Modelos de Otorgamiento de Crédito

Group

Modelos de Otorgamiento

Andre ndreu u Miró Miró Director Área de Banca nca [email protected] Santo Domingo 14 de Septiembre de 201 2 0111  © AIS

Contenido

    

 © AIS

Capítulo 1: Introducción Capítulo 2: Análisis Descriptivo Descriptivo Capítulo 3: Desarrollo del Modelo Capítulo 4: Validación Capítulo 5: Implantación

Group

Contenido

    

 © AIS

Capítulo 1: Introducción Capítulo 2: Análisis Descriptivo Descriptivo Capítulo 3: Desarrollo del Modelo Capítulo 4: Validación Capítulo 5: Implantación

Group

Contenido



Capítulo 1: Introducción - 1.1 Tipos de modelos de Scoring / Rating - 1.2 Técnicas de modelado más utilizadas

   

 © AIS

Capítulo 2: Análisis Descriptiv Descriptivo o Capítulo 3: Desarrollo del Modelo Capítulo 4: Validación Capítulo 5: Implantación

Group

CAPÍTULO 1: Introducción

Group

1.1 Tipos de modelos de Scoring / Rating

Otorgamiento REACTIVOS

PROACTIVOS

• Responden a una solicitud de crédito por parte del cliente •Para medir el riesgo se basan – básicamente – en los datos que aporta el cliente en la solicitud de •Son válidos para evaluar tanto a clientes como a no clientes

•Se anticipan a las necesidades del cliente •Para medir el riesgo se basan en los datos que la entidad ya dispone sobre el cliente • clientes vinculados

Seguimiento COMPORTAMENTALES • Predicen el futuro cercano en base al comportamiento del cliente •Pueden ser un excelente complemento en la etapa de otorgamiento

RECOBRO • Predicen la evolución esperada de un cliente con contratos impagados •Excelente factor para la estimación de la LGD  © AIS

CAPÍTULO 1: Introducción

Group

1.1 Tipos de modelos de Scoring / Rating

 © AIS

Particulares

Scoring 

Perfil del solicitante Perfil de la operación

Autónomos/

Scoring 

Perfil del empresario Perfil de la actividad

Pequeñas y Medianas Empresas

Rating 

Perfil de la empresa Variables financieras

Empresas Grandes

Rating 

Variables financieras Análisis experto

CAPÍTULO 1: Introducción

Group

1.1 Tipos de modelos de Scoring / Rating



Ejemplo de submodelos para la cartera de particulares: Particulares

Consumo

Vehículos

 © AIS

Consumo

Hipotecario

Miniconsumo

Tarjetas

Clientes

No Clientes

CAPÍTULO 1: Introducción

Group

1.1 Tipos de modelos de Scoring / Rating



Es importante la clasificación de empresas en base a su tipología (por tamaño y/o sector): PEQUEÑAS

AUTÓNOMOS

MEDIANAS

GRANDES

MICROEMPRESAS

EMPRESAS

AGROPECUARIO

 © AIS

PROMOTORES

START-UPS

CORPORACIONES LOCALES

MAYORISTAS

CAPÍTULO 1: Introducción

Group

1.1 Tipos de modelos de Scoring / Rating



Debemos clasificar los productos en paquetes homogéneos: Exposición Empresas

Riesgo Comercial

 © AIS

Riesgo Puro I

Riesgo Puro II

Riesgo Puro II

sin garantía

con garantía

Avales

CAPÍTULO 1: Introducción

Group

1.2 Técnicas de modelado más utilizadas

 © AIS

Sin Muestra

Muestra Reducida

Muestra Amplia

Modelo en r co

Modelo xo

Modelo a e a

Identificación de perfiles de clientes a evaluar

Extracción de la muestra Definición de “Mal Pagador”

Extracción de la muestra Definición de “Mal Pagador”

Identificación de perfiles BD genérica

Análisis descriptivo

Análisis descriptivo

Adaptaciones del modelo

Ajuste del modelo

Desarrollo del modelo

Muestra para ajuste final

Ajuste simulador de políticas

Simulación de políticas

Puesta en marcha

Pruebas y puesta en marcha

Pruebas y puesta en marcha

CAPÍTULO 1: Introducción

1.2 Técnicas de modelado más utilizadas



Las técnicas de modelado más utilizadas son las siguientes: - Regresión Logística:   

La más común hoy en día Facilidad de interpretación de los factores que intervienen Técnica robusta y que devuelve directamente una probabilidad

- Análisis Discriminante:   

Muy utilizada hace unos años Misma facilidad de interpretación que la Regresión Logística El resultado es una puntuación que debe transformarse (en probabilidad, p.e)

- Árboles de Clasificación:   

Muy visual y “dirigible” Se requiere un gran volumen para conseguir un modelo exhaustivo (problemas para conseguir un mínimo número de malos) Suele presentar problemas de exhaustividad y de coherencia

- Combinaciones de las anteriores: 

 © AIS

Es habitual combinar Árboles de Clasificación con Regresión Logística

Group

Contenido



Capítulo 1: Introducción



Capítulo 2: Análisis Descriptivo -

  

 © AIS

2.1 Lectura y depuración de los datos 2.2 Definición de la variable a explicar 2.3 Selección de casos 2.4 Selección de muestras 2.5 Creación de variables 2.6 Segmentación 2.7 Análisis univariante y bivariante

Capítulo 3: Desarrollo del Modelo Capítulo 4: Validación Capítulo 5: Implantación

Group

CAPÍTULO 2: Análisis Descriptivo

2.1 Lectura y depuración de datos



Es imprescindible asegurar la calidad de los datos a través de: - Detección de datos faltantes (missings) - Detección de datos fuera de rango (outliers) - Detección de inconsistencias: variables de chequeo



Es necesario definir un conjunto de validaciones sobre variables de - Fechas: Distribución de las operaciones en las fechas adecuadas y con lógica - Comportamiento de pago (incidencias, mora, ...): Comprobar que los ratios de incidencia y mora son lógicos - Distribución de las principales variables : Comprobar la distribución lógica de las variables base (edad, situación de la vivienda, vinculación de los clientes, nivel de ingresos, nivel de saldos, ...) - Validaciones cruzadas   

 © AIS

Edad y antigüedad en empleo Estado civil y componentes de la unidad familiar ...

Group

CAPÍTULO 2: Análisis Descriptivo

2.1 Lectura y depuración de datos



Como actuar ante la presencia de errores: - Missings:   

Tratarlo como una categoría más En el momento de desarrollo  agrupar según comportamiento En la implementación del modelo  según la naturaleza de la “omisión”

- Outliers:  

Analizar su naturaleza Eliminar con precaución: -

Deben ser pocos casos No deben alterar la estructura de la cartera (ratio de mora)

- Variables de chequeo:  

Tratar de “arreglar” siempre que sea posible Si no es posible, eliminar con precaución -

 © AIS

Deben ser pocos casos No deben alterar la estructura de la cartera (ratio de mora)

Group

CAPÍTULO 2: Análisis Descriptivo

Group

2.1 Lectura y depuración de datos



Ejemplo de tratamiento de errores: Frequency Morosidad CLIENTE

Sí No No informado

1260 720 40

5% 20% 5%

Frequency Morosidad CLIENTE

Sí No

 © AIS

1300

5%

720

20%

CAPÍTULO 2: Análisis Descriptivo

Group

2.2 Definición de la variable a explicar

Predecir el cumplimiento de las obligaciones de pago de un cliente en tiempo y forma



Objetivo del modelo de scoring:



La definición habitual de la variable a explicar es:

Retraso en el pago de una cuota en más de 90 días en algún momento a lo largo de la vida de la operación



Pero puede existir la necesidad de relajar esta definición: − − −

 © AIS

Si hay insuficiente número de casos malos Si ha habido reestructuraciones Si ha habido pase a pérdidas, quitas, condonaciones,... que no hayan quedado reflejadas en la definición habitual

CAPÍTULO 2: Análisis Descriptivo

2.2 Definición de la variable a explicar



No hay que confundir la definición de la variables a explicar: -



Situación de la morosidad a fecha de corte Morosidad a un año

Ya que con estas definiciones no podemos cumplir con el objetivo:

Predecir el cumplimiento de las obligaciones de pago de un cliente en tiempo y forma

 © AIS

Group

CAPÍTULO 2: Análisis Descriptivo

2.3 Selección de casos



Los expedientes de crédito suelen tener una naturaleza “compleja”: - Presencia de una o más personas en el expediente - No todas las personas tienen la misma figura ni responsabilidad: titulares y avalistas

El modelo a desarrollar debe predecir

Debemos reducir esta complejidad a un conjunto de variables por cada operación

 © AIS

Group

CAPÍTULO 2: Análisis Descriptivo

2.3 Selección de casos



Existen varias posibilidades:

Selección del mejor titular Desarrollo modelo con el mejor titular Implantación: evaluación de todos los titulares y avalistas El resultado final es el del mejor titular

Creación de variables combinadas (promedio edades) Desarrollo del modelo con todas las variables Hay que ser cuidadoso con la creación de variables: orden

 © AIS

Group

CAPÍTULO 2: Análisis Descriptivo

Group

2.4 Selección de muestras



Para visualizar adecuadamente una cartera es necesario definir los siguientes conjuntos de información: Muestra Actual •

SOLICITUDES de un periodo actual

• Importante seleccionar el periodo de “interés” • Habitualmente no debe ir más allá del último año • Nos servirá para visualizar la evolución de la cartera en contraste con la muestra histórica  © AIS

Muestra Histórica •

SOLICITUDES de un periodo histórico

• Puede contener todo el conjunto que no pertenezca a la muestra actual

Muestra Madura •

OPERACIONES formalizadas

• La utilizamos para ver el comportamiento respecto a la morosidad de todas las variables

CAPÍTULO 2: Análisis Descriptivo

2.4 Selección de muestras



Para seleccionar la profundidad de las muestras históricas se pueden combinar distintas técnicas: - Gráfico de maduración:   

Se analizan las operaciones formalizadas por fechas de formalización Se grafica el nivel de morosidad que han alcanzado hasta hoy Se busca el punto en que hay una bajada significativa del ratio de mora (efecto maduración)

- Chain-Ladder:   

 © AIS

Se realiza únicamente con los morosos Se grafica cómo “caen” los morosos en función de la maduración Se busca la maduración que acumula “buena parte” de los morosos

Group

CAPÍTULO 2: Análisis Descriptivo

Group

2.4 Selección de muestras



Gráfico de maduración: 45,00%

40,00%

35,00%

  s   o   s   r   o   m   s   o   s   a   c    %

30,00%

25,00%

20,00% Serie1 15,00%

10,00%

5,00%

0,00%

Fecha de formalización  © AIS

CAPÍTULO 2: Análisis Descriptivo

Group

2.4 Selección de muestras B

   N    I    C    A    Z    I    L    A    M    R    F

4T05 1T06 2T06 3T06 4T06 1T07 %

1 0 1 0 1 0 1 6%

Método sin previsiones MADURACIÓN 2 3 4 5 2 5 1 1 2 6 3 1 1 9 3 4 6 3 24%

52% 14%

4%

6 TOT 0 9

   N    I    C    A    Z    I    L    A    M    R

13 13 11 3 1

   F

0%

Gráfico Chain-Ladder

%

, 3%

6 , 16%

17,3 , 48%

C (A/B)*C

  s 60%   o   s   o   r 40%   o 20%    M    % 0%

52% 48% 24% 16%

17% 14%

6% 3%

1

2

3

4

Maduración

 © AIS

4T05 1T06 2T06 3T06 4T06 1T07

1 0 1 0 1 0 1

Método previsiones MADURACIÓN 2 3 4 5 2 5 1 1 2 6 3 1 1 9 3 1,5 4 6 2,1 1,1 3   8,7 3,0 1,5

8% 4%

5

8% 0%

6

6,1 , 17%

3,0 , 8%

A 6 TOT 1   10,0 1 1,5 1,1 1,5 3,0 , 8%

14,0 16,0 15,2 17,7 36,5 ,

CAPÍTULO 2: Análisis Descriptivo

Group

2.4 Selección de muestras NO AUTO---% Morosidad vs. Maduración distr moroso

100,00%



metodo no previsiones

metodo previsiones

Gráfico Chain-Ladder:

8,00%

7,53% 7,32% 7,31% 7,28%

90,00%

7,00% 6,68%

80,00%

  o    d   a60,00%    l   u   m   u   c50,00%   a   s   o   s40,00%   a   c    %

5,42%

6,00%

74,89%

5,98%

70,00%

5,42% 5,30%

, 4,86% 4,55%

4,00%

3,82% 3,25%

3,00%

2,98% 2,88% 2,76% 18 2,42%

30,00%

2,00%

1,91% 1,63%

20,00%

1,23% 1,17% 1,08% 1,05% 0,87%

10,00%

0,00%

0,15% 0,00% 0,00% 0,00% 0,00%

0,54% 0,49% 0,53% 0,51% 0,48% 0,43% 0,36% 0,36% 0,41% 0,34% 0,26% 0,24% 0,13% 0,03% 0,02% 0,01% 0,01% 0,00% 0,00% 0,00% 0,00% 0,00% 0,00% 0,00%

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52

Meses de maduración  © AIS

1,00%

  s   o   s   o   r   o   m   s   o   s   a   c    %

CAPÍTULO 2: Análisis Descriptivo

2.5 Creación de variables



Las variables se deben tratar en función de su naturaleza: - Categóricas: 

Agrupación de categorías por morosidad

- Continuas: 



as var a es ase a ua es en un mo e o reac vo e par cu ares se agrupan en: -

 © AIS

Categorización por tramos

Variables de operación Variables de perfil socio-económico Variables de vinculación con la entidad Variables experiencia de pago anterior

Group

CAPÍTULO 2: Análisis Descriptivo

Group

2.5 Creación de variables

Variables de operación Procedencia de la operación Importe del crédito Cuota Plazo Loan To Value (Importe crédito/ Tasación) Situación previa del crédito Immueble nuevo/usado/construcción Primera/segunda residencia Tipo Inmueble (casa, piso,…) Variables de vinculación Antigüedad como cliente Domiciliación de nómina Domiciliación de recibos Saldos medios  © AIS

Variables de perfil socio-económico Edad Estado Civil Componentes UF Ingresos Gastos Situación Laboral Antigüedad empleo Profesión Situación de la vivienda ... Experiencia de pago anterior Buró de crédito Comportamiento interno

CAPÍTULO 2: Análisis Descriptivo

2.5 Creación de variables



Variables artificiales habituales: -

 © AIS

Ratio de financiación: importe crédito / valor del bien Capacidad de pago: ingresos – gastos Ratio de Capacidad de pago: Balance de Caja / cuota Ratio de Endeudamiento I: cuotas préstamo solicitado / ingresos Ratio de Endeudamiento II: (cuota préstamo + otras cuotas) / ingresos a o e sa o me o: sa o me o cuo a Ratio de vivienda: valor vivienda / importe crédito

Group

CAPÍTULO 2: Análisis Descriptivo

2.6 Segmentación



La segmentación de la cartera debe realizarse según los siguientes criterios: - Comportamientos de las variables distintos - Variables distintas en los diferentes grupos



Segmentaciones habituales (en modelos reactivos de particulares): -

 © AIS

Por tipo de producto: Consumo, Hipotecario, Tarjetas Por nivel de vinculación: Cliente / No Cliente Por destino: vehículos / no vehículos Por canal de comercializacón: dealers / red de sucursales Por zona geográfica.

Group

CAPÍTULO 2: Análisis Descriptivo

Group

2.7 Análisis univariante y bivariante Saldo Medio Pasivo a la Vista 14

12,2

12   s 10   o   u    d    i 8   v    i    d 6   n    i    % 4

11,5   11,6

10,9 9,5

8,5

8,9

9

9,4

11,3 11   10,9 10,8 10,8 10,2   10,4 10,2 9,4 9,1

2,8 1,1 0,3

2 0    t   n   e    i    l    C   o    N

  o   v    i    t   a   g   e    N

   €    0

  a   +   €    0   5   e   6    D

  a   a   +   €   +   €    5   0    0    6   8    8   0   e   1    1   6   e   3    D    D

  a   +    0   €    6   0    3   5   e   6    D

Muestra Histórica Valor No Cliente Negativos 0€ De 0+ a 65 € De 65+ a 180 € De 180+ a 360 € De 360+ a 650 € De 650+ a 1.250 € De 1.250+ a 2.500 € De 2.500+ a 6.000 € Más de 6.000 €

Total  © AIS

Número

Porcentaje

  a   +   €    0   0    5   5    6   2  .   e   1    D

  +    0   €    5   0    2  .    0  .    1   5   e   2   a    D

   €   +    0   €    d   0    0   0   s   0    5  .    0    á   0  .  .    M    2   0    6   e   6    D  a

Muestra Actual Número

Porcentaje

10.574 1.198 12.111 9.926 9.949 10.413 10.471 11.353 11.598 12.123 11.285

9,5 1,1 10,9 8,9 9,0 9,4 9,4 10,2 10,4 10,9 10,2

944 109 2.818 4.067 3.845 3.850 3.608 3.609 3.655 3.757 3.046

2,8 0,3 8,5 12,2 11,5 11,6 10,8 10,8 11,0 11,3 9,1

111.001

100,0

33.308

100,0

CAPÍTULO 2: Análisis Descriptivo

Group

2.7 Análisis univariante y bivariante 60,00%

70,00%

60,00%

50,00%

50,00% 40,00%

40,00% Datos Suma de PCT_CASOS

30,00%

Promedio de MORA 30,00%

20,00% 20,00%

10,00%

10,00%

0,00%

0,00% 1

2

3

4

5

10

15

20

ANTCLIE

ANTCLIE 1 2 3 4 5 10 15 20 99 Total general  © AIS

Datos Suma de PCT_CASOS Promedio de MORA 54,13% 64,45% 7,39% 52,49% 6,29% 40,91% 4,53% 30,63% 4,53% 31,53% 12,46% 29,51% 5,88% 24,31% 3,35% 17,07% 1,43% 11,43% 100,00% 50,00%

99

Contenido



Capítulo 1: Introducción Capítulo 2: Análisis Descriptivo



Capítulo 3: Desarrollo del Modelo



- 3.1 Incorporación de solicitudes rechazadas - 3.2 Preparación de las variables para la regresión - 3.3 Estimación de los coeficientes Beta  

 © AIS

Capítulo 4: Validación Capítulo 5: Implantación

Group

CAPÍTULO 3: Desarrollo del modelo

3.1 Incorporación de solicitudes rechazadas

SCORINGS REACTIVOS - Deben predecir la morosidad para todas las solicitudes - Se construyen con la morosidad observada en el pasado para aprobar o denegar estas solicitudes

- Un modelo basado exclusivamente en operaciones aprobadas puede ser poco preciso (“sesgo muestral”). Esto es particularmente cierto cuando la decisión de aprobar/denegar ha sido vinculante al scoring previo.

SOLUCION: Tratamiento de denegadas - Permite estimar en qué porcentaje aumentaría la morosidad si se aprobasen todas las solicitudes - Permite construir un Scoring para todas las solicitudes  © AIS

Group

CAPÍTULO 3: Desarrollo del modelo

3.1 Incorporación de solicitudes rechazadas



Todos los denegados son morosos  



Asignación del mismo % de mora observado de forma aleatoria 





 

Difícil de obtener Caro Necesita un vínculo fuerte con los datos de la cartera

Aprobar todas las operaciones 

 © AIS

Sesgo muestral Es demasiado optimista con las operaciones denegadas

Asignación mediante un Scoring de Bureau 



Perdemos poder de explicación

Ignorar las denegadas 



No es cierto Puede sesgar los resultados para las operaciones aprobadas

No viable

Group

CAPÍTULO 3: Desarrollo del modelo

3.1 Incorporación de solicitudes rechazadas

 © AIS



Simple augmentation: Construimos un scoring de Buenas/Morosas (B/M) usando solo las operaciones aprobadas. Aplicamos el modelo sobre la muestra de denegadas. Fijamos una frontera y asignamos como morosas las operaciones por debajo de esta frontera  La elección de la frontera es arbitraria



Augmentation: Construimos un scoring de Aprobar/Denegar (A/D). Ponderamos la muestra de aprobadas usando el inverso de la propensión a ser aprobado  Aunque pondera, No considera perfiles no incluidos en la muestra de aprobadas  No corrige la “posible” morosidad en determinados grupos que no se han aprobado

Group

CAPÍTULO 3: Desarrollo del modelo

3.1 Incorporación de solicitudes rechazadas

 © AIS



Fuzzy augmentation: Duplicamos las denegadas, una mitad como morosas y la otra como no morosas. Ponderamos las asignadas como morosas con una propensión p a ser moroso y la otra mitad con 1-p. La propensión a ser moroso se construye con el modelo de B/M (construido con las aceptadas) “ ” se han aprobado  Necesita una 2a ponderación para equilibrar el número de aprobadas/denegadas



Reclasificación: Aplicamos Fuzzy augmentation de forma iterativa usando como pesos los del modelo de B/M del paso anterior. Paramos cuando el % de morosos se estabiliza  No corrige los problemas señalados

Group

CAPÍTULO 3: Desarrollo del modelo

3.1 Incorporación de solicitudes rechazadas



Parcelación: Dividimos la muestra usando tramos de un scoring de (A/D). Dentro de cada tramo duplicamos las denegadas, una mitad como morosas y la otra como no morosas. Ponderamos las asignadas como morosas con el % p de mora observado con las aceptadas y las no morosas con 1-p





Vecino más cercano (hot deck): Dada una operación denegada inferimos que es morosa o no observando a la operación aprobada que tiene una propensión a ser aprobada más parecida. 



 © AIS

homogéneo. Restamos un mayor poder de explicación a las variables de perfil

Asume que el procedimiento de denegar operaciones viene informado, o bien la información no recogida no influye sistemáticamente en la decisión Puede tener un cierto carga de aleatoriedad asignar con un solo vecino

Group

CAPÍTULO 3: Desarrollo del modelo

3.1 Incorporación de solicitudes rechazadas



K-Vecinos más cercano (hot deck k): Dada una operación denegada inferimos su propensión a ser morosa mediante el % de morosidad observado en las k operaciones más cercanas. 

 © AIS

Asume el procedimiento de denegar operaciones no discrimina dado el perfil del solicitante

Group

CAPÍTULO 3: Desarrollo del modelo

Group

3.2 Preparación de las variables para la regresión



Trataremos las variables según su naturaleza: - Variables categóricas:  

Agrupación según morosidad Se puede utilizar método CHAID

SITVIVIENDA Propietario sin cargas Propietario con cargas Padres - familia Inquilino Total general

 © AIS

Grupos homogéneos

Datos Suma de PCT_CASOS Promedio de MORA 15,93% 41,28% 26,14% 42,03% 41,95% 53,65% 15,97% 62,15% 100,00% 50,00%

CAPÍTULO 3: Desarrollo del modelo

Group

3.2 Preparación de las variables para la regresión



Trataremos las variables según su naturaleza: - Variables continuas:  

m

 © AIS

=

Se pueden categorizar O se pueden tratar como continuas utilizando Piece-Wise

1 1 + exp( −α

−

β  X )

P i ln 1− P i

=

α 

+

 β  X 

i

CAPÍTULO 3: Desarrollo del modelo

Group

3.2 Preparación de las variables para la regresión



Tratamiento Piece-wise:

 ingresos, si ingresos ≤ 2.000 € ingresos1 =   2.000, caso contrario

 ingresos − 2.000, si ingresos > 2.000 € ingresos 2 =   0, caso contrario

-

0€ 0

1.000 €

1.500 €

-

2.000 €

2.500 €

3.000 €

0€ 0

-0 5

1.500 €

2.000 €

2.500 €

3.000 €

-0 5

-1

-1 -

 © AIS

1.000 €

L n ( m /1 /1 - m

-1 5

-1 5

-2

-2

-2,5

-2,5

CAPÍTULO 3: Desarrollo del modelo

Group

3.3 Estimación de los coeficientes Beta 

La estimación de los coeficientes la realizamos con algún paquete estadístico (por ejemplo R, SAS, SPSS). Ejemplo de especificación:

Variable a explicar

Variables explicativas

GLM.1 K SUFICIENTE

CAPÍTULO 5: Implantación

Group

5.1 Transformación a una calificación Dictamen Final DICTAMEN DE PERFIL

DICTAMEN PAGO

DE SUFICIENTE JUSTA

APROBADO

DUDOSO

RECHAZADO

APROBADO

DUDOSO

RECHAZADO

DUDOSO

DUDOSO

RECHAZADO

RECHAZADO

RECHAZADO

INSUFICIENTE RECHAZADO

Adicionalmente Texto resumen pueden de aplicar la diapositiva. Reglas Elicitadas Arial 16 negrita y/o Filtros cursiva. internos Centrado. y externos 

 © AIS

CAPÍTULO 5: Implantación

Group

5.1 Transformación a una calificación Simulador de políticas de crédito Fronteras de Aprobacion y Rechazo Aprobacion

8 %

Rechazo

12 %

Scoring Sin Capacidad de Pago Dictamen

Scoring Con Capacidad de Pago

Sin Capacidad de Pago

% Morosidad

% Rechazo

% Morosidad

68,89%

3,32%

7,95%

Aprobadas

64,87%

3,08%

Duda

11,70%

10,66%

10,77%

Duda

12,60%

9,92%

Rechazadas

19,42%

17,91%

12,37%

Rec hazadas Rechazadas

22,53%

17,09%

Rechazadas 22,5%

% Morosidad 17,09% 9,92%

Aprobadas Aprobadas 64,9%

% Rechaz o

Rechazadas Duda 3,08% 0%

5%

10% % Mora esperada

 © AIS

de Pago

Aprobadas

Distribución Dictámenes (Dictamen con Capacidad de Pago)

Duda 12,6%

Con Capacidad

Dictamen

Entidad

15%

20%

14% 12% 10% 8% 6% 4% 2% 0%

Rechazadas Duda Aprobadas

Aprobadas

Duda

Rechazadas

CAPÍTULO 5: Implantación

Group

5.2 Inclusión de reglas adicionales

Perfil Socio-económico Cálculo de Capacidad de Pa o

Scoring de

Dictamen de Capacidad

Dictamen Perfil

Reglas Dictamen Final Elicitadas

 © AIS

Conclusión

Perfil

Mejor Titular Mejor Avalista

Filtros x ernos e Internos

Ponderación Titulares y Avalistas

Bibliografía 

Breiman, Leo, Friedman, Jerome H. Olshen, Richard A. Stone Charles J. “Classification and regression trees” 



Wadsworth, Belmont California 1984 Damodar Gujarati “Econometría” 



4ª. Edición, Editorial McGraw Hill, Bogotá. D. C. 2004 De Groot ro a



a y es a s ca  

Addison-Wesley, Wilmington 1988 Fahrmeir, Ludwig; Tutz,Gerard “Multivariate Statistical Modeling Based on Generalized Linear Models” 



Springer-Verlag, N. York 2001 Forsyth, Richard. “Machine Learning. Principles and techniques” 



Chapman and Hall Computing, London 1989 Greene, William H. “Econometric Analysis” 

Prentice Hall, N. York 2003

 © AIS

Group

Bibliografía 

Hair, Anderson, Tatham, Black “Análisis multivariante” 



Prentice Hall, Madrid 1999 Hoaglin, David C.; Mosteller, Frederick, Tuckey, Jonhn W. “Understanding Robust and exploratory Data Analysis” 



John Whiley, New York 1982 Lebart, Morineau, Fenelon ra am en o es a s co e a os  



Marcombo, Barcelona 1985 Nilsson, Nills J. “Principles of Artificial Intelligence” 



Springer-Verlag. New York. 1982 Ong, Michael K., “Credit Ratings. Methodologies, Rationale and Default Risk”,



Risk Books, London 2002 Refenes,Paul & al. “Neural Networks in the Capital Markets” 

John Whiley, Chichester 1995

 © AIS

Group

Bibliografía 

Group

Romeder, Jean-Marie «Métodes et programmes d'analyse dicriminante»



Dunod, Paris 1973 Siddiqi, Naeem “Credit Risk Scorecards, Developing and Implementing intelligent Credit Scoring” 



SAS Institute, 2006 Thomas, Lyn C.; Edelman, David B.; Crook, N. Jonathan; re



cor ng an

s pp ca ons  

SIAM, 2002 Tufte, Edward R. “The visual Display of Quantitative Information” 



Graphics Press. Cheshire, Connecticut 1983 William Treacy & Marc Carey, 'Credit Risk Rating at large US Bakns',



Federal Reserve Board, Washington November 1998 Yule, Kendall “Introducción a la estadística matemática” 

Aguilar, Madrid 1967

 © AIS