El Riesgo en la organización cooperativa de ahorro y crédito

Transcripción

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 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 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
Group


© 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
Group
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
Group
%
Pérdida
esperadas
Pérdida no esperada
Pérdida improbable
VaR
© AIS 2002- 2012
15
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
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
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
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
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
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
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

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
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

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
© 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
 Ejemplo de submodelos para la cartera de particulares:
Particulares
Consumo
Hipotecario
Compra
Vehículos
© AIS 2002- 2012
Consumo
Miniconsumo
Tarjetas
Subrogación
Clientes
No Clientes
Group
 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
 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
Group

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

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%
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
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
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
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
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

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
Group

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
Group
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%
Group
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%
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
Group
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

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
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
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
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

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

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

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

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

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
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%
Group

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
Group

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€
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.
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
Group
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
4.1

© AIS 2002- 2012
Tabla de eficiencia:
Group
Group
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
Group
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
Group
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%
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
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
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
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
Group
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
5.1
6%
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

El Riesgo en la organización cooperativa de ahorro y crédito

Transcripción

Documentos relacionados

Banco Pastor

July 31, 2016 - Church of Our Saviour

lipoatrofia lipoatrofia semicircular semicircular

REPÚBLICA DEL ECUADOR

AKAPP-STEMMANN Company brochure

Espacios Naturales Protegidos

Bajar Presentación en PDF - FLORIDA POTENTIAL HOMES TEAM

Mapa de Santo Domingo - Asociación XBRL España