálculo, que los puntos que hacen relación a cada SSN son sumados y clasificados para que encajen para un reconocimiento del banco como puede ser bajos intereses, o una carga menor por los servicios, etc. EL problema con esta invención es que no se da la suficiente consideración a medir y clasificar la información financiera almacenada en los archivos de información del cliente . El numero de cuenta y los años de longevidad pierden dirección de la habilidad financiera del Tenedor de la cuenta SSN. Recombining Forecasts Used in Personal Credit Scoring Este modelo [4] nos habla de la necesidad de aplicar modelos de selección de caracter´ısticas en sitios como en los que no se aprovechan las ventajas que estos podr´ıan darle como es el caso de China. Inicialmente nos describe por qué ser´ıa ventajosa la clasificación de clientes en diferentes categor´ıas y nos narra todo el proceso que se deber´ıa seguir.Nos comenta que el encajar un cliente en uno de estos status puede ser logrado evaluando su información básica personal, su situación económica y su registro de crédito. Nos menciona, asimismo, los 2 tipos de métodos a usar para clasificar clientes: Los métodos estad´ısticos, tales como la regresión lineal y la regresión log´ıstica; y los métodos de estimación no paramétrica y métodos de inteligencia artificial, que puede incluir redes neuronales, a´ rboles de decisión, etc. La idea central de la lectura es mostrar que se puede lograr una mejor clasificación combinando los métodos ya conocidos siguiendo un procedimiento que es como sigue: Primero, usa los métodos de regresión lineal y regresión log´ıstica. Luego diseña modelos combinatorios de pronóstico usando 3 redes neuronales diferentes. Luego compara la precisión de los 3 métodos de clasificación de crédito. Luego utiliza una red neuronal de perceptron para combinar la salida de los 3 métodos combinados y observar el cambio de precisión, as´ı es que puede juzgar el efecto en el pronóstico de la combinación que se realizó al final. Al final, se demuestra que siguiendo este procedimiento se mejora la eficacia del método y disminuye principalmente la tasa de error en cuanto a 2 problemas principales que son los que afectan a las instituciones financieras: Catalogar como buen cliente a un mal cliente, y clasificar como mal cliente a un buen cliente.

36

Cap´ıtulo 4 Metodolog´ıa de la Investigación 4.1.

Tipo de Investigación

El tipo de investigación presentado en este estudio tiene naturaleza correlacional pues se busca explicar cómo el comportamiento de un conjunto de variables independientes correlacionadas influye en una variable dependiente, que en en este caso vendr´ıa a ser el error obtenido con ese modelo. La definición de variables tanto de entrada (variables independientes y variables de entrada del modelo) y las de salida (variable dependiente y variables de salida del modelo), se precisan con más detalle en el cap´ıtulo 5, as´ı como la correlación entre variables en el cap´ıtulo 6.

37

Cap´ıtulo 5 ˜ de la investigación Diseno 5.1.

Objeto de la Investigación

Nuestro objeto de investigación es: El cliente que solicita un producto en un momento determinado en una institucion dada. Tal nivel de detalle se requiere por que los productos que ofrece la institución pueden ser diversos (prestamos, tarjetas de créditos, tarjeta de débito, etc.) y entonces podr´ıamos tener varias entradas repetidas para un mismo cliente (dado que puede usar más de un producto) pero no en todas las evaluaciones realizadas las ponderaciones asignadas a cada uno de los factores sean lo mismo (por ejemplo: puede ser un buen prospecto para realizarle un prestamo bajo pero no para concederle una tarjeta de crédito).

5.1.1.

Población

Nuestra población la conforman todos los clientes de entidades financieras, sean estos Bancos, Cajas Municipales, Cajas Rurales, Cooperativas u otras PYMES Financieras.

5.1.2.

˜ de la población Tamano

Dado que el tamaño de la población va a depender de la empresa Financiera a la cual apliquemos el modelo, y dado que el número de clientes de las mismas es bastante elevado, asumiremos que el tamaño de la población es infinito.

5.1.3.

˜ de la muestra Tamano

Para poder plantear un modelo de credit scoring se necesita datos históricos de clientes, y el punto de mira para conseguirlos estuvo en las entidades bancarias, pero el resultado del esfuerzo desplegado fue nulo puesto que se acogen al secreto de datos para no ceder información sobre sus clientes. Ante tal negativa, y el empeño por desarrollar el presente trabajo, recurr´ı a los datos que

38

encontré en el CD del libro Credit Scoring and its Aplications [7] que nos permite plantear y probar el modelo. Disponemos en principio de 20 variables (entre ambas continuas y categóricas) para explicar el pago o impago de los créditos concedidos por una entidad bancaria a 1000 clientes (n=1000) de los que conocemos que 700 préstamos han sido amortizados, mientras que los 300 restantes han resultado insolventes.

5.2.

˜ de la investigación Diseno

5.2.1.

˜ de la investigación Tipo de diseno

La investigación a realizar tiene un carácter experimental, pues lo que se busca es explicar como influyen las variables independientes en la variable dependiente. Para nuestro caso tratamos de probar la precisión del modelo elaborado teniendo como variables de entrada el método a utilizar y sus parametros.

5.2.2.

Variables independientes

Las variables independientes ser´ıan: El método a aplicar para construir modelo de credit scoring (Redes neuronales, algoritmos genéticos, etc). El valor de los paramétros usados para construir el modelo. Por ejemplo: Para los algoritmos de clasificación de las Redes neuronales el parametro ser´ıa el K del algoritmo de K-Fold cross validation.

5.2.3.

Variables dependientes

el error calculado del pronostico.

5.2.4.

Variables del modelo

La data de prueba “German Credit dataset´´ consiste de variables de entrada,entre variables continuas y categoricas, y una sola variable objetivo: El tipo riesgo del cliente (CreditRisk: Good or bar), la cual indica si el individuo representa un buen o mal riego: Las variables del modelo son las siguentes: CHECKING: Estado de la de la cuenta de crédito

39

1: < a 0 DM 1 2: mayor a 0 menor a 200 DM 3: mayor e igual 200 DM/ Su salario lo tiene asignado hace más de un año. 4: no tiene asignadas cuentas de crédito. DURATION: Duración en meses HISTORY: Historial crediticio 0: no ha solicitado crédito/ Ha pagado todos sus créditos correctamente. 1: Todos los créditos en este banco los ha pagado correctamente. 2: Hay créditos correctamente pagados hasta ahora. 3: Se ha demorado en pagar sus cuentas en el pasado 4: Cuenta cr´ıticas, indebidamente pagado en este banco y en otras instituciones. PURPOSE: Propósito para el que se solicitó el préstamo 0: auto (nuevo) 1: auto (usado) 2: alimentos/indumentaria 3: radio/televisión 4: cuestiones domésticas 5: reparaciones 6: educación 7: vacaciones 8: retraining 9: negocios X: otros 1

DM,Deutsche Mark, el marco Alemán que se usó hasta la introducción del Euro en 1999

40

AMOUNT: Monto de crédito asignado SAVINGS: Cuentas de ahorro 1: menor a 100 DM 2: mayor a 100 menor a 500 DM 3: mayor a 500 menor a 1000 DM 4: mayor a 1000 DM 5: Desconocido/ No tiene asignadas cuentas de ahorro EMPLOYED: Tiempo que lleva en su empleo actual 1: desempleado 2: menor a 1 año 3: mayor a 1 menor a 4 años 4: mayor a 4 menor a 7 años 5: mayor e igual a 7 años INSTALLP: MARITAL: Estado civil y sexo 1: masculino: divorciada/separada 2: femenino: divorciada/separada/casada 3: masculino: soltero 4: masculino: casado/viudo 5: mujer: soltera COAPP: otras deudas/ garant´ıas 1: ninguna 2: co-aplicante 3: garante

41

RESIDENT: Años que lleva viviendo en la actual residencia PROPERTY: Propiedad

1: estable 2: si no 1: acuerdo comunal/centro vecinal /seguro de vida 3: si no 1/ ni 2: carro y otras pertenencias de valor 4: desconocido/ sin propiedades AGE: Edad en años OTHER: si es cliente de otras instituciones 1: bancos 2: tiendas 3: ninguno HOUSING: Vivienda 1: alquilada 2: propietario 3: vive en casa de un amigo, familiar, etc. EXISTCR: Número de créditos en esta institución JOB: Trabajo 1: desempleado/sin oficio- no residente (que no es legal en el pa´ıs) 2: Sin habilidades - residente 3: Empleado con oficio 4: Gerente/Independiente/Empleado altamente calificado DEPENDS: Personas que depende de e´ l. TELEPHON: Teléfono 1: no 42

2: si, registrado a nombre del cliente FOREIGN: trabajador extranjero 1: si 2: no La siguiente tabla muestra más resumidamente estas variables: Variable CHECKING DURATION HISTORY PURPOSE AMOUNT SAVINGS EMPLOYED INSTALLP MARITAL COAPP RESIDENT PROPERTY AGE OTHER HOUSING EXISTCR JOB DEPENDS TELEPHON FOREIGN GOOD BAD

Role entrada entrada entrada entrada entrada entrada entrada entrada entrada entrada entrada entrada entrada entrada entrada entrada entrada entrada entrada entrada Salida

Medida ordinal interval ordinal nominal interval ordinal ordinal interval nominal nominal interval nominal interval nominal nominal interval ordinal interval binary binary binary

Descripción Estado de la de la cuenta de crédito Duración en meses Historial crediticio Propósito para el que se solicitó el préstamo Monto de crédito asignado Ahorro Tiempo que lleva en su empleo actua Estado civil y sexo otras deudas/ garant´ıas Años que lleva viviendo en la actual residencia Propiedad Edad en años Es cliente de otras instituciones vivienda Número de créditos en esta institución trabajo Personas que depende de el telefono trabajador extranjero buen o mal crédito

Cuadro 5.1: Cuadro Resumen de la varibles del Modelo

5.3.

˜ de la investigación Diseno

Es el proceso por el cual las variables independientes llegan a convertirse en variables dependientes, al aplicarse sobre el objeto de investigación. En la presente tesis, este proceso se define por la función Scoring, que se muestra en la figura: En la siguiente figura se presenta las combinaciones entre los valores de las clases de métodos a usar y los parametros a considerar.En cada experimento se especificcan indicadores, los cuales se asociaran al grado de presición del resultado del experimento. El diseño del experimento se presenta en la siguiente figura. 43

Figura 5.1: Esquema de Diseno del experimento

5.4.

Hipotesis H1 : La precisión del modelo elaborado será mayor al 80 %. H2 : Un modelo mixto de credit scoring ofrecerá mayor precisión que un modelo no estad´ıstico o que un modelo sólo estad´ıstico.

5.4.1.

Contraste de hipótesis

H0 : La precisión del modelo elaborado no será mayor al 80 %. H0 : Un modelo mixto de credit scoring no nos ofrecerá mayor precisión que un modelo no estad´ıstico ni que un modelo sólo estad´ıstico.

5.4.2.

Instrumentos de Medicion

Sean los valores para la caracter´ıstica GOOD BAD: Good = 1, Bad = 0. Las posibilidades que se pueden dar en una prueba ser´ıan las siguientes: Valores Reales 1 0

Valores obtenidos en la prueba 1 0 Verdaderos Positivo (a) Falso Positivo (b) c Falso Negativo (d) Verdadero Negativo

Cuadro 5.2: Tabla de Indicadores Por como está dispuesta la tabla existen las siguientes posibilidades: 44

Figura 5.2: Cuadro Diseno Experimento La posibilidad de que algunos clientes que siendo un mal riesgo sean considerados como un buen riesgo, ellos ser´ıan considerados como FALSOS POSITIVOS. La posibilidad de que algunos clientes que siendo un mal riesgo sean considerados como un mal riesgo, ellos ser´ıan considerados como FALSOS NEGATIVOS. La posibilidad de que algunos clientes que siendo un buen riesgo sean considerados como un mal riesgo, ellos ser´ıan considerados como VERDADEROS NEGATIVOS. La posibilidad de que algunos clientes que siendo un buen riesgo sean considerados como un buen riesgo, ellos ser´ıan considerados como VERDADEROS POSITIVOS. A partir de la tabla podemos determinar los siguientes indicadores:

SENSIBILIDAD: Es la posibilidad en los buenos riesgos, de ser catalogados como tales: a/(a + c) ESPECIFICIDAD: Es la posibilidad en los malos riesgos, de salir catalogados como tales: d/(b + d)

45

VALOR PREDICTIVO POSITIVO: La posibilidad de que aquellos salgan como buenos riesgos, sean buenos riesgos. a/(a + b) VALOR PREDICTIVO NEGATIVO: La posibilidad de que los que sena catalogados como malos riesgos, seanmalos riesgos d/(c + d) Estos indicadores nos ayudar´ıan a cuantificar el riesgo, dado que nuestro objetivo es: Maximizar la cantidad de verdaderos positivos Minimizar la cantidad de falsos positivos Otros indicadores sugeridos ser´ıan:

P recisi´ ondelmodelo =

#clientescorrectamenteclasif icadosenladatadeprueba ∗ 100 % #clientestotalesenladatadeprueba (5.1)

V ariaciaci´ onP recisi´ on = precisionmodelocualquiera − precisi´ onmodeloderef erencia. (5.2) Errordelmodelo = 100 % − precisiondelmodelo.

46

(5.3)

Cap´ıtulo 6 Modelo de solución 6.1.

Modelo de solución

En esta sección se describe del proceso de solución del problema planteado en el proyecto de tesis. La descripción de cada partees como sigue: Se realiza con anticipación la elección de la técnica o tratamiento a aplicar en a la data. Se realiza la limpieza de la data en crudo mediante un proceso de data cleaning. Se realiza la obtención de la muestra N. Se realiza la normalización de la data en N (puesto que la data puede ser discreta, continua, etc y a nosostros nos interesa obtener 0 o 1 de valor de salidad); para que cada una de las caracte Se realiza un proceso de selección de caracter´ısticas para de esta manera quedarnos estudiando sólo aquellas caracter´ısticas que expliquen mejor la data. En este paso se realizan los siguientes procedimientos: Generación del subconjunto, consiste en el mecanismo de búsqueda que produce subconjuntos de caracter´ısticas candidatos a ser evaluados. Evaluación del subconjunto, consiste en medir la optimalidad del subconjunto generado en el paso anterior para los fines de un problema de aprendizaje, que en este trabajo es de clasicación. Criterio de paro, determina cuando un proceso de selección de caracter´ısticas debe parar. General- mente el proceso de selección de caracter´ısticas se detiene cuando se alcanza el valor de algún parámetro o umbral establecido. Validación de resultados, evaluación del modelo de selección de caracter´ısticas con datos reales, y la variación al quitar caracter´ısticas irrelevantes en los datos, del indicador de desempeño del algoritmo. 47

Al llegar a este paso se habrá obtenido un conjunto de caracter´ısticas a las que llamaré D. Este grupo se dividirá usando alguna técnica de inteligencia artificial ( dependiendo de los parametros del método) en data de entrada y data de entrenamiento Se corre la data de entrenamiento con el fin de entrenar a la red Se hace correr la red con la data de prueba, y luego se compara con la data de prueba Se compara los casos resultados de la corrida con la data original, considerandose como e´ xito toda coincidencia entre data de entrenamiento y data de prueba. Se calcula el error obtenido con esta técnica La siguiente figura ilustra el procedimiento de descrito anteriormente:

Figura 6.1: Modelo Solución.JPG

48

Cap´ıtulo 7 Planificación de la investigación 7.1.

Descripción de actividades - etapas

Las principales actividades ser´ıan: 1. Formular la propuesta de investigación: Es decir, afinar la propuesta que estamos presentando en esta ocasión, abarcar la mayor cantidad de bibliograf´ıa actual para mejorar nuestro marco teórico 2. Recolectar la data: Aqu´ı se verá la posibilidad de trabajar con otra data para validar nuestro modelo y as´ı mejorar la performance del mismo. ˜ el prototipo de Software: Esta actividad es posiblemente la que tenga más tareas 3. Disenar pues es en esta donde no sólo se desarrolla el modelo sino que también se procede a la construcción del prototipo de software a diseñar. 4. Optimizar el prototipo: Es en esta parte donde ponemos a prueba y mejoramos constantemente nuestro modelo, esta parte parece que va a ser la más complicada pues se requiere cierto nivelde expertis que se espera adquirir en el transcurso del desarrollo de la presente tesis.. Cabe señalar que a partir del diseño las etapas posteriores las considero como correspondientes a desarrollar en tesis 2 5. Análizar los resultados: Ver qué resultados arroja la investigación e interpretarlos. 6. Redactar de la pre-tesis: La que incluye el modelo desarrollado as´ı como el prototipo

7.2.

Recursos necesarios

Algunos de los recursos (a mi juicio los más importantes) a obtener son: computadoras 49

licencias de matlab licencias de SPSS Internet Suscripcion a revistas cientificas: IEEE, ACM Libros, revistas y publicaciones cient´ıficas personal de apoyo en la investigación asesores de la investigación

7.3.

Cronograma de trabajo

El tiempo a dedicarle a la tesis es de 2 horas diarias, tener esto en cuenta porque 1 d´ıa de avance en el cronograma es en realidad 2 horas de trabajo. Dicho lo anterior, el cronograma de trabajo se presenta en la siguiente figura.

7.4.

Presupuesto de la Investigacion

Más que un presupuesto lo que se presenta en esta parte es una cotización del monto a desembolsar para realizar la investigación Concepto Unidades Costo (Soles) licencias de matlab 1 5000 licencias de SPSS 1 300 Suscripcion a revistas cientificas: IEEE, ACM 200 Libros, revistas y publicaciones cient´ıficas 800 Investigador 1 800 Total 7100

7.4.1.

Fuentes de Financiamiento

La fuente de financiamiento va a ser propia, y prestamos de familiares.

50

Figura 7.1: Cronograma de trabajo

51

Cap´ıtulo 8 Conclusiones 8.1.

Conclusiones La data que usamos para el desarrollo del experimento sirvió como instrumento para construir un modelo y probar el mismo, sin embargo queda pendiente la validación del modelo con data real, es decir, data de instituciones financieras. Producto de la revisión de la literatura se comprobó que los métodos de credit scoring se están volviendo cada vez más precisos, pero un problema por el cual no han resultadas exitosas algunas experiencias se debe al factor humano, recordemos que el modelo busca agilizar y automatizar el proceso de asignación de riesgos, mejorar la precisión del mismo, pero un sistema es más que eso y para que funcionen deben funcionar unidos hardware, software y procedimientos manuales. Los modelos de credit scoring aplicados actualmente pueden ganar más valor si se concibieran como instrumentos que permitan viabilizar regulaciones como: Basilea II o Solvencia II.

8.2.

Trabajos Futuros

Las ampliaciones a este trabajo constituyen lo que es el desarrollo del modelo de credit scoring y la total automatización del proceso de asignación de riesgo, revisiones y enmienda de los errores cometidos en esta primera investigación as´ı como la inclusión de nuevos enfoques producto de la revisión de nueva bibliograf´ıa y de un mayor conocimiento del tema.

52

Bibliograf´ıa ´ ´ Investigaciones [1] Chong Alberto. Cajas municipales, microcrEdito y pobreza en el perU. BREVES, (9):3–4, 2000. [2] López Pascual J. El rating y las agencias de calificación. Dykinson., 1996. [3] CH) Kunz, Reto (Monchaltdorf. System and method for automatic evaluation of credit requests. (20070198401), 2007. [4] Jiang Ming-hui. Recombining forecasts used in personal credit scoring. (150001), 2007. [5] Apt. 1603 Nashville TN US) Pliha, Robert Kenneth (555 Church St. Systems and methods for scoring bank customers direct deposit account transaction activity to match financial behavior to specific acquisition, performance and risk events defined by the bank using a decision tree and stochastic process. (7296734), 2007. [6] et. all. Portocarrero M.Felipe. ¿son rentables las cajas rentables de ahorro y crédito? Economia y Sociedad (CIES), (54):2–3, 2004. [7] L. et. al. Thomas. Credit Scoring and its Applications. SIAM, 2002. ´ [8] William Ramos Toledo. Las cajas municipales de ahorro y crédito. AVANCE ECONOMICO, pages 1–2, 2006. [9] Larry W. Shurling. Data proccesing technique for scoring bank customer relationship and awarding incentive rewards. (6009415), 1999. [10] VA US) Wokaty Jr., Robert Dwane (Richmond. Systems and methods for decisioning or approving a financial credit account based on a customer’s check-writing behavior. (20070033135), 2007. [11] Usanee Worrachartdatchai. Credit scoring using least squares support vector machine base on data of thai financial institution. 2007. [12] Defu et. al. Zhang. A comparison study of credit scoring models. (361005), 2007.

53

Vita Audante Ramos, Néstor Rafael nació en Perú, Departamento de Lima, el 15 de Abril de 1985. Ingresó a la Universidad Nacional de Ingenier´ıa en Marzo del 2003. Actualmente se desempeña como practicante en la empresa consultora de Sistemas de Información: Gesfor Osmos Perú S.A.

L A PRESENTE PROPUESTA ´ STOR R AFAEL Y . MOS , N E

DE TESIS FUE TIPOGRAFIADA CON LATEX POR

c

Audante Ramos, Néstor Rafael 2007

AUDANTE R A -

Scoring

Recommend Documents