Revista Ingenieras Universidad de Medelln

ISSN: 1692-3324
revistaingenierias@udem.edu.co
Universidad de Medelln
Colombia

Fernndez Castao, Horacio; Prez Ramrez, Fredy Ocaris

El modelo logstico: una herramienta estadstica para evaluar el riesgo de crdito
Revista Ingenieras Universidad de Medelln, vol. 4, nm. 6, enero-junio, 2005, pp. 55-75
Universidad de Medelln
Medelln, Colombia

Disponible en: http://www.redalyc.org/articulo.oa?id=75040605

Cmo citar el artculo

Nmero completo
Ms informacin del artculo
Pgina de la revista en redalyc.org

Sistema de Informacin Cientfica

Red de Revistas Cientficas de Amrica Latina, el Caribe, Espaa y Portugal
Proyecto acadmico sin fines de lucro, desarrollado bajo la iniciativa de acceso abierto

55

El modelo logstico: Una herramienta

estadstica para evaluar
el riesgo de crdito
HORACIO FERNNDEZ CASTAO:
Magster en Matemticas Aplicadas de la Universidad EAFIT, Ingeniero Civil de la Escuela de Ingeniera
de Antioquia, Especialista en Sistemas de Administracin de la Calidad ISO 9000, Especialista en
Gerencia de Construcciones y Licenciado en Matemticas de la Universidad de Medelln. Profesor de
tiempo completo, Facultad de Ingenieras. Programa de Ingeniera Financiera. Universidad de Medelln. email: hfernandez@udem.edu.co
FREDY OCARIS PREZ RAMREZ:
Matemtico de la Universidad de Antioquia, Magster en Matemticas Aplicadas de la Universidad EAFIT
y Estudios de Especializacin en Estadstica de la Universidad Nacional, sede Medelln. Profesor de
tiempo completo, Facultad de Ingenieras. Programa de Ingeniera Financiera. Universidad de Medelln. email: foperez@udem.edu.co

RESUMEN
Las propuestas contenidas en el documento del nuevo Acuerdo de Capital de Basilea representan
un slido esfuerzo por incorporar los desarrollos recientes de la teora financiera de cuantificacin
del riesgo en la determinacin del capital regulatorio mnimo que debe ser exigido a las entidades
financieras. Es propsito entonces no incrementar los requerimientos agregados de capital para la
banca que utilice el sistema estandarizado de medicin del riesgo de crdito, y de estimular la
migracin hacia la utilizacin del sistema basado en los rating internos.
En la prctica diaria se presentan situaciones en las que es necesario tomar decisiones. Es frecuente
que estas elecciones se hagan de manera automtica, y haciendo solo uso de un razonamiento
lgico. Sin embargo, en otras situaciones la toma de alguna decisin, con el objeto de determinar
una estrategia ptima, se requiere de un anlisis ms profundo y para lo cual la mera intuicin es
insuficiente.
Por ejemplo, para una entidad financiera es de gran utilidad disponer de un modelo, alejado de la
mera intuicin, que le ayude a decidir sobre otorgar o no un crdito. La entidad debe evaluar la
probabilidad de que el cliente devuelva el dinero, lo cual ser un hecho positivo para la entidad, o
bien que el cliente llegue a ser moroso, y esto ser un hecho negativo para la entidad.
Ante esta situacin, de eleccin binaria, es necesario hacer uso de modelos dicotmicos que
permitan evaluar la probabilidad asociada a cada alternativa de decisin. Es de gran ayuda utilizar
un modelo que, de acuerdo a lo ocurrido con otros prstamos, con diferentes estratos econmiUniversidad de Medelln

56

Fernndez & Prez

cos, diferentes salarios, diferentes niveles de escolaridad, entre otros, permita calcular la
probabilidad de que el cliente cancele el prstamo, y con base en los resultados tomar una decisin
despus de una reflexin ms profunda, de manera que se calcule la provisin necesaria para
cubrir eventualidades de morosidad.
En este artculo se presenta un planteamiento no lineal de los modelos de eleccin dicotmica
que, sin duda, es una buena eleccin para evaluar el riesgo de crdito de una cartera comercial,
que se incluye aqu como una aplicacin.
Palabras clave: Basilea, eleccin binaria, modelos dicotmicos, probabilidad

ABSTRACT
The proposal container in the document of the new Basels an agreement represents a solid effort
to incorporate the resents the development of the financial theory of risk quantification in the
determination of minimum regulatory capital that must be requested in the financial entities.
Then, the purpose is no increment the added requirements of capital for the banking house that
uses standardized system of the risk credit measurement and the stimulation upon the use of the
system based in the intern ratings.
In the daily practice, it presents situations in which, its necessary to take decisions. It is frequently
that these choices are made in automatic way and just making use of a logic reasoning. However in
the other situations taking some decisions with the purpose of determinations a very good strategy, it requires a deeper analysis in which the simple intuition is not enough.
For example, for a financial entity is very useful to have a model away of just intuition which have
for to take a decision whether they give or not a credit. The financial entity must evaluate the
probability the costumer gives back the money which will be a positive fact for the entity, now then
that the customer becomes debtor, and this will be a negative fact for the entity.
Before this situation, of binary choice, it is necessary to make used dichotomy models that allow
evaluating the associated probability to every alternative. Its a great help to use a model that, concerning about that happened with other loans. With different economic levels, different salaries, and
different academics levels, among others, it permits to calculate the probability that the costumer
pays for the loan and based on these results they can take a decision after a deeper meditation.
Key words: Basel, binary choice, dichotomies models, probability.

INTRODUCCIN
Las finanzas, como disciplina cientfica,
estudian la manera como se asignan recursos
escasos a lo largo del tiempo en condiciones
de incertidumbre. Existen tres pilares analticos
de las finanzas: la optimizacin en el tiempo,
la valuacin de activos y la evaluacin y administracin del riesgo. Este ltimo de gran
Revista Ingenieras

importancia en la actualidad, debido al control que estn ejerciendo las agencias

internacionales sobre los pases en desarrollo,
y por esto se ha intensificado su estudio e investigacin.
La incertidumbre es una de las caractersticas
principales con las cuales debe convivir una
institucin financiera. Una amplia serie de fe-

El modelo logstico: una herramienta estadstica...

nmenos, cuyo comportamiento es impredecible, tiene un impacto directo en el desempeo de dichas instituciones. En el caso de
las compaas de seguros, stas tienen que
realizar erogaciones por concepto de
accidentes u otros eventos asegurados. En el
caso de las instituciones bancarias, ellas tienen
que hacer provisiones de capital para hacer
frente a prdidas originadas tanto por la
calidad crediticia de sus deudores como por
los cambios en los factores de mercado que
afectan sus portafolios.
El anlisis de las variaciones de los factores
cuyo comportamiento es impredecible puede
ser realizado por medio de diversas herramientas estadsticas, lo cual, en el caso particular
de las compaas de seguros, ha dado lugar a
la teora del riesgo. El desarrollo de la teora
de riesgos ha permitido a las compaas de
seguros conocer mejor la exposicin de sus
portafolios y establecer las prdidas a las
cuales se exponen. Slo en tiempos recientes
se ha explotado esta herramienta en el mbito
financiero, debido a la similitud existente con
el principal riesgo que las instituciones
financieras enfrentan: el riesgo crediticio.
La administracin del riesgo, como puede
verse, ha evolucionado notablemente en los
ltimos aos y si se hace un anlisis resumido
de esta evolucin, no se podran dejar de
repasar los diversos estudios realizados por el
comit de Basilea.
El comit de Basilea (ciudad del norte de
Suiza), se cre en 1974 por los gobernantes
del G-10 con el propsito de coordinar la
supervisin de los bancos internacionales. El
comit es un foro de debate sobre la
supervisin bancaria cuyo fin es ser garantes
de una supervisin eficaz de las actividades
bancarias en todo el mundo.
Recientemente se ha convocado al anlisis de
propuestas metodolgicas para el Nuevo
Acuerdo de Basilea sobre Capitales en la

57

Banca, en el entendido de que en el mbito

de una mayor globalizacin, las instituciones
financieras requieren ampliar sus alternativas
para representar el riesgo y mantener
adecuados ndices de capitalizacin. Uno de
los aspectos centrales de las propuestas del
Comit es el manejo del riesgo de crdito.
El riesgo, como la probabilidad de obtener un
resultado no esperado, hace necesario que en
su estudio se deban tener en cuenta las matemticas para modelar los procesos de
optimizacin, dado que las caractersticas de
las variables se ven reflejadas mediante
procesos estocsticos. Es necesario que en el
planteamiento se incluya esta situacin y para
ello se deben considerar como pilares: La
Estadstica, los Procesos Estocsticos, la
Simulacin, las Series de Tiempo y la
Econometra.
En este contexto, se considera importante que
en las diferentes regiones latinoamericanas se
fomente una actitud proactiva en cuanto a las
metodologas de administracin del riesgo
crediticio y los requerimientos de capital para
la banca. En ese sentido, se ha desarrollado
una serie de propuestas para adaptarse a las
metodologas requeridas, que tienen como
finalidad fortalecer la gestin de los diferentes riesgos de mercado [11], de crdito, de
liquidez, contraparte y operativo, y otros
inherentes a la Banca.
El pilar fundamental de la supervisin bancaria
est en la gestin interna del riesgo en las
entidades financieras y, como tal, est
orientado a que se fortalezca esta gestin en
riesgos de crdito y de mercado, generando
cultura y prcticas de alto nivel tcnico en la
administracin del mismo.
Se deben establecer, as mismo, los principios
y criterios generales que las entidades deben
adoptar para mantener adecuadamente
evaluados los riesgos crediticios implcitos en
los activos de crdito, y definir las modalidades
Universidad de Medelln

58

Fernndez & Prez

de crdito, determinar las calificaciones que

se deben otorgar a tales operaciones segn la
percepcin de riesgo que de las mismas se
tenga, establecer la periodicidad con que se
deben efectuar tales calificaciones y consagrar
los mecanismos de recalificacin.
El valor en riesgo crediticio se encuentra todava
en su infancia y est creciendo, en parte, como
consecuencia de las instituciones reguladoras;
es por esto que en Colombia se ha creado la necesidad de que en las entidades financieras se
conformen grupos de trabajo en esta temtica,
con una rigurosa formacin Matemtica,
Estadstica Multivariada, la Simulacin, los
Procesos Estocsticos y la Econometra, que les
permita hacer las valoraciones del riesgo de manera cientfica y as puedan cumplir con los
requerimientos internacionales para ser garantes
de un buen manejo de los elementos financieros de alto riesgo. Es necesario modelar, desarrollar y analizar sistemas de informacin que
permitan evaluar el riesgo de crdito, y hacer las
provisiones de cartera.
El incremento en la varianza de las principales
variables financieras ha creado un nuevo
campo, en la Ingeniera Financiera, cuyo
objetivo es proporcionar alternativas creativas
para protegerse contra los riesgos financieros
o para especular con ellos.
El riesgo puede ser definido como la
volatilidad de los flujos financieros no
esperados, generalmente derivada del valor de
los activos o los pasivos. Las empresas estn
expuestas a tres tipos de riesgo, que son:
Los riesgos de negocios son aquellos que
la empresa est dispuesta a asumir para
crear ventajas competitivas y agregar valor
para los accionistas.
Los riesgos estratgicos son los resultantes
de cambios fundamentales en la economa
o en el entorno poltico.
Los riegos financieros estn relacionados
con las posibles prdidas en los mercados

Revista Ingenieras

financieros. La extensa literatura sobre crisis financieras internacionales y el anlisis

de los agregados macroeconmicos y
bancarios para varios pases, entre ellos Colombia, han resultado interesantes a la hora
de ahondar en el estudio del desempeo
del sistema bancario y la economa durante
el perodo de transicin de una crisis
financiera; el colapso crediticio es una caracterstica de una crisis bancaria y un
perodo en el cual los prestatarios y los
deudores ajustan sus balances.
Toda empresa est expuesta a riesgos que
pueden causar graves problemas financieros,
poner en peligro la operacin e, incluso, llegar
al cierre definitivo de la empresa. La administracin del riesgo ha evolucionado notablemente en los ltimos aos y si se hace un anlisis resumido de esta evolucin, no se podran
dejar de repasar los diversos estudios
realizados por el Comit de Basilea para la
Supervisin Bancaria.
Un modelo economtrico que es de gran
utilidad, en la evaluacin del riesgo de crdito
el modelo de regresin logstica [ 6, 17] que
modela la toma de decisiones cuando se est
enfrente de un proceso de eleccin binaria, y
el proceso de decisin de la probabilidad
asociada a cada alternativa posible que puede
tener un cliente.

MODELO LOGIT
La regresin Logit [6] se utiliza cuando
queremos predecir un resultado binario, por
ejemplo, quiebra vs. no quiebra y sabemos que
existen varios factores que pueden incidir sobre
tal resultado. Esta regresin binaria es un tipo
de anlisis de regresin donde la variable
dependiente es una variable dummy: cdigo 0
(Buen Cliente) o 1 (Mal Cliente).
La regresin logstica se basa en la
denominada funcin logstica, donde se
relaciona la variable dependiente con las vari-

El modelo logstico: una herramienta estadstica...

ables independientes x1x2 ,..., xi ,..., xk a travs de

la siguiente ecuacin:
Yi 

1
 ui
1  exp(  z )

Donde,

Yi : Variable dependiente. Puede tomar valo-

59

Otro concepto de inters es el de odds ratio

(OR) de un determinado patrn x el cual se
denota por OR(x) y se define como el cociente
entre la probabilidad de que el patrn
pertenezca a la clase 1 entre la probabilidad
de que el patrn pertenezca a la clase 0. Es
decir:
OR  X  

P Y  1| X 
1  P Y  1| X 

res de cero o uno.

z : Scoring Logstico.
En el cual z   0  1 X 1   2 X 2  ...   k X k , o de
forma matricial sera Z = X

u : Es una variable aleatoria que se distribuye

normalmente

N 0,  2 

x1x2 ,..., xi ,..., xk Las variables independientes

son fijas en el muestreo.
Si denotamos por Y a la variable a predecir, y
por x1x2 ,..., xi ,..., xk a las k variables predictoras,
la regresin logstica se expresa de la manera
siguiente:
... , X k  xk ) 
P (Y  1| X )  P (Y  1| X 1  x1 , L

1
k


1  exp !  #  0  '  i xi $ "
&
i 1
 %

Donde X representa un patrn a clasificar, y

 ,  ,L
... ,  son los parmetros, que deben ser
estimados a partir de los datos, a fijar para
tener determinado un modelo concreto de
regresin logstica.
0

Para trabajar con OR(x) de manera gil, es

conveniente expresar el modelo de regresin
logstica en la manera logit. Para ello se efecta
una transformacin del modelo, de la manera
siguiente:
P Y  1| X  
logit P Y  1| X   ln OR  X   ln !
"
1  P Y  1| X 

Sustituyendo en la frmula anterior las

expresiones correspondientes al modelo
logstico obtenemos:

!
1
!
k
!


! 1  exp !  #  0  '  i xi $ "
%
&

1
i

logit P Y  1| X   ln !
k
!


exp !  #  0  '  i xi $ "
!
i 1
&
!
 %
k
!


! 1  exp !  #  0  '  i xi $ "
i 1
&
 %
!


"
"
"
"
"
"
"
"
"
"
"

Si consideramos que la variable a predecir Y

es binaria, podemos calcular P (Y  0 | X ) de la
siguiente manera:

P (Y  0 | X )  1  P (Y  1| X )  1 

1
k


1  exp !  #  0  '  i xi $ "
i 1
&
 %

k


exp !  #  0  '  i xi $ "
&
i 1
 %
k


1  exp !  #  0  '  i xi $ "
i 1
&
 %

k
k


 ln exp #  0  '  i xi $   0  '  i xi
%
&
i 1
i 1

Tal y como se ha comentado anteriormente, el

odds ratio (OR) de un individuo con patrn x
se define como el cociente entre la
probabilidad de que Y=1 dado dicho patrn X
y la probabilidad de que Y=0 dado X. As un
odds ratio de 1/3 para un patrn X se interpreta diciendo que para dicho patrn la
probabilidad de que se de Y=1 es una tercera
parte de la probabilidad de que Y=0.
Universidad de Medelln

60

Fernndez & Prez

Adems se tiene que

k
P Y  1| X  
ln OR 0   ln !
"   0  '  i xi
i 1
1  P Y  1| X 

Y por lo tanto si:

, ln OR x    0

: x  0, 0, 0,...
L ,0

entonces,

Ahora bien, en un modelo de

regresin logstica, el coeficiente  i i  1, 2,.L.., k 

representa el cambio en el logit resultante al
aumentar una unidad en la i-sima variable
X i i  1, 2,.L.. , k 

Otro concepto que resulta de inters es el de

risk odds ratio (ROR) de x0 frente a x el cual
mide el riesgo del odds ratio de x0 frente al
odds ratio de x OR x  es decir:

RORx(, x

k


exp #  0  '  i xi( $
 k

i 1
%
&


 exp # '  i xi(  xi $
k


OR x 
i 1
%
&
exp #  0  '  i xi $
i 1
%
&

OR x( 

Obviamente RORx(,x se puede expresar de manera alternativa como:

k

) L ) exp   k xk(  xk 

RORx(, x  * exp   i xi(  xi   exp  1 x1(  x1  ,...,
i 1

La estimacin de los parmetros del modelo

logit, se realiza por mxima verosimilitud
(apndice).
Para la aplicacin del modelo Logstico se
requiere que las variables exgenas sean
linealmente independientes y esto obliga a
hacer uso del anlisis de componentes principales [8], que a continuacin se presentan.

ANLISIS DE COMPONENTES
PRINCIPALES
El Anlisis de Componentes Principales es un
mtodo estadstico, muy til en la evaluacin
del riesgo crediticio y fue propuesto por
Pearson (1901), y de forma independiente tamRevista Ingenieras

bin por Hotelling (1933), y que consiste en

describir la variacin producida por la
observacin de p variables aleatorias X i en
trminos de un conjunto de nuevas variables
incorrelacionadas entre s (denominadas Componentes Principales), cada una de las cuales
sea combinacin lineal de las variables
originales.
Estas nuevas variables son obtenidas en orden
de importancia, de manera que la primera
componente principal incorpora la mayor
cantidad posible de variacin debida a las variables originales; la segunda componente principal se elige de forma que explique la mayor
cantidad posible de variacin que resta sin
explicar por la primera componente principal,
sujeta a la condicin de ser incorrelacionada
con la primera componente principal, y as
sucesivamente.
El propsito del Anlisis de Componentes
Principales es ver si las dos o tres primeras
componentes principales renen ya la mayor
parte de la variacin producida por las p variables originales puesto que, de ser as,
considerando slo estas dos o tres primeras,
reduciremos la dimensionalidad de los datos
al considerar nicamente dos o tres variables
en lugar de p, y apenas perderemos informacin relevante.
Un ejemplo muy simple puede ser el de querer
resumir la informacin obtenida al observar en
los individuos de la muestra las variables
Sueldo Anual, Rendimientos Patrimoniales,
etc.; las primeras componentes principales nos
darn un resumen de las variables observadas
(en forma de combinaciones lineales de variables originales) y, al ser incorreladas,
discriminarn mejor a los individuos de la
muestra en razn de sus caractersticas
econmicas.
En algunos casos, la obtencin de las componentes principales es el propsito del estudio,
pero en muchas ocasiones suele ser el medio

El modelo logstico: una herramienta estadstica...

de reducir el nmero de variables originales

para realizar despus un Anlisis Estadstico
determinado, como por ejemplo una Regresin
Lineal Mltiple en la que originalmente haban
sido consideradas muchas covariables; esta
segunda posibilidad es especialmente til si
las variables originales estn fuertemente
correladas. (De hecho, si stas fueran
incorreladas ellas seran ya las componentes
principales.) No obstante, hacemos la
observacin de que, en Regresin, unas variables son independientes y otra (u otras)
dependientes; en el Anlisis de Componentes
Principales todas la variables tienen la misma
consideracin.

PRUEBAS DE BONDAD DE AJUSTE [8]

61

estadstico que va a servir para contrastar las

hiptesis es la prueba de Bartlett,


1
B  !n - 1" ln R
6
(
2
k+
5
)



La condicin de aplicabilidad de la prueba de

Bartlett, es que las variables procedan de una
poblacin con una distribucin normal multivariable.

Medida de adecuacin de la muestra

(kaiser-meyer-olkin) kmo
Este ndice permite comparar las magnitudes
de los coeficientes de correlacin observados
con las magnitudes de los coeficientes de
correlacin parcial. El ndice KMO se calcula:

Prueba de esfericidad de Barltlett

'' r

2
ij

KMO 

Esta prueba se utiliza para realizar el siguiente

contraste
H0 : '   2I
H1 : ' +  2 I

Donde la hiptesis nula afirma que las variables no estn correlacionadas en la poblacin, es decir, que la matriz de correlacin de
la poblacin es una matriz diagonal.
Tiene sentido el modelo si podemos rechazar
la hiptesis nula, lo cual sera indicativo de
que existen correlaciones entre las variables.
En caso de no poder rechazar la hiptesis nula,
se pondr en duda lo adecuado del modelo.
El determinante de la matriz de correlaciones
muestral es un estimador del determinante de
la matriz de correlaciones poblacional. A partir
del valor del determinante muestral, se puede
calcular un estadstico que se distribuye segn
la chi-cuadrada con 2 grados de libertad igual a
(k2-k), donde k es el nmero de variables de
la matriz de correlaciones. El valor del

i 1 j 1

'' r  '' s
2
ij

i 1 j 1

2
ij

i 1 j 1

Donde:
rij : es el coeficiente de correlacin entre las
variables i-sima y j-sima; se excluyen de las
sumatorias los coeficientes de correlacin de
una variable consigo, por lo tanto, el campo
de aplicacin de las sumatorias no es aplicable
en los casos i = j.

sij : es el coeficiente de correlacin parcial

entre las variables i-sima y j-sima, tambin
se excluyen los casos i = j.

Interpretacin
Un ndice KMO bajo indica que la
intercorrelacin entre las variables no es
grande y, por tanto, la aplicacin del modelo
no ser prctica, ya que necesitaramos casi
tantos factores como variables para incluir un
porcentaje de la informacin aceptable.
Universidad de Medelln

62

Fernndez & Prez

Un KMO con valores mayores de 0.7 indican

alta intercorrelacin, por tanto, es
indicativo de que ste anlisis es apropiado.
Los valores entre 0.5 y 0.6 indican que el grado
de intercorrelacin es medio, pero
aplicable.
Cuando KMO es menor que 0.5 indicara que
el anlisis factorial no resultara una tcnica
til.

Medida de adecuacin de la muestra

(MSA)
Este ndice se calcula para cada variable, de
forma similar al ndice KMO.
n

'r

2
ij

Su frmula es

MSA 

j 1

'r  's
2
ij

j 1

2
ij

se excluye el caso i = j.

j 1

Interpretacin
Un MSA con valores mayores de 0.7 indica alta
intercorrelacin, por tanto, es indicativo de
que este anlisis es apropiado.
Los valores entre 0.35 y 0.6 indican que el grado
de intercorrelacin es medio, pero aplicable.
Un MSA menor que 0.5 indica que no se
aconseja este tipo de anlisis.

Correlacin mltiple
Este coeficiente indica el grado de asociacin
entre una variable y todas las otras que intervienen en el anlisis. Si hay muchas variables
con un coeficiente de correlacin mltiple muy
alto, el anlisis puede utilizarse. Las variables
con un coeficiente de correlacin mltiple bajo
podran eliminarse.
Revista Ingenieras

La comunalidad
Es un valor que se obtiene para cada una de
las variables originales, sumando los
cuadrados de las correlaciones o cargas de los
factores retenidos con la variable para la que
se calcula y que expresa la proporcin de
varianza de la variable extrada o explicada con
m factores, donde m es el nmero de factores
retenidos. Si m es igual al nmero total de variables la comunalidad ser igual a 1.

APLICACIN
Para presentar las metodologas de medicin
de riesgo de crdito, basados en modelos Logit
y Probit y aplicarlas a la base de datos, que
permitan mejorar el control, la toma de decisiones de la administracin financiera y la
gestin de los riesgos, es necesario realizar un
anlisis de comportamiento para cada una de
las variables y la correlacin entre ellas. Esto se
hace con el fin de determinar algunas relaciones
para grupos determinados de la poblacin de
acuerdo con sus caractersticas particulares.
Por tanto, se cruzan variables de cliente, del
crdito y de comportamiento contra la definicin de fallidos y no fallidos. Definicin que
es resultado del default para establecer un procedimiento de clasificacin que permita determinar las ponderaciones necesarias y establecer la probabilidad de fallido. Dicho procedimiento estar basado en las tcnicas del
Anlisis Estadstico Multivariado.
Un aspecto muy importante sobre el cual
enfatiza el sistema SARC1 es el seguimiento y
control de procesos que tengan relacin directa
con el riesgo crediticio. Por lo tanto se hace
necesario el monitoreo de procesos tales
como: Otorgamientos, Comportamiento y
Provisiones. Cada uno de estos procesos
sintetiza las diferentes etapas de la vida de una
obligacin, razn por la cual las variables

El modelo logstico: una herramienta estadstica...

contempladas en cada proceso deben tener

relacin directa con el objeto del mismo del
crdito, as como el anlisis y seguimiento a
las mismas.
Desde hace ms de dos aos, en el pas se
esta observando cmo realizar el SARC
(Sistema de Anlisis de Riesgo de Crdito),
el cual consiste en menor regulacin y mayor
supervisin; ste incluye un aumento en la
capacitacin tanto de las entidades vigiladas
como de la propia Superintendencia Bancaria
para aumentar su capacidad de evaluacin.
El objetivo principal de las entidades
financieras es lograr por medio del Sistema
de Administracin de Riesgo Crediticio
(SARC) estimar el nivel de provisiones
adecuado para el crdito otorgado.

Existen 2 tipos de provisin:

a) Provisin Individual

PEt  Pt - SEt - (1  TR )
Donde:
: Es la probabilidad de incumplimiento o
probabilidad de Default, este es obtenido por
medio de un modelo logstico:
Pt

eX
1  eX

Estableciendo

La probabilidad de incumplimiento

cual es la

El plazo

provisin optima
de cada credito.

Cada entidad decide hasta que punto asume

el nivel de riesgo, estableciendo rangos de
probabilidad para calificar a cada cliente, de
la siguiente manera:
Rango de probabilidad

Calificacin

1
2
3
4
5
6
7
8

AAA
AA
A
BBB
BB
C
D
E

b) Provisin General

Es la prdida esperada de cada uno de los

crditos, que se define como:

Pt 

El Saldo

63

donde X   0  '  i X i
i 1

SEt Es el saldo expuesto del crdito t.

TR, Es la tasa de recuperacin, la cual se

obtiene a partir de los crditos que entran en
cobro jurdico.
Para determinar en nivel de provisiones
individuales anticipadas es necesario emplear
el modelo de otorgamiento del crdito, en el
cual el analista debe estimar la probabilidad
de Default, segn las caractersticas del
crdito.

Se realiza por medio de modelos VAR o

modelos ADL (modelos autorregresivos de
rezagos distribuidos) , tomando la cartera general y las variables internas de la entidad,
realizando un detallado seguimiento,
observando cmo las variables macroeconmicas afectan el clculo en la provisin.
Se ha observado, a travs de la historia, que
en pocas de crecimiento econmico se
disminuyen las provisiones afectando
positivamente las utilidades de las instituciones financieras. El problema es que en el
momento de correr la serie con los datos
histricos, sta puede quedar sobrestimada
por el pasado.
Para evitar esto se debe tener presente la
Prociclidad, la cual considera 2 factores:
1. En pocas de crisis se da un exceso de
provisiones (exceso de morosidad),
golpeando directamente las utilidades de
Universidad de Medelln

64

Fernndez & Prez

las instituciones (disminuye la utilidad

neta), empeorando, as, la crisis ms de lo
que estaba (pues las instituciones
financieras estn castigando fuertemente
sus utilidades, mostrando a la economa
malos resultados).
2. pocas de bonanza: Se dar un dficit (la
entidad no realiza la cantidad necesaria de
provisiones, pues segn la teora cuando
hay bonanza la morosidad disminuye, pero
en la prctica puede que no se haya
reflejado realmente lo que propona la
teora, ocasionndole grandes prdidas a
la institucin, porque no estaba preparada
para el no pago de sus clientes) y en el
momento en que llega la crisis la organizacin se acaba, pues no la soporta.

Variables macroeconmicas que se

deben considerar
En el momento de escoger las variables, un
buen parmetro es la correlacin que hay entre ellas; las ms importantes son:
El PIB (producto interno bruto)
Entre el PIB vs. la calidad de la cartera hay
una correlacin perfecta (como se enunci
anteriormente), pero el PIB posee una caracterstica, pues ste es una variable que no la
tenemos en tiempo real, pues esta se da
trimestralmente, por lo tanto es buena para el
pasado, mas no para el futuro. Pero a esta variable se le puede realizar un tratamiento, el
cual consiste en el filtrado baso permitiendo
que la serie no quede desfasada.

EL DESEMPLEO
Tasa de desempleo vs. provisiones: Segn la
historia se ha observado que a mayor tasa de
empleo menor es la morosidad, por lo tanto,
estn correlacionadas negativamente.
Revista Ingenieras

CONSUMO
Consumo vs. provisiones
EL IPC (ndice de precios al consumidor)
IPC vs. cartera vencida: Se ha observado que a
menor inflacin mayor nivel de morosidad, es
decir, tiene una correlacin negativa.
LA DTF (tasa de deposito a termino fijo)
DTF ajustado por inflacin vs. cartera vencida:
Se observa que a menor DTF menor nivel de
morosidad.
Es necesario realizar un modelo de
seguimiento en el cual se consideran variables
dinmicas, permitiendo la actualizacin del
modelo, debido a que la probabilidad de fallo
cambia a travs del tiempo, cambiando, a su
vez, la provisin general, de la siguiente manera:
Buen comportamiento: la provisin baja.
Mal comportamiento: la provisin sube.
En este artculo se presenta el procedimiento
de clculo de la provisin individual y no el
estudio para hallar la provisin general.

Procedimiento para hallar la provisin

individual
Para determinar la provisin es necesario determinar el riesgo de crdito y clasificar la base
de datos en 2 tipos de cartera:
La cartera comercial
La cartera de consumo
Los modelos economtricos mas usados para
calcular la probabilidad de Default son:
El Logit
El Probit
El tobit

El modelo logstico: una herramienta estadstica...

El modelo economtrico que se presenta en

este articulo es el logistico.

Anlisis de la cartera comercial

Para realizar dicho anlisis se debe realizar el
siguiente procedimiento:
1. La unidad objeto de anlisis son las
empresas; est compuesto por:
A. Variables cuantitativas: Indicadores financieros. Las variables son:
Ao Informacin, Crecimiento en Ventas,
Rentabilidad Bruta, Utilidad operativa, Utilidad
neta / Ventas, Crecimiento en Utilidades, Ciclo
Operativo (rot. cart. + rot. inv.), Utilidad neta /
Patrimonio, Crecimiento del Patrimonio,
Endeudamiento sin Valz (Pas.T/Act. T),
Endeudamiento Total / Ventas, Endeudamiento
(Pas.T/Act.T), Endeudamiento Financiero /
Ventas, Apalancamiento Financiero, Pasivo
Corriente/Pasivo Total, Crecimiento del Activo,
Rentabilidad del Activo, Prueba Acida (razn),
Relacin Corriente, Rotacin de Cartera
(Comercial), Rotacin de Proveedores, Rotacin
de Inventarios, Otros Ingresos / Utilidad Neta,
Correccin Monetaria / Utilidad Neta, Utilidad
Operativa / Gastos Financiero, Flujo de Caja
Libre / Gastos Financieros, Calificacin Interna,
Default, Calificacin Pagos Externos, Cupo en
Millones de Pesos, Ao Calificacin, Saldo Capital Promedio por Ao y Mximos das vencido
ao; los cuales son establecidos por el PYG y el
balance General.
Es necesario observar el nivel de correlacin
que existe entre dichas variables, debido a que

65

pueden existir problemas de multicolinealidad;

para evitar estos problemas, realizaremos el
anlisis de componentes principales que nos
permite pasar de un espacio linealmente
dependiente (LD) a un espacio linealmente
independiente (LI), permitiendo estimar el
modelo logstico.
A. Variables cualitativas o categricas: las
cuales se caracterizan por poseer diferentes estados. Dichas variables son:
Antigedad de la Empresa, Antigedad como
Cliente, Socios, Referencias de Socios / Administradores, Administracin Experiencia,
Administracin Estructura, Estados Financieros Auditor, Estados Financieros Disponibilidad, Competencia, Productos, Nmero de
Clientes / Estabilidad, Proveedores, Barreras
de entrada, Barreras de salida, Instalaciones /
Activos, Recursos Humanos, Nivel de regulacin, Nivel de riesgo ambiental, Fuentes
Financieras y Alternativa ms probable de
Financiacin.
Se realizan pruebas de asociacin entre las
variables categricas y el Default, por medio
de tablas de contingencia.

Ajuste del modelo de regresin logstico

A continuacin se realiza el scoring logstico,
donde se consider como variable endgena
es el Default y como variables exgenas las 21
componentes principales y la variable
cuantitativa calificacin pagos externos; y que
se expresa como una combinacin lineal de 5
variables dummys
X    0  1cc1  ...   21cc21  1Dx37a   2 Dx37b  ...   4 Dx37e

Universidad de Medelln

66

Fernndez & Prez

Variables in the Equation

CC1
CC2
CC3
CC4
CC5
CC6
CC7
CC8
CC9
CC10
CC11
CC12
CC13
CC14
CC15
CC16
CC17
CC18
CC19
CC20
CC21
DX37_A
DX37_B
DX37_C
DX37_E
Constant

B
0,781
0,400
-0,348
-1,462
-4,247
1,435
-0,848
0,058
-0,239
0,620
0,338
-0,470
-0,889
0,666
2,426
0,612
2,110
-0,656
-0,315
0,068
0,129
-182,679
-147,075
-143,210
-104,843
141,696

S.E.
0,329
0,437
0,475
2,455
6,536
1,398
2,024
0,425
0,369
1,200
0,553
0,364
0,578
0,392
0,844
0,541
1,089
0,249
0,482
0,504
0,238
1101,743
1057,346
1057,331
21087,777
1057,324

Wald
5,622
0,837
0,536
0,355
0,422
1,054
0,176
0,019
0,418
0,267
0,373
1,666
2,362
2,879
8,268
1,280
3,753
6,940
0,428
0,018
0,295
0,027
0,019
0,018
0,000
0,018

df
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000

Sig.
0,018
0,360
0,464
0,551
0,516
0,304
0,675
0,891
0,518
0,605
0,541
0,197
0,124
0,090
0,004
0,258
0,053
0,008
0,513
0,892
0,587
0,868
0,889
0,892
0,996
0,893

Se debe eliminar del modelo la variable menos significativa, que en este caso es Dx37_E y se
vuelve a correr el modelo, se procede as hasta que queden las variables ms significativas. El
modelo final es:
Variables in the Equation
B
S.E.
CC1
0,9131
0,1954
CC3
-0,7507
0,2201
CC4
-4,8795
1,2269
CC7
-0,3867
0,1528
CC12
-0,4097
0,1647
CC15
0,7978
0,1717
CC18
-0,3942
0,1320
CC19
-0,5767
0,1672
DX37_B
-5,0232
0,4285
DX37_A
-38,9191 326,7941
Constant
0,1099
0,2370
Revista Ingenieras

Wald
21,8312
11,6299
15,8169
6,4027
6,1865
21,5886
8,9200
11,8900
137,3922
0,0142
0,2151

df
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000

Sig.
0,0000
0,0006
0,0001
0,0114
0,0129
0,0000
0,0028
0,0006
0,0000
0,9052
0,6428

El modelo logstico: una herramienta estadstica...

67

OBSERVACIN
La variable Dx37 A no fue sacada del modelo ya que a pesar de ser una variable no significativa, al
sacarla del modelo sta afecta el scoring de otorgamiento.
Y la clasificacin del modelo es:

Classification Table(a)
Observed

Step 1

Predicted
Default
Percentage
No Fallido Fallido
Correct
Default No Fallido
4005
70
98,3
Fallido
7
243
97,2
Overall Percentage
98,2

aThe cut value is ,100

Se observa que el modelo clasific 4.005
clientes buenos como buenos clientes y 70
buenos como malos clientes, mostrndonos
un buen ajuste.

ponentes es significativa en el modelo.

2. Prueba de Hosmer- Lesmeshow
Es una prueba de bondad de ajuste, donde:

Validacin del modelo

Para validar el modelo, es necesario realizar
diferentes pruebas estadsticas como:

H0: El modelo esta bien ajustado

H1: Falta ajuste en el modelo

Hosmer and Lemeshow Test

1. Prueba mnibus
Esta prueba es til para analizar la significancia
de las componentes conjuntas del modelo, donde:
H 0 :  1   3   4   7   12   15   18   19   1   2  0

H2: Al menos un parmetro diferente de cero

Step
1

Chi-square
,396

df
8

Sig.
1,000

El valor de Hosmer Lemeshow fue de 0.396 demostrando una buena calibracin del modelo,
adems se observa que el valor p>0.05, lo que
lleva a aceptar la hiptesis nula.

Omnibus Tests of Model Coefficients

3. Prueba KS ( Kolgomorov- Smirnov)
Chi-square
df Sig.
Step 1 Step
1589,262
10 ,000
Block
1589,262
10 ,000
Model
1589,262
10 ,000
1
Como el valor p<0.05, se rechaza la hiptesis
nula, significa que al menos una de las com-

Es un histograma acumulado de los buenos y

malos, donde se muestra la mxima diferencia absoluta entre stos, para determinar si el
modelo global es significativo, donde:
H 0 : La distribucin de los buenos es
equivalente a la distribucin de los malos
Universidad de Medelln

68

Fernndez & Prez

H 1 : La distribucin de los buenos no es

equivalente a la distribucin de los malos
Esta prueba utiliza los valores de cada distribucin.
Predicted
probability
Most Extreme
Absolute
,963
Differences
Positive
,963
Negative
,000
Colmogorov-Smirnov Z
14,773
Asymp. Sig. (2-tailed)
,000
a. Grouping Variable: Deafult

Se puede observar que se rechaza la hiptesis

nula, debido a que el valor p=0, por lo tanto la
distribucin de los buenos difiere significativamente de la distribucin de los malos.

5. Prueba ROC
Esta prueba permite ver el criterio de
especificidad y sensibilidad, para obtener el
proceso de discriminacin.
Para interpretar la curva ROC se analiza el rea
bajo la curva (AUC) que para una buena
discriminacin debe ser superior a 0.80.

Se puede observar que se rechaza la hiptesis

nula, debido a que el valor p=0, por lo tanto la
distribucin de los buenos difiere de la distribucin de los malos, lo que nos demuestra
que no hay errores en el modelo.1

Definiciones de sensibilidad y especificidad

4. test Mann-Whitney

Especificidad: Es la probabilidad de que a los

clientes buenos, el modelo los clasifique como
malos, bajo un punto de corte determinado.

Este test consiste en sacar rangos en las

muestras sucesivamente de menor a mayor a
los datos de cada distribucin.
H 0 : La distribucin de los buenos es
equivalente a la distribucin de los malos
H 1 : La distribucin de los buenos no es
equivalente a la distribucin de los malos

Sensibilidad: es la probabilidad de que a los

clientes malos, el modelo los clasifique como
malos, bajo un punto de corte determinado.

Criterio para clasificar los clientes

Si P< punto de corte, entonces el cliente es
malo = 1
Si P> punto de corte, entonces el cliente es
bueno = 0

P ( M / B ) /1  Especificidad

Mann-Whitney Test
Ranks
N

Predicted
probability No Fallido 4075
Fallido
250
Total
4325

1,0

Mean
Rank
2039,03
4183,75

Sum of
Ranks
8309037,00
1045938,00

Test Statisticsa
Mann-Whitney U
Wilcoxon W
Z
Asymp. Sig. (2-tailed)
a. Grouping Variable: Deafult
Revista Ingenieras

,8
Sensitivity

Deaful

Predicted probability
4187,000
8309037,0
-41,633
,000

,5

,3

0,0
0,0

,3

1- Specificity

,5

,8

1,0

El modelo logstico: una herramienta estadstica...

69

TABLA DE PROVISIONES

P 
X  Ln ! t "
 1  Pt 

Si X 2 0 , entonces el cliente es bueno

Si X 2 0 , entonces el cliente es malo
Para el anlisis se realiza el grafico entre
X vs Pt

Ao
1994
Informacion 1995
- Empresa 1996
1997
1998
1999
2000
2001
2002

Count Maximum Mean

Sum
6
66,28 11,05
66,28
45
83,79 10,23 460,28
105
148,46
4,05 425,03
218
235,93
7,03 1531,70
831
1307,18
5,53 4596,83
855
472,97
4,75 4056,99
821
427,28
9,69 7923,56
687
384,14
5,25 3594,99
763
336,12
1,48 1132,63

Como se observa en la tabla de provisiones, el

mayor nivel de provisin media se observa en
el ao 2000; a pesar de que los clientes
disminuyeron el nivel de provisin se
increment posiblemente a la crisis financiera
del pas.

Prdida esperada o provisin individual

Como ya se explic al inicio la provisin individual es calculada como la prdida esperada1
de cada uno de los crditos, que se define
como

PEt  Pt - SEt - (1  TR )
Donde:
Pt:Es la probabilidad de incumplimiento o
probabilidad de Default; ste es obtenido por
medio del modelo logstico,

Pt 

e XB
1  e XB

donde X  '  i X i
i 1

SEt: es el saldo expuesto del crdito t.

TR: es la tasa de recuperacin, la cual se
obtiene a partir de los crditos que entran en
cobro jurdico.

En 1994 la mayor provisin fue de 66.28 debido

a la alta probabilidad de incumplimiento de
pago, de dicho cliente, lo que nos muestra la
importancia de que la institucin financiera
establezca lmites de otorgamientos de
crditos, ya que no es rentable que la entidad
tenga tanto capital improductivo.

CONCLUSIONES
Las propuestas contenidas en el documento
de nuevo acuerdo de capital representan un
slido esfuerzo por incorporar los desarrollos
recientes de la teora financiera de cuantificacin del riesgo en la determinacin del capital regulatorio mnimo que debe ser exigido a
las entidades financieras.
El propsito en el nuevo acuerdo de Basilea
es el de no incrementar los requerimientos
agregados de capital para la banca que utilice
el sistema estandarizado de medicin del
riesgo de crdito, y de estimular la migracin
hacia la utilizacin del sistema basado en los
rating internos. Frente a lo anterior, varios
analistas han sealado que los requerimientos
de capital van a aumentar sustancialmente
para la generalidad de los bancos, an en
Universidad de Medelln

70

Fernndez & Prez

pases de altos ingresos. Los bancos que estn

en capacidad en el corto plazo de presentar
sistemas de rating internos que satisfagan las
exigencias de los reguladores, y que podran
por lo tanto beneficiarse de las reducciones
en los requerimientos de capital, conforman
un grupo relativamente pequeo de entidades
de pases de altos ingresos.
Por otra parte, la complejidad de los sistemas
de medicin de riesgo, an para el caso del
enfoque estandarizado, exigir un esfuerzo
notable de los entes supervisores, por mejorar
sus capacidades tcnicas. Estos esfuerzos sern
considerablemente superiores cuando se trate
de estudiar la consistencia de los sistemas de
rating internos de los bancos.
Dado lo anterior, la generalidad de los bancos
de estos pases va a verse obligada a utilizar el
enfoque estandarizado, que depende de la
calificacin del riesgo emitida por las agencias
especializadas. Sin embargo, estas calificaciones son tambin menos comunes en los pases
de bajos ingresos. Se corre el riesgo de que
los esfuerzos por mejorar la calidad de los
activos no se traduzca en menores
requerimientos de capital para sus bancos,
contrario a lo sucedera en los pases de altos
ingresos, donde est ms generalizada la
prctica de la calificacin.
Particular preocupacin se deriva de la situacin que se puede presentar en relacin con
los requerimientos de capital de la deuda
soberana de los pases en va de desarrollo.
Frente a una ponderacin actual de estos
papeles del 0%, se pasara a una ponderacin
por riesgo del 100% (caso de la deuda externa
de la Repblica de Colombia). El efecto que
ello tendra en el encarecimiento de la deuda
soberana podra traducirse en una disminucin
del flujo de capitales hacia estos pases, con
las obvias consecuencias desde el punto de
vista del crecimiento y del empleo.
Las anteriores consideraciones hacen
aconsejable que se evalen cuidadosamente
Revista Ingenieras

las condiciones de aplicacin del Nuevo

Acuerdo de Capital, a fin de que no vaya l a
provocar mayores dificultades en la situacin
de las naciones, los bancos y las empresas de
los pases en va de desarrollo. La meta
propuesta de implementacin del nuevo
acuerdo no parece realista, tanto desde el punto
de vista de la preparacin tcnica de las
entidades bancarias y de los entes supervisores,
como de la posibilidad de atender los importantes requerimientos de capital que se
derivaran de esa implementacin.
El riesgo, como la probabilidad de obtener un
resultado no esperado, hace necesario que en
su estudio se incluyan las matemticas como
herramienta para modelar los procesos de
optimizacin, dado que las caractersticas de
las variables se ven reflejadas mediante
procesos estocsticos; y para ello se deben
considerar como pilares: Estadstica
multivariada, Procesos Estocsticos,
Simulacin, Series de Tiempo y Econometra.
El pilar fundamental de la supervisin bancaria
est en la gestin interna del riesgo en las
entidades financieras y, como tal, est
orientado a que se fortalezca esta gestin en
riesgos de crdito y de mercado, generando
una cultura y prcticas de alto nivel tcnico en
la evaluacin, administracin y control del
mismo.
Se deben establecer los principios y criterios
generales que las entidades adoptarn para
mantener adecuadamente evaluados los
riesgos crediticios implcitos en los activos de
crdito, se deben definir las modalidades de
crdito, determinar las calificaciones otorgadas
a tales operaciones segn la percepcin de
riesgo que de las mismas se tenga, establecer
la periodicidad con que se deben efectuar tales
calificaciones y consagrar los mecanismos de
recalificacin.
Los score de crditos son construidos para
predecir el comportamiento de pagos de un

El modelo logstico: una herramienta estadstica...

deudor usando diversa informacin (centrales

de riesgo) tal como la historia de pagos del
deudor, nivel de endeudamiento o utilizacin,
as como de acuerdo con el apetito de
exposicin de la entidad. Algunos score
incorporan los ingresos, capacidad de pago y
alguna otra informacin relacionada con los
productos ofrecidos.
Al emplear este mtodo es necesario establecer
ciertos elementos que son importantes para
determinar la probabilidad de no pago de un
cliente.
Identificar las variables con las cuales se
seleccionan los sujetos de crdito de cada
portafolio.
Peso de las variables dentro de la
metodologa de calificacin.
Ordenamiento de los sujetos de crdito
dentro del rango de calificacin. Calificacin
en categoras de riesgo.
Seleccin del sujeto de crdito conforme al
nivel de riesgo aceptable para la entidad.

La probabilidad que estima el Scoring usualmente no est medida a un horizonte temporal

fijo. stas se ajustan a la definicin de mal
pagador establecida en el desarrollo del modelo
y que puede incluir no slo mora sino tambin
retrasos en el pago de cuotas y otros aspectos
que definen al cliente como mal pagador.
En los modelos de Scoring generalmente la
variable respuesta o dependiente es de carcter
dicotmico, mientras que las dems variables
explicativas pueden ser continuas, categricas
(convertidas a dummys) y/o dicotmicas. Para
ajustar este tipo de modelos, los principales
mtodos estadsticos usados son las
regresiones lineales, Logit o Probit.

71

El modelo de probabilidad es atractivo porque

es mas fcil de entender, pues la relacin entre las variables explicativas y la variable
estimada es directa (lineal), pero su desventaja
consiste en que puede arrojar probabilidades
negativas y/o mayores a 1 (las cuales
conceptualmente no tiene sentido).
El modelo Logit se basa en la funcin logstica
para obtener la probabilidad, mientras que el
Probit lo hace por medio de la distribucin
normal acumulada. La regresin logstica
puede ser una herramienta estadstica ms
apropiada para estimar la probabilidad de
ocurrencia de un evento en nuestro caso el
default del cliente, dado que se han definido
dos clases en la variable respuesta.
Aunque el documento de Basilea no obliga a
las entidades financieras a usar un modelo
especfico en la evaluacin del riesgo crediticio,
establece algunos parmetros que sirven como
gua para la construccin del modelo de
evaluacin y control del riesgo de crdito.
En Colombia, la Asobancaria propone algunas
metodologas que se estn implementando en
algunas entidades financieras, pero en el nivel
de cooperativas de ahorro y crdito las
metodologas economtricas son las ms
aplicadas; es posible que se requiera ms
tiempo para poder evaluar las bondades de
dichas metodologas, dadas las diferencias que
se presentan en algunas de ellas, tales como
Logit y Probit.
Las metodologas seleccionadas mostraron sus
fortalezas y debilidades al evaluar el riesgo
crediticio de la base de datos, pero, dados los
resultados, consideramos necesario seguir
investigando y comparando con otras
metodologas, con el fin obtener parmetros
de medicin de eficiencia que arrojen de manera ms segura niveles comparacin para el
Logit y el Probit.

Universidad de Medelln

72

Fernndez & Prez

BIBLIOGRAFIA
1.

ARAGONS, Jos Ramn BLANCO, Carlos. Valor en Riesgo. Aplicacin a l Gestin empresarial.
Ediciones Pirmide. Madrid. 2000.

2.

BEST, P. Implementing Value at Risk. January. 1999.

3.

BHLMANN, Hans. Mathematical Methods in Risk Theory. Springer Verlag. 1970.

4.

DOWD, Kevind. Beyond Value at Risk: The new Science of Risk Management. 2002.

5.

D, HENDRICKS. Evaluation of VAR models using historical data, Economy Policy Review,
Federal Reserve Bank of New York, Abril, Vol.2, nmero1.

6.

GREENE, William H. Anlisis economtrico. Prentice Hall. Madrid.1999.

7.

GUJARATI, Damodar N. Econometra. McGraw-Hill.3 Edicin. Bogot.1997.

8.

HAIR, Joseph F., ANDERSON, Rolph E., TATHAM, Ronald L. y BLACK, William C. Anlisis
multivariante. Prentice Hall. Madrid. 5 Edicin. 1999.

9.

HILLIER, F. and LIEBERMAN, G. F. (1986). Introduction to Operations Research. 4th ed. San Francisco, Holden-Day.

10.

HOLTON, Glyn A. Value at Risk: Theory and practice. March. 2003.

11.

JORION, Philippe. Valor en Riesgo. El nuevo paradigma para el control de riesgos con derivados. Editorial Limusa. 2002.

12.

LAMBERTON, Damien. Introduction to Stochastic Calculus Applied to Finance. CRC Press.

2003.

13.

LATORRE LLORENS, Luis. Teora del Riesgo y sus Aplicaciones a la Empresa Aseguradora.
Editorial Mapfre. 1992.

14.

LEFVRE, Claude; UTEV, Sergey. Comparison of individual risk models. Insurance: Mathematics
& Economics 28 (2001) 21-30.

15.

MADDALA, G.S. Introduction to Econometrics. Macmillan. Nueva York. 1988.

16.

MITTELHAMMER, Ron C., JUDGE, George G. y MILLER, Douglas J. Econometric Foundations. Cambridge University Press. New York. 2000.

17.

MONTGOMERY, Douglas C., PECK, Elizabeth A. y VINNING, G. Geoffrey. Introduccin al anlisis de regresin Lineal. 3 Edicin. CECSA. 2002.

18.

PENZA, Pietro anf BANSAL, Vipul K. Measuring Market Risk with Value at Risk. October 2000.

Revista Ingenieras

El modelo logstico: una herramienta estadstica...

73

19.

PINDYCK, Robert S. y RUBINFELD, Daniel L. Econometra, modelos y pronsticos. McGrawHill. 4 Edicin. 1998.

20.

RIPLEY, B. D. Stochastic Simulation. Wiley, New York. 1987

Universidad de Medelln

74

Fernndez & Prez

APNDICE
Estimacin mximo verosmil de los
parmetros del modelo logit

 ' y  j  ln
j 1

La estimacin de los parmetros 0 , 1 ,.L.. , k de

un modelo de regresin logstica se efecta por
medio del mtodo de estimacin por mxima
verosimilitud. Segn dicho mtodo se
obtienen los estimadores mximo verosmiles
como funciones de la muestra que hacen que
se maximice la funcin de verosimilitud
asociada a la nuestra. Denotando por



1

L x ,y

1

L , x
,...

N 

,y

N 

L ,   a la funcin de
,  ,  ,...
0

 

L x   , y   ,...
L , x  , y 
1



N

j
1 y  

L ,   * P Y  1| x    1  P Y  1| x   
,  ,  ,...
k

j
y 

i 1

P Y  1| x 

j

1  P Y  1| x j 

ln

tanto el valor de los parmetros  0 , 1 ,.L..,  k

maximizando

 



N

,  ,  ,...L ,  
0

 

Desarrollando el logaritmo natural de la

funcin de verosimilitud obtenemos:

 

1
1
N
N
ln L x  , y   ,...
L , x  , y   ,  0 , 1 ,...
L , k
N

 ' y   ln P Y  1| x 
j 1

Revista Ingenieras

j

 ' 1  y   ln 1  P Y  1| x  
N

j 1

i i

Y que
k


exp !  #  0  '  i xi  j  $ "
1
%
&
i 1



k
k


 j 
 j  

1
exp

1  exp !  #  0  '  i xi $ "
# 0  '  i xi $
i 1
%
&
&
i 1
 %

1  P Y  1| x 
 j

Obtenemos



 

ln L x  , y   ,...
L , x  , y 
1

N

,  ,  ,L... ,  
0

k
k

 N 


 ' y  j  #  0  ' i xi j  $  ' ln #1  exp # 0  '  i xi  j  $ $
j 1
i 1
i 1
%
& j 1 %
%
&&
N

Los estimadores mximos verosmiles  ,  ,.L.. , 

para los parmetros  ,  ,.L.. ,  se van a obtener
al resolver el siguiente sistema de n+1
ecuaciones y n+1 incgnitas:
3 ln L N  j  N
 ' y '
3 0
j 1
j 1

k


exp #  0  '  i xi  j  $
i 1
%
& 0
k


1  exp #  0  '  i xi  j  $
i 1
%
&

3 ln L N  j   j  N  j 
 ' y x1  ' x1
31
j 1
j 1

k


exp #  0  '  i xi  j  $
i 1
%
& 0
k


1  exp #  0  '  i xi  j  $
i 1
%
&

1
1
N
N
ln L x  , y   ,...
L , x  , y   ,  0 , 1 ,...
L , k





i 1

Coincide con el valor de los parmetros que

maximiza
1

j 1





     x 
'
1  P Y  1| x   

P Y  1| x

L x  , y   ,...
L , x , y 

 

 ' ln 1  P Y  1| x j 

Por otra parte, teniendo en cuenta que Lnz es

una funcin creciente estrictamente, y por



 

Teniendo en cuenta que

verosimilitud asociada a una muestra de

tamao N, para un modelo de regresin
logstica con parmetros  0 , 1 ,.L.. ,  k , con una
variable Y dicotmica, se tiene que:



  

j
j
j
j
 ' y   !ln P Y  1| x   ln 1  P Y  1| x  "  ' ln 1  P Y  1| x 

 j 1
j 1

3 ln L N  j   j  N  j 
 ' y xn  ' xn
3 k
j 1
j 1

k


exp #  0  '  i xi  j  $
i 1
%
& 0
k

j 
1  exp #  0  '  i xi   $
i 1
%
&

En el anterior sistema de n+1 ecuaciones y

n+1incgnitas no es posible obtener una
frmula cerrada para los estimadores de los
parmetros  ,  ,.L.. ,  , de ah que lo habitual
sea utilizar tcnicas iterativas para llevar a cabo
dichas estimaciones. Al utilizar el mtodo de
Newton-Raphson para llevar a cabo dichas
0

75

El modelo logstico: una herramienta estadstica...

iteraciones, se obtiene la siguiente frmula de

actualizacin de los parmetros:
1
 nuevo   viejo  X t wX  X t c  p 

Donde:

  1 , 2 ,.L.. , k

X: Matriz cuyas filas son


..., N
x  , j  1, 2, L
j

. Es

...
L

p 2  1  p 2 

...

...
L

...
L

 ...L

...

1  p  

, j  1, 2,.L.., N . W
M N , n 

...

 p 1
#
#
W #
#
#
##
%

j

...

...
L p

N 

j
p
M  N ,1, con p  

exp x j  viejo

j
1  exp x  viejo

y:Vector de componentes

y  , j  1, 2,.L.. , N
j

. Por

tanto c
M N ,1
Los criterios de convergencia del mtodo
iterativo utilizado para estimar los parmetros
pueden ser varios, pero en todos ellos la idea
subyacente es que bien

W: Matriz diagonal con elementos

j

probabilidad estimada en esa iteracin.

Es decir,

decir X
M N , n 

p  1  p

p : Vector cuya componente j-sima indica la


$
$
$
$
$
$$
&

1  p 
N 

 nuevo 4  viejo o de igual manera ln L  nuevo 4 ln L  viejo

Recibido: 05/04/2005
Aceptado: 12/05/2005

Universidad de Medelln