Você está na página 1de 7

APLICCION DE LOS ARBOLES DE DECISIN A MODELOS DE RIESGO

CREDITICIO

Introduccin

En los ltimos aos las instituciones financieras, han dado un vuelco en su forma de gestionar el
riesgo, al evolucionar de procesos empricos a metodologas apoyadas en procesos estadsticos.

Tcnicamente la valoracin del riesgo mide el grado de variacin de los resultados financieros de
una empresa frente a los estimados. Sin importar que sean a favor o en contra, entre mas voltiles
sean los resultados, mas riesgo ver a un accionista, pues no tiene la certeza de obtener los resultados
presupuestados.

Muchos elementos pueden incidir en los resultados de una empresa, derivados de su gestin del
riesgo: los criterios de aceptacin de los crditos, la posterior administracin, entre muchos otros. El
resultado estar influenciado tanto por factores internos de la empresa, como por factores externos
que pueden provenir de los mercados financieros, como tasas de inters, tasas de cambio o precios,
o de variables macroeconmicas como inflacin, tasa de desempleo, etc.
Un buen entendimiento de los conceptos de riesgo, permite a los administradores planear
adecuadamente la forma de anticiparse a posibles resultados adversos y sus consecuencias y, de este
modo, prepararse para enfrentar la incertidumbre sobre las variables que puedan afectar dichos
resultados.

Se tratara una de las principales fuentes de riesgo como lo es el riego de crdito

Riesgo de crdito
es la posibilidad de que una entidad incurra en perdidas y se disminuya el valor de sus activos como
consecuencia de que sus deudores fallen en el cumplimiento oportuno o cumplan imperfectamente
los trminos contractuales acordados.

II) Planteamiento del problema de investigacin

Objetivos

Determinar que factores determinan la tendencia a no pago en una entidad financiera

Determinar de calificacin de crditos para nuevos clientes.









Metodologa
se contempla la utilizacin de una metodologa interna para el clculo de la probabilidad de
Deterioro de cada crdito y la estimacin o cuantificacin de la perdida esperada si el deudor llegara
a incumplimiento.


Se define el incumplimiento de un cliente cuando este alcanza una altura de mora m, en la que el
banco asume la prdida del capital. As, la prdida esperada se calcula como:

P E = P I S E

P I : Probabilidad de incumplimiento para el periodo dado.
S: Severidad: es el porcentaje de la cantidad expuesta que la
Entidad pierde si los deudores incumplen sus obligaciones.
E: Exposicin: es el monto de los activos expuestos al
Incumplimiento en el periodo definido.


Para el clculo de la probabilidad de incumplimiento, existen diferentes metodologas estadsticas
con las que es posible predecir, segn las caractersticas del cliente, la probabilidad de llegar a la
altura de mora definida previamente como incumplimiento, en un periodo dado. Entre estas
metodologas estn anlisis discriminante, regresin logstica, anlisis probit, redes neuronales,
matrices de transicin y arboles de decisin, que son las mas comnmente usadas en el sector
financiero.

En este articulo se presenta especficamente el uso de arboles de decisin como herramienta para el
clculo de probabilidades de incumplimiento.

Datos
Debido a que las instituciones conservan un historial del comportamiento crediticio es posible
contar con datos sobre valoraciones de crditos, se tiene informacin sobre el comportamiento de
crdito de clientes en las variables: valoracin de crdito, nivel de ingresos, numero de tarjetas de
crdito y edad.


Creacin del modelo

El procedimiento rbol de decisin ofrece varios mtodos diferentes para crear modelos de
rboles. Para este ejemplo, utilizaremos el mtodo por defecto:
CHAID.Deteccin automtica de interacciones mediante chi-cuadrado (CHi-square Automatic
Interaction Detection). En cada paso, CHAID elige la variable independiente (predictora) que
presenta la interaccin ms fuerte con la variable dependiente. Las categoras de cada predictor se
funden si no son significativamente distintas respecto a la variable dependiente.



Resultados




Si se utiliza el mtodo CHAID, nivel de ingresos es el mejor predictor para valoracin de
Crdito

Para la categora de ingresos bajos, nivel de ingresos es el nico predictor significativo para
Valoracin de crdito. De todos los clientes del banco que pertenecen a esta categora, el
82% ha causado mora en los crditos siendo este un nodo terminal.

Para las categoras de ingresos medios y altos, el siguiente mejor predictor es nmero de
tarjetas de crdito.

Hay una valoracin del crdito negativa en personas con un nivel de ingreso medio con mas de
cinco tarjetas de crdito lo contrario ocurre en personas que tienen menos de 5 tarjetas de crdito.

Para clientes con ingresos medios con cinco o ms tarjetas de crdito, el modelo incluye un
predictor ms: edad. Cerca del 80% de dichos clientes con 28 o menos aos tienen una
valoracin de crdito negativa.

Grafico de ganancias


Los grficos de ganancias acumuladas siempre comienzan en el 0% y finalizan en el 100% al ir de
un extremo a otro. Si el modelo es bueno, el grfico de ganancias ir subiendo vertiginosamente
hacia el 100% y, a continuacin, se estabilizar. Un modelo que no proporciona ninguna
informacin seguir la lnea diagonal de referencia como no es el caso.

Grafico de ndice para una valoracin de crdito negativa

Este grfico de ndice indica que el modelo es bueno. Los grficos de ndices acumulados suelen
comenzar por encima del 100% y descienden gradualmente hasta que alcanzan el 100%.
En un buen modelo, el valor de ndice debe comenzar muy por encima del 100%, permanecer en
una meseta elevada a medida que se avanza y, a continuacin, descender bruscamente hasta el
100%. Un modelo que no proporciona ninguna informacin la lnea rondar el 100% durante
todo el grfico.

















Estimacin del riesgo y clasificacin




Una estimacin de riesgo de 0,205 indica que la categora pronosticada por el modelo (valoracin de
crdito positiva o negativa) es errnea para el 20,5% de los casos. Por lo tanto, el riesgo de clasificar
errneamente a un cliente es de aproximadamente el 21%.

Los resultados en la tabla de clasificacin son coherentes con la estimacin de riesgo. La tabla Muestra que
el modelo clasifica de forma correcta, aproximadamente, al 79,5% de los clientes

No obstante, la tabla de clasificacin revela un problema potencial con este modelo: Para aquellos
Clientes con una valoracin de crdito negativa, pronostica una valoracin negativa para slo el
65% de ellos, lo que significa que el 35% de los clientes con una valoracin de crdito negativa
Aparecen inapropiadamente clasificados como clientes buenos.

Conclusiones
Los arboles de decisin se presentan como una herramienta efectiva para la prediccin de probabilidades
de incumplimiento, no solo a nivel de capacidad de discriminacin (potencia), estabilidad a travs del
tiempo, sino como una herramienta de fcil entendimiento que permite potencializar sus usos y servir
Adems de la prediccin, para la planeacin de estrategias comerciales de venta de servicios, estrategias de
cobranza entre muchas otras.

En la aplicacin practica podemos concluir que el nivel de ingreso es el nivel de ingreso es el mejor
predictor para la valoracin del riesgo de crdito en clientes.

Para las personas con ingreso medio presentan mejor valoracin del riesgo de crdito si no tienen muchas
tarjetas de cr.edito.