El Riesgo en la organización cooperativa de ahorro y crédito
Transcripción
El Riesgo en la organización cooperativa de ahorro y crédito
Group El Riesgo en la organización cooperativa de ahorro y crédito COFIA , ACI AMERICAS 2 de marzo de 2011 © AIS 2002- 2012 Concepto p de Riesgo: g Los distintos tipos p de riesgos g Group Riesgo de Spread Riesgo g de Crédito Riesgo g Legal g Riesgo de Mora Riesgo de Liquidez Riesgo de Tasa de Interés Riesgo Operativo Riesgo de Cambio C Ri Riesgo de d Negocio N i Ri Riesgo de d Mercado M d Ver Bessis, Joël. Risk Management in banking. Wiley 1998 © AIS 2002- 2012 4 Principales Tipos de Riesgo Riesgo de Ri d Crédito C édit Riesgo g de Mercado Riesgo de Liquidez Riesgo Operativo O - Riesgo de Negocio - Riesgo de Evento Riesgo Legal © AIS 2002- 2012 Group Basilea II Group NACB: Visión general El NACB Pilar I: R Req. Mí Mínimos i de d Capital C it l Riesgo de Crédito Pilar II: Rev Supervisora de la Rev. Adecuación del Capital Riesgo de Mercado Método Estándar Riesgo Operacional Método Estándar Pilar III: Disciplina de Mercado Transparencia Informativa Indicador Básico Modelos Internos: VaR Método Estándar Métodos basados en ratings ti internos i t Enfoque Básico Enfoque Avanzado © AIS 2002- 2012 Medición interna 49 Tipos de riesgo Riesgo g de Crédito - Riesgo de Mercado - Se refiere a la variabilidad en los ingresos generados por la variación de precio i de d activos ti i t intercambiados bi d en los l mercados d fi financieros i ( tasas t d de interés, tipo de cambio, índices de precios, acciones, etc.) los cuales a su vez inciden en el valor de las posiciones de activos y / o pasivos de la cooperativa. Riesgo de Liquidez - Se refiere a la variabilidad en los ingresos generados por el incumplimiento de un acreditado o contraparte. Incluye la variabilidad derivada tanto de las pérdidas por el importe adeudado y no pagado a las cooperativas por los acreditados, dit d como los l costos t de d recuperación ió incurridos. i id En el contexto de portafolios, el riesgo de pérdida por diferencias adversas entre el valor de realización y el valor teórico de una posición y por la imposibilidad de enajenar, adquirir o cubrir una posición. Riesgo Operativo - Este riesgo considera dos tipos de riesgos cunaltificables: Riesgo de negocio: pérdidas por cambios rápidos en el ambiente competitivo o eventos que dañen la franquicia o la forma de operar de un negocio ( variación en volumen, precios o costos) © AIS 2002- 2012 Group Group Tipo de Riesgo Riesgo de Evento: debido a eventos individuales tales como fallas de sistemas, errores y omisiones, fraudes, daños de equipo no asegurados Riesgo Legal - © AIS 2002- 2012 El riesgo g debido al incumplimiento p de disposiciones p legales g o administrativas, a la resolución de disposiciones administrativas y judiciales desfavorables y la aplicación de sanciones por parte de las autoridades. Este riesgo puede generarse como consecuencia de un Riesgo Operativo de Evento E ento o de Negocio, Negocio Factores de riesgo g Denominamos factor de riesgo a cualquier acontecimiento que constituye en sí mismo una fuente elemental y homogénea de riesgo Ejemplo de factor de riesgo operacional: en los quebrantos procedentes de fraudes podemos distinguir los originados por robo, robo atraco, falsificación, suplantación de personalidad, etc. Cada Unidad padece una na exposición e posición diferente y particularizada partic lari ada a los factores de riesgo, dependiendo de sus procesos internos y del entorno en el que desarrolla su actividad, siendo posible que algún factor de riesgo se manifieste con singularidades o no llegue a manifestarse. © AIS 2002- 2012 Group Indicadores de seguimiento g La exposición latente a un factor de riesgo difícilmente puede ser percibida en el corto plazo en forma directa, pero puede ser estimada mediante la utilización de índices constituidos por variables observables que vinculadas con el factor de riesgo, observables, riesgo aportan un indicador al que puede darse seguimiento periódico. Se trata, trata por tanto, tanto de una na asociación relacional que q e permite gestionar en el tiempo los valores del indicador, bajo el supuesto de que controlando a éstos (siempre que se pueda) se mantiene su factor de riesgo asociado dentro de los niveles deseados. deseados © AIS 2002- 2012 Group Tipos p de pérdidas p Directas: Importes reconocidos expresamente como quebrantos, quebrantos pudiendo registrarse contablemente en cuentas específicas o en cuentas de resultados. Indirectas: Costos vinculados con la ocurrencia de incidencias operacionales. En definitiva, todo gasto realizado para la eliminación o mitigación de cualquier fuente de riesgo operacional. L cro cesantes: Lucro cesantes Costos de oportunidad oport nidad que q e no tienen reflejo contable y cuya estimación deberá realizarse por otras vías alternativas. No todas están incluidas en Basilea II... © AIS 2002- 2012 Group Eventos Un evento es la manifestación de un factor de riesgo que origina una pérdida económica directa o indirecta para la institución. Algunos factores de riesgo se pueden medir directamente a través de eventos cuyas pérdidas son registradas en la contabilidad. contabilidad Ejemplos: - © AIS 2002- 2012 Incidencias en bolsa. Diferencias en caja. Fraudes y estafas en Medios de Pago. Fraudes y estafas, resto de operaciones. Multas, recargos y sanciones. Documentos extraviados. Diferencias en cuadres contables. Group Evaluación del riesgo g El proceso de evaluación culmina con la relación detallada de los elementos de riesgo, con su correspondiente descripción y riesgo total asociado. - © AIS 2002- 2012 Sirve para seleccionar indicadores de riesgo y para plantear el modelo de seguimiento de la Unidad. Los factores de riesgo se clasifican en grupos, según umbrales de frecuencia y severidad establecidos. Group Evaluación del riesgo g Group Baja severidad Presupuestado en la partida de gastos y se refleja en los ingresos esperados Alta severidad Alt frecuencia Alta f i Pérdida Pé did N aplica No li esperada Ej. Errores de proceso Baja frecuencia Pérdida esperada Ej Robos Ej. sucursales Llevarían a la cooperativa a la quiebra Capital o Seguros en Los eventos raros que amenazan la solvencia de la cooperativa o y contribuyen y a la cola de la distribución de las pérdidas. © AIS 2002- 2012 Seguimiento g y alerta Indicadores de Riesgo - Señales de Alerta - © AIS 2002- 2012 Constitución de índices a partir de variables extraídas de los procesos cuyo comportamiento esté relacionado con el nivel de riesgo asumido. Seguimiento y control de los valores de cada indicador, indicador añadiendo establecimiento de objetivos. Establecimiento de valores máximos o mínimos admisibles para cada uno de los indicadores seleccionados, de forma que rebasado ese valor, se activen automáticamente las acciones de mitigación/corrección previstas. Group Clasificación detallada de Tipos de Evento de Pérdida ejemplo de riesgo operativo Group Tipo de Evento de Pérdida Fraude Interno Actividades no autorizadas Hurto y Fraude Relaciones laborales y seguridad en el puesto de trabajo Fraude Externo Prácticas con clientes, productos y negocios Daños a Activos Materiales Seguridad en los sistemas Hurto y Fraude Falsificación ATRIBUTOS Hurto/Robo Severidad : Mínimos, Máximo, Promedio. Frecuencia Cheques q sin fondo ¿IV Nivel ? © AIS 2002- 2012 Cobro de cheques Incidencias en el negocio y fallos en los sistemas Concepto de Riesgo Group Definición de Riesgo de Crédito El riesgo de crédito surge cuando las contrapartes están indispuestas o son totalmente incapaces de cumplir sus obligaciones contractuales. El riesgo de crédito abarca tanto el riesgo de incumplimiento (valuación objetiva de la probabilidad de que una contraparte incumpla), incumpla) como el riesgo de mercado que mide la pérdida financiera que será experimentada si el cliente incumple. Philippe Jorion (1999) Existen dos tipos de riesgo de crédito: el riesgo de incumplimiento, que se refiere a la pérdida potencial derivada de que la contraparte no pueda cumplir con sus obligaciones financieras en las condiciones definidas contractualmente; y el riesgo de mercado que se define como la pérdida potencial que podría sufrir un tenedor de un portafolio de p préstamos,, instrumentos financieros o derivados,, como consecuencia de que el valor de mercado de estos disminuya. La segunda definición plantea exposición al riesgo de crédito aún en el caso de que la contraparte no sufra quebranto alguno. Comité de Supervisión Bancaria de Basilea (1999) © AIS 2002- 2012 5 Concepto de Riesgo Identificación de las fuentes de exposición p al riesgo g de crédito Group Activos Activos Financieros Activos Crediticios Bonos Cartera Comercial Acciones Cartera Hipotecaria Papel Bancario Cartera de Consumo Papel privado Otros Activos Derivados Mercado Contraparte © AIS 2002- 2012 Crédito Riesgos incumplimiento 6 Concepto de Riesgo: Origen del Riesgo de Crédito. Group ¿Porqué se produce el incumplimiento? Por la presencia CONJUNTA de: - Situaciones adversas; Incapacidad para soportarlas de nuestros acreditados. Solvencia Liquidez Diversificación Calidad de gerencia g Garantía Disminución de Ventas Irrupción de competencia Contagio Financiero Aumento del paro © AIS 2002- 2012 Fragilidad de balance Endeudamiento Cultura de empresa Garantía pobre 7 Concepto de Riesgo: Origen del Riesgo de Crédito. Group ¿Porqué se produce el incumplimiento? Por la presencia CONJUNTA de: - Situaciones adversas; Incapacidad para soportarlas de nuestros acreditados. Solvencia Liquidez Diversificación Calidad de gerencia g Garantía Disminución de Ventas Irrupción de competencia Contagio Financiero Aumento del paro © AIS 2002- 2012 Fragilidad de balance Endeudamiento Cultura de empresa Garantía pobre 8 Concepto de Riesgo Group Riesgo de Incumplimiento Del total de activos expuestos al riesgo de crédito en una cooperativa son los activos crediticios y el riesgo de incumplimiento inherente a los mismos lo que representa una fuente mayor de pérdidas. Riesgo de Crédito derivado del incumplimiento, puede definirse como la incertidumbre asociada a la pérdida potencial, causada por la incapacidad de la contraparte de cumplir c mplir sus s s obligaciones. obligaciones El análisis que lleven a cabo las instituciones debe contemplar el riesgo de crédito (incumplimiento) tanto en las transacciones o créditos individuales como el análisis de riesgo a nivel de portafolio (Basilea, 2000). © AIS 2002- 2012 9 Concepto de Riesgo Group Riesgo de Incumplimiento Riesgo Individual - El incumplimiento es un evento que tiene asignada una probabilidad, la cual puede analizarse a nivel individual. individual - Los elementos a considerar son (Crosbie, 1997): La probabilidad de incumplimiento, incumplimiento como frecuencia relativa con la que ocurre el evento en que la contraparte no cumpla con las obligaciones contractuales para pagar la deuda contraída; La tasa de recuperación, que se refiere a la proporción de la deuda que podrá ser recuperada una vez que la contraparte a caído en incumplimiento; La migración del crédito, crédito como el grado con que la calidad o calificación del crédito puede mejorar o deteriorarse. © AIS 2002- 2012 10 Concepto de Riesgo Group Riesgo de Incumplimiento Riesgo de Portafolio - Considera el análisis desde el punto de vista del agregado de créditos. - Depende de la composición y naturaleza de cada cartera. - La estimación de la pérdida debe de considerar la composición como la concentración de los créditos que componen la cartera, cartera así como tomar en cuenta las correlaciones que puedan existir entre las fuentes de riesgo de los mismos. - Dos aspectos a considerar: La correlación entre la probabilidad de incumplimiento y la calidad del crédito; La concentración de riesgo, se refiere a la contribución marginal de un activo crediticio en el riesgo total del portafolio. © AIS 2002- 2012 11 Medición del Riesgo Group Pérdida Esperada e Inesperada © AIS 2002- 2012 Concepto de “daño” daño versus concepto de “coste” coste . - Para lograr los ingresos que se persiguen en todo negocio, es necesario incurrir en una serie de costes que reducen el beneficio final. final Estos costos previstos no se consideran parte del riesgo. - Una empresa puede considerar que ha sufrido un daño cuando ha experimentado una caída de sus beneficios en comparación con los inicialmente previstos, pero no debe considerar como daño los previsibles costes de producción. El riesgo es que se produzcan desviaciones en los costes o beneficios esperados. 12 Medición del Riesgo Group Pérdida Esperada e Inesperada © AIS 2002- 2012 Los costes previstos o previsibles debido a las situaciones de impago representan la Pérdida Esperada: - Se cubren con provisiones; p ; - Nos resarcimos con el spread aplicado a cada operación. Las variaciones o volatilidades de la Pérdida Esperada constituyen la Pérdida Inesperada: - Se calcula como la diferencia entre la pérdida esperada y algún percentil de la distribución de pérdidas del portafolio; - Deben ser cubiertas con capital (Capital en Riesgo). 13 Medición del Riesgo Group Pérdida Esperada e Inesperada Costes esperados =costes t op. + fondeo f d + pérdida é did esperada d Ingresos esperados Beneficios esperados -Cartera del banco -Valor inicial Capital Pérdidas inesperadas Peor en Riesgo Rating Objetivo Quiebra Mejor “Gestión de Riesgos Financieros” , BID 1999 © AIS 2002- 2012 14 Medición del Riesgo Group Pérdida Esperada e Inesperada % Pérdida esperadas Pérdida no esperada Pérdida improbable VaR © AIS 2002- 2012 15 Medición del Riesgo Group Pérdida Esperada La pérdida producida por mora es un costo. costo El coste de mora se cubre con precio (spread) Para calcular de forma eficiente el spread se necesita información que a priori i i es difícil difí il de d obtener bt B ¿Cuándo va a caer en Mora? A ¿Va caer en Mora? © AIS 2002- 2012 C ¿Cuanto C t va a costar? 16 Medición del Riesgo Group Pérdida Esperada A ¿Va caer en mora? © AIS 2002- 2012 Modelos de evaluación Mediante Scorings o Ratings se obtiene la calificación de riesgo mediante la ponderación de características: - Del acreditado (edad, estado civil, …); - De la operación (tipo de crédito, importe, …); - Del negocio (antigüedad, sector, ratios financieros, ...); - Del comportamiento en la entidad; - Otras fuentes externas de información (Buros, ...) La p puntuación se p puede obtener p por distintos sistemas, desde la asignación manual a los procedimientos estadísticos. 17 Medición del Riesgo Group Pérdida Esperada A ¿Va caer en mora? © AIS 2002- 2012 Probabilidad de mora calibrada La probabilidad de mora de los diferentes algoritmos de Scoring/Rating deben ser homogéneas y definida como la probabilidad de mora a un año, esto se realiza mediante el proceso de calibración. 18 Medición del Riesgo Group Pérdida Esperada B ¡EXPOSICIÓN! ¿Cuánto va a caer en mora? E ti Estimación ió d dell saldo ld insoluto i l t all momento t del d l impago i 1.5 años © AIS 2002- 2012 Plazo 19 Medición del Riesgo Group Pérdida Esperada C ¡SEVERIDAD! ¿Cuánto va a costar? Estimación del costo neto del default Saldo del Crédito Valor nominal de la garantía © AIS 2002- 2012 Default Pérdida Total Costos C t d de adjudicación y realización 20 Medición del Riesgo Group Pérdida Esperada La pérdida esperada (o EL, EL del inglés Expected Loss) se define como el producto de la probabilidad de incumplimiento, la exposición en el incumplimiento y la pérdida ante el incumplimiento: Probability of Default (PD) Exposure at Default (EAD) Losses Given Default (LGD) Expected E t d Losses L (EL) © AIS 2002- 2012 21 Basilea II Group Los “pilares” en BIS II El PILAR 1: Define las nuevas normas de cálculo del capital mínimo © AIS 2002- 2012 - Se requiere capital para cubrir los riesgos de crédito, mercado (exceptuando el riesgo estructural de interés) y operacional; - Los cálculos de capital por riesgo de crédito dependen explícitamente del rating de las contrapartidas, de su exposición y del grado de recuperabilidad de las operaciones (mayor capacidad discriminadora). 35 Basilea II Group Los “pilares” en BIS II PILAR 2 o SUPERVISIÓN: tiene como objetivo asegurar una buena adecuación del capital a los riesgos g reales soportados. p Se materializa en los siguientes g principios: © AIS 2002- 2012 - El Banco debe disponer p de un p procedimiento de determinación del capital p adecuado a los riesgos y una estrategia para su mantenimiento, incluyendo la supervisión por parte del Consejo y la Alta Dirección, la medición adecuada y completa, el seguimiento e información, y la revisión de controles internos. internos - El supervisor revisará y evaluará los procesos internos de medición, control y gestión del riesgo, riesgo el proceso de evaluación de la adecuación de capital, los requerimientos cualitativos para el uso de modelos internos y el cumplimiento del los requerimientos legales. 36 Basilea II Group Los “pilares” en BIS II PILAR 2 o SUPERVISIÓN (cont.): (cont ): - Si advierte problemas en la evaluación de los procesos, el supervisor tiene capacidad discrecional para exigir más capital e incluso intervenir anticipadamente para evitar que el capital caiga por debajo del mínimo y exigir acciones correctoras inmediatas. - Complemento al pilar 1: el capital no puede sustituir en el corto plazo a controles o procesos de gestión del riesgo inapropiados. - Aumenta la interrelación e intercambio de información: entre los bancos y sus supervisores: entre los diferentes supervisores de los bancos. - © AIS 2002- 2012 Importancia de la transparencia en la aplicación de este pilar para evitar que la discrecionalidad pueda conducir a sesgos competitivos. 37 Basilea II Group Los “pilares” en BIS II PILAR 3, 3 tiene como objetivo asegurar la transparencia en la información emitida a los participantes del mercado, distinguiendo “fuertes recomendaciones” d i ” y requerimientos. i i t © AIS 2002- 2012 - El principio básico que rige en todo momento es disponer de una política de transparencia formalizada y aprobada por el Consejo, Consejo en la que se describa el objetivo y estrategia del banco en la información a emitir de carácter público. - Para la aprobación requerimientos. - Establece, para los distintos aspectos de la norma (capital, Establece (capital riesgo crédito, crédito de mercado, operacional,..) un núcleo básico de información (para todas las entidades, tanto en aspectos cuantitativos como cualitativos) y una información suplementaria (para aspectos específicos de entidades concretas) concretas). de modelos internos se establecen ciertos 38 Basilea II Group Los “pilares” en BIS II PILAR 3, 3 (cont.) (cont ) - Suministra modelos estándar de presentación de información, de los que recomienda su utilización. utilización - Los requerimientos de información son muy exigentes, en especial para las entidades que deseen utilizar modelos internos en el pilar I - Importantes implicaciones: M Materiales, t i l asociadas i d a la l adecuación d ió de d los l sistemas i t d información de i f ió de d gestión tió (en la misma línea que el pilar I); Inmateriales: nueva cultura de transparencia en las entidades financieras. © AIS 2002- 2012 39 Group Tipos de modelos de Scoring / Rating Otorgamiento REACTIVOS PROACTIVOS •Responden a una solicitud de crédito por parte del cliente •Para P medir di ell riesgo i se b basan – básicamente – en los datos que aporta el cliente en la solicitud de crédito •Son válidos para evaluar tanto a clientes como a no clientes •Se anticipan a las necesidades del cliente •Para P medir di ell riesgo i se b basan en los datos que la entidad ya dispone sobre el cliente •Únicamente Únicamente sirven para evaluar a clientes vinculados S Seguimiento i i t 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 2002- 2012 Group Tipos de modelos de Scoring / Rating © AIS 2002- 2012 Particulares Scoring Perfil del solicitante Perfil de la operación Autónomos/ Microempresas 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 Group Tipos de modelos de Scoring / Rating Ejemplo de submodelos para la cartera de particulares: Particulares Consumo Hipotecario Compra Vehículos © AIS 2002- 2012 Consumo Miniconsumo Tarjetas Subrogación Clientes No Clientes Group 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 2002- 2012 PROMOTORES START-UPS CORPORACIONES LOCALES MAYORISTAS Group Tipos de modelos de Scoring / Rating Debemos clasificar los productos en paquetes homogéneos: Exposición E i ió Empresas Riesgo Comercial © AIS 2002- 2012 Riesgo Puro I Riesgo Puro II Riesgo Puro II sin garantía con garantía Avales Group 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 y 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: Es habitual combinar Árboles de Clasificación con Regresión Logística © AIS 2002- 2012 Análisis Descriptivo 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 chequeo: q - Fechas: Distribución de las operaciones en las fechas adecuadas y con lógica - Comportamiento de pago (incidencias, mora, ...) Comprobar C b que los l ratios ti de d incidencia i id i y mora son lógicos ló i - 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 Edad y antigüedad en empleo Estado civil y componentes de la unidad familiar ... © AIS 2002- 2012 Group Análisis Descriptivo Group 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 (p (p.e errores conversión: Euros Pesetas)) Eliminar con precaución: - - Deben ser pocos casos No deben alterar la estructura de la cartera (ratio de mora) V i bl de Variables d chequeo: h Tratar de “arreglar” siempre que sea posible Si no es posible, eliminar con precaución - © AIS 2002- 2012 Deben ser p pocos casos No deben alterar la estructura de la cartera (ratio de mora) Análisis descriptivo Group Lectura y depuración de datos Ejemplo de tratamiento de errores: Frequency CLIENTE Si No No informado 1260 720 40 Frequency CLIENTE Si No © AIS 2002- 2012 1300 Morosidad 5% 20% 5% Morosidad 5% 720 20% Análisis descriptivo Definición de la variable a explicar Objetivo del modelo de Scoring: Predecir el cumplimiento de las obligaciones de pago de un cliente en tiempo y forma La definición habitual de la variable a explicar es: Retraso en ell pago d R de una cuota en más á d de 90 dí días En algún momento a lo largo de la vida de la operación Pero puede existir la necesidad de relajar esta definición: - © AIS 2002- 2012 Si hay insuficiente número de casos malos Si ha habido reestructuraciones Si ha habido pase a pérdidas, pérdidas quitas, quitas condonaciones,... condonaciones que no hayan quedado reflejadas en la definición habitual Group Análisis descriptivo 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 2002- 2012 Group Análisis Descriptivo Group Selección de casos Los expedientes de crédito suelen tener una naturaleza “compleja”: 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 el comportamiento de una operación Debemos reducir esta complejidad a un conjunto de variables por cada operación © AIS 2002- 2012 Análisis Descriptivo Selección de casos Existen varias posibilidades: Selección S l ió d dell mejor j tit titular l 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 H que ser cuidadoso Hay id d con lla creación ió d de variables: i bl orden d © AIS 2002- 2012 Group Análisis Descriptivo Selección de muestras Para visualizar adecuadamente una cartera es necesario definir los siguientes conjuntos de información: MUESTRA ACTUAL Contiene todas las 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 MUESTRA HISTÓRICA Contiene todas las SOLICITUDES de un periodo histórico Puede contener todo el conjunto que no pertenezca a la muestra actual MUESTRA MADURA Contiene solo las OPERACIONES formalizadas La utilizamos para ver el comportamiento respecto a la morosidad de todas las variables © AIS 2002- 2012 Group Análisis Descriptivo Selección de muestras Para seleccionar la muestra madura 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: Se realiza únicamente con los morosos Se S grafica fi cómo ó “ “caen” ” los l morosos en función f ió de d la l maduración d ió Se busca la maduración que acumula “buena parte” de los morosos © AIS 2002- 2012 Group Análisis Descriptivo Group Selección de muestras Gráfico de maduración: 45,00% 40 00% 40,00% % casos moro osos 35,00% 30,00% 25,00% 20,00% Serie1 15,00% 10,00% 5,00% 0,00% Fecha de formalización © AIS 2002- 2012 Análisis Descriptivo Group Selección de muestras 4T05 1T06 2T06 3T06 4T06 1T07 TOT % 1 0 1 0 1 0 1 3 6% Método Mét d sin i previsiones i i MADURACIÓN 2 3 4 5 2 5 1 1 2 6 3 1 1 9 3 4 6 3 12 24% 26 52% 7 14% 2 4% 6 TOT 0 9 13 13 11 3 1 0 50 0% FO ORMALIZACIIÓN FO ORMALIZACIIÓN B % Morosos Gráfico Chain-Ladder 4T05 1T06 2T06 3T06 4T06 1T07 TOT % 1 0 1 0 1 0 1 30 3,0 3% Método Mét d previsiones i i 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 6 17,3 6,1 3,0 18 0 52,0 18,0 52 0 18,2 18 2 91 9,1 16% 48% 17% 8% C (A/B)*C 60% 52% 48% 40% 24% % 16% 20% 17% % 14% 6% 3% 0% 1 2 3 4 Maduración © AIS 2002- 2012 8% 4% 5 8% 0% 6 A 6 TOT 1 10,0 1 14,0 , 1,5 16,0 1,1 15,2 1,5 17,7 3,0 36,5 9 1 109,4 9,1 109 4 8% Análisis Descriptivo Group Selección de muestras NO AUTO---% Morosidad vs. Maduración distr moroso 100,00% metodo no previsiones metodo previsiones Gráfico Chain-Ladder: Chain Ladder: 8,00% 7,53% 7,32% 7,31% 7,28% 90,00% 7,00% 6,68% 80,00% 6,00% 74,89% 5,98% 70,00% 5,42% 5,30% 5 00% 5,00% 60,00% 4,86% 4,55% 50,00% 4,00% 3,82% 3 25% 3,25% 40,00% 3,00% 2,98% 2,88% 2,76% 18 2,42% 30,00% 2,00% 1,91% 1 63% 1,63% 20 00% 20,00% 1,23% 1,17% 1,08% 1,05% 0,87% 10,00% 0,15% 0 00% 0,00% 0,00% 00% 0,00% 00% 0,00% 00% 0 00% 0,00% 0,54% 0,49% 0,53% 0,51% 0,48% 0,43% 0,36% 0,36% 0,41% 0,26% 0,34% 0,24% 0,13% 0,03% 0,02% 0,01% 01% 0,01% 01% 0,00% 00% 0,00% 00% 0,00% 00% 0,00% 00% 0,00% 00% 0,00% 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 2002- 2012 1,00% % casos morosos % cas sos acumulad do 5,42% Análisis Descriptivo Creación de variables Las variables se deben tratar en función de su naturaleza: - Categóricas: Agrupación de categorías por morosidad - Continuas: Categorización por tramos Las variables ariables base habituales habit ales en un n modelo reactivo reacti o de consumo cons mo se agrupan en: - © AIS 2002- 2012 Variables de operación V i bl de Variables d perfil fil socio-económico i ó i Variables de vinculación con la entidad Variables experiencia de pago anterior Group Análisis Descriptivo Group Creación de variables Variables V i bl de d operación ió 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 V i bl de d perfil fil socio-económico i ó i Edad Estado Civil Componentes UF Ingresos Gastos Situación Laboral Antigüedad empleo Profesión Situación de la vivienda ... Variables de vinculación Antigüedad como cliente Domiciliación de nómina Domiciliación de recibos Saldos medios Experiencia p de p pago g anterior Buró de crédito Comportamiento interno © AIS 2002- 2012 Análisis Descriptivo Creación de variables Variables artificiales habituales: - © AIS 2002- 2012 Ratio de financiación: importe crédito / valor del bien Capacidad de pago: ingresos – gastos Ratio de Capacidad de pago: (ingresos - gastos) / cuota Ratio de Endeudamiento I: cuotas préstamo solicitado / ingresos Ratio de Endeudamiento II: (cuota préstamo + otras cuotas) / ingresos R ti de Ratio d saldo ld medio: di saldo ld medio di / cuota t Ratio de vivienda: valor vivienda / importe crédito Group Análisis Descriptivo Segmentación La segmentación de la cartera debe realizarse según los siguientes criterios: - Segmentaciones habituales (en modelos reactivos de particulares): - © AIS 2002- 2012 Comportamientos de las variables distintos Variables distintas en los diferentes grupos Por tipo de producto: Consumo, Hipotecario, Tarjetas Por nivel de vinculación: Cliente / No Cliente Por destino: vehículos / no vehículos Por nacionalidad: modelos de inmigrantes Group Análisis Descriptivo Group Análisis univariante y bivariante Saldo Medio Pasivo a la Vista 14 12 2 12,2 8,9 9 9,4 11,3 10,8 10,8 10,411 10,9 10,2 10,2 9,4 9,1 De 65+ a 180 € De 180+ a 360 € De 360+ a 650 € 9,5 8,5 11,6 De 0+ a 65 € % ind dividuos 10 11,5 10,9 12 8 6 4 2,8 1,1 0,3 2 Muestra Histórica Valor No Cliente Negativos 0€ D 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+ 1.250 a 2.500 € De 2.500+ a 6.000 € Más de 6.000 € Total © AIS 2002- 2012 Número 10.574 1.198 12.111 9 926 9.926 9.949 10.413 10.471 11.353 11.598 12.123 11.285 111.001 Porcentaje 9,5 1,1 10,9 89 8,9 9,0 9,4 9,4 10,2 10,4 10,9 10,2 100,0 Más de e 6.000 € De 2.500+ a 6.000 € De 1.250+ a 2.500 € De 650+ a 1.250 € 0€ Negativos s No Cliente e 0 Muestra Actual Número 944 109 2.818 4 067 4.067 3.845 3.850 3.608 3.609 3.655 3.757 3.046 33.308 Porcentaje 2,8 0,3 8,5 12 2 12,2 11,5 11,6 10,8 10,8 11,0 11,3 9,1 100,0 Análisis Descriptivo Group Análisis univariante y bivariante 60,00% 70,00% 60,00% 50 00% 50,00% 50,00% 40,00% 40,00% Datos Suma de PCT_CASOS Promedio de MORA 30,00% 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 2002- 2012 Datos Suma de PCT_CASOS Promedio de MORA , 64,45% , 54,13% 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 Desarrollo del modelo 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 DIFICULTAD - Un modelo basado exclusivamente en operaciones aprobadas puede ser poco preciso (“sesgo muestral”). Esto es particularmente cierto cuando la d i ió de decisión d aprobar/denegar b /d h sido ha id vinculante i l t all scoring i previo. i SOLUCION: Tratamiento de denegadas © AIS 2002- 2012 - Permite estimar en qué porcentaje aumentaría la morosidad si se aprobasen todas las solicitudes - Permite construir un Scoring para todas las solicitudes Group Desarrollo del modelo Incorporación de solicitudes rechazadas Todos los denegados son morosos No es cierto Puede sesgar los resultados para las operaciones aprobadas Asignación del mismo % de mora observado de forma aleatoria Perdemos poder de explicación Ignorar las denegadas Sesgo muestral Es demasiado optimista con las operaciones denegadas Asignación mediante un Scoring de Bureau Difícil de obtener Caro Necesita un vínculo fuerte con los datos de la cartera Aprobar todas las operaciones No viable © AIS 2002- 2012 Group Desarrollo del modelo Incorporación de solicitudes rechazadas 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: A t ti C Construimos t i un scoring i d Aprobar/Denegar de A b /D (A/D) (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 © AIS 2002- 2012 Group Group Incorporación de solicitudes rechazadas Fuzzy augmentation: Duplicamos las denegadas, 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) No corrige la “posible” posible morosidad en determinados grupos que no se han aprobado Necesita una 2a ponderación para equilibrar el número de aprobadas/denegadas Reclasificación: Aplicamos Fuzzy augmentation de forma iterativa usando d como pesos los l del d l modelo d l de d B/M del d l paso anterior. t i Paramos P cuando el % de morosos se estabiliza No corrige g los p problemas señalados © AIS 2002- 2012 Desarrollo del modelo 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 No es una hipótesis realista ya que es un tratamiento demasiado homogéneo. Restamos un mayor poder de explicación a las variables de perfil 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. Asume que el procedimiento de denegar operaciones viene informado, o bien la información no recogida no influye sistemáticamente en la decisión Puede P d tener t un cierto i t carga de d aleatoriedad l t i d d asignar i con un solo l vecino i © AIS 2002- 2012 Group Desarrollo del modelo Incorporación de solicitudes rechazadas K-Vecinos 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. Asume el procedimiento de denegar operaciones no discrimina dado el perfil del solicitante © AIS 2002- 2012 Group Desarrollo del modelo Group Preparación de las variables para la regresión Trataremos las variables según su naturaleza: - Variables categóricas: Agrupación según morosidad Se puede utilizar método CHAID Grupos homogéneos SITVIVIENDA Propietario sin cargas Propietario con cargas Padres - familia Inquilino Total general © AIS 2002- 2012 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% Desarrollo del modelo Group Preparación de las variables para la regresión Trataremos las variables según su naturaleza: - Variables continuas: Se pueden categorizar Piece-Wise Wise O se pueden tratar como continuas utilizando Piece 1 m 1 exp X © AIS 2002- 2012 P i X ln i 1 P i Desarrollo del modelo Group Preparación de las variables para la regresión Tratamiento Piece-wise: Piece wise: ingresos, si ingresos1 2.000, caso ingresos 2.000, si ingresos2 0, caso contrario ingresos 2.000€ contrario Ln (m /1 m ) 0€ 0 1.000 € 1.500 € 2.000 € Ln (m/1 m ) 2.500 € 3.000 € 0€ 0 -0,5 1.000 € 1.500 € 2.000 € 2.500 € 3.000 € -0,5 -1 -1 Ln(m /1 m ) Ln (m /1 m ) -1,5 -1,5 -2 -2 -2,5 -2,5 © AIS 2002- 2012 ingresos 2.000€ Desarrollo del modelo Group Estimación de los coeficientes Beta La estimación de los coeficientes la realizamos con algún paquete estadístico (por ejemplo R). R) Ejemplo de especificación: Variable a explicar Variables explicativas GLM.1 <- glm(MORA ~ ANTCLIE + ANTEMP + EDAD + ESTCIVIL + NOMINA + RECIBOS + SITLABORAL + SITVIVIENDA + SMD + TIPO_ARTICULO, family=binomial(logit), data=datos_vehiculos) Tipo de función con la que modelizar © AIS 2002- 2012 Conjunto de datos con los que modelizar Es habitual utilizar métodos de optimización en la búsqueda de la solución como por ejemplo stepwise. Desarrollo del modelo Group Estimación de los coeficientes Beta Ejemplo de coeficientes beta: Variables en el modelo PROCED_R(0) ( ) PROCED_R(1) DEST_R(0) DEST_R(1) DEST_R(2) PLAZO_R(0) ( ) PLAZO_R(1) PLAZO_R(2) ESTCIV_R(0) ESTCIV_R(1) PROVIN_R(0) ( ) PROVIN_R(1) CONTED_R by ANTEMP21 ACTIEC_R(0) ACTIEC_R(1) ACTIEC R(2) ACTIEC_R(2) ANYCLI12 BALCA12 RVUELT11 VINCU_R2 VINCU R2(1) VINCU_R2(1) VINCU_R2(2) Constante © AIS 2002- 2012 %Morosidad B 4,20% 0 2,80% , -0,68243249 , 3,60% 0 2,50% -0,2371458 5,00% 0,24949526 4,81% 0 2,91% , -0,76595407 , 3,65% -0,4764936 2,50% 0 5,30% 0,28820326 4,80% 0 3,10% , -0,32319196 , Pice-wise Pice-wise Pice-wise Pice-wise Wald 22,4147475 , 4,85663923 2,0497129 1,76125822 9,7698907 8,8610858 , 3,86969607 4,41056508 4,9827871 , -0,03500922 3,49326138 3,00% 0 5,10% 0,35268525 1 40% -0,20297414 1,40% 0 20297414 -0,03142433 -0,00063071 -0,35691425 3,10% 6 50% 0,36677283 6,50% 0 36677283 0,90% -0,63351864 3,40% -1,42859607 7,12643706 6,41963937 0 2696077 0,2696077 6,38390019 4,06767282 66,8772771 13,9267734 5 30952725 5,30952725 5,557457 21,8781752 Sig. Categorías Campaña de Marketing y Gestión oficina 0,000 , Canales externos 0,088 Otros (Consumo No duradero) 0,152 Frigorífico, Ref 1ª vivienda, Otros(Cns 0,184 Muebles-Decoración 0,008 Más de 36 meses 0,003 , Hasta 12 meses 0,049 De 12+ hasta 36 meses Casado, viudo 0,036 Soltero, Divorciado y separado judicial Resto 0,026 , Madrid,, Barcelona Situación<>'Otros' Mayores de 27 años. 0,062 Pice-Wise: Hasta 15 años 0,028 Resto 0,011 Construcción, Comer-hostelería 0 604 Sanidad,Enseñanza 0,604 Sanidad Enseñanza 0,012 De 4+ a 18 años 0,044 De 550+ a 1200€ 0,000 De -0.9 a 4.5 veces 0,001 No domicilia una de las dos 0 021 No nómina, 0,021 nómina no recibos o no cliente 0,018 Si nómina, si recibos 0,000 CAPÍTULO 4: Validación 4 1 Criterios para determinar la validez del modelo 4.1 Los test habituales para validar un modelo de Scoring son los siguientes: - Test de Hosmer-Lemeshow Mide si existen diferencias significativas entre las distribuciones de probabilidad de mora real y morosidad observada - Tabla de eficiencia Tabla de distribución de buenos y malos en percentiles - Coeficiente Gini Mide la capacidad de ordenación del modelo desarrollado - Curva ROC Es una transformación directa del coeficiente GINI (o a la inversa) - - Curva ROC = 50 + (GINI /2) Test de Kolmogorov-Smirnov Mid Mide la l capacidad id d del d l modelo d l de d separar entre t las l distribuciones di t ib i d Buenos de B y Malos © AIS 2002- 2012 Group CAPÍTULO 4: Validación Group 4 1 Criterios para determinar la validez del modelo 4.1 Test de Hosmer-Lemeshow: Hosmer Lemeshow: Prueba de Hosmer y Lemeshow Paso 1 Chi-cuadrado gl Sig. 3,649 8 ,887 Podemos observar que las diferencias entre las distribuciones no son estadísticamente significativas Tabla de contingencias para la prueba de Hosmer y Lemeshow MORA = No moroso MORA = Moroso Observado Esperado Observado Paso 1 © AIS 2002- 2012 Esperado Total 1 210 209,190 0 ,810 210 2 207 207,713 3 2,287 210 3 206 206,042 4 3,958 210 4 191 190,661 5 5,339 196 5 203 202,992 7 7,008 210 6 199 199 427 199,427 11 10 573 10,573 210 7 194 197,003 16 12,997 210 8 188 189,416 22 20,584 210 9 185 178,399 25 31,601 210 10 156 158,157 68 65,843 224 Morosos observados en los dos últimos deciles Morosos esperados (media de probabilidades estimadas) en los dos últimos deciles CAPÍTULO 4: Validación 4 1 Criterios para determinar la validez del modelo 4.1 © AIS 2002- 2012 Tabla de eficiencia: Group CAPÍTULO 4: Validación Group 4 1 Criterios para determinar la validez del modelo 4.1 Coeficiente GINI: La diagonal roja que se observa en el gráfico (función identidad) representa el modelo aleatorio, la curva rosa representa el modelo perfecto y la curva azul representa el modelo propuesto. El coeficiente de gini es el cociente entre el área comprendida entre la curva roja y la curva azul y el valor 0.5 (área correspondiente al modelo aleatorio). Se evidencia que la curva correspondiente al modelo actual (curva azul) se encuentra muy cercana a la curva rosa que representa el modelo perfecto. © AIS 2002- 2012 CAPÍTULO 4: Validación Group 4 1 Criterios para determinar la validez del modelo 4.1 Curva ROC: En este caso medimos lo mismo que con el coeficiente GINI, pero calculando el área incluyendo en triángulo inferior © AIS 2002- 2012 CAPÍTULO 4: Validación Group 4 1 Criterios para determinar la validez del modelo 4.1 Test de Kolmogorov-Smirnov: Kolmogorov Smirnov: TABLA GINI - KS © AIS 2002- 2012 Tramo Buenas M alas Total % mora 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 1118 1121 1116 1112 1109 1114 1106 1107 1105 1109 1104 1099 1100 1105 1095 1086 1088 1090 1057 1000 21941 4 5 9 11 17 11 19 17 19 15 22 22 27 19 32 36 37 37 65 124 548 1122 1126 1125 1123 1126 1125 1125 1124 1124 1124 1126 1121 1127 1124 1127 1122 1125 1127 1122 1124 22489 0 4% 0,4% 0,4% 0,8% 1,0% 1,5% 1 0% 1,0% 1,7% 1,5% 1,7% 1,3% 2 0% 2,0% 2,0% 2,4% 1,7% 2,8% 3 2% 3,2% 3,3% 3,3% 5,8% 11,0% 2,4% % acum buenas % acum m ora 5 10% 5,10% 10,20% 15,29% 20,36% 25,41% 30 49% 30,49% 35,53% 40,58% 45,61% 50,67% 55,70% 60,71% 65,72% 70,76% 75,75% 80,70% 85,66% 90,62% 95,44% 100,00% 0 73% 0,73% 1,64% 3,28% 5,29% 8,39% 10 40% 10,40% 13,87% 16,97% 20,44% 23,18% 27,19% 31,20% 36,13% 39,60% 45,44% 52,01% 58,76% 65,51% 77,37% 100,00% Buenos - M alos 4 4% 4,4% 8,6% 12,0% 15,1% 17,0% 20 1% 20,1% 21,7% 23,6% 25,2% 27,5% 28,5% 29,5% 29,6% 31,2% 30,3% 28,7% 26,9% 25,1% 18,1% 0,0% 0,29 71% 42,29% 31,2% CAPÍTULO 4: Validación 4 2 Tipos de validación 4.2 Adicionalmente a comprobar que el modelo desarrollado es eficiente, eficiente debemos asegurarnos que no está sobreestimado - E i t distintas Existen di ti t alternativas lt ti d validación de lid ió de d modelos: d l - © AIS 2002- 2012 Podemos explicar muy bien lo que ocurre con la muestra de desarrollo Pero el modelo puede explicar muy mal las nuevas operaciones que deberá evaluar Out of sample Out of time Bootstrap Group CAPÍTULO 4: Validación 4 2 Tipos de validación 4.2 Validación out of sample: - En qué consiste: Reservamos una muestra que no incluimos en el desarrollo Habitualmente utilizamos un 80% en el desarrollo y reservamos un 20% para la validación seleccionado aleatoriamente El modelo se desarrolla con la muestra del 80% sobre la que calculamos los distintos indicadores para garantizar la eficiencia del mismo Una U vez disponemos di d un modelo de d l adecuado, d d calculamos l l estos t mismos i indicadores sobre la muestra del 20% - Ventajas Es de muy fácil aplicación Los resultados son fáciles de interpretar - Incovenientes Hay yq que disponer p de una muestra suficientemente g grande No garantiza la efectividad del modelo ante cambios estructurales de la cartera: la muestra de validación tiene implícita una determinada estructura © AIS 2002- 2012 Group CAPÍTULO 4: Validación 4 2 Tipos de validación 4.2 Validación out of time: - En qué consiste: Reservamos una muestra que transcurre en un periodo de tiempo distinto al de la muestra de desarrollo Habitualmente se utiliza una muestra reciente y se actualiza la variable a explicar una vez finalizado el modelo - Ventajas: Al validar con una muestra más reciente, probamos la efectividad del modelo con una cartera más similar a la que deberá responder Resultados fáciles de interpretar - Inconvenientes: Según la cantidad y periodo de datos disponible es posible que no podamos “sacrificar” un periodo suficiente de la muestra Al trabajar con una muestra actual podemos tener problemas de maduración: difícil buscar el equilibrio Puede ocurrir que la prueba se convierta, de hecho, en un back-testing © AIS 2002- 2012 Group CAPÍTULO 4: Validación 4 2 Tipos de validación 4.2 Validación bootstrap: - En qué consiste: Construimos n submuestras de un 80% de la población, seleccionadas aleatoriamente El modelo de regresión lo lanzamos sobre cada una de las submuestras de forma simultánea comprobando: - La significación de los coeficiente beta La lógica de ordenación de estos coeficientes Las betas del modelo resultante son una media de las betas de cada uno de las n regresiones que hemos lanzado - Ventajas: Para aplicar el método no hemos de renunciar a ninguna submuestra, sino que se utiliza el 100% de los datos disponibles Es un método de construcción “autovalidado”. Es decir, no esperamos a tener el modelo para validarlo, validarlo sino que en la misma construcción ya nos aseguramos que sea válido - Inconvenientes: Añade complejidad al proceso de construcción No validamos el efecto ante un cambio en la estructura de la cartera © AIS 2002- 2012 Group CAPÍTULO 5: Implantación Group 5 1 Transformación a una calificación 5.1 Dictamen Perfil Dictamen Capacidad de Pago BALANCE DE CAJA = 0.175 0.15 + Ingresos Totales No Morosos 0.125 - Gastos Fijos (cuotas de préstamos) Morosos 0.1 - Gastos Estimados 0.075 0.05 Rechazado -4 4 -2 2 Menos exigente Dudoso 0.025 Aceptado RATIO BALANCE DE CAJA = X 2 Xc Más exigente 1 1 exp( ( X )) © AIS 2002- 2012 4 B l Balance d de C Caja j /C Cuota t Puntos Scoring Ratio R i BC < 1 INSUFICIENTE [1,K] JUSTA > K SUFICIENTE CAPÍTULO 5: Implantación Group 5 1 Transformación a una calificación 5.1 Dictamen Final DICTAMEN DE PERFIL DICTAMEN CAPACIDAD PAGO DE DE APROBADO DUDOSO RECHAZADO SUFICIENTE APROBADO DUDOSO RECHAZADO JUSTA DUDOSO DUDOSO RECHAZADO INSUFICIENTE RECHAZADO RECHAZADO RECHAZADO Adicionalmente Texto resumen pueden de aplicar la diapositiva. diapositiva Reglas Elicitadas Arial 16 negrita y/o Filtros cursiva. cursiva internos Centrado. Centrado y externos © AIS 2002- 2012 o t i d é r c e d s a c i t í l o p e d r o d a l u m i S o z a h c e R y n o i c a b o r p A e d s a r e t n o r F o z a h c e R % % 8 2 1 n o i c a b o r p A o g a P e d d a d i c a p a C n o C g n i r o c S o g a P e d d a d i c a p a C n i S g n i r o c S o g a P e d % 5 9 , 7 s a d a b o r p A % 7 8 , 4 6 % 6 6 , 0 1 % 7 7 , 0 1 a d u D % 0 6 , 2 1 % 2 4 , 9 1 % 1 9 , 7 1 % 7 3 , 2 1 s a d a z a h c e R % 3 5 , 2 2 % 9 0 , 7 1 % 2 3 , 3 % 0 7 , 1 1 s a d a z a h c e R % 2 9 , 9 % 9 8 , 8 6 a d u D % 8 0 , 3 s a d a b o r p A Duda 12% d a d i s o r o M % d a d i c a p a C n o C d a d i t n E n e m a t c i D o z a h c e R % o g a P d a d i s o r o M % e d d a d i c a p a C n i S n e m a t c i D © AIS 2002- 2012 A probadas 10% Rechazadas Duda A probadas % Mora esperada 0% 20% 15% 10% 5% 0% 2% Aprobadas 64,9% 8% 9,92% Duda % Rechazo % Morosidad Distribución Dictámenes (Dictamen con Capacidad de Pago) Rechazadas 14% 17,09% Recha zadas Rechazadas 22,5% 4% 3,08% Aprobadas Duda 12,6% Group CAPÍTULO 5: Implantación 5 1 Transformación a una calificación 5.1 6% CAPÍTULO 5: Implantación Group 5 2 Inclusión de reglas adicionales 5.2 Perfil Socio-económico Cálculo de Capacidad de Pago g Scoring de Dictamen de Capacidad Dictamen Perfil Reglas R l Elicitadas © AIS 2002- 2012 Conclusión Dictamen Final Perfil Mejor Titular Mejor Avalista Filtros E t Externos e Internos Ponderación Titulares y Avalistas Bibliografía g Breiman, Breiman Leo, Leo Friedman, Friedman Jerome H. H Olshen, Olshen Richard A. A Stone Charles J. J “Classification and regression trees” Wadsworth, Belmont California 1984 Damodar Gujarati “Econometría” 4ª. Edición, Editorial McGraw Hill, Bogotá. D. C. 2004 De Groot “P b bilid d y estadística” “Probabilidad t dí ti ” Addison-Wesley, Wilmington 1988 Fahrmeir, Ludwig; Tutz,Gerard Multivariate Statistical Modeling Based on Generalized Linear Models Models” “Multivariate Springer-Verlag, N. York 2001 Forsyth, Richard. “Machine Learning. Principles and techniques” Chapman and Hall Computing, London 1989 Greene, William H. “Econometric Analysis” P ti Hall, Prentice H ll N. N York Y k 2003 © AIS 2002- 2012 Group Bibliografía g Hair, Hair Anderson, Anderson Tatham, 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 “T t i t estadístico “Tratamiento t dí ti de d datos” d t ” Marcombo, Barcelona 1985 Nilsson, Nills J. Principles of Artificial Intelligence Intelligence” “Principles 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” J h Whiley, John Whil Chi h t 1995 Chichester © AIS 2002- 2012 Group Bibliografía g Romeder, Romeder Jean Jean-Marie 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; “C dit Scoring “Credit S i and d Its It Applications” A li ti ” SIAM, 2002 Tufte, Edward R. The visual Display of Quantitative Information Information” “The 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” A il Madrid Aguilar, M d id 1967 © AIS 2002- 2012 Group Group AIS Mé i AIS-México Insurgentes sur 568, piso 5 Del Valle 03100, México D.F. Tel: +52 55 5543-8031 / 5536-2858 www.ais-int.com © AIS 2002- 2012