Construcción de un modelo para predecir la morosidad de cartera

Español Español

Contenido principal del artículo

Soralla Bedoya Rios

Resumen

Existe una real e importante necesidad en el sistema financiero, principalmente en Colombia, de aplicar este tipo de modelos de predicción de morosidad, pues, si bien las entidades realizan una recolección de datos y existe una operación humana involucrada en el análisis de otorgamientos, hace falta una herramienta que permita tener una visión más profunda del análisis de los registros y una evaluación que permita tomar decisiones confiables. Si bien, siempre va a existir un riesgo y en muchas ocasiones la morosidad se va a presentar, es valioso poder reducir la misma con base en un modelo que realice una evaluación a priori. Adicional a la necesidad, se encuentra que existen diversas técnicas que suelen ser utilizadas para este tipo de modelos predictivos, tales como Regresión logística, redes neuronales, árboles de decisión. Las cuales contando con un conjunto de datos actualizados y verídicos arrojan resultados muy confiables que contribuyen a buenas prácticas de manejo del sector financiero y una clasificación adecuada de los clientes, tanto nuevos como los existentes, que requieren un nuevo otorgamiento crediticio.

Palabras clave:

Descargas

Los datos de descargas todavía no están disponibles.

Detalles del artículo

Referencias (VER)

I. Iakimenko, M. Semenova, and E. Zimin, “The more the better? Information sharing and credit risk”, Journal of International Financial Markets, Institutions and Money, vol. 80, p. 101651, 2022. [En línea]. Disponible en: doi: 10.1016/J. INTFIN.2022.101651.

P. Piccoli, “Valuating consumer credit portfolios”, Latin American Journal of Central Banking, vol. 3, nº 3, p. 100067, 2022. [En línea]. Disponible en: doi: 10.1016/J.LATCB.2022.100067.

M. S. ben Ali, “Credit bureaus, corruption and banking stability”, Economic Systems, vol. 46, nº 3, p. 100989, 2022. [En línea]. Disponible en: doi: 10.1016/J.ECOSYS.2022.100989.

M. R. Machado and S. Karray, “Assessing credit risk of commercial customers using hybrid machine learning algorithms”, Expert Syst Appl, vol. 200, p. 116889, 2022. [En línea]. Disponible en: doi: 10.1016/J.ESWA.2022.116889.

F. E. S. Villano, “Cuantificación del riesgo de incumplimiento en créditos de libre inversión: un ejercicio econométrico para una entidad bancaria del municipio de Popayán, Colombia”, Estudios Gerenciales, vol. 29, nº 129, pp. 416-427, 2013. [En línea]. Disponible en: doi: 10.1016/J. ESTGER.2013.11.007.

L. Mansilla Chiguay, M. Denegri Coria, and

B. Álvarez Escobar, “Relación entre actitudes hacia el endeudamiento y locus de control del consumidor en estudiantes universitarios”, Suma Psicológica, vol. 23, nº 1, pp. 1-9, 2016. [En línea]. Disponible en: doi: 10.1016/J. SUMPSI.2015.11.002.

J. C. Trejo García, M. Á. Martínez García, and F. Venegas Martínez, “Administración del riesgo crediticio al menudeo en México: una mejora econométrica en la selección de variables y cambios en sus características”, Contaduría y Administración, vol. 62, nº 2, pp. 377-398,

[En línea]. Disponible en: doi: 10.1016/j. cya.2017.01.003.

L. Wu, “The study on risk avoidance of transaction default based on the herding effect”, Systems Science & Control Engineering, vol. 9, nº 1, pp. 602-611, 2021. [En línea]. Disponible en:

doi: 10.1080/21642583.2021.1975320.

M. Naili and Y. Lahrichi, “Banks’ credit risk, systematic determinants and specific factors: recent evidence from emerging markets”, Heliyon, vol. 8, nº 2, p. e08960, 2022. [En línea]. Disponible en: doi: 10.1016/j.heliyon.2022. e08960.

K. Zheng et al., “Blockchain technology for enterprise credit information sharing in supply chain finance”, Journal of Innovation & Knowledge, vol. 7, nº 4, p. 100256, 2022. [En línea]. Disponible en: doi: 10.1016/J. JIK.2022.100256.

L. Coenen, W. Verbeke, and T. Guns, “Machine learning methods for short-term probability of default: A comparison of classification, regression and ranking methods”, Journal of the Operational Research Society, vol. 73, nº 1, pp. 191-206, 2022. [En línea]. Disponible en: doi: 10.1080/01605682.2020.1865847.

P. Giudici, B. Hadji-Misheva, and A. Spelta, “Quality Engineering Network based credit risk models”, 2019. [En línea]. Disponible en: doi:10.1080/08982112.2019.1655159.

C.-H. Weng, & Cheng, and K. Huang, “Applied Artificial lntelligence A Hybrid Machine Learning Model for Credit Approval”, Applied Artificial Intelligence, vol. 35, pp. 1439- 1465, 2021. [En línea]. Disponible en: doi: 10.1080/08839514.2021.1982475.

J. Kriebel and L. Stitz, “Credit default prediction from user-generated text in peer-to-peer lending using deep learning”, Eur J Oper Res, vol. 302, nº 1, pp. 309-323, 2022. [En línea]. Disponible en: doi: 10.1016/J.EJOR.2021.12.024.

X. Fan, X. Guo, Q. Chen, Y. Chen, T. Wang, and Y. Zhang, “Data augmentation of credit default swap transactions based on a sequence GAN”, Inf Process Manag, vol. 59, no. 3, p. 102889, 2022. [En línea]. Disponible en: doi: 10.1016/J.IPM.2022.102889.

F. Shen, X. Zhang, R. Wang, D. Lan, and W. Zhou, “Sequential optimization three-way decision model with information gain for credit default risk evaluation”, Int J Forecast, vol. 38, nº 3, pp. 1116-1128, 2022. [En línea]. Disponible en: doi: 10.1016/J.IJFORECAST.2021.12.011.

J. P. Li, N. Mirza, B. Rahat, and D. Xiong, “Machine learning and credit ratings prediction in the age of fourth industrial revolution”, Technol Forecast Soc Change, vol. 161, p. 120309, 2020. [En línea]. Disponible en: doi: 10.1016/J. TECHFORE.2020.120309.

J. R. de Castro Vieira, F. Barboza, V. A. Sobreiro, and H. Kimura, “Machine learning models for credit analysis improvements: Predicting low- incomefamilies’ default”, Appl Soft Comput, vol. 83, p. 105640, 2019. [En línea]. Disponible en: doi:10.1016/j.asoc.2019.105640.

B. Chenyu, Y. Haomiao, and Z. Ning, “How does the supervision stringency affect systemic risk based on the differential dynamic model?”, Systems Science & Control Engineering, vol. 7, nº 1, pp. 357-368, 2019. [En línea]. Disponible en: doi: 10.1080/21642583.2019.1681031.

Z. Hassani, A. Meybodi, and V. Hajihashemi, “Credit Risk Assessment Using Learning Algorithms for Feature Selection,”, Fuzzy Information and Engineering, vol. 12, nº 4, pp. 529-544, 2021. [En línea]. Disponible en: doi: 10.1080/16168658.2021.1925021.

P. Giudici, B. Hadji-Misheva, and A. Spelta, “Network based credit risk models”, Qual Eng, vol. 32, nº 2, pp. 199-211, 2020. [En línea]. Disponible en: doi: 10.1080/08982112.2019.1655159.

A. Abdullah and A. Barnawi, “A Novel Crossing Minimization Ranking Method”, Applied Artificial Intelligence, vol. 29, nº 1, pp. 66- 99, 2015. [En línea]. Disponible en: doi: 10.1080/08839514.2015.983014.

G. Du, Z. Liu, and H. Lu, “Application of innovative risk early warning mode under big data technology in lnternet credit financial risk assessment”, J Comput Appl Math, vol. 386,

p. 113260, 2021. [En línea]. Disponible en: doi: 10.1016/J.CAM.2020.113260.

A. Pérez-Martín, A. Pérez-Torregrosa, and M. Vaca, “Big Data techniques to measure credit banking risk in home equity loans”, J Bus Res, vol.89, pp. 448-454, 2018. [En línea]. Disponible en: doi: 10.1016/J.JBUSRES.2018.02.008.

T. Law and J. Shawe-Taylor, “Practical Bayesian support vector regression for financial time series prediction and market condition change detection”, Quant Finance, vol. 17, nº 9, pp. 1403-1416, 2017. [En línea]. Disponible en: doi: 10.1080/14697688.2016.1267868.

R. A. Mancisidor, M. Kampffmeyer, K. Aas, and R. Jenssen, “Generating customer’s credit behavior with deep generative models”, Knowl Based Syst, vol. 245, p. 108568, 2022. [En línea]. Disponible en: doi:10.1016/J.KNOSYS.2022.108568.