on6.

148

Universidad Nacional de Ingenier a

Facultad de Ingenier a Industrial y de Sistemas Escuela Profesional de Ingenier a de Sistemas
Propuesta de Tesis presentada para obtener el grado de

Ingeniero de Sistemas

Credit Scoring para Pymes Financieras

por Audante Ramos, N estor Rafael 20034021E

Lima - Lima Noviembre de 2007

Credit Scoring para Pymes Financieras

Audante Ramos, N estor Rafael 7 de enero de 2008

Credit Scoring para Pymes Financieras

Audante Ramos, N estor Rafael 20034021E

Facultad de Ingenier a Industrial y de Sistemas, 2007

Asesor de Tesis: Ing. Oporto D az, Samuel

Esta tesis tiene por nalidad brindar a las empresas nancieras (En especial a las PYMES Financieras) un sistema de Scoring, es decir, una forma de asignarle determinada calicaci on a los riesgos representados por clientes espec cos, debido a que las empresas anteriormenete mencionadas presentan alto ndice de morosidad (tal y como lo demuestran los reportes de las cajas municipales de Ahorro y cr edito y las cajas rurales)1 afectando tanto su rentabilidad como haciendo necesario la emisi on de tasas de inter es bastante altas para compensar el riesgo en el que incurren. Las ventajas que supone el emplear un mecanismo de escoring son, entre otras: Menor nivel de riesgo de la Entidad, mejores niveles de recaudo de Cartera y mejor utilizaci on de los recursos, es decir, la aplicaci on de Scoring en micronanzas permite ante todo ser m as rentables 2 en los procesos .

En Determinantes de la rentabilidad en las Cajas Rurales de Ahorro y Cr edito, se nos habla del caso concreto de los cr editos agropecuarios los cuales presentaban en el a no 2003 un ndice de rentabilidad de -5.3 %adem as el cr edito comercial es el otro producto que registra p erdidas para la CRAC (1.95 % de la cartera promedio), por los reducidos ingresos nancieros generados y los altos costos de riesgo de estas colocaciones. 2 Tal y como nos lo indica el Ing. Javier Iba nez Flores del Instituto de Formaci on Bancaria en su presentaci on Aplicaciones del Credit Scoring para Micronanzas

 Indice general
1. Introducci on 1.1. Introducci on . . . . . . . . . . . . . . . 1.2. Justicaci on . . . . . . . . . . . . . . . 1.3. Alcances y Limitaciones . . . . . . . . 1.3.1. Limitaciones de la Investigaci on 2. Formulaci on del problema 2.1. Descripci on de la situaci on problem atica 2.2. Descripci on del problema . . . . . . . . 2.3. Objetivo de la Investigaci on . . . . . . . 2.3.1. Objetivo superior . . . . . . . . 2.3.2. Objetivo principal . . . . . . . 2.3.3. Objetivos espec cos . . . . . . 2.4. Arbol de problemas y objetivos . . . . . 2.4.1. Arbol de problemas . . . . . . . 7 7 8 9 9 12 12 13 14 14 14 14 15 15 17 17 20 20 21 22 23

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

3. Revisi on de la bibliograf a 3.1. Introducci on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.2. Valoraci on de Riesgo Crediticio y Credit scoring. . . . . . . . . . . . . . . . . . 3.2.1. Valoraci on del riesgo crediticio . . . . . . . . . . . . . . . . . . . . . . 3.2.2. Elementos claves de la evaluaci on de cr edito . . . . . . . . . . . . . . . 3.2.3. Credit Scoring . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.2.4. Ventajas del credit scoring para las Pymes Financieras: . . . . . . . . . . 3.3. Revisi on de algunos M etodos no estad sticos aplicados en la construcci on de Credit Scoring . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.3.1. Redes Neuronales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.3.2. Algoritmos Gen eticos . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.3.3. Investigaciones previas que han utilizado m etodos no estad sticos para construir modelos de Scoring . . . . . . . . . . . . . . . . . . . . . . . . 3.4. Antecedentes de la investigaciones . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . .

. 24 . 24 . 28 . 31 . 32

4. Metodolog a de la Investigaci on 37 4.1. Tipo de Investigaci on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37 2

 de la investigaci 5. Diseno on 5.1. Objeto de la Investigaci on . . . . . . . . 5.1.1. Poblaci on . . . . . . . . . . . . . 5.1.2. Tama no de la poblaci on . . . . . 5.1.3. Tama no de la muestra . . . . . . 5.2. Dise no de la investigaci on . . . . . . . . 5.2.1. Tipo de dise no de la investigaci on 5.2.2. Variables independientes . . . . . 5.2.3. Variables dependientes . . . . . . 5.2.4. Variables del modelo . . . . . . . 5.3. Dise no de la investigaci on . . . . . . . . 5.4. Hipotesis . . . . . . . . . . . . . . . . . 5.4.1. Contraste de hip otesis . . . . . . 5.4.2. Instrumentos de Medicion . . . .

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

6. Modelo de soluci on 47 6.1. Modelo de soluci on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47 7. Planicaci on de la investigaci on 7.1. Descripci on de actividades - etapas 7.2. Recursos necesarios . . . . . . . . 7.3. Cronograma de trabajo . . . . . . 7.4. Presupuesto de la Investigacion . . 7.4.1. Fuentes de Financiamiento 49 49 49 50 50 50

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

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

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

 Indice de guras
1.1. Scoring de evaluacion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9 1.2. Scoring de Segmentacion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 1.3. Scoring de Cobranza . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 2.1. Arbol de problemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 3.1. 3.2. 3.3. 3.4. 3.5. 3.6. 3.7. 3.8. 3.9. 3.10. Estructura de la Red Neuronal Articial . . . . . . Suma de Pesos . . . . . . . . . . . . . . . . . . . Funci on de Activaci on . . . . . . . . . . . . . . . Arquitectura de la Red . . . . . . . . . . . . . . . Redes FeedForward . . . . . . . . . . . . . . . . . Redes Recurrentes . . . . . . . . . . . . . . . . . EcuacionProgGenetica . . . . . . . . . . . . . . . Esquema de funcionamiento del algoritmo gen etico Diagrama de ujo del procedimiento de chequeo . Diagrama de ujo del procedimiento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24 25 25 26 26 27 29 30 34 35

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

Cap tulo 1 Introducci on

1.1. Introducci on

Esta tesis tiene por nalidad brindar a las empresas nancieras en especial a las PYMES Financieras un sistema de Scoring, es decir, una forma de asignarle determinada calicaci on a los riesgos representados por clientes espec cos, debido a que las empresas anteriormenete mencionadas presentan alto ndice de morosidad (tal y como lo demuestran los reportes de las cajas municipales de Ahorro y cr edito y las cajas rurales)1 afectando tanto su rentabilidad como haciendo necesario la emisi on de tasas de inter es bastante altas para compensar el riesgo en el que incurren. Las ventajas que supone el emplear un mecanismo de escoring son, entre otras: Menor nivel de riesgo de la Entidad, mejores niveles de recaudo de Cartera y mejor utilizaci on de los recursos, es decir, la aplicaci on de Scoring en micronanzas permite ante todo ser m as rentables en los procesos2 . El tema de Credit Scoring ha sido altamente tratado en diversas instituciones a nivel mundial, y se han presentado m etodos de optimizaci on los cuales buscan mejorar su precisi on (pues lo usual es usar, para efectos de c alculo m etodos estad sticos como curva de regresi on lineal y curvas de regresi on log stica) usando t ecnicas de inteligencia articial, como es el caso de: Redes Neuronales de Retropopagaci on, M aquina vector-soporte, algor tmos gen eticos, etc.3 . El prop osito de esta stas t t esis es seleccionar una o m as de e ecnicas para desarrollar una herramienta que nos permita brindar a las PYMES nancieras una herramienta de alta precisi on para evaluar el riesgo crediticio asociado a sus clientes y, de esta manera, ayudarlas a realizar una mejor gesti on crediticia.
En Determinantes de la rentabilidad en las Cajas Rurales de Ahorro y Cr edito, se nos habla del caso concreto de los cr editos agropecuarios los cuales presentaban en el a no 2003 un ndice de rentabilidad de -5.3 % adem as el cr edito comercial es el otro producto que registra p erdidas para la CRAC (1.95 % de la cartera promedio), por los reducidos ingresos nancieros generados y los altos costos de riesgo de estas colocaciones. 2 Tal y como nos lo indica el Ing. Javier Iba nez Flores del Instituto de Formaci on Bancaria en su presentaci on Aplicaciones del Credit Scoring para Micronanzas 3 Todo lo anteriormente mencinado se abordar a y sustentar a en el cap tulo 3, donde se presentar a papers que hacen referencia ha estos temas
1

Nuestra tesis est a divida en 9 cap tulos y los temas a abordar en los mismos son los siguientes: En el cap tulo 1 de este documento trataremos acerca de la introducci on, justicaci on y denici on de los alcances de una propuesta de tesis. En el cap tulo 2 de este documento se plantea la problem atica que se desea abordar, se rbol de problemas - para identicar el problema, luego se dene sigue un procedimiento - a el prop osito principal del proyecto, los objetivos del proyecto y los objetivos espec cos necesarios para resolver el problema identicado, estos puntos se presentan visualmente en rbol de objetivos. el a En el cap tulo 3 se hace un breve revisi on de la bibliograf a, se hace una exposici on de los conceptos necesarios para entender el tema abordado, se expone las t ecnicas que utilizaron otros autores y la t ecnica que se usar a en este proyecto y nalmente se presenta breves res umenes de cada uno de las investigaciones previas identicadas.

1.2.

Justicaci on

Las Cajas Municipales de Ahorro y Cr edito (CMAC) y las cajas Rurales siguen siendo una parte muy peque na del sistema nanciero, alrededor 4,3 % de dep ositos del sistema nanciero y 6,4 % de los cr editos, sin embargo, dentro de las Instituciones Micronancieras No bancarias (IMFNB), son las m as din amicas en el otorgamiento de cr editos y servicios nancieros para los agentes econ omicos que no son atendidos en el sistema nanciero normal. Sin embargo, un problema que vienen enfrentando estas entidaddes nancieras es la morosidad, la cual en el caso de las CMAC se situ o en 5,1 % en el 2006. Cabe mencionar que la mejora de los indicadores de morosidad obedeci o al mayor incremento relativo de los cr editos directos 4 respecto de la cartera atrasada. Por lo tanto, este ser a la primera justicaci on de la investigaci on, ste un sector con movimientos constantes el dado que a pesar de ser e ndice de morosidad viene increment andose continuamente y una de las razones es que estas empresas no est an utilizando las ventajas que le supondr an el contar con un mecanismo preciso de identicaci on de riesgos. El escoring en Micronanzas tiene los siguientes matices: Escoring de Seguimiento, de iniciacion y de cobranza. A continuaci on presentamos la comparaci on en cada uno de estos tipos de matices sin usar y usando scoring. En las guras 1.1,1.2 y 1.3 se ven las ventajas y desventajas de cada uno de estos scoring. Otra Justicaci on para realizar investigaci on consiste en el realizar una mejora en los m etodos de c alculo que se utilizan para asignarle los scores a los clientes, que en la actualidad, en el Per u, se realizan s olo con t ecnicas estad sticas y no hacen uso de las ventajas, en cuanto a precisi on en
4

Este fragmento fue extra do de la publicaci on Las cajas municipales de ahorro y cr edito (Ramos [8])

Figura 1.1: Scoring de evaluacion el c alculo, que nos presentan las t ecnicas de inteligencia articial 5 . ltimo, est Por u a la motivaci on de poner en pr actica los conceptos de CRM, entendida como losof a de negocios, en los modelos de propensi on y venta cruzada.

1.3.

Alcances y Limitaciones

Esta investigaci on es v alida para PYMES nancieras peruanas, es decir, est a supeditado a lo que son cajas municipales y rurales (Dado que el estudio se realizar a en empresas de este tipo).

1.3.1.

Limitaciones de la Investigaci on

Una de las limitaciones mayores que se presentan es que la informaci on a la que se pretende acceder es de caracter sensible para las empresas nancieras, por lo que los tr amites para conseLo del uso de t ecnicas estad sticas para efecto de los c alculos en la actualidad se arma por lo expuesto en el curso Gesti on Crediticia expuesta por el IFB
5

Figura 1.2: Scoring de Segmentacion guirla podr an extender demasiado el tiempo de la investigaci on.

10

Figura 1.3: Scoring de Cobranza

11

Cap tulo 2 Formulaci on del problema

2.1. Descripci on de la situaci on problem atica

Se estima que las microempresas en Per u dan empleo a alrededor de seis millones de personas, o 75 % de la poblaci on econ omicamente activa, y que su participaci on en el producto bruto interno (PBI) es aproximadamente de 30 % (Banco Interamericano de Desarrollo, 1996). Sin embargo, la capacidad del sector para desempe narse en forma efectiva ha sido limitada, principalmente por ltimo se explica porque en el sistema formal el escaso acceso a los servicios nancieros. Esto u bancario no se cuenta con la capacidad institucional ni con las tecnolog as crediticias apropiadas. Normalmente, la banca peruana se ha mostrado renuente a realizar operaciones con la microempresa, porque dichas actividades son percibidas como extremadamente riesgosas y de alto costo (Banco Interamericano de Desarrollo, 1996). ltimos a En este contexto, en los u nos, han aparecido las Cajas Municipales de Ahorro y Cr edito1 (cajas municipales), que son instituciones nancieras formales y reguladas sin nes de lucro, con personer a jur dica propia de derecho p ublico y con autonom a econ omica, nanciera y administrativa. El propietario legal es el Consejo provincial: la instancia administrativa de origen comunal existente en Per u, estando su legislaci on incorporada en la Ley de Bancos (Banco Interamericano de Desarrollo, 1996). Las doce cajas que conforman el sistema est an distribuidas a nivel nacional y, en cierta forma, parecen haberse constituido en alternativas exitosas frente al sistema nfasis est nanciero formal, ya que su e a en el apoyo a la microempresa y a su desarrollo masivo, como una forma efectiva de contribuir a reducir los niveles de pobreza actualmente existentes (Tello, 1995). Las cajas municipales se han desarrollado bajo el modelo de las cajas de Alemania, siguiendo una tecnolog a nanciera basada en dicho sistema, pero adaptada a la realidad peruana (Tello, 1995). Los principales elementos que las caracterizan se pueden resumir en: (i) gesti on y vigilancia; de forma tal que las cajas municipales se encuentren dirigidas por una gerencia mancomunada; es decir, por dos gerentes; (ii) autonom a; se trata de que la gesti on administrativa y el desarrollo de mecanismos sean, en lo posible, independientes de la pol tica partidaria, garantizando conti-

12

nuidad y maximizando la eciencia y los resultados; (iii) fondo redistributivo; el cual sirve para canalizar los recursos externos y compensar la liquidez; (iv) capacitaci on; que es permanente y parte integral del sistema de funcionamiento de las cajas; (v) tecnolog a nanciera; basada en un mecanismo de reputaci on del cliente: un sistema de cr edito individual, de peque nos pr estamos iniciales y de plazos cortos per se, para progresivamente acceder a montos mayores. Probablemente, este es el coraz on del sistema de las cajas municipales; (vi) an alisis detallado; los clientes establecen una relaci on individual y detallada con el personal de las cajas; (vii) tasas de inter es; las cuales tienden a ser m as elevadas con relaci on al sistema nanciero bancario comercial, pero relativamente bajas con respecto al costo de oportunidad (es decir, las tasas de usura) de los posibles clientes[1]. La situacion en las Cajas Rurales es a un menos favorable que la de las cajas municipales tal y como lo se nala Felipe Portocarrero [6]: Aunque es necesario se nalar que la situaci on de las CRAC presenta diferenciaciones individuales, en su conjunto, su situaci on competitiva es desventajosa frente a las CMAC y a otras entidades micronancieras como las Edpymes y Mibanco. Las CRAC tienen altos niveles de cartera pesada, limitados ingresos nancieros,menor captaci on de dep ositos, mayores, gastos administrativos y reducida utilidad, a diferencia de las otras entidades, que tienen un portafolio de mejor calidad, ingresos nancieros m as elevados y una mayor base patrimonial, lo que les permite tener una mejor rentabilidad. Asegurar la viabilidad nanciera de las CRAC a mediano plazo implica, de manera indispensable, lograr mejoras sostenibles ensu tecnolog a crediticia y rentabilidad. Es, en base a los criterios mencionados anteriormente, que las PYMES nancieras (sean cajas rurales, municipales, etc.), presentan problemas en rentabilidad debido a las tasas de morosidad que se presentan, pues los sectores a los cuales realizan cr editos (como los cr editos agr colas y 1 nancieros) tienen riesgos muy altos y no parecen tener los mecanismos para asociarles riesgos a clientes y poder discriminar a aquellos que representan un riesgo demasiado alto.

2.2.

Descripci on del problema

Para decidir si conceder o no productos nancieros (ya sea prestamos, tarjetas de credito, etc.) a los clientes, las instituciones nancieras consideran una serie de factores acerca del mismo. La cuesti on de fondo es: C omo unimos estos factores, para que de manera objetiva, matem atica y cient ca (hasta donde sea posible) se pueda obtener una evaluaci on de cr edito adecuada? Las evaluaciones de cr edito parten de analistas, que en la mayor a de casos basan su labor en manuales de cr edito en que indican las pol ticas de cr edito de las respectivas instituciones, pero
En Determinantes de la rentabilidad en las Cajas Rurales de Ahorro y Cr edito, se nos habla del caso concreto de los cr editos agropecuarios los cuales presentaban en el a no 2003 un ndice de rentabilidad de -5.3 adem as el cr edito comercial es el otro producto que registra p erdidas para la CRAC (1.95 de la cartera promedio)[8]
1

13

esto no siempre garantiza que los criterios se utilizar an de manera uniforme en su estudio, y si la interpretaci on que le dar an los diferentes analistas ser a la misma. De manera que para obviar este punto, en los comit es de cr edito, muchas veces hay que volver a estudiar el cr edito, independientemente de la cuant a [8]. Esto no representa problema cuando el volumen de cr editos es bajo, pero qu e pasa si el volumen es alto?. Existe un volumen determinado de cr editos que no merecen mayor estudio porque est an muy por debajo de los requerimientos para otorgar un cr edito, as mismo existe otro volumen de personas sobre calicadas que no requieren mayor estudio. Pero existe una zona gris de cr editos que ltimas la gesti requiere mayor concentraci on, y de su adecuada colocaci on depende, en u on de colocaciones de la entidad nanciera. C omo hacer para depurar la base, de manera que nos podamos ltimos? enfocar en un estudio detallado de estos u

2.3.
2.3.1.

Objetivo de la Investigaci on
Objetivo superior

Desarrollar un modelo que ayude a eliminar las p erdidas en instituciones nancieras ocasionadas por la no cancelaci on de las deudas, y que a su vez permita ubicar a los clientes en determinados segmentos.

2.3.2.

Objetivo principal

Brindar una herramienta que permita categorizar clientes en base a un conjunto de tipolog as y/o propensi on para hacer un adecuado manejo de los mismos, las ventajas que se derivan de esto son: Menor nivel de riesgo de la Entidad: clientes nuevos de menor riesgo, cobranza preventiva, menor deterioro de cartera. Mejores niveles de recaudo de Cartera: Gracias a mejores clientes nuevos, mejores estrategias de cobranza, mayor retenci on de clientes. Mejor utilizaci on de los recursos: Conocimiento de clientes facilita direcci on a mercado objetivo, menores gastos de aprobaci on (mayor agilidad y menos instancias), estrategias de cobranza m as ecientes, estrategias de mercado efectiva a clientes potenciales.

2.3.3.

Objetivos espec cos

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

Que el sistema proceda a catalogar a clientes en base a los criterios jados por la instituci on nanciera

2.4.
2.4.1.

Arbol de problemas y objetivos

Arbol de problemas

rbol que se muestra en la gura 2.1 muestra las causa por las cuales las entidades nancieEl a ras no obtienen todas las utilidades que deber an pues a pesar de querer enfocarse en retener a los clientes rentables y obtener clientes adicionales que quepan en esta categor a no lo hacen, pues no cuentan con un sistema que les permita obtener una adecuada clasicaci on de los mismos. rbol inicia con la realidad, en casi toda organizaci El a on, de presencia de recursos escasos, por lo que no podemos tratar a todos los clientes por igual pues no ser a ni rentable ni viable para la organizaci on, por lo que la premisa a seguir es atender a todos bien pero engre r, deleitar, darle una atenci on preferencial y personalizada a aquellos que son clientes m as rentables o aquellos que en este momento pueden no ser rentables para la organizaci on pero que son clientes rentables potenciales (esto a lo que me reero cuando introduzco el t ermino Necesidad de focalizar los recursos). rbol falta de metodolog Esto nos al siguiente nodo del a as y/o medios para clasicar los clientes, pues los sistemas actuales te dan vista de los dep ositos y de los gastos del cliente, te dan informaci on demogr aca del mismo, pero no los ordena en base a un patr on, no obtiene tipolog as del mismo y no podr a considerar, en el caso de un nuevo cliente (al menos no de forma automatizada) si este encaja dentro de una tipolog a determinada, por ejemplo, si puede ser cliente rentable, si puede ser cliente no rentable, si es un cliente rentable, etc. Esto debido a que la clasicaci on pasa por alto muchos factores, resultado de esto pueden darse catalogaciones err oneas de los clientes y hacer que los clientes de tipolog a rentable, no se sientan identicado con nuestros servicios (sea por ejemplo una tarjeta de cr edito, de d ebito, etc.) y o mantengan su nivel de consumo o terminen abandonado nuestros servicios. Se presenta el caso tambi en de que no tenemos una tipolog a que nos permita identicar si un cliente es riesgoso o no, lo cual puede traernos problemas pues puede que prestemos a clientes que no tienen un adecuado h abito de pago o al fraude, etc.

15

 Figura 2.1: Arbol de problemas 16

Cap tulo 3 Revisi on de la bibliograf a

3.1. Introducci on

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

17

Normalmente se utiliza el vocablo ingl es rating en lugar de su vocablo castellano clasicaci on puesto que las primeras empresas que decidieron realizar una clasicaci on de entidades nancieras fueron empresas estadounidenses, y por lo tanto utilizaban el t ermino rating que despu es se fue incorporando en las empresas europeas y del resto del mundo. La raz on por la que surgen las empresas de clasicaci on la encontramos en la emisi on de bonos que realizaron las empresas de ferrocarriles en Estados Unidos para nanciar su proyecto [2]. En ese momento las empresas de clasicaci on se dedican a estudiar la mayor o menor solvencia de las diferentes empresas ferroviarias para ver si estas ser an capaces o no de responder despu es de su deuda. Como dec amos al inicio de esta secci on nos podemos encontrar con un segundo caso donde los prestamistas son entidades bancarias y los prestatarios son normalmente peque nas y medianas empresas y consumidores. Aqu , las entidades bancarias tambi en confeccionan una clasicaci on para determinar el valor del riesgo en el que incurren cuando conceden un cr edito. La clasicaci on elaborada por las entidades bancarias se denomina Credit Scoring. Un Credit Scoring es un m etodo estad stico usado para predecir la probabilidad de impago de un pr estamo. Utilizando datos hist oricos y t ecnicas estad sticas, el credit scoring trata de aislar los efectos de varias caracter sticas de clientes en el impago de los cr editos. El m etodo produce una calicaci on que el banco puede utilizar para clasicar un pr estamo en t erminos de riesgo. nfasis en la elaboraci En la actualidad, el e on de un credit scoring radica en el cambio de objetivos para tratar de minimizar el riesgo de impago de un cliente en un producto en particular y al mismo tiempo buscar para la entidad bancaria el m aximo benecio que puede conseguir con este cliente. Como ya hemos indicado un credit scoring es un m etodo de evaluaci on del riesgo cuando se solicita un pr estamo. Para construir un modelo de medici on se tienen que analizar los datos hist oricos correspondientes a las caracter sticas de los clientes a los que se les concedi o un pr estamo y determinar las que se utilizan para indicar que el pr estamo fue bien concedido. Un modelo de credit scoring bien construido deber a dar un alto porcentaje de altas calicaciones para los clientes que pagaron su pr estamo y un alto porcentaje de bajas calicaciones para los clientes que no pagaron su pr estamo o viceversa.

18

Pero el modelo as planteado no es perfecto, y algunos malos clientes reciben calicaciones tan altas (bajas) como los buenos clientes. Los datos que se suelen tener en cuenta, seg un Lopez [2] son: 1. Renta mensual 2. Deudas 3. Activos nancieros 4. Tiempo de permanencia en el trabajo 5. Comportamiento de pago o impago en otros pr estamos 6. Cuant a destinada al pago de vivienda (alquiler o hipoteca) y son estos datos con los que el banco puede proceder a dar una calicaci on a su cliente. Nuestro trabajo estar a enfocado hacia la creaci on de Credit Scoring para entidades bancarias, muy en especial en cuanto a las PYMES Financieras, Cajas Rurales de Ahorro y Cr edito y Cajas Municipales. La aplicaci on de an alisis discriminante a todas las variables que hemos indicado anteriormente como importantes en la elaboraci on de estos modelos nos permite decidir que combinaci on de estos factores o datos es la mejor para predecir el impago del pr estamo y cu al es el peso que tiene cada caracter stica en el impago del cr edito. En la mayor a de los sistemas de calicaci on (no en todos), una alta calicaci on indica poco riesgo, y por lo tanto habr a una calicaci on de corte que determina un conjunto de clientes a los que se conceder a el cr edito porque el riesgo de la concesi on es menor. Aplicando estrictamente el modelo pertinente, el banco deber a aprobar aquellos pr estamos cuya calicaci on quedara por encima de la calicaci on de corte y denegar aquellos que quedaran por debajo de la misma. Habr a que estudiar con detenimiento aquellos que no superan o no alcanzan la nota de corte de forma holgada. Incluso un buen sistema de credit scoring no predice con total certidumbre lo que va a ocurrir con cualquier pr estamo individual, pero s proporciona una predicci on bastante precisa de la probabilidad de que la concesi on de un cr edito bajo unas caracter sticas pueda resultar impagado. Para construir un buen modelo de credit scoring se necesitan sucientes datos hist oricos, que reejen el desarrollo de los cr editos tanto en periodos en los que las condiciones econ omicas han 19

sido buenas como en los periodos en los cuales las condiciones econ omicas han sido malas. Tambi en se emplean m etodos no estad sticos en la construcci on de credit scoring, entre los que destacamos las redes neuronales. Los m etodos no estad sticos son menos exigentes con las caracter sticas que deben cumplir las variables del modelo que los m etodos estad sticos, por lo tanto, tienen el potencial para ser utilizados en el desarrollo de modelos que son m as heterog eneos como pr estamos a empresas. Las redes neuronales son algoritmos de inteligencia articial que permiten desde el aprendizaje a trav es de la experiencia discernir la relaci on entre las caracter sticas del cliente y la probabilidad de impago y determinar qu e caracter sticas son m as importantes en la predicci on del impago.

3.2.

Valoraci on de Riesgo Crediticio y Credit scoring.

Este apartado corresponde a la denici on de los conceptos de riesgo crediticio, de como se valora y la denicion y detalle del Credit Scoring

3.2.1.

Valoraci on del riesgo crediticio

rganos goEl riesgo de cr edito es uno de los elementos m as importantes a considerar por los o bernativos de una cooperativa de Ahorro y cr edito. Este riesgo es inherente a la actividad de las CAC, y por lo tanto el objetivo permanente deber ser disminuir su impacto en los estados nancieros. Pero para disminuir tal impacto debemos, antes de todo, cuanticar el nivel de riesgo al que esta sometida la CAC. Es decir debemos valorar nuestro riesgo crediticio. A partir de los conceptos difundidos por el acuerdo de Basilea en 1988, espec camente sobre adecuaci on de capital a riesgo, han surgido en el mundo una serie de modelos estad sticos y matem aticos que pueden constituirse en herramientas para que los entes de cr edito aprendan a valorar el riesgo. Para que la CAC escoja un modelo espec co debe, antes que todo, conocer los conceptos b asicos sobre los que operan. Para hablar de valoraci on en riesgo de cr edito, vamos a denir riesgo crediticio como: La probabilidad que un deudor falle en los compromisos adquiridos con la CAC. Como se sabe el cr edito no es otra cosa que un contrato en el que la parte deudora se obliga con la CAC, para cancelar la deuda pendiente, a pagar unas cuotas de dinero en unos plazos espec cos. Cualquier incumplimiento en los dos componentes b asicos (plazo y monto) del compromiso se considera un fallo. Pero este fallo no implica p erdida autom atica para la CAC, pues cuando este ocurre la CAC activa una serie de mecanismos de defensa, tendientes a evitar que el fallo se traduzca en p erdida.

20

Frente a un fallo en el plazo, el mecanismo m as usado es el cobro de intereses de mora, que te oricamente, debe resarcir a la CAC, de las eventuales p erdidas que la mora le ocasiono por el descase en el ujo de caja de la cooperativa, por el cual asumimos que tuvo que utilizar pasivos m as costosos.

3.2.2.

Elementos claves de la evaluaci on de cr edito

La cuesti on de fondo es: C omo unimos estos factores, para que de manera objetiva, matem atica y cient ca (hasta donde es posible) se pueda obtener una evaluaci on de cr edito adecuada? Las evaluaciones de cr edito parten de analistas, que en la mayor a de casos basan su labor en manuales de cr edito en que indican las pol ticas de cr edito de las CAC, pero esto no siempre garantiza que los criterios se utilizar an de manera uniforme en su estudio, y si la interpretaci on que le dar an los diferentes analistas ser a la misma. De manera que para obviar este punto, en los comit es de cr edito, muchas veces hay que volver a estudiar el cr edito, independientemente de la cuant a. Esto no representa problema cuando el volumen de cr editos es bajo, pero qu e pasa si el volumen es alto?. Existe un volumen determinado de cr editos que no merecen mayor estudio porque est an muy por debajo de los requerimientos para otorgar un cr edito, as mismo existe otro volumen de personas sobre calicadas que no requieren mayor estudio. Pero existe una zona gris de cr editos que ltimas la gesti requiere mayor concentraci on, y de su adecuada colocaci on depende, en u on de colocaciones de la cooperativa. C omo hacer para depurar la base, de manera que nos podamos enfocar ltimos? en un estudio detallado de estos u Reacomodando a nuestros intereses los criterios de Basilea II, como lo mencionamos atr as, el estudio del cr edito y del cliente, no es una labor que se deba hacer una sola vez, sino que debemos encontrar m etodos de calicaci on del riesgo de incumplimiento en nuestra cartera, los cuales no se deben ajustar solo al establecimiento de provisiones por mora o certeza de incumplimiento, (p erdida esperada) sino que debemos avanzar en el establecimiento de m etodos, que nos permitan medir los incumplimientos basados en modelos estad sticos que partiendo una calicaci on de nuestro cliente actual nos permita estimar p erdidas futuras (p erdidas estimadas). El documento que activa todo el proceso crediticio, y por tanto del que depende un bajo riesgo crediticio para las CAC es la solicitud de cr edito. De ah la importancia de estudiar al detalle su formato, la informaci on que se exige, y los documentos soporte requeridos. Las solicitudes de cr edito pueden adolecer de dos fallas:

1. Exceso de informaci on: Muchas veces las CAC desarrollan modelos de solicitud o aplicaci on de cr editos en las que se pide informaci on que es in util o irrelevante para el analista, y no sirve a los prop ositos jur dicos de adecuada identicaci on del cliente o sus activos. Estas solicitudes alejan a los clientes, que por f sico aburrimiento preeren buscar otra instituci on. 21

2. Falta de informaci on: Sucede muchas veces que por simplicar procesos, o atraer clientes, las solicitudes son recortadas, al punto de perder informaci on valiosa para el analista de cr edito. Existen solicitudes que presentan ambas fallas, por un lado exceso de informaci on, y por otro falta de informaci on vital. Se requiere que los modelos de solicitud de cr edito sean revisados peri odicamente para establecer su utilidad, por parte del equipo de cr edito. As si otro departamento requiere de informaci on (Por ejemplo cobranzas o mercadeo), esa informaci on deber a ser migrada a bases de datos diferentes, dejando en las bases de cr editos la informaci on indispensable. Para minimizar el riesgo las CAC deben jar en sus manuales limites a la exposici on en riesgo por Concentraci on en empresas: No prestar m as de determinado porcentaje del patrimonio o del capital. As como l mites en la aprobaci on de cr editos por gerente, comit e de cr edito, Junta Directiva. rea de cr Adicionalmente se impone un estudio permanente por parte del a editos de la situaci on macroecon omica del pa s, y de los sectores objetivo de cr edito de las CAC, y con base ese estudio limitar montos de cr edito por sector. Una pol tica de diversicaci on y segmentaci on de cr editos por sectores. El crecimiento de la cartera debe ser cauteloso, y debe estar en relaci on con la situaci on de la econom a.

3.2.3.

Credit Scoring

A partir del peso que daremos en nuestras evaluaciones de cr editos a los factores anteriormente mencionados: Capacidad de pago, moralidad comercial y solvencia - garant as; Y considerando los elementos claves en un estudio de cr edito: solicitud, manuales, y estudio del ambiente econ omico. Podemos adentrarnos en un m etodo que en la actualidad usa la Banca, y que ha demostrado alta eciencia. El m etodo consiste en un sistema de puntajes, en el que se calique en una escala denida la informaci on obtenida. Este sistema para evaluaci on de cr editos lo llamaremos de puntaje o credit scoring. El puntaje unido al an alisis de situaci on del cliente nos permitir a asignar Cupos de Cr edito, los que dejaremos a disposici on del cliente para utilizar en diferentes productos. Los cupos asignados deben ser estudiados en per odos de tiempo denido (por ejemplo un a no). El credit scoring es una herramienta dise nada en EE.UU, y sobre el que se han desarrollado gran cantidad de modelos con distintos objetivos. Sin embargo existen dos modelos de credit sco-

22

ring que de deben considerar las cooperativas de ahorro y cr edito:

1. El credit scoring de aplicaci on: mediante el cual, y a trav es de un software, la cooperativa calica por puntos las solicitudes de cr edito asign andole mayores porcentajes a los factores que considera m as importantes. As el software calica la solicitud de cr edito, y ubica la calicaci on en una escala predeterminada, en la que se ha denido unos valores m nimos aceptables de aprobaci on del cr edito, y si el cr edito calicado no obtiene tal puntaje es rechazado, (por ejemplo s se determin o que la escala es de uno a diez y la calicaci on m nima es de 3.5, todo cr edito con una calicaci on inferior ser a rechazado). Los cr editos ubicados en escalas superiores son pre-aprobados. 2. El credit scoring de comportamiento: se hace un seguimiento del cliente de manera peri odica, mediante la actualizaci on de datos, que son incluidos dentro del software para que este calique al cliente, y a trav es de esta calicaci on, determine s existe riesgo de p erdida de la cartera colocada al mismo. ltimo modelo es el que las CAC podr Este u an asimilar a los IBR de Basilea II, para efectos de determinar las p erdidas estimadas, basadas en la calicaci on de clientes. El credit scoring requiere de dos elementos fundamentales: 1. Informaci on hist orica: La cual posee, como lo mencionamos anteriormente, la mayor a de las CAC. 2. An alisis estad stico: Esta labor la realizan, normalmente, consultores externos a la CAC, con conocimientos profundos en estad stica y matem aticas, cuya labor principal ser a la de tomar la informaci on hist orica, para que correlacionada mediante algoritmos, identiquen comportamientos de los clientes, y con base en estos resultados puedan determinar probabilidades de ocurrencia de hechos futuros.

3.2.4.

Ventajas del credit scoring para las Pymes Financieras:

Las ventajas de Aplicar un credit scoring a las Pymes Financieras ser an las siguientes: Elimina la subjetividad en los an alisis crediticios, principalmente, de cr editos personales. Facilita la evaluaci on de cr edito al procesar m as r apidamente solicitudes descartando las que no cumplen requisitos m nimos Permite el ordenamiento y la utilizaci on de informaci on hist orica que es muy valiosa para la Pymes Financieras, pero que muchas veces no sabe utilizar.

23

3.3.

Revisi on de algunos M etodos no estad sticos aplicados en la construcci on de Credit Scoring

A continuaci on se presentan algunos de los m etodos no estad sticos aplicados para la construcci on de modelos de credit scoring 1

3.3.1.

Redes Neuronales

Una red neuronal articial (RNA) es un modelo computacional inspirado en redes neuronales biol ogicas que puede ser consideradas como un sistema de procesamiento de informaci on con caracter sticas como aprendizaje a trav es de ejemplos adaptabilidad, robustez, capacidad de generalizaci on y tolerancia a fallas[12]. La RNA puede ser denida como una estructura distribuida, de procesamiento paralelo, formada de neuronas articiales (llamados tambi en elementos de procesamiento), interconectados por un gran numero de conexiones (sinapsis), los cuales son usados para almacenar conocimiento que esta disponible para poder ser usado.

Estructura de la Neurona Articial Una neurona articial es una unidad de procesamiento de informaci on de redes neuronales. El modelo de neurona mas conocido es de McCulloch-Pitts.

Figura 3.1: Estructura de la Red Neuronal Articial

No presentamos los m etodos estad sticos porque de estos m etodos se tienen m as conocimiento y han sido tocados en innumerables publicaciones
1

24

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

Figura 3.2: Suma de Pesos Donde yi es llamado de estado interno de la neurona i . En la segunda etapa, la salida de la neurona es generada a trav es de la aplicaci on de una funci on llamada funci on de activaci on. xi = f (yi ) (3.1)

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

Figura 3.3: Funci on de Activaci on Existen varios tipos de funci on de activaci on. La gura muestra dos funciones de activaci on m as usadas: la funci on de grado y la tangente hiperb olica. Como se vio en la primera gura la salida de una neurona puede ser la entrada de otra. Generalmente, una red neuronal se forma por muchas neuronas de alguna forma acoplados.

25

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

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

Figura 3.5: Redes FeedForward 2. Redes Recurrentes Redes recurrentes son aquellas que poseen conexiones de realimentaci on, como es visto en la gura, las cuales proporcionan un comportamiento din amico. El modelo de Hopeld es un ejemplo de red neuronal recorrente y ser a presentado m as adelante. 26

Figura 3.6: Redes Recurrentes En general los siguientes par ametros son importantes para denir la arquitectura de una red neural: n umero de capas, n umero de neuronas en cada capa y tipo de conexi on entre dos neuronas, que denen la red de feedforward o Recorrentes.

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

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

3.3.2.

Algoritmos Gen eticos

Esta t ecnica se basa en los mecanismos de selecci on que utiliza la naturaleza, de acuerdo a los cuales los individuos m as aptos de una poblaci on son los que sobreviven, al adaptarse m as f acilmente a los cambios que se producen en su entorno. Hoy en d a se sabe que estoscambios se efect uan en los genes de un individuo, y que los atributos que les permite adaptarse mejor a su ste se reproduce. entorno se trasmiten a sus descendientes cuando e Un investigador de la Universidad de Michigan llamado John Holland era consciente de la selecci on natural, y a nes de los a nos sesenta desarroll o una t ecnica que permiti o incorporarla a un programa. Su objetivo era lograr que las computadoras aprendieran por s mismas. A la t ecnica que invent o Holland se le llam o originalmente planes reproductivos, pero se hizo popular bajo el nombre algoritmo gen etico tras la publicaci on de su libro en 1975. Los algoritmos gen eticos son m etodos adaptativos que pueden usarse para resolver problemas de b usqueda y optimizaci on. Est an basados en el proceso gen etico de los organismos vivos. A lo largo de las generaciones, las poblaciones evolucionan en la naturaleza de acorde con los principios de la selecci on natural y la supervivencia de los m as fuertes, postuladospor Darwin. Por imitaci on de este proceso, los algoritmos gen eticos son capaces de ir creando soluciones para problemas del ptimos del problema depende en mundo real. La evoluci on de dichas soluciones hacia valores o buena medida de una adecuada codicaci on de las mismas. Un algoritmo gen etico consiste en una funci on matem atica o una rutina de software que toma como entradas a los ejemplares y retorna como salidas cuales de ellos deben generar descendencia para la nueva generaci on. En la naturaleza los individuos de una poblaci on compiten entre s en la b usqueda de recursos tales como comida, agua y refugio. Incluso los miembros de una misma especie compiten a menu xito en sobrevivir y en do en la b usqueda de un compa nero. Aquellos individuos que tienen m as e atraer compa neros tienen mayor probabilidad de generar un gran n umero de descendientes. Esto signica que los genes de los individuos mejor adaptados se propagar an en sucesivas generaciones hacia un n umero de individuos creciente. La combinaci on de buenas caracter sticas provenientes de diferentes ancestros, puede a veces producir descendientes superindividuos, cuya adaptaci on es mucho mayor que la de cualquiera de sus ancestros. De esta manera, las especies evolucionan

28

logrando unas caracter sticas cada vez mejor adaptadas al entorno en el que viven. Los algoritmos gen eticos usan una analog a directa con el comportamiento natural. Trabajan con una poblaci on de individuos, cada uno de los cuales representa una soluci on factible a un problema dado. A cada individuo se le asigna un valor o puntuaci on, relacionado con la bondad de dicha soluci on. En la naturaleza esto equivaldr a al grado de efectividad de un organismo para competir por unos determinados recursos. Cuanto mayor sea la adaptaci on de un individuo al problema, mayor ser a la probabilidad de que el mismo sea seleccionado para reproducirse, cruzando su material gen etico con otro individuo seleccionado de igual forma. Este cruce producir a nuevos individuos, descendientes de los anteriores, los cuales comparten algunas de las caracter sticas de sus padres. Cuanto menor sea la adaptaci on de unindividuo, menor ser a la probabilidad de que dicho individuo sea seleccionado para la reproducci on, y por tanto, de que su material gen etico se propague en sucesivas generaciones. De esta manera se produce una nueva poblaci on de posibles soluciones, la cual reemplaza a la anterior y verica la interesante propiedad de que contiene una mayor proporci on de buenas caracter sticas en comparaci on con la poblaci on anterior. As , a lo largo de las generaciones, las buenas caracter sticas se propagan a trav es de la poblaci on. Favoreciendo el cruce de los individuos reas m mejor adaptados, van siendo exploradas las a as prometedoras del espacio de b usqueda. Si el ptima del algoritmo gen etico ha sido bien dise nado, la poblaci on converger a hacia una soluci on o problema. El algoritmo gen etico simple Un algoritmo gen etico (AG) es un proceso de b usqueda sistem atica a partir de una poblaci on de soluciones potenciales de un problema, as las soluciones candidatas que est en m as pr oximas a la soluci on del problema tienen una mayor oportunidad de llegar a ser la soluci on candidata que otras. Dicho lo anterior, se necesita una codicaci on o representaci on del problema, que resulte adecuada al mismo. Adem as se requiere una funci on de ajuste o adaptaci on al problema, la cual asigna un n umero real a cada posible soluci on codicada La ecuaci on es un ejemplo de una funci on de scoring que ha sido utilizada en la literatura

Figura 3.7: EcuacionProgGenetica Suponemos que queremos calcular los par ametros a1 , a2 ...ap , b1 , b2 ...bp y c en la siguiente ecuaci on de credit scoring para clasicar la asignaci on de un pr estamo, donde xi1 , xi2 ...xip son los valores de las caracter sticas de la aplicaci on i.

29

Cuando los par ametros son estimados, entonces se puede clasicar una aplicaci on como buena o mala si el valor de f (xi ) es mayor o menor que cero. El procedimiento seguido en un Algoritmo Gen etico se muestra en la Figura siguiente:

Figura 3.8: Esquema de funcionamiento del algoritmo gen etico Durante la ejecuci on del algoritmo, los padres deben ser seleccionados para la reproducci on, a continuaci on dichos padres seleccionados se cruzar an generando dos hijos, sobre cada uno de los cuales actuar a un operador de mutaci on. El resultado de la combinaci on de las anteriores funciones ser a un conjunto de individuos (posibles soluciones del problema), los cuales en la evoluci on del algoritmo gen etico formar an parte de la siguiente poblaci on.

30

3.3.3.

Investigaciones previas que han utilizado m etodos no estad sticos para construir modelos de Scoring

A continuacinuaci on se exponen estudios en los que se han utilizados los m etodos mencionados y algunos otros para la creaci on de credit Scoring: A comparison Study of Credit Scoring Models Este documente considerar un modelo de clasicaci on o asignaci on de puntajes para credito [12]. Se compara 3 poderosos modelos de clasicacion: Programaci on Gen etica (GP), Redes neuronales de retropropagaci on.(BP), maquinas de soporte a vectores (SVM) usando un modelo combinado de ambas, estas t ecnicas son aplicadas a un modelo de scoring bastante simplicado (pues no se busca ahondar en los modelos, sino compararlos en un ambiente no tan complicado,la idea es que sirva como punto de partida para otras investigaciones) para medir su eciencia tanto individual como agrupadas. Al inicio de la lectura, nos habla de 2 modelos bastante usados para los que es clasicaci on, puntaje o propensi on(en realidad est as son traducciones libres de la palabra Scoring), los modelos tradicionales, basados en m etodos estad sticos cl asicos y los modelos de miner a modernos basados en t ecnicas de Inteligencia articial. ltimos, dado que los primeros han fallado en Explican el porqu e jarse m as que nada en los u cubrir las necesidades presentes en el mercado, y nos nombra algunas de las mas populares t ecnicas modernas: redes neuronales, programaci on gen etica,y vectores de soporte a decisiones. Ahora, para el caso del modelo el describe la funci on que describe el conjunto de datos de un cliente como: S = (x1 , y1 )...(xi , yi )...(xn , yn ) (3.2)

Donde: xi contiene los m atributos o datos: (xj 1 , yj 1 )(xj 2 , yj 2 )...(xjm , yjm ) , y yi denota el tipo de cliente, por ejemplo bueno o malo. La tarea de la clasicaci on es justamente construir un modelo de tal que para el nuevo x, podamos predecir y: y = f (x) Ellos proponen como ndice de medici on para la prueba: #clientescorrectamenteclasif icados 100 % (3.4) #clientestotales Al nal de la prueba se concluye que los 3 modelos arrojan buenas clasicaciones para el caso del problema, pero que mejor clasicaci on o m as certera se consigue cuando hacen uso del modelo combinado que ellos han construido. P recision = (3.3)

31

Credit Scoring using Least Squares Support Vector Machine base on data of Thai Financial Institution Este paper [11] nos habla, primero, de la necesidad que tienen las entidades nancieras por clasicar a los clientes en base a diferentes grupos de riesgos , y nos dice que para este caso se han desarrollado innumerables t ecnicas de clasicaci on. xito que tienen actualmente, para este prop Nos habla del e osito, las t ecnicas de Support Vector sta ha alcanzado, y de paso nos presenta la t Machine (SVM) y de la popularidad que e ecnica Least Squares Suport Vector Machine (LS-SVM), las cuales son una reformulaci on de las anteriores la ventaja es que es menos costoso que el anterior dado que es su costo es regulado por la funci on de m nimos cuadrados y las restricciones de igualdad y no de desigualdad como en el caso anterior. Otro punto a tener en cuenta es que con el LS-SVM no tendr amos que resolver conjuntos de sistemas lineales y no el caso de la programaci on cuadr atica como es el caso de la anterior. La idea es aplicar esta t ecnica en entidades nancieras en Tailandia. Para el caso de hacer clasicaciones necesitamos tanto data de entrenamiento como data de prueba , los cuales son algunas muestra de la data total. Para el caso de la data de entrenamiento, cada conjunto de ellas contienen un valor objetivo a lo que llamaremos marcas de clase y tambi en poseen ciertos atributos a los que llamaremos caracter sticas. Sin embargo en la data de prueba nosotros s olo contamos con atributos y tenemos que ptimo el cual es capaz de producir le con bastante precisi producir un modelo o on el valor esperado. Al nal del experimento lograron producir un modelo, el cual a su criterio es computacionalmente simple pero no por eso deja de ser un poderoso clasicador no lineal para predecir data nanciera en Tailandia, y agrupa a los clientes en base, claro, a los criterios establecidos por la instituci on: buenos clientes, clientes regulares, clientes con tendencia a malos y demasiado malos. Al nal, tambi en, los autores llegaron a la conclusi on de que los resultados fueron satisfactorios, pero que la precisi on lograda se podr a mejorar con una mayor cantidad de data de entrenamiento.

3.4.

Antecedentes de la investigaciones

En esta secci on se muestran aquellas investigaciones de otros autores que han creado modelos de credit scoring y se describe brevemente las t ecnicas que utilizaron

32

Systems and methods for scoring bank customers direct deposit account transaction activity to match nancial behavior to specic acquisition, performance and risk events dened by the bank using a decision tree and stochastic process Este art culo [5] nos habla de un sistema para clasicar los clientes de un entidad bancaria en base a ciertas caracter sticas y en base a ello pronosticar su comportamiento nanciero, para ello se hace a la revisi on de sus cuentas de deposito directo (chequeo de sus cuentas), para hacerlo sujeto de promociones, ofrecerle condiciones para sus tarjetas de cr edito o de d ebito o en todo caso catalogarlo como sujeto de riesgo un cliente con peligro de fraude para la instituci on. B asicamente se hace la clasicaci on teniendo como referencia a los grupos de clientes m as deseados y a los menos deseados (los cuales nos sirven como extremos), y ubicando las categor as respectivas entre estos 2 extremos, esto con el n de dirigir y canalizar los esfuerzos dependiendo del grupo de inter es al que pertenezcan. Este m etodo, entonces, nos da la facilidad de catalogar clientes en base al comportamiento de sus cuentas de dep osito directo que est a almacenado en los archivos de informaci on del cliente del banco respectivo y logra agrupar a los cliente que cumplen determinado patr on en base a criterios comunes como el poder adquisitivo, rendimiento y criterios de riesgo y par ametros denidos por el banco. rboles El m etodo procesa todos los datos requeridos por el usuario y hace uso del m etodo de a de decisi on para asignarles peso y par ametros y luego agruparlos en segmentos, luego haciendo uso de t ecnicas estoc asticas (m etodos estad sticos) -las cuales comprenden: Regresi on lineal, modelo de regresi on log stica, modelo de detecci on de interacci on autom atica, de la regla shi-cuadrado, rboles de clasicaci a on y regresi on, del modelo de reglas de inducci on y el uso del modelo de redes neuronales- presenta un reporte que muestra los segmentos en los cuales ubic o a los clientes en base a sus caracter sticas, su posibilidad de respuesta a determinadas promociones o acciones y el retorno sobre la inversi on que resulta de los criterios establecidos y denidos por la entidad nanciera.

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

Figura 3.9: Diagrama de ujo del procedimiento de chequeo respectivas, una base de datos que tenga la informaci on crediticia y las caracter sticas demogr acas del cliente y una terminal de salida donde se ver a el reporte de riesgo asociada al cliente.

System and method for automatic evaluation of credit requests Este art culo [3] nos habla de una herramienta de decisi on para responder autom aticamente a las peticiones de cr edito de alguna entidad nanciera. La herramienta nos sirve pues nos da la facilidad de operar f acilmente en ambientes globalizados, internacionales, en los cuales los asesores de clientes, asociados con clientes actuales o potenciales pueden residir en diferentes pa ses que los funcionarios de cr edito, sin necesidad de complicarse innecesariamente la vida como en el caso de los sistemas basados en papeles y mecanismos de aprobaci on que le hacen la vida m as dif cil al cliente. El sistema permite a su vez ser utilizado como caja blanca o como caja gris, esto es, para el caso de la caja blanca es cuando es un cliente que ya ha demostrado un buen comportamiento y el asesor tiene la suciente autoridad para aprobar el cr edito, para el caso de la caja gris es cuando es un nuevo cliente y hay datos que analizar, entonces se requiere de la aprobaci on del funcionario del cr edito. Aqu un diagrama de ujo para entenderlo mejor

34

Figura 3.10: Diagrama de ujo del procedimiento Data proccesing technique for scoring bank customer relationship and awarding incentive rewards El procedimiento ilustrado en esta patente[9] es bastante similar al descrito por Pliha [5], de hecho la precede y la idea b asicamente est a en identicar clientes leales para darle de una u otra manera un incentivo y mejorar la relaci on con estos. En realidad este procedimiento se podr a decir que ilustr o a la norma antes mencionada en lo que es centrarse en el cliente correcto, j andose b asicamente en el n umero de seguridad social, donde cada numero de seguridad social almacenado en la base de datos del banco (entendi endose por banco a cada entidad nanciera, de ahorros o de pr estamo) es asignado a un conjunto de relaciones basados en el n umero de cuentas corrientes ligadas con cada numero de seguridad social (SSN) y el periodo en que cada cuenta a si ayudada por el numero de seguridad social (El t ermino relaciones hace referencia a todo tipo de transacci on nanciera, de cuenta o interacci on del cliente 35

establecida con el banco, tales como cuentas de ahorros, pr estamos, tarjetas de cr edito, etc). El periodo de tiempo que el n umero de seguridad social ha estado activo es el considerado en el proceso de calicaci on de la relaci on con el cliente. Es a partir de la implementaci on de este proceso y su c alculo, que los puntos que hacen relaci on a cada SSN son sumados y clasicados para que encajen para un reconocimiento del banco como puede ser bajos intereses, o una carga menor por los servicios, etc. EL problema con esta invenci on es que no se da la suciente consideraci on a medir y clasicar la informaci on nanciera almacenada en los archivos de informaci on del cliente . El numero de cuenta y los a nos de longevidad pierden direcci on de la habilidad nanciera del Tenedor de la cuenta SSN. Recombining Forecasts Used in Personal Credit Scoring Este modelo [4] nos habla de la necesidad de aplicar modelos de selecci on de caracter sticas en sitios como en los que no se aprovechan las ventajas que estos podr an darle como es el caso de China. Inicialmente nos describe por qu e ser a ventajosa la clasicaci on de clientes en diferentes categor as y nos narra todo el proceso que se deber a seguir.Nos comenta que el encajar un cliente en uno de estos status puede ser logrado evaluando su informaci on b asica personal, su situaci on econ omica y su registro de cr edito. Nos menciona, asimismo, los 2 tipos de m etodos a usar para clasicar clientes: Los m etodos estad sticos, tales como la regresi on lineal y la regresi on log stica; y los m etodos de estimaci on rboles de no param etrica y m etodos de inteligencia articial, que puede incluir redes neuronales, a decisi on, etc. La idea central de la lectura es mostrar que se puede lograr una mejor clasicaci on combinando los m etodos ya conocidos siguiendo un procedimiento que es como sigue: Primero, usa los m etodos de regresi on lineal y regresi on log stica. Luego dise na modelos combinatorios de pron ostico usando 3 redes neuronales diferentes. Luego compara la precisi on de los 3 m etodos de clasicaci on de cr edito. Luego utiliza una red neuronal de perceptron para combinar la salida de los 3 m etodos combinados y observar el cambio de precisi on, as es que puede juzgar el efecto en el pron ostico de la combinaci on que se realiz o al nal. Al nal, se demuestra que siguiendo este procedimiento se mejora la ecacia del m etodo y disminuye principalmente la tasa de error en cuanto a 2 problemas principales que son los que afectan a las instituciones nancieras: Catalogar como buen cliente a un mal cliente, y clasicar como mal cliente a un buen cliente.

36

Cap tulo 4 Metodolog a de la Investigaci on

4.1. Tipo de Investigaci on

El tipo de investigaci on presentado en este estudio tiene naturaleza correlacional pues se busca explicar c omo el comportamiento de un conjunto de variables independientes correlacionadas inuye en una variable dependiente, que en en este caso vendr a a ser el error obtenido con ese modelo. La denici on de variables tanto de entrada (variables independientes y variables de entrada del modelo) y las de salida (variable dependiente y variables de salida del modelo), se precisan con m as detalle en el cap tulo 5, as como la correlaci on entre variables en el cap tulo 6.

37

Cap tulo 5 de la investigaci Diseno on

5.1. Objeto de la Investigaci on

Nuestro objeto de investigaci on es: El cliente que solicita un producto en un momento determinado en una institucion dada. Tal nivel de detalle se requiere por que los productos que ofrece la instituci on pueden ser diversos (prestamos, tarjetas de cr editos, tarjeta de d ebito, etc.) y entonces podr amos tener varias entradas repetidas para un mismo cliente (dado que puede usar m as de un producto) pero no en todas las evaluaciones realizadas las ponderaciones asignadas a cada uno de los factores sean lo mismo (por ejemplo: puede ser un buen prospecto para realizarle un prestamo bajo pero no para concederle una tarjeta de cr edito).

5.1.1.

Poblaci on

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

5.1.2.

de la poblaci Tamano on

Dado que el tama no de la poblaci on va a depender de la empresa Financiera a la cual apliquemos el modelo, y dado que el n umero de clientes de las mismas es bastante elevado, asumiremos que el tama no de la poblaci on es innito.

5.1.3.

de la muestra Tamano

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

38

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

5.2.
5.2.1.

de la investigaci Diseno on
de la investigaci Tipo de diseno on

La investigaci on a realizar tiene un car acter experimental, pues lo que se busca es explicar como inuyen las variables independientes en la variable dependiente. Para nuestro caso tratamos de probar la precisi on del modelo elaborado teniendo como variables de entrada el m etodo a utilizar y sus parametros.

5.2.2.

Variables independientes

Las variables independientes ser an: El m etodo a aplicar para construir modelo de credit scoring (Redes neuronales, algoritmos gen eticos, etc). El valor de los param etros usados para construir el modelo. Por ejemplo: Para los algoritmos de clasicaci on de las Redes neuronales el parametro ser a el K del algoritmo de K-Fold cross validation.

5.2.3.

Variables dependientes

el error calculado del pronostico.

5.2.4.

Variables del modelo

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

39

1: < a 0 DM 1 2: mayor a 0 menor a 200 DM 3: mayor e igual 200 DM/ Su salario lo tiene asignado hace m as de un a no. 4: no tiene asignadas cuentas de cr edito. DURATION: Duraci on en meses HISTORY: Historial crediticio 0: no ha solicitado cr edito/ Ha pagado todos sus cr editos correctamente. 1: Todos los cr editos en este banco los ha pagado correctamente. 2: Hay cr editos correctamente pagados hasta ahora. 3: Se ha demorado en pagar sus cuentas en el pasado 4: Cuenta cr ticas, indebidamente pagado en este banco y en otras instituciones. PURPOSE: Prop osito para el que se solicit o el pr estamo 0: auto (nuevo) 1: auto (usado) 2: alimentos/indumentaria 3: radio/televisi on 4: cuestiones dom esticas 5: reparaciones 6: educaci on 7: vacaciones 8: retraining 9: negocios X: otros
1

DM,Deutsche Mark, el marco Alem an que se us o hasta la introducci on del Euro en 1999

40

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

41

RESIDENT: A nos que lleva viviendo en la actual residencia PROPERTY: Propiedad

1: estable 2: si no 1: acuerdo comunal/centro vecinal /seguro de vida 3: si no 1/ ni 2: carro y otras pertenencias de valor 4: desconocido/ sin propiedades AGE: Edad en a nos OTHER: si es cliente de otras instituciones 1: bancos 2: tiendas 3: ninguno HOUSING: Vivienda 1: alquilada 2: propietario 3: vive en casa de un amigo, familiar, etc. EXISTCR: N umero de cr editos en esta instituci on JOB: Trabajo 1: desempleado/sin ocio- no residente (que no es legal en el pa s) 2: Sin habilidades - residente 3: Empleado con ocio 4: Gerente/Independiente/Empleado altamente calicado l. DEPENDS: Personas que depende de e TELEPHON: Tel efono 1: no 42

2: si, registrado a nombre del cliente FOREIGN: trabajador extranjero 1: si 2: no La siguiente tabla muestra m as resumidamente estas variables: Variable CHECKING DURATION HISTORY PURPOSE AMOUNT SAVINGS EMPLOYED INSTALLP MARITAL COAPP RESIDENT PROPERTY AGE OTHER HOUSING EXISTCR JOB DEPENDS TELEPHON FOREIGN GOOD BAD Role entrada entrada entrada entrada entrada entrada entrada entrada entrada entrada entrada entrada entrada entrada entrada entrada entrada entrada entrada entrada Salida Medida ordinal interval ordinal nominal interval ordinal ordinal interval nominal nominal interval nominal interval nominal nominal interval ordinal interval binary binary binary Descripci on Estado de la de la cuenta de cr edito Duraci on en meses Historial crediticio Prop osito para el que se solicit o el pr estamo Monto de cr edito asignado Ahorro Tiempo que lleva en su empleo actua Estado civil y sexo otras deudas/ garant as A nos que lleva viviendo en la actual residencia Propiedad Edad en a nos Es cliente de otras instituciones vivienda N umero de cr editos en esta instituci on trabajo Personas que depende de el telefono trabajador extranjero buen o mal cr edito

Cuadro 5.1: Cuadro Resumen de la varibles del Modelo

5.3.

de la investigaci Diseno on

Es el proceso por el cual las variables independientes llegan a convertirse en variables dependientes, al aplicarse sobre el objeto de investigaci on. En la presente tesis, este proceso se dene por la funci on Scoring, que se muestra en la gura: En la siguiente gura se presenta las combinaciones entre los valores de las clases de m etodos a usar y los parametros a considerar.En cada experimento se especiccan indicadores, los cuales se asociaran al grado de presici on del resultado del experimento. El dise no del experimento se presenta en la siguiente gura. 43

Figura 5.1: Esquema de Diseno del experimento

5.4.

Hipotesis
H1 : La precisi on del modelo elaborado ser a mayor al 80 %. H2 : Un modelo mixto de credit scoring ofrecer a mayor precisi on que un modelo no estad stico o que un modelo s olo estad stico.

5.4.1.

Contraste de hip otesis

H0 : La precisi on del modelo elaborado no ser a mayor al 80 %. H0 : Un modelo mixto de credit scoring no nos ofrecer a mayor precisi on que un modelo no estad stico ni que un modelo s olo estad stico.

5.4.2.

Instrumentos de Medicion

Sean los valores para la caracter stica GOOD BAD: Good = 1, Bad = 0. Las posibilidades que se pueden dar en una prueba ser an las siguientes: Valores Reales 1 0 Valores obtenidos en la prueba 1 0 Verdaderos Positivo (a) Falso Positivo (b) Verdadero Negativo c Falso Negativo (d)

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

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

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

45

VALOR PREDICTIVO POSITIVO: La posibilidad de que aquellos salgan como buenos riesgos, sean buenos riesgos. a/(a + b) VALOR PREDICTIVO NEGATIVO: La posibilidad de que los que sena catalogados como malos riesgos, seanmalos riesgos d/(c + d) Estos indicadores nos ayudar an a cuanticar el riesgo, dado que nuestro objetivo es: Maximizar la cantidad de verdaderos positivos Minimizar la cantidad de falsos positivos Otros indicadores sugeridos ser an: #clientescorrectamenteclasif icadosenladatadeprueba 100 % #clientestotalesenladatadeprueba (5.1)

P recisio ndelmodelo =

V ariaciacio nP recisio n = precisionmodelocualquiera precisio nmodeloderef erencia. (5.2) Errordelmodelo = 100 % precisiondelmodelo. (5.3)

46

Cap tulo 6 Modelo de soluci on

6.1. Modelo de soluci on

En esta secci on se describe del proceso de soluci on del problema planteado en el proyecto de tesis. La descripci on de cada partees como sigue: Se realiza con anticipaci on la elecci on de la t ecnica o tratamiento a aplicar en a la data. Se realiza la limpieza de la data en crudo mediante un proceso de data cleaning. Se realiza la obtenci on de la muestra N. Se realiza la normalizaci on de la data en N (puesto que la data puede ser discreta, continua, etc y a nosostros nos interesa obtener 0 o 1 de valor de salidad); para que cada una de las caracte Se realiza un proceso de selecci on de caracter sticas para de esta manera quedarnos estudiando s olo aquellas caracter sticas que expliquen mejor la data. En este paso se realizan los siguientes procedimientos: Generaci on del subconjunto, consiste en el mecanismo de b usqueda que produce subconjuntos de caracter sticas candidatos a ser evaluados. Evaluaci on del subconjunto, consiste en medir la optimalidad del subconjunto generado en el paso anterior para los nes de un problema de aprendizaje, que en este trabajo es de clasicaci on. Criterio de paro, determina cuando un proceso de selecci on de caracter sticas debe parar. General- mente el proceso de selecci on de caracter sticas se detiene cuando se alcanza el valor de alg un par ametro o umbral establecido. Validaci on de resultados, evaluaci on del modelo de selecci on de caracter sticas con datos reales, y la variaci on al quitar caracter sticas irrelevantes en los datos, del indicador de desempe no del algoritmo. 47

Al llegar a este paso se habr a obtenido un conjunto de caracter sticas a las que llamar e D. Este grupo se dividir a usando alguna t ecnica de inteligencia articial ( dependiendo de los parametros del m etodo) en data de entrada y data de entrenamiento Se corre la data de entrenamiento con el n de entrenar a la red Se hace correr la red con la data de prueba, y luego se compara con la data de prueba Se compara los casos resultados de la corrida con la data original, considerandose como xito toda coincidencia entre data de entrenamiento y data de prueba. e Se calcula el error obtenido con esta t ecnica La siguiente gura ilustra el procedimiento de descrito anteriormente:

Figura 6.1: Modelo Soluci on.JPG

48

Cap tulo 7 Planicaci on de la investigaci on

7.1. Descripci on de actividades - etapas

Las principales actividades ser an: 1. Formular la propuesta de investigaci on: Es decir, anar la propuesta que estamos presentando en esta ocasi on, abarcar la mayor cantidad de bibliograf a actual para mejorar nuestro marco te orico 2. Recolectar la data: Aqu se ver a la posibilidad de trabajar con otra data para validar nuestro modelo y as mejorar la performance del mismo. el prototipo de Software: Esta actividad es posiblemente la que tenga m 3. Disenar as tareas pues es en esta donde no s olo se desarrolla el modelo sino que tambi en se procede a la construcci on del prototipo de software a dise nar. 4. Optimizar el prototipo: Es en esta parte donde ponemos a prueba y mejoramos constantemente nuestro modelo, esta parte parece que va a ser la m as complicada pues se requiere cierto nivelde expertis que se espera adquirir en el transcurso del desarrollo de la presente tesis.. Cabe se nalar que a partir del dise no las etapas posteriores las considero como correspondientes a desarrollar en tesis 2 5. An alizar los resultados: Ver qu e resultados arroja la investigaci on e interpretarlos. 6. Redactar de la pre-tesis: La que incluye el modelo desarrollado as como el prototipo

7.2.

Recursos necesarios
computadoras 49

Algunos de los recursos (a mi juicio los m as importantes) a obtener son:

licencias de matlab licencias de SPSS Internet Suscripcion a revistas cienticas: IEEE, ACM Libros, revistas y publicaciones cient cas personal de apoyo en la investigaci on asesores de la investigaci on

7.3.

Cronograma de trabajo

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

7.4.

Presupuesto de la Investigacion

M as que un presupuesto lo que se presenta en esta parte es una cotizaci on del monto a desembolsar para realizar la investigaci on Concepto Unidades Costo (Soles) licencias de matlab 1 5000 licencias de SPSS 1 300 Suscripcion a revistas cienticas: IEEE, ACM 200 Libros, revistas y publicaciones cient cas 800 Investigador 1 800 Total 7100

7.4.1.

Fuentes de Financiamiento

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

50

Figura 7.1: Cronograma de trabajo

51

Cap tulo 8 Conclusiones

8.1. Conclusiones
La data que usamos para el desarrollo del experimento sirvi o como instrumento para construir un modelo y probar el mismo, sin embargo queda pendiente la validaci on del modelo con data real, es decir, data de instituciones nancieras. Producto de la revisi on de la literatura se comprob o que los m etodos de credit scoring se est an volviendo cada vez m as precisos, pero un problema por el cual no han resultadas exitosas algunas experiencias se debe al factor humano, recordemos que el modelo busca agilizar y automatizar el proceso de asignaci on de riesgos, mejorar la precisi on del mismo, pero un sistema es m as que eso y para que funcionen deben funcionar unidos hardware, software y procedimientos manuales. Los modelos de credit scoring aplicados actualmente pueden ganar m as valor si se concibieran como instrumentos que permitan viabilizar regulaciones como: Basilea II o Solvencia II.

8.2.

Trabajos Futuros

Las ampliaciones a este trabajo constituyen lo que es el desarrollo del modelo de credit scoring y la total automatizaci on del proceso de asignaci on de riesgo, revisiones y enmienda de los errores cometidos en esta primera investigaci on as como la inclusi on de nuevos enfoques producto de la revisi on de nueva bibliograf a y de un mayor conocimiento del tema.

52

Bibliograf a
Investigaciones [1] Chong Alberto. Cajas municipales, microcrEdito y pobreza en el perU. BREVES, (9):34, 2000. [2] L opez Pascual J. El rating y las agencias de calicaci on. Dykinson., 1996. [3] CH) Kunz, Reto (Monchaltdorf. System and method for automatic evaluation of credit requests. (20070198401), 2007. [4] Jiang Ming-hui. Recombining forecasts used in personal credit scoring. (150001), 2007. [5] Apt. 1603 Nashville TN US) Pliha, Robert Kenneth (555 Church St. Systems and methods for scoring bank customers direct deposit account transaction activity to match nancial behavior to specic acquisition, performance and risk events dened by the bank using a decision tree and stochastic process. (7296734), 2007. [6] et. all. Portocarrero M.Felipe. son rentables las cajas rentables de ahorro y cr edito? Economia y Sociedad (CIES), (54):23, 2004. [7] L. et. al. Thomas. Credit Scoring and its Applications. SIAM, 2002. [8] William Ramos Toledo. Las cajas municipales de ahorro y cr edito. AVANCE ECONOMICO , pages 12, 2006. [9] Larry W. Shurling. Data proccesing technique for scoring bank customer relationship and awarding incentive rewards. (6009415), 1999. [10] VA US) Wokaty Jr., Robert Dwane (Richmond. Systems and methods for decisioning or approving a nancial credit account based on a customers check-writing behavior. (20070033135), 2007. [11] Usanee Worrachartdatchai. Credit scoring using least squares support vector machine base on data of thai nancial institution. 2007. [12] Defu et. al. Zhang. A comparison study of credit scoring models. (361005), 2007.

53

Vita
Audante Ramos, N estor Rafael naci o en Per u, Departamento de Lima, el 15 de Abril de 1985. Ingres o a la Universidad Nacional de Ingenier a en Marzo del 2003. Actualmente se desempe na como practicante en la empresa consultora de Sistemas de Informaci on: Gesfor Osmos Per u S.A.

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

AT X POR DE TESIS FUE TIPOGRAFIADA CON L E

AUDANTE R A -

c Audante Ramos, N estor Rafael 2007