Professional Documents
Culture Documents
FACULTAD DE CIENCIAS
CARRERA: Ingeniería en Ciencias Económicas y Financieras 21/ 01/ 2011
DIA / MES / AÑO
OBJETIVO GENERAL:
Diseñar y construir una herramienta de gestión de riesgo a través de un modelo scoring de
mixtura, que permita incorporar los factores de riesgo sistémico, considerando dependencias de los
clientes asociados a una cartera de crédito.
OBJETIVOS ESPECÍFICOS:
• Desarrollar una herramienta efectiva con la finalidad de determinar la probabilidad de que el
solicitante tenga un comportamiento adecuado durante la evolución del crédito, de fácil
entendimiento que permita potencializar sus usos y sirva además para la planeación de de
estrategias tanto de concesión de productos financieros de la institución.
• Realizar un scoring de mixtura que permita predecir de manera confiable, el posible
comportamiento de los clientes y de esta manera la institución pueda definir un nivel de riesgo
mínimo y decidir sobre el otorgamiento o negociación del crédito.
• Aplicar la técnica de redes bayesianas y el modelo de mixtura como métodos alternativos para
mejorar los resultados obtenidos por los modelos estadísticos tradicionales.
El sistema financiero juega un rol fundamental en el funcionamiento de la economía. Instituciones
financieras sólidas y solventes permiten que los recursos financieros fluyan eficientemente desde los
agentes superavitarios a los deficitarios permitiendo que se aprovechen las oportunidades de
negocios y de consumo. La principal actividad generadora de ingresos de las instituciones bancarias,
la representa las operaciones activas a través de los créditos otorgados a los solicitantes, entendidos
como el capital adeudado, los rendimientos por cobrar y cualquier otro monto que represente
derechos no recaudados por una operación crediticia. Sin embargo, en los últimos años, la
globalización de la economía de mercado ha disminuido la estabilidad y seguridad del negocio
financiero, multiplicando los riesgos a los que se enfrentan estas entidades.
El riesgo es un conjunto de eventos aleatorios que puede tener un impacto adverso sobre el valor de
una firma. El riesgo de crédito, en particular, está definido como la incapacidad o el no deseo de un
deudor de pagar tanto el principal como los intereses de las obligaciones que ha contraído con su
acreedor. En otras palabras, es el riesgo asociado con la probabilidad de quiebra o incumplimiento de
la contraparte responsable de una obligación financiera.
Dadas las funciones de intermediación que cumple el sistema financiero en la economía, siempre
existirán riesgos, específicamente, riesgo de crédito. Una posición no adecuada ante la
materialización de este tipo de riesgo puede resultar en una profunda crisis financiera, cuyas
consecuencias son muy costosas para las economías. Dichas crisis se presentan cuando las entidades
no cuentan con buenos sistemas de administración y manejo del riesgo, dejando como consecuencia
incrementos en el incumplimiento por parte de los clientes, deterioro en la calidad de la cartera y
reducción de las utilidades de los bancos.
El riesgo de crédito es así uno de los más importantes que enfrenta el sistema financiero y por esta
razón debe ser medido y monitoreado de manera eficiente y de acuerdo con las características de la
economía y del momento del ciclo económico.
Por lo tanto, una de las responsabilidades de las instituciones financieras es administrar sus riesgos,
y tal como muchos de los gerentes de crédito en el mercado bancario saben, el seguimiento de
riesgo de crédito no es una tarea ni trivial, ni rápida; sino que constituye un importante reto para las
instituciones que entregan créditos a empresas o clientes individuales. Este reto, consiste en
cuantificar, de la mejor forma posible, el riesgo de entregar un préstamo.
A nivel mundial, el mayor representante que busca alcanzar este reto es el “Comité de Basilea para
la Supervisión Bancaria”, el cual agrupa a los representantes de los bancos centrales y supervisores
de entidades financieras. Éste comité establece que cualquier país, de acuerdo con el grado de
desarrollo de su sistema financiero, puede adoptar prácticas y principios según sus necesidades. En
general, se reconocen dos conjuntos de principios uno emitido en 1997, llamado “Acuerdo de Capital
de Basilea”, que reúne prácticas básicas en Riesgo Bancario, y otro más reciente, conocido como
“Convergencia Internacional de Medidas y Normas de Capital” ó “Basilea II”, donde se establecen
normas más avanzadas para administrar dicho riesgo (Águila et al 2002). Una adecuada gestión del
riesgo evitaría crisis bancarias, como las ocurridas a lo largo de la historia mundial. Así, las nuevas
regulaciones internacionales en materia de riesgos inciden en la necesidad de modernizar las
técnicas de medición y gestión de riesgos, promoviendo el desarrollo de modelos internos.
En cuanto a la medición del riesgo, hay una gran variedad de modelos de riesgo de crédito, los
cuales pueden ser clasificados a partir de distintos criterios. Los primeros intentos por cuantificar el
riesgo fueron hechos por expertos, desarrollando así los modelos de Credit Scoring, mismos que han
sido ampliamente discutidos y empleados para resolver este problema llegando a ser un tema
importante para muchos investigadores. En la literatura se han propuesto varias técnicas para
construir un modelo de Credit Scoring, las metodologías de los modelos tradicionales, basados
principalmente en el análisis discriminante multivariable , Zeta Score1 , los modelos de regresión
cualitativa (probit y logit2) que se apoyan en hipótesis, que no se cumplen en la mayoría de los casos
(normalidad de la distribución, variables independientes, etc.) , más recientemente los modelos de
redes neuronales.
Sin embargo, en los últimos tiempos la constante preocupación por encontrar técnicas más
robustas que permitan determinar con mayor efectividad la probabilidad de pérdida, ha hecho que
se busquen nuevas alternativas que superen los modelos anteriormente descritos dando lugar a
modelos estructurales y modelos de forma reducida o de mixtura. Los primeros descienden del
modelo propuesto por Merton (1974), el cual presenta un mecanismo para cuantificar el
incumplimiento de una empresa en términos de la relación entre los activos y sus obligaciones que
deben ser cubiertas al final de un periodo, mientras que los modelos de mixtura a diferencia de los
modelos estructurales no necesitan de información al interior de cada elemento de la cartera ya
que se modela el default mediante un proceso estocástico. Un ejemplo de ello es el modelo
CreditRisk+, que es una metodología que permite modelar el riesgo de crédito de un portafolio por
incumplimiento, en el cual se parte de la idea de que los eventos de impago por parte de los
deudores son eventos dependientes, es decir se rompe con el supuesto del modelo logit
tradicional de independencia entre los individuos analizados.
1 Atman (1968) desarrolla un modelo, en donde cinco razones financieras describen bastante bien la probabilidad de quiebra.
2 El análisis logit utiliza un conjunto de variables para predecir la probabilidad de que el prestatario entre en estado de imapgo, esto
supone que la probabilidad de incumplimiento se distribuye logística.
De acuerdo con Elizondo (2004), la diversificación del riesgo en un portafolio de créditos se da de
manera natural al tener un gran número de firmas o individuos , sin embargo si varios individuos
están afectados por los mismos factores de riesgo, esta diversificación puede ser insuficiente ,
créditos que pertenecen al mismo sector económico , al mismo lugar de destino pueden generar
altas correlaciones entre sus probabilidades de incumplimiento. Así, los factores de riesgo se
clasifican en sistémicos, que son los que afectan a un grupo de la cartera de crédito y en no
sistémico que son los que afectan particularmente a un crédito de la cartera. En la medida en que
los factores de riesgo sistémico que son los que afectan a un gran grupo de créditos del portafolio ,
dicho portafolio experimenta una gran concentración de riesgo , pues cambios no deseados pueden
llevar a pérdidas extremas.
En este tema , Bayona (2010) destaca que se han planteado dos marcadas líneas de trabajo, la
primera considera que los factores de riesgo no observados responden a variables macroeconómicas
como el PIB, la inflación, entre otras, luego la determinación de los parámetros de factores de riesgo
desde este punto de vista, se pueden calcular separadamente de los modelos para el cálculo de las
probabilidades de incumplimiento; esta técnica es muy usada en la industria pues permiten
incorporar los factores de riesgo sistémico que cada institución considera pertinente para la
valoración de su portafolio. La segunda línea de trabajo sugiere que los parámetros de los factores de
riesgo se pueden determinar conjuntamente con los coeficientes del modelo que calculan las
probabilidades de incumplimiento.
En resumen , en los modelos de mixtura para modelar la dependencia se debe considerar que el
incumplimiento de un deudor depende de un conjunto de factores económicos que son modelados
estocásticamente; así, la dependencia entre incumplimientos se la obtiene de la dependencia que
tiene cada incumplimiento con el mismo conjunto de factores económicos.
En este contexto, es necesario mencionar que para el desarrollo de estos modelos es fundamental
cuantificar la dependencia contemporánea entre créditos incumplidos y no condicionar a una
distribución en particular , para lo cual se utilizará las técnicas de redes bayesianas que no realizan
supuestos sobre las distribuciones marginales de las variables, ni tampoco sobre la relación de
dependencia entre ellas, permitiendo que capture la dinámica real entre las variables explicativas
del modelo. En particular, en los últimos años, existe un buen número de trabajos que demuestran
las ventajas que pueden aportar en este campo las redes bayesianas por su capacidad de análisis y
diagnóstico, ya que permiten combinar el conocimiento de expertos con datos observacionales, la
posibilidad de analizar los modelos resultantes y la facilidad para tratar datos incompletos o erróneos
(Gerssen et al 2004). Así, las redes bayesianas permitirán representar gráficamente las
dependencias condicional e independencias entre variables aleatorias y también pueden ser útiles
en puntuación de crédito. Además, el número de variables en el modelo puede ser grande en
función de la información de los solicitantes, las redes bayesianas permitirán eliminar algunas
variables que no influya en la puntuación de crédito de los clientes (Hand et al 1997). Igualmente,
algunos nodos de decisión se pueden añadir a las redes en secuencia en base a un conjunto óptimo
de las decisiones de maximización de la utilidad de quien toma la decisión. (Chang et al.2000).
Similarmente, las redes bayesianas permiten la integración de los conocimientos y los datos de
manera que una vez que la red es construida, las probabilidades condicionales de las variables
pueden ser calculadas en función de los datos de las variables.
La presente investigación busca desarrollar una herramienta para mejorar la gestión de riesgo a
través de la aplicación de un modelo scoring mixto que a más de proporcionar un puntaje para cada
cliente de acuerdo a su riesgo, como lo hace el scoring tradicional, ayude a predecir el
comportamiento de los clientes ante eventos externos que se presentan en la economía; así como
también presentar un cuadro de mando, del que se podrá obtener una visión más amplia y clara de
las situaciones de decisión, es decir permita de manera rápida, la visualización del cumplimiento de
las políticas por parte de los directivos y a la vez ayude a generar nuevas estrategias enfocadas en
una evaluación más efectiva del riesgo, en un formato fácilmente comprensible; y de esta manera
desarrollar una nueva inventiva que sea aplicable a cualquier portafolio crediticio en el mercado
ecuatoriano.
IDENTIFICACIÓN DEL PROPONENTES: