El Riesgo en La Organizacion Cooperativa de Ahorro y Credito

G r o u p
El Riesgo en la organizacin El Riesgo en la organizacin

cooperativa de ahorro y cooperativa de ahorro y
crdito
COFIA , ACI AMERICAS
AIS 2002- 2012
2 de marzo de 2011
G r o u p
Concepto de Riesgo: Los distintos tipos de riesgos p g p g
Riesgo de Crdito Riesgo Legal
Riesgo de Spread
g
Riesgo de Liquidez
g g
Riesgo de Mora
C
Riesgo de Tasa de Inters
Riesgo Operativo
Riesgo de Cambio
Ri d N i Ri d M d Riesgo de Negocio Riesgo de Mercado
AIS 2002- 2012 AIS 2002- 2012
Ver Bessis, J ol. Risk Management in banking. Wiley 1998
4
G r o u p
Principales Tipos de Riesgo
Ri d C dit Riesgo de Crdito
Riesgo de Mercado g
Riesgo de Liquidez
O Riesgo Operativo
- Riesgo de Negocio Riesgo de Negocio
- Riesgo de Evento
Riesgo Legal
AIS 2002- 2012 AIS 2002- 2012
G r o u p
Basilea II
NACB: Visin general
El NACB
NACB: Visin general
Pilar I:
R M i d C it l
Pilar II:
Rev Supervisora de la
Pilar III:
Req. Mnimos de Capital
Rev. Supervisora de la
Adecuacin del Capital
Disciplina de Mercado
Riesgo de
Crdito
Riesgo de
Mercado
Riesgo
Operacional
Transparencia
Informativa
Mtodo
Estndar
Mtodo Estndar
Modelos Internos: VaR
Indicador Bsico
Mtodos basados
ti i t
Modelos Internos: VaR
Enfoque Bsico
Mtodo Estndar
AIS 2002- 2012 AIS 2002- 2012
en ratings internos
Enfoque Avanzado
Medicin interna
49
G r o u p
Tipos de riesgo
Riesgo de Crdito g
- Se refiere a la variabilidad en los ingresos generados por el incumplimiento
de un acreditado o contraparte. Incluye la variabilidad derivada tanto de las
prdidas por el importe adeudado y no pagado a las cooperativas por los
dit d l t d i i id acreditados, como los costos de recuperacin incurridos.
Riesgo de Mercado
- Se refiere a la variabilidad en los ingresos generados por la variacin de
i d ti i t bi d l d fi i ( t d precio de activos intercambiados en los mercados financieros ( tasas de
inters, tipo de cambio, ndices de precios, acciones, etc.) los cuales a su
vez inciden en el valor de las posiciones de activos y / o pasivos de la
cooperativa. cooperativa.
Riesgo de Liquidez
- En el contexto de portafolios, el riesgo de prdida por diferencias adversas
entre el valor de realizacin y el valor terico de una posicin y por la entre el valor de realizacin y el valor terico de una posicin y por la
imposibilidad de enajenar, adquirir o cubrir una posicin.
Riesgo Operativo
- Este riesgo considera dos tipos de riesgos cunaltificables: Este riesgo considera dos tipos de riesgos cunaltificables:
Riesgo de negocio: prdidas por cambios rpidos en el ambiente
competitivo o eventos que daen la franquicia o la forma de operar de un
AIS 2002- 2012 AIS 2002- 2012
competitivo o eventos que daen la franquicia o la forma de operar de un
negocio ( variacinen volumen, precios o costos)
G r o u p
Tipo de Riesgo
Riesgo de Evento: debido a eventos individuales tales como fallas de
sistemas, errores y omisiones, fraudes, daos de equipo no
asegurados
Riesgo Legal
- El riesgo debido al incumplimiento de disposiciones legales o g p p g
administrativas, a la resolucin de disposiciones administrativas y judiciales
desfavorables y la aplicacin de sanciones por parte de las autoridades.
Este riesgo puede generarse como consecuencia de un Riesgo Operativo
de E ento o de Negocio de Evento o de Negocio,
AIS 2002- 2012 AIS 2002- 2012
G r o u p
Factores de riesgo g
Denominamos factor de riesgo a cualquier acontecimiento que Denominamos factor de riesgo a cualquier acontecimiento que
constituye en s mismo una fuente elemental y homognea de riesgo
Ejemplo de factor de riesgo operacional: en los quebrantos
procedentes de fraudes podemos distinguir los originados por robo procedentes de fraudes podemos distinguir los originados por robo,
atraco, falsificacin, suplantacinde personalidad, etc.
Cada Unidad padece na e posicin diferente partic lari ada a los Cada Unidad padece una exposicin diferente y particularizada a los
factores de riesgo, dependiendo de sus procesos internos y del
entorno en el que desarrolla su actividad, siendo posible que algn
factor de riesgo se manifieste con singularidades o no llegue a factor de riesgo se manifieste con singularidades o no llegue a
manifestarse.
AIS 2002- 2012 AIS 2002- 2012
G r o u p
Indicadores de seguimiento g
La exposicin latente a un factor de riesgo difcilmente puede ser La exposicin latente a un factor de riesgo difcilmente puede ser
percibida en el corto plazo en forma directa, pero puede ser estimada
mediante la utilizacin de ndices constituidos por variables
observables que vinculadas con el factor de riesgo aportan un observables, que vinculadas con el factor de riesgo, aportan un
indicador al que puede darse seguimiento peridico.
Se trata por tanto de na asociacin relacional q e permite gestionar Se trata, por tanto, de una asociacin relacional que permite gestionar
en el tiempo los valores del indicador, bajo el supuesto de que
controlando a stos (siempre que se pueda) se mantiene su factor de
riesgo asociado dentro de los niveles deseados riesgo asociado dentro de los niveles deseados.
AIS 2002- 2012 AIS 2002- 2012
G r o u p
Tipos de prdidas p p
Directas: Importes reconocidos expresamente como quebrantos Directas: Importes reconocidos expresamente como quebrantos,
pudiendo registrarse contablemente en cuentas especficas o en
cuentas de resultados.
Indirectas: Costos vinculados con la ocurrencia de incidencias Indirectas: Costos vinculados con la ocurrencia de incidencias
operacionales. En definitiva, todo gasto realizado para la eliminacin o
mitigacinde cualquier fuente de riesgo operacional.
L cro cesantes Costos de oport nidad q e no tienen reflejo contable Lucro cesantes: Costos de oportunidad que no tienen reflejo contable
y cuya estimacin deber realizarse por otras vas alternativas.
No todas estn incluidas en Basilea II...
AIS 2002- 2012 AIS 2002- 2012
G r o u p
Eventos
Un evento es la manifestacin de un factor de riesgo que origina una Un evento es la manifestacin de un factor de riesgo que origina una
prdida econmica directa o indirecta para la institucin.
Algunos factores de riesgo se pueden medir directamente a travs
de eventos cuyas prdidas son registradas en la contabilidad de eventos cuyas prdidas son registradas en la contabilidad.
Ejemplos:
- Incidencias en bolsa.
- Diferencias en caja.
- Fraudes y estafas en Medios de Pago.
- Fraudes y estafas, resto de operaciones.
- Multas, recargos y sanciones.
- Documentos extraviados.
- Diferencias en cuadres contables.
AIS 2002- 2012 AIS 2002- 2012
G r o u p
Evaluacin del riesgo g
El proceso de evaluacin culmina con la relacin detallada de los El proceso de evaluacin culmina con la relacin detallada de los
elementos de riesgo, con su correspondiente descripcin y riesgo total
asociado.
Sirve para seleccionar indicadores de riesgo y para plantear el modelo de - Sirve para seleccionar indicadores de riesgo y para plantear el modelo de
seguimiento de la Unidad.
- Los factores de riesgo se clasifican en grupos, segn umbrales de
frecuencia y severidad establecidos. y
AIS 2002- 2012 AIS 2002- 2012
G r o u p
Evaluacin del riesgo g
Baja severidad Alta severidad
Alt f i P did N li
Llevarana la
Presupuestado
enla partida de
Alta frecuencia Prdida
esperada
Ej. Errores de
proceso
No aplica
Llevaran a la
cooperativa a la
quiebra
en la partida de
gastos y se
refleja en los
ingresos
esperados
proceso
Baja frecuencia Prdida
esperada
Ej Robos en
Capital
o Seguros
esperados
Ej. Robos en
sucursales
Los eventos raros que amenazan la
solvencia de la cooperativa o y
contribuyen a la cola de la
AIS 2002- 2012 AIS 2002- 2012
y
distribucin de las prdidas.
G r o u p
Seguimiento y alerta g y
Indicadores de Riesgo Indicadores de Riesgo
- Constitucin de ndices a partir de variables extradas de los procesos cuyo
comportamiento est relacionado con el nivel de riesgo asumido.
- Seguimiento y control de los valores de cada indicador aadiendo - Seguimiento y control de los valores de cada indicador, aadiendo
establecimiento de objetivos.
Seales de Alerta
Establecimiento de valores mximos o mnimos admisibles para cada uno - Establecimiento de valores mximos o mnimos admisibles para cada uno
de los indicadores seleccionados, de forma que rebasado ese valor, se
activen automticamente las acciones de mitigacin/correccin previstas.
AIS 2002- 2012 AIS 2002- 2012
G r o u p
Clasificacin detallada de Tipos de Evento de Prdida
ejemplo de riesgo operativo
Tipo de Evento
de Prdida
Fraude Interno Fraude Externo
Relaciones laborales
y seguridad en el
puesto de trabajo
Prcticas con clientes,
productos y negocios
Daos a Activos
Materiales
Incidencias en el
negocio y fallos en
los sistemas
Actividades no
autorizadas
Seguridad en
los sistemas
Hurto y Fraude
Hurto y Fraude
Falsificacin
ATRIBUTOS
Cobro de
Cheques sin
Severidad : Mnimos,
Mximo, Promedio.
Frecuencia
Cobro de
cheques
Hurto/Robo
AIS 2002- 2012 AIS 2002- 2012
q
fondo
IV Nivel ?
G r o u p
Concepto de Riesgo
Definicin de Riesgo de Crdito Definicin de Riesgo de Crdito
El riesgo de crdito surge cuando las contrapartes estn indispuestas o El riesgo de crdito surge cuando las contrapartes estn indispuestas o
son totalmente incapaces de cumplir sus obligaciones contractuales. El
riesgo de crdito abarca tanto el riesgo de incumplimiento (valuacin
objetiva de la probabilidad de que una contraparte incumpla) como el objetiva de la probabilidad de que una contraparte incumpla), como el
riesgo de mercado que mide la prdida financiera que ser
experimentada si el cliente incumple. Philippe Jorion (1999)
Existen dos tipos de riesgo de crdito: el riesgo de incumplimiento,
que se refiere a la prdida potencial derivada de que la contraparte no
pueda cumplir con sus obligaciones financieras en las condiciones pueda cumplir con sus obligaciones financieras en las condiciones
definidas contractualmente; y el riesgo de mercado que se define
como la prdida potencial que podra sufrir un tenedor de un portafolio
de prstamos, instrumentos financieros o derivados, como p , ,
consecuencia de que el valor de mercado de estos disminuya. La
segunda definicin plantea exposicin al riesgo de crdito an en el
caso de que la contraparte no sufra quebranto alguno. Comit de
AIS 2002- 2012 AIS 2002- 2012
Supervisin Bancaria de Basilea (1999)
5
G r o u p
Concepto de Riesgo
Identificacin de las fuentes de exposicin al riesgo p g
de crdito
Activos
Activos Financieros Activos Crediticios
Bonos Cartera Comercial Bonos
Acciones
Papel Bancario
Cartera Comercial
Cartera Hipotecaria
Cartera de Consumo
Papel privado
Derivados
Otros Activos
Riesgos
Mercado
Contraparte
Crdito
incumplimiento
AIS 2002- 2012 AIS 2002- 2012
Riesgos
Contraparte incumplimiento
6
G r o u p
Concepto de Riesgo: Origen del Riesgo de Crdito.
Porqu se produce el incumplimiento? Porqu se produce el incumplimiento?
Por la presencia CONJUNTA de: Por la presencia CONJUNTA de:
- Situaciones adversas;
- Incapacidadpara soportarlas de nuestros acreditados.
Solvencia Solvencia
Liquidez
Diversificacin
Calidad de gerencia g
Garanta
Fragilidad de balance
Endeudamiento
Disminucin de Ventas
Irrupcin de competencia
Contagio Financiero
AIS 2002- 2012 AIS 2002- 2012
Endeudamiento
Cultura de empresa
Garanta pobre
Contagio Financiero
Aumento del paro
7
G r o u p
Concepto de Riesgo: Origen del Riesgo de Crdito.
Porqu se produce el incumplimiento? Porqu se produce el incumplimiento?
Por la presencia CONJUNTA de: Por la presencia CONJUNTA de:
- Situaciones adversas;
- Incapacidadpara soportarlas de nuestros acreditados.
Solvencia Solvencia
Liquidez
Diversificacin
Calidad de gerencia g
Garanta
Disminucin de Ventas
Irrupcin de competencia
Contagio Financiero
Fragilidad de balance
Endeudamiento
AIS 2002- 2012 AIS 2002- 2012
Contagio Financiero
Aumento del paro
Endeudamiento
Cultura de empresa
Garanta pobre
8
G r o u p
Concepto de Riesgo
Riesgo de Incumplimiento Riesgo de Incumplimiento
Del total de activos expuestos al riesgo de crdito en una cooperativa Del total de activos expuestos al riesgo de crdito en una cooperativa
son los activos crediticios y el riesgo de incumplimiento inherente a
los mismos lo que representa una fuente mayor de prdidas.
Riesgo de Crdito derivado del incumplimiento, puede definirse
como la incertidumbre asociada a la prdida potencial, causada por la
incapacidadde la contraparte de c mplir s s obligaciones incapacidadde la contraparte de cumplir sus obligaciones.
El anlisis que lleven a cabo las instituciones debe contemplar el
riesgo de crdito (incumplimiento) tanto en las transacciones o
crditos individuales como el anlisis de riesgo a nivel de portafolio
(Basilea, 2000).
AIS 2002- 2012 AIS 2002- 2012
9
G r o u p
Concepto de Riesgo
Riesgo Individual Riesgo Individual
- El incumplimiento es un evento que tiene asignada una probabilidad, la cual
puede analizarse a nivel individual puede analizarse a nivel individual.
- Los elementos a considerar son (Crosbie, 1997):
La probabilidad de incumplimiento como frecuencia relativa con la que ocurre La probabilidad de incumplimiento, como frecuencia relativa con la que ocurre
el evento en que la contraparte no cumpla con las obligaciones contractuales
para pagar la deuda contrada;
La tasa de recuperacin, que se refiere a la proporcin de la deuda que podr
ser recuperada una vez que la contraparte a cado en incumplimiento;
La migracin del crdito como el grado con que la calidad o calificacin del La migracin del crdito, como el grado con que la calidad o calificacin del
crdito puede mejorar o deteriorarse.
AIS 2002- 2012 AIS 2002- 2012 10
G r o u p
Concepto de Riesgo
Riesgo de Portafolio Riesgo de Portafolio
- Considera el anlisis desde el punto de vista del agregado de crditos.
- Depende de la composiciny naturaleza de cada cartera.
- La estimacin de la prdida debe de considerar la composicin como la
concentracin de los crditos que componen la cartera as como tomar en concentracin de los crditos que componen la cartera, as como tomar en
cuenta las correlaciones que puedan existir entre las fuentes de riesgo de
los mismos.
- Dos aspectos a considerar:
La correlacin entre la probabilidadde incumplimiento y la calidaddel crdito;
La concentracin de riesgo, se refiere a la contribucin marginal de un activo
crediticio en el riesgo total del portafolio.
AIS 2002- 2012 AIS 2002- 2012 11
G r o u p
Medicin del Riesgo
Prdida Esperada e Inesperada Prdida Esperada e Inesperada
Concepto de daoversus concepto de coste Concepto de dao versus concepto de coste .
- Para lograr los ingresos que se persiguen en todo negocio, es necesario
incurrir en una serie de costes que reducen el beneficio final Estos costos incurrir en una serie de costes que reducen el beneficio final. Estos costos
previstos no se consideran parte del riesgo.
Una empresa puede considerar que ha sufrido un dao cuando ha - Una empresa puede considerar que ha sufrido un dao cuando ha
experimentado una cada de sus beneficios en comparacin con los
inicialmente previstos, pero no debe considerar como dao los previsibles
costes de produccin. El riesgo es que se produzcan desviaciones en
los costes o beneficios esperados.
AIS 2002- 2012 AIS 2002- 2012
12
G r o u p
Medicin del Riesgo
Los costes previstos o previsibles debido a las situaciones de Los costes previstos o previsibles debido a las situaciones de
impago representan la Prdida Esperada:
- Se cubren con provisiones; p ;
- Nos resarcimos con el spread aplicado a cada operacin.
Las variaciones o volatilidades de la Prdida Esperada constituyen
la Prdida Inesperada: la Prdida Inesperada:
- Se calcula como la diferencia entre la prdida esperada y algn percentil de
la distribucin de prdidas del portafolio;
- Debenser cubiertas con capital (Capital en Riesgo).
AIS 2002- 2012 AIS 2002- 2012
13
G r o u p
Medicin del Riesgo
Costes esperados
t +f d + did d =costes op. + fondeo + prdida esperada
Ingresos esperados
Beneficios esperados Beneficios esperados
-Cartera del banco
-Valor inicial
Peor
Prdidas inesperadas
Capital
en Riesgo
Rating Objetivo
Quiebra
Mejor
AIS 2002- 2012 AIS 2002- 2012
Gestin de Riesgos Financieros , BID 1999
14
G r o u p
Medicin del Riesgo
%%
Prdida Prdida Prdida no esperada Prdida no esperada Prdida improbable Prdida improbable
AIS 2002- 2012 AIS 2002- 2012
Prdida
esperadas
Prdida
esperadas
Prdida no esperada Prdida no esperada Prdida improbable Prdida improbable
VaR VaR
15
G r o u p
Medicin del Riesgo
Prdida Esperada Prdida Esperada
La prdida producida por mora es un costo La prdida producida por mora es un costo.
El coste de mora se cubre con precio (spread)
Para calcular de forma eficiente el spread se necesita informacin que
i i dif il d bt a priori es difcil de obtener
B
A
Cundo va a caer
en Mora?
Va caer en
A
C t
C
Va caer en
Mora?
Cuanto va a
costar?
AIS 2002- 2012 AIS 2002- 2012 16
G r o u p
Medicin del Riesgo
Modelos de Modelos de A Modelos de Modelos de
evaluacin evaluacin
Va caer
en mora?
A
Mediante Scorings o Ratings se obtiene la calificacin de riesgo Mediante Scorings o Ratings se obtiene la calificacin de riesgo
mediante la ponderacin de caractersticas:
- Del acreditado (edad, estado civil, );
- De la operacin (tipo de crdito, importe, );
- Del negocio (antigedad, sector, ratios financieros, ...);
- Del comportamiento en la entidad; Del comportamiento en la entidad;
- Otras fuentes externas de informacin (Buros, ...)
La puntuacin se puede obtener por distintos sistemas, desde la
AIS 2002- 2012 AIS 2002- 2012
p p p
asignacinmanual a los procedimientos estadsticos.
17
G r o u p
Medicin del Riesgo
A Probabilidad de Probabilidad de
Va caer
en mora?
A Probabilidad de Probabilidad de
mora calibrada mora calibrada
La probabilidad de mora de los diferentes algoritmos de Scoring/Rating
deben ser homogneas y definida como la probabilidad de mora a un
ao, esto se realiza mediante el proceso de calibracin.
AIS 2002- 2012 AIS 2002- 2012 18
G r o u p
Medicin del Riesgo
Prdida Esperada
B
Prdida Esperada
EXPOSICIN! EXPOSICIN!
Cunto va a
B
caer en mora?
E ti i d l ld i l t l t d l i Estimacin del saldo insoluto al momento del impago
AIS 2002- 2012 AIS 2002- 2012
1.5 aos
Plazo
19
G r o u p
Medicin del Riesgo
Prdida Esperada
C
Prdida Esperada
SEVERIDAD! SEVERIDAD!
Cunto va
C
a costar?
Estimacin del costo neto del default Estimacin del costo neto del default
Default
Saldo del
Crdito
Valor
nominal
de la
C t d
Prdida Total
AIS 2002- 2012 AIS 2002- 2012
garanta
Costos de
adjudicacin y
realizacin
20
G r o u p
Medicin del Riesgo
La prdida esperada (o EL del ingls Expected Loss) se define como La prdida esperada (o EL, del ingls Expected Loss) se define como
el producto de la probabilidad de incumplimiento, la exposicin en
el incumplimiento y la prdida ante el incumplimiento:
Probability of
Default (PD)
Exposure at
Default (EAD)
Losses Given
Default (LGD)
E t d L Expected Losses
(EL)
AIS 2002- 2012 AIS 2002- 2012
(EL)
21
G r o u p
Basilea II
Los pilares en BIS II Los pilares en BIS II
El PILAR 1: El PILAR 1:
Define las nuevas normas de clculo del capital mnimo
- Se requiere capital para cubrir los riesgos de crdito, mercado
(exceptuando el riesgo estructural de inters) y operacional;
- Los clculos de capital por riesgo de crdito dependen explcitamente del
rating de las contrapartidas, de su exposicin y del grado de
recuperabilidadde las operaciones (mayor capacidad discriminadora).
AIS 2002- 2012 AIS 2002- 2012 35
G r o u p
Basilea II
PILAR 2 o SUPERVISIN: PILAR 2 o SUPERVISIN:
tiene como objetivo asegurar una buena adecuacin del capital a los
riesgos reales soportados. Se materializa en los siguientes g p g
principios:
- El Banco debe disponer de un procedimiento de determinacin del capital p p p
adecuado a los riesgos y una estrategia para su mantenimiento,
incluyendo la supervisin por parte del Consejo y la Alta Direccin, la
medicin adecuada y completa, el seguimiento e informacin, y la revisin
de controles internos de controles internos.
- El supervisor revisar y evaluar los procesos internos de medicin,
control y gestin del riesgo el proceso de evaluacin de la adecuacin control y gestin del riesgo, el proceso de evaluacin de la adecuacin
de capital, los requerimientos cualitativos para el uso de modelos internos
y el cumplimiento del los requerimientos legales.
AIS 2002- 2012 AIS 2002- 2012 36
G r o u p
Basilea II
PILAR 2 o SUPERVISIN (cont ): PILAR 2 o SUPERVISIN (cont.):
- Si advierte problemas en la evaluacin de los procesos, el supervisor
tiene capacidad discrecional para exigir ms capital e incluso tiene capacidad discrecional para exigir ms capital e incluso
intervenir anticipadamente para evitar que el capital caiga por debajo
del mnimo y exigir acciones correctoras inmediatas.
- Complemento al pilar 1: el capital no puede sustituir en el corto plazo a
controles o procesos de gestin del riesgo inapropiados.
- Aumenta la interrelacin e intercambio de informacin:
entre los bancos y sus supervisores:
entre los diferentes supervisores de los bancos.
- Importancia de la transparencia en la aplicacin de este pilar para evitar
que la discrecionalidadpueda conducir a sesgos competitivos.
AIS 2002- 2012 AIS 2002- 2012 37
G r o u p
Basilea II
PILAR 3 PILAR 3,
tiene como objetivo asegurar la transparencia en la informacin
emitida a los participantes del mercado, distinguiendo fuertes
d i i i t recomendacionesy requerimientos.
- El principio bsico que rige en todo momento es disponer de una poltica de
transparencia formalizada y aprobada por el Consejo en la que se describa transparencia formalizada y aprobada por el Consejo, en la que se describa
el objetivo y estrategia del banco en la informacin a emitir de carcter
pblico.
- Para la aprobacin de modelos internos se establecen ciertos
requerimientos.
- Establece para los distintos aspectos de la norma (capital riesgo crdito - Establece, para los distintos aspectos de la norma (capital, riesgo crdito,
de mercado, operacional,..) un ncleo bsico de informacin (para todas las
entidades, tanto en aspectos cuantitativos como cualitativos) y una
informacin suplementaria (para aspectos especficos de entidades
concretas)
AIS 2002- 2012 AIS 2002- 2012
concretas).
38
G r o u p
Basilea II
PILAR 3 (cont ) PILAR 3, (cont.)
- Suministra modelos estndar de presentacin de informacin, de los que
recomienda su utilizacin recomienda su utilizacin.
- Los requerimientos de informacin son muy exigentes, en especial para las
entidades que deseen utilizar modelos internos en el pilar I entidades que deseen utilizar modelos internos en el pilar I
- Importantes implicaciones:
M t i l i d l d i d l i t d i f i d ti Materiales, asociadas a la adecuacin de los sistemas de informacin de gestin
(enla misma lnea que el pilar I);
Inmateriales: nueva cultura de transparencia en las entidades financieras.
AIS 2002- 2012 AIS 2002- 2012 39
G r o u p
Tipos de modelos de Scoring / Rating
REACTIVOS PROACTIVOS
Otorgamiento
REACTIVOS PROACTIVOS
Responden a una solicitud de crdito
por parte del cliente
P di l i b
Se anticipan a las necesidades
del cliente
P di l i b Para medir el riesgo se basan
bsicamente en los datos que
aporta el cliente en la solicitud de
crdito
Para medir el riesgo se basan en
los datos que la entidad ya
dispone sobre el cliente
nicamente sirven para evaluar a crdito
Son vlidos para evaluar tanto a
clientes como a no clientes
nicamente sirven para evaluar a
clientes vinculados
S i i t Seguimiento
COMPORTAMENTALES
Predicen el futuro cercano en base al comportamiento del cliente Predicen el futuro cercano en base al comportamiento del cliente
Pueden ser un excelente complemento en la etapa de otorgamiento
RECOBRO
AIS 2002- 2012 AIS 2002- 2012
Predicen la evolucin esperada de un cliente con contratos impagados
Excelente factor para la estimacin de la LGD
G r o u p
Tipos de modelos de Scoring / Rating Tipos de modelos de Scoring / Rating
Particulares
Scoring
Perfil del solicitante
Perfil de la operacin
Autnomos/
Microempresas
Scoring
Perfil del empresario
Perfil de la actividad
Pequeas y
Rating
Perfil de la empresa
Microempresas
y
Medianas
Empresas
Rating
Perfil de la empresa
Variables financieras
Empresas
Grandes
Rating
Variables financieras
Anlisis experto
AIS 2002- 2012 AIS 2002- 2012
G r o u p
Ejemplo de submodelos para la cartera de particulares:
Particulares
Ejemplo de submodelos para la cartera de particulares:
Particulares
Consumo Hipotecario Tarjetas
Compra Subrogacin
Clientes No Clientes Vehculos Consumo
Mini-
consumo
AIS 2002- 2012 AIS 2002- 2012
consumo
G r o u p
Es importante la clasificacin de empresas en base a su Es importante la clasificacin de empresas en base a su
tipologa (por tamao y/o sector):
PEQUEAS PEQUEAS MEDIANAS MEDIANAS GRANDES GRANDES
AUTNOMOS AUTNOMOS
MICRO-
EMPRESAS
MICRO-
EMPRESAS
EMPRESAS EMPRESAS
AGROPECUARIO AGROPECUARIO PROMOTORES PROMOTORES START-UPS START-UPS
CORPORACIONES
LOCALES
CORPORACIONES
LOCALES
MAYORISTAS MAYORISTAS
AIS 2002- 2012 AIS 2002- 2012
LOCALES LOCALES
G r o u p
Debemos clasificar los productos en paquetes homogneos:
E i i
Debemos clasificar los productos en paquetes homogneos:
Exposicin
Empresas
Riesgo
Comercial
Riesgo
Puro I
Riesgo
Puro II
sin garanta
Riesgo
Puro II
con garanta
Avales
AIS 2002- 2012 AIS 2002- 2012
G r o u p
Tcnicas de modelado ms utilizadas Tcnicas de modelado ms utilizadas
Las tcnicas de modelado ms utilizadas son las siguientes: Las tcnicas de modelado ms utilizadas son las siguientes:
- RegresinLogstica:
La ms comnhoyen da
Facilidadde interpretacinde los factores que intervienen Facilidadde interpretacinde los factores que intervienen
Tcnica robusta y que devuelve directamente una probabilidad
- Anlisis Discriminante:
Muyutilizada hace unos aos y
Misma facilidadde interpretacinque la RegresinLogstica
El resultado es una puntuacinque debe transformarse (enprobabilidad, p.e)
- rboles de Clasificacin:
Muyvisual y dirigible
Se requiere un gran volumen para conseguir un modelo exhaustivo (problemas
para conseguir un mnimo nmero de malos)
Suele presentar problemas de exhaustividady de coherencia Suele presentar problemas de exhaustividady de coherencia
- Combinaciones de las anteriores:
Es habitual combinar rboles de Clasificacincon RegresinLogstica
AIS 2002- 2012 AIS 2002- 2012
G r o u p
Anlisis Descriptivo
Lectura y depuracin de datos Lectura y depuracin de datos
Es imprescindible asegurar la calidad de los datos a travs de: Es imprescindible asegurar la calidad de los datos a travs de:
- Deteccinde datos faltantes (missings)
- Deteccinde datos fuera de rango (outliers)
- Deteccinde inconsistencias: variables de chequeo Deteccinde inconsistencias: variables de chequeo
Es necesario definir un conjunto de validaciones sobre variables de
chequeo: q
- Fechas:
Distribucinde las operaciones en las fechas adecuadas y conlgica
- Comportamiento de pago (incidencias, mora, ...)
C b l ti d i id i l i Comprobar que los ratios de incidencia y mora son lgicos
- Distribucinde las principales variables
Comprobar la distribucin lgica de las variables base (edad, situacin de la
vivienda, vinculacinde los clientes, nivel de ingresos, nivel de saldos, ...)
- Validaciones cruzadas
Edady antigedaden empleo
Estado civil y componentes de la unidadfamiliar
AIS 2002- 2012 AIS 2002- 2012

...
G r o u p
Anlisis Descriptivo
Como actuar ante la presencia de errores: Como actuar ante la presencia de errores:
- Missings:
Tratarlo como una categora ms
En el momento de desarrollo agrupar segncomportamiento En el momento de desarrollo agrupar segncomportamiento
En la implementacindel modelo segnla naturaleza de la omisin
- Outliers:
Analizar su naturaleza (p.e errores conversin: Euros Pesetas) (p )
Eliminar con precaucin:
- Debenser pocos casos
- No deben alterar la estructura de la cartera (ratio de mora)
V i bl d h - Variables de chequeo:
Tratar de arreglarsiempre que sea posible
Si no es posible, eliminar con precaucin
- Debenser pocos casos p
- No deben alterar la estructura de la cartera (ratio de mora)
AIS 2002- 2012 AIS 2002- 2012
G r o u p Anlisis descriptivo
Ejemplo de tratamiento de errores: Ejemplo de tratamiento de errores:
Frequency Morosidad
CLIENTE Si 1260 5%
No 720 20%
No informado 40 5%
Frequency Morosidad Frequency Morosidad
CLIENTE Si 1300 5%
No 720 20% No 720 20%
AIS 2002- 2012 AIS 2002- 2012
Definicin de la variable a explicar
Objetivo del modelo de Scoring:
Objetivo del modelo de Scoring:
Predecir el cumplimiento de las obligaciones de pago
de un cliente en tiempo y forma de un cliente en tiempo y forma
La definicin habitual de la variable a explicar es:
R l d d 90 d Retraso en el pago de una cuota en ms de 90 das
En algn momento a lo largo de la vida de la operacin
Pero puede existir la necesidad de relajar esta definicin:
- Si hay insuficiente nmero de casos malos
- Si ha habido reestructuraciones
Si ha habido pase a prdidas quitas condonaciones que no hayan quedado - Si ha habido pase a prdidas, quitas, condonaciones,... que no hayan quedado
reflejadas en la definicinhabitual
AIS 2002- 2012 AIS 2002- 2012
No hay que confundir la definicin de la variables a explicar:
No hay que confundir la definicin de la variables a explicar:
- Situacinde la morosidada fecha de corte
- Morosidada un ao Morosidada un ao
Ya que con estas definiciones no podemos cumplir con el objetivo:
Predecir el cumplimiento de las obligaciones de pago
de un cliente en tiempo y forma
AIS 2002- 2012 AIS 2002- 2012
G r o u p
Anlisis Descriptivo
Seleccin de casos Seleccin de casos
Los expedientes de crdito suelen tener una naturaleza compleja: Los expedientes de crdito suelen tener una naturaleza compleja :
- Presencia de una o ms personas en el expediente
- No todas las personas tienen la misma figura ni responsabilidad: titulares y
avalistas avalistas
El modelo a desarrollar debe predecir
el comportamiento de una operacin
Debemos reducir esta complejidad a un conjunto
de variables por cada operacin
AIS 2002- 2012 AIS 2002- 2012
G r o u p
Anlisis Descriptivo
Seleccin de casos Seleccin de casos
Existen varias posibilidades: Existen varias posibilidades:
S l i d l j tit l Seleccin del mejor titular
Desarrollo modelo con el mejor titular
Implantacin: evaluacin de todos los titulares y avalistas
El resultado final es el del mejor titular
Creacin de variables combinadas (promedio edades)
Desarrollo del modelo con todas las variables
H id d l i d i bl d Hay que ser cuidadoso con la creacin de variables: orden
AIS 2002- 2012 AIS 2002- 2012
G r o u p
Anlisis Descriptivo
Seleccin de muestras
Para visualizar adecuadamente una cartera es necesario definir
Para visualizar adecuadamente una cartera es necesario definir
los siguientes conjuntos de informacin:
MUESTRA ACTUAL MUESTRA ACTUAL
Contiene todas las SOLICITUDES de un periodo actual
Importante seleccionar el periodo de inters
Habitualmente no debe ir ms all del ltimo ao
Nos servir para visualizar la evolucin de la cartera en contraste con la muestra
histrica
MUESTRA HISTRICA MUESTRA HISTRICA
Contiene todas las SOLICITUDES de un periodo histrico
Puede contener todo el conjunto que no pertenezca a la muestra actual
MUESTRA MADURA
Contiene solo las OPERACIONES formalizadas
La utilizamos para ver el comportamiento respecto a la morosidad de todas las
AIS 2002- 2012 AIS 2002- 2012
La utilizamos para ver el comportamiento respecto a la morosidad de todas las
variables
G r o u p
Anlisis Descriptivo
Seleccin de muestras Seleccin de muestras
Para seleccionar la muestra madura se pueden combinar distintas Para seleccionar la muestra madura se pueden combinar distintas
tcnicas:
- Grfico de maduracin:
Se analizanlas operaciones formalizadas por fechas de formalizacin Se analizanlas operaciones formalizadas por fechas de formalizacin
Se grafica el nivel de morosidadque hanalcanzado hasta hoy
Se busca el punto en que hay una bajada significativa del ratio de mora (efecto
maduracin)
- Chain-Ladder:
Se realiza nicamente conlos morosos
S fi l f i d l d i Se grafica cmo caenlos morosos en funcinde la maduracin
Se busca la maduracinque acumula buena partede los morosos
AIS 2002- 2012 AIS 2002- 2012
G r o u p
Anlisis Descriptivo
Seleccin de muestras Seleccin de muestras
Grfico de maduracin:
40 00%
45,00%
Grfico de maduracin:
30,00%
35,00%
40,00%
o
s
o
s
20,00%
25,00%
Serie1
c
a
s
o
s

m
o
r
o
10,00%
15,00%
%
0,00%
5,00%
AIS 2002- 2012 AIS 2002- 2012
Fecha de formalizacin
G r o u p
Anlisis Descriptivo
Mt d i i i Mt d i i
BB
AA
1 2 3 4 5 6 TOT
4T05 0 2 5 1 1 0 9
1T06 1 2 6 3 1 13
Mtodo sin previsiones
I
N
MADURACIN
1 2 3 4 5 6 TOT
4T05 0 2 5 1 1 1 10,0
1T06 1 2 6 3 1 1 14,0
I
N
MADURACIN
Mtodo previsiones
2T06 0 1 9 3 13
3T06 1 4 6 11
4T06 0 3 3
1T07 1 1
TOT 3 12 26 7 2 0 50
O
R
M
A
L
I
Z
A
C
I
,
2T06 0 1 9 3 1,5 1,5 16,0
3T06 1 4 6 2,1 1,1 1,1 15,2
4T06 0 3 8,7 3,0 1,5 1,5 17,7
1T07 1 6 17,3 6,1 3,0 3,0 36,5
TOT 3 0 18 0 52 0 18 2 9 1 9 1 109 4
O
R
M
A
L
I
Z
A
C
I
TOT 3 12 26 7 2 0 50
% 6% 24% 52% 14% 4% 0%
F
O
TOT 3,0 18,0 52,0 18,2 9,1 9,1 109,4
% 3% 16% 48% 17% 8% 8%
F
O
Grfi co Chai n-Ladder
CC
24%
52%
%
48%
%
20%
40%
60%
o
r
o
s
o
s
(A/B)*C (A/B)*C
6%
14%
4%
0%
3%
16% 17%
8% 8%
0%
20%
1 2 3 4 5 6
Maduracin
%

M
AIS 2002- 2012 AIS 2002- 2012
Maduracin
G r o u p
Anlisis Descriptivo
NO AUTO---% Morosidad vs. Maduracin
distr moroso metodo no previsiones metodo previsiones
Grfico Chain Ladder:
6,68%
7,32% 7,31%
7,53%
7,28%
90,00%
100,00%
7,00%
8,00%
Grfico Chain-Ladder:
74,89%
5,42%
6,68%
5,98%
5,30%
5,42%
70,00%
80,00%
500%
6,00%
d
o
s
4,55%
3,82%
325%
4,86%
50,00%
60,00%
4,00%
5,00%
s
o
s

a
c
u
m
u
l
a
d
s
o
s

m
o
r
o
s
o
3,25%
2,88%
2,98%
2,76%
2,42%
1,91%
163%
18
2000%
30,00%
40,00%
2,00%
3,00%
%

c
a
s
%

c
a
000% 000% 000% 000%
0,15%
1,63%
1,17%
1,23%
1,08%
1,05%
0,87%
0,48%
0,51% 0,53% 0,54%
0,43%
0,49%
0,36%
0,26%
0,36% 0,34%
0,41%
0,13%
0,24%
0,03%
000% 001% 000% 000% 000% 001% 000% 0,02% 000% 000%
10,00%
20,00%
000%
1,00%
AIS 2002- 2012 AIS 2002- 2012
0,00% 0,00% 0,00% 0,00%
0,03%
0,00% 0,01% 0,00% 0,00% 0,00% 0,01% 0,00% 0,02% 0,00% 0,00%
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52
0,00%
Meses de maduracin
G r o u p
Anlisis Descriptivo
Creacin de variables
Las variables se deben tratar en funcin de su naturaleza:
Las variables se deben tratar en funcin de su naturaleza:
- Categricas:
Agrupacinde categoras por morosidad
Continuas: - Continuas:
Categorizacinpor tramos
Las ariables base habit ales en n modelo reacti o de cons mo se Las variables base habituales en un modelo reactivo de consumo se
agrupanen:
- Variables de operacin
V i bl d fil i i - Variables de perfil socio-econmico
- Variables de vinculacincon la entidad
- Variables experiencia de pago anterior
AIS 2002- 2012 AIS 2002- 2012
G r o u p
Anlisis Descriptivo
V i bl d i V i bl d fil i i
Variables de operacin
Procedencia de la operacin
Importe del crdito
Variables de perfil socio-econmico
Edad
Estado Civil
Cuota
Plazo
Loan To Value (Importe crdito/ Tasacin)
Componentes UF
Ingresos
Gastos
Situacinprevia del crdito
Immueble nuevo/usado/construccin
Primera/segunda residencia
SituacinLaboral
Antigedad empleo
Profesin
Tipo Inmueble (casa, piso,) Situacinde la vivienda
...
Variables de vinculacin Experiencia de pago anterior
Antigedad como cliente
Domiciliacinde nmina
Domiciliacinde recibos
p p g
Bur de crdito
Comportamiento interno
AIS 2002- 2012 AIS 2002- 2012
Saldos medios
G r o u p
Anlisis Descriptivo
Variables artificiales habituales:
Variables artificiales habituales:
- Ratio de financiacin: importe crdito / valor del bien
- Capacidadde pago: ingresos gastos
Ratio de Capacidad de pago: (ingresos gastos) / cuota - Ratio de Capacidad de pago: (ingresos - gastos) / cuota
- Ratio de Endeudamiento I: cuotas prstamo solicitado / ingresos
- Ratio de Endeudamiento II: (cuota prstamo +otras cuotas) / ingresos
R ti d ld di ld di / t - Ratio de saldo medio: saldo medio / cuota
- Ratio de vivienda: valor vivienda / importe crdito
AIS 2002- 2012 AIS 2002- 2012
G r o u p
Anlisis Descriptivo
Segmentacin Segmentacin
La segmentacin de la cartera debe realizarse segn los siguientes La segmentacin de la cartera debe realizarse segn los siguientes
criterios:
- Comportamientos de las variables distintos
Variables distintas en los diferentes grupos - Variables distintas en los diferentes grupos
Segmentaciones habituales (en modelos reactivos de particulares):
- Por tipo de producto: Consumo, Hipotecario, Tarjetas
- Por nivel de vinculacin: Cliente / No Cliente
- Por destino: vehculos / no vehculos
- Por nacionalidad: modelos de inmigrantes
AIS 2002- 2012 AIS 2002- 2012
G r o u p
Anlisis Descriptivo
Anlisis univariante y bivariante
Saldo Medio Pasivo a la Vista
122
14
9,5
10,9
8,9
9
9,4 9,4
10,2
10,4
10,9
10,2
8,5
12,2
11,5
11,6
10,8 10,8
11
11,3
9,1
6
8
10
12
d
i
v
i
d
u
o
s
1,1
2,8
0,3
0
2
4
6
es
aaaaa
e
%

i
n
d
N
o

C
l
i
e
n
t
e
N
e
g
a
t
i
v
o
s
0

D
e

0
+

a
6
5

D
e

6
5
+

a
1
8
0

D
e

1
8
0
+

a
3
6
0

D
e

3
6
0
+

a
6
5
0

D
e

6
5
0
+

a
1
.
2
5
0

D
e

1
.
2
5
0
+
a

2
.
5
0
0

D
e

2
.
5
0
0
+
a

6
.
0
0
0

s

d
e
6
.
0
0
0

Muestra Histrica Muestra Actual Muestra Histrica Muestra Actual

Valor Nmero Porcentaje Nmero Porcentaje
No Cliente 10.574 9,5 944 2,8
Negativos 1.198 1,1 109 0,3
0 12.111 10,9 2.818 8,5
D 0 65 9 926 8 9 4 067 12 2 De 0+a 65 9.926 8,9 4.067 12,2
De 65+a 180 9.949 9,0 3.845 11,5
De 180+a 360 10.413 9,4 3.850 11,6
De 360+a 650 10.471 9,4 3.608 10,8
De 650+a 1.250 11.353 10,2 3.609 10,8
De 1.250+a 2.500 11.598 10,4 3.655 11,0
AIS 2002- 2012 AIS 2002- 2012
De 1.250 a 2.500 11.598 10,4 3.655 11,0
De 2.500+a 6.000 12.123 10,9 3.757 11,3
Ms de 6.000 11.285 10,2 3.046 9,1
Total 111.001 100,0 33.308 100,0
G r o u p
Anlisis Descriptivo
50 00%
60,00%
60,00%
70,00%
40,00%
50,00%
40,00%
50,00%
Datos
20,00%
30,00%
20,00%
30,00%
Suma de PCT_CASOS
Promedio de MORA
0,00%
10,00%
1 2 3 4 5 10 15 20 99
0,00%
10,00%
ANTCLIE ANTCLIE
Datos
ANTCLIE Suma de PCT_CASOS Promedio de MORA
1 54,13% 64,45% , ,
2 7,39% 52,49%
3 6,29% 40,91%
4 4,53% 30,63%
5 4,53% 31,53%
10 12,46% 29,51%
AIS 2002- 2012 AIS 2002- 2012
15 5,88% 24,31%
20 3,35% 17,07%
99 1,43% 11,43%
Total general 100,00% 50,00%
G r o u p
Desarrollo del modelo
Incorporacin de solicitudes rechazadas Incorporacin de solicitudes rechazadas
SCORINGS REACTIVOS SCORINGS REACTIVOS
- Debenpredecir la morosidad para todas las solicitudes
- Se construyen con la morosidad observada en el pasado para aprobar o
denegar estas solicitudes
DIFICULTAD DIFICULTAD
- Un modelo basado exclusivamente en operaciones aprobadas puede ser
poco preciso (sesgo muestral). Esto es particularmente cierto cuando la
d i i d b /d h id i l t l i i decisinde aprobar/denegar ha sido vinculante al scoring previo.
SOLUCION: Tratamiento de denegadas
- Permite estimar en qu porcentaje aumentara la morosidad si se
aprobasen todas las solicitudes
Permite construir un Scoring para todas las solicitudes
AIS 2002- 2012 AIS 2002- 2012
- Permite construir un Scoring para todas las solicitudes
G r o u p
Incorporacin de solicitudes rechazadas
Todos los denegados son morosos
Todos los denegados son morosos
No es cierto
Puede sesgar los resultados para las operaciones aprobadas
Asignacin del mismo % de mora observado de forma aleatoria
Perdemos poder de explicacin
Ignorar las denegadas
Sesgo muestral
Es demasiado optimista con las operaciones denegadas
Asignacin mediante un Scoring de Bureau Asignacin mediante un Scoring de Bureau
Difcil de obtener
Caro
Necesita un vnculo fuerte con los datos de la cartera Necesita un vnculo fuerte con los datos de la cartera
Aprobar todas las operaciones
No viable
AIS 2002- 2012 AIS 2002- 2012
G r o u p
Simple augmentation: Construimos un scoring de Buenas/Morosas
Simple augmentation: Construimos un scoring de Buenas/Morosas
(B/M) usando solo las operaciones aprobadas. Aplicamos el modelo
sobre la muestra de denegadas. Fijamos una frontera y asignamos
como morosas las operaciones por debajo de esta frontera
La eleccin de la frontera es arbitraria
A t ti C t i i d A b /D (A/D) Augmentation: Construimos un scoring de Aprobar/Denegar (A/D).
Ponderamos la muestra de aprobadas usando el inverso de la
propensina ser aprobado
Aunque pondera, No considera perfiles no incluidos en la muestra
de aprobadas
No corrige la posible morosidad en determinados grupos que no
se han aprobado
AIS 2002- 2012 AIS 2002- 2012
G r o u p
Fuzzy augmentation: Duplicamos las denegadas una mitad como Fuzzy augmentation: Duplicamos las denegadas, una mitad como
morosas y la otra como no morosas. Ponderamos las asignadas como
morosas con una propensin p a ser moroso y la otra mitad con 1-p.
La propensin a ser moroso se construye con el modelo de B/M
(construido con las aceptadas)
No corrige la posible morosidad en determinados grupos que no No corrige la posible morosidad en determinados grupos que no
se han aprobado
Necesita una 2a ponderacin para equilibrar el nmero de
aprobadas/denegadas
Reclasificacin: Aplicamos Fuzzy augmentation de forma iterativa
d l d l d l d B/M d l t i P usando como pesos los del modelo de B/M del paso anterior. Paramos
cuando el %de morosos se estabiliza
No corrige los problemas sealados
AIS 2002- 2012 AIS 2002- 2012
g p
G r o u p
Parcelacin: Dividimos la muestra usando tramos de un scoring de Parcelacin: Dividimos la muestra usando tramos de un scoring de
(A/D). Dentro de cada tramo duplicamos las denegadas, una mitad
como morosas y la otra como no morosas. Ponderamos las asignadas
como morosas con el %p de mora observado con las aceptadas y las
no morosas con 1-p
No es una hiptesis realista ya que es un tratamiento demasiado No es una hiptesis realista ya que es un tratamiento demasiado
homogneo.
Restamos un mayor poder de explicacina las variables de perfil
Vecino ms cercano (hot deck): Dada una operacin denegada
inferimos que es morosa o no observando a la operacin aprobada que
tiene una propensin a ser aprobada ms parecida. tiene una propensin a ser aprobada ms parecida.
Asume que el procedimiento de denegar operaciones viene informado, o
bien la informacin no recogida no influye sistemticamente en la decisin
P d t i t d l t i d d i l i
AIS 2002- 2012 AIS 2002- 2012
Puede tener un cierto carga de aleatoriedad asignar con un solo vecino
G r o u p
K Vecinos ms cercano (hot deck k): Dada una operacin denegada
K-Vecinos ms cercano (hot deck k): Dada una operacin denegada
inferimos su propensin a ser morosa mediante el % de morosidad
observado en las k operaciones ms cercanas.
Asume el procedimiento de denegar operaciones no discrimina dado el
perfil del solicitante
AIS 2002- 2012 AIS 2002- 2012
G r o u p
Preparacin de las variables para la regresin Preparacin de las variables para la regresin
Trataremos las variables segn su naturaleza: Trataremos las variables segn su naturaleza:
- Variables categricas:
Agrupacinsegnmorosidad
Se puede utilizar mtodo CHAID
Grupos
homogneos
Se puede utilizar mtodo CHAID
Datos
SITVIVIENDA Suma de PCT_CASOS Promedio de MORA
Propietario sin cargas 15,93% 41,28% Propietario sin cargas 15,93% 41,28%
Propietario con cargas 26,14% 42,03%
Padres - familia 41,95% 53,65%
Inquilino 15,97% 62,15%
Total general 100,00% 50,00%
AIS 2002- 2012 AIS 2002- 2012
G r o u p
Preparacin de las variables para la regresin
Trataremos las variables segn su naturaleza:
Preparacin de las variables para la regresin
Trataremos las variables segn su naturaleza:
- Variables continuas:
Se puedencategorizar
O se puedentratar como continuas utilizando Piece-Wise
i
P
1
O se puedentratar como continuas utilizando Piece Wise
i
X
i
P
i
| o + =
1
ln
( )
m
X
=
+
1
1 exp o |
AIS 2002- 2012 AIS 2002- 2012
G r o u p
Preparacin de las variables para la regresin Preparacin de las variables para la regresin
Tratamiento Piece wise:

Tratamiento Piece-wise:
s
=
contrario caso
ingresos si ingresos
ingresos
, 000 . 2
000 . 2 ,
1
>
=
contrario caso
ingresos si ingresos
ingresos
, 0
000 . 2 , 000 . 2
2
Ln(m/1 m)
0
0 1.000 1.500 2.000 2.500 3.000
Ln(m/1 m)
0
0 1.000 1.500 2.000 2.500 3.000
-1
-0,5
-1
-0,5
0
-2
-1,5
Ln(m/1 m)
-2
-1,5
Ln(m/1 m)
AIS 2002- 2012 AIS 2002- 2012
-2,5 -2,5
G r o u p
Estimacin de los coeficientes Beta
La estimacin de los coeficientes la realizamos con algn paquete
estadstico (por ejemplo R) Ejemplo de especificacin:
Estimacin de los coeficientes Beta
Variable a explicar
Variables
explicativas
estadstico (por ejemplo R). Ejemplo de especificacin:
GLM. 1 <- gl m( MORA ~ ANTCLI E + ANTEMP + EDAD + ESTCI VI L + NOMI NA +
RECI BOS + SI TLABORAL + SI TVI VI ENDA + SMD +
TI PO_ARTI CULO, f ami l y=bi nomi al ( l ogi t ) , dat a=dat os_vehi cul os)
Tipo de funcin con
la que modelizar
Conjunto de datos
con los que modelizar
Es habitual utilizar mtodos de optimizacin en la bsqueda de la Es habitual utilizar mtodos de optimizacin en la bsqueda de la
solucincomo por ejemplo stepwise.
AIS 2002- 2012 AIS 2002- 2012
G r o u p
Estimacin de los coeficientes Beta Estimacin de los coeficientes Beta
Ejemplo de coeficientes beta:
Variables en el
modelo
%Morosidad B Wald Sig. Categoras
PROCED_R(0) 4,20% 0 Campaa de Marketing y Gestin oficina
PROCED R(1) 2,80% -0,68243249 22,4147475 0,000 Canales externos
Ejemplo de coeficientes beta:
_ ( ) , , , ,
DEST_R(0) 3,60% 0 4,85663923 0,088 Otros (Consumo No duradero)
DEST_R(1) 2,50% -0,2371458 2,0497129 0,152 Frigorfico, Ref 1 vivienda, Otros(Cns
DEST_R(2) 5,00% 0,24949526 1,76125822 0,184 Muebles-Decoracin
PLAZO_R(0) 4,81% 0 9,7698907 0,008 Ms de 36 meses
PLAZO R(1) 2,91% -0,76595407 8,8610858 0,003 Hasta 12 meses _ ( ) , , , ,
PLAZO_R(2) 3,65% -0,4764936 3,86969607 0,049 De 12+hasta 36 meses
ESTCIV_R(0) 2,50% 0 Casado, viudo
ESTCIV_R(1) 5,30% 0,28820326 4,41056508 0,036 Soltero, Divorciado y separado judicial
PROVIN_R(0) 4,80% 0 Resto
PROVIN R(1) 3,10% -0,32319196 4,9827871 0,026 Madrid, Barcelona _ ( ) , , , , ,
CONTED_R by
ANTEMP21
Pice-wise -0,03500922 3,49326138 0,062
Situacin<>'Otros' Mayores de 27 aos.
Pice-Wise: Hasta 15 aos
ACTIEC_R(0) 3,00% 0 7,12643706 0,028 Resto
ACTIEC_R(1) 5,10% 0,35268525 6,41963937 0,011 Construccin, Comer-hostelera
ACTIEC R(2) 1 40% 0 20297414 0 2696077 0 604 Sanidad Enseanza ACTIEC_R(2) 1,40% -0,20297414 0,2696077 0,604 Sanidad,Enseanza
ANYCLI12 Pice-wise -0,03142433 6,38390019 0,012 De 4+a 18 aos
BALCA12 Pice-wise -0,00063071 4,06767282 0,044 De 550+a 1200
RVUELT11 Pice-wise -0,35691425 66,8772771 0,000 De -0.9 a 4.5 veces
VINCU_R2 3,10% 13,9267734 0,001 No domicilia una de las dos
VINCU R2(1) 6 50% 0 36677283 5 30952725 0 021 No nmina no recibos o no cliente
AIS 2002- 2012 AIS 2002- 2012
VINCU_R2(1) 6,50% 0,36677283 5,30952725 0,021 No nmina, no recibos o no cliente
VINCU_R2(2) 0,90% -0,63351864 5,557457 0,018 Si nmina, si recibos
Constante 3,40% -1,42859607 21,8781752 0,000
G r o u p
CAPTULO 4: Validacin
4 1 Criterios para determinar la validez del modelo 4.1 Criterios para determinar la validez del modelo
Los test habituales para validar un modelo de Scoring son los Los test habituales para validar un modelo de Scoring son los
siguientes:
- Test de Hosmer-Lemeshow
Mide si existen diferencias significativas entre las distribuciones de probabilidad Mide si existen diferencias significativas entre las distribuciones de probabilidad
de mora real y morosidadobservada
- Tabla de eficiencia
Tabla de distribucinde buenos y malos en percentiles
- Coeficiente Gini
Mide la capacidadde ordenacindel modelo desarrollado
- Curva ROC
Es una transformacindirecta del coeficiente GINI (o a la inversa)
- Curva ROC =50 +(GINI /2)
- Test de Kolmogorov-Smirnov
Mid l id d d l d l d t l di t ib i d B Mide la capacidad del modelo de separar entre las distribuciones de Buenos y
Malos
AIS 2002- 2012 AIS 2002- 2012
G r o u p
4 1 Criterios para determinar la validez del modelo
Test de Hosmer Lemeshow:
4.1 Criterios para determinar la validez del modelo
Prueba de Hosmer y Lemeshow
Paso Chi-cuadrado gl Sig.
1 3,649 8 ,887
Podemos observar que las
diferencias entre las
distribuciones no son
Test de Hosmer-Lemeshow:
1 3,649 8 ,887
Tabla de contingencias para la prueba de Hosmer y Lemeshow
MORA = No moroso MORA = Moroso

Total
distribuciones no son
estadsticamente significativas

Observado Esperado Observado
Esperado

Total
1 210 209,190 0 ,810 210
2 207 207,713 3 2,287 210
Morosos observados en los
dos ltimos deciles
3 206 206,042 4 3,958 210
4 191 190,661 5 5,339 196
5 203 202,992 7 7,008 210
6 199 199 427 11 10 573 210
Paso 1
6 199 199,427 11 10,573 210
7 194 197,003 16 12,997 210
8 188 189,416 22 20,584 210
9 185 178,399 25 31,601 210
Morosos esperados (media
de probabilidades
estimadas) en los dos
ltimos deciles
AIS 2002- 2012 AIS 2002- 2012
10 156 158,157 68 65,843 224
ltimos deciles
G r o u p
Tabla de eficiencia: Tabla de eficiencia:
AIS 2002- 2012 AIS 2002- 2012
G r o u p
Coeficiente GINI:
Coeficiente GINI:
La diagonal roja que se observa en el
grfico (funcin identidad) representa
el modelo aleatorio, la curva rosa
representa el modelo perfecto y la
curva azul representa el modelo curva azul representa el modelo
propuesto. El coeficiente de gini es el
cociente entre el rea comprendida
entre la curva roja y la curva azul y el
valor 0.5 (rea correspondiente al
modelo aleatorio). Se evidencia que la
curva correspondiente al modelo
actual (curva azul) se encuentra muy actual (curva azul) se encuentra muy
cercana a la curva rosa que
representa el modelo perfecto.
AIS 2002- 2012 AIS 2002- 2012
G r o u p
Curva ROC:
Curva ROC:
En este caso medimos lo mismo que
con el coeficiente GINI, pero
calculando el rea incluyendo en
tringulo inferior
AIS 2002- 2012 AIS 2002- 2012
G r o u p
Test de Kolmogorov Smirnov:
Tramo Buenas Mal as Tot al % mora
% acum
buenas
% acum
mora
Buenos - Mal os
1 1118 4 1122 0 4% 5 10% 0 73% 4 4%
TABLA GINI - KS
Test de Kolmogorov-Smirnov:
1 1118 4 1122 0,4% 5,10% 0,73% 4,4%
2 1121 5 1126 0,4% 10,20% 1,64% 8,6%
3 1116 9 1125 0,8% 15,29% 3,28% 12,0%
4 1112 11 1123 1,0% 20,36% 5,29% 15,1%
5 1109 17 1126 1,5% 25,41% 8,39% 17,0%
6 1114 11 1125 1 0% 30 49% 10 40% 20 1% 6 1114 11 1125 1,0% 30,49% 10,40% 20,1%
7 1106 19 1125 1,7% 35,53% 13,87% 21,7%
8 1107 17 1124 1,5% 40,58% 16,97% 23,6%
9 1105 19 1124 1,7% 45,61% 20,44% 25,2%
10 1109 15 1124 1,3% 50,67% 23,18% 27,5%
11 1104 22 1126 2 0% 55,70% 27,19% 28,5% 11 1104 22 1126 2,0% 55,70% 27,19% 28,5%
12 1099 22 1121 2,0% 60,71% 31,20% 29,5%
13 1100 27 1127 2,4% 65,72% 36,13% 29,6%
14 1105 19 1124 1,7% 70,76% 39,60% 31,2%
15 1095 32 1127 2,8% 75,75% 45,44% 30,3%
16 1086 36 1122 3 2% 80,70% 52,01% 28,7% 16 1086 36 1122 3,2% 80,70% 52,01% 28,7%
17 1088 37 1125 3,3% 85,66% 58,76% 26,9%
18 1090 37 1127 3,3% 90,62% 65,51% 25,1%
19 1057 65 1122 5,8% 95,44% 77,37% 18,1%
20 1000 124 1124 11,0% 100,00% 100,00% 0,0%
21941 548 22489 2,4% 0,29
AIS 2002- 2012 AIS 2002- 2012
21941 548 22489 2,4% 0,29
71%
42,29%
31,2%
G r o u p
4 2 Tipos de validacin
Adicionalmente a comprobar que el modelo desarrollado es eficiente
4.2 Tipos de validacin
Adicionalmente a comprobar que el modelo desarrollado es eficiente,
debemos asegurarnos que no est sobreestimado
- Podemos explicar muy bien lo que ocurre con la muestra de desarrollo
Pero el modelo puede explicar muy mal las nuevas operaciones que deber - Pero el modelo puede explicar muy mal las nuevas operaciones que deber
evaluar
E i t di ti t lt ti d lid i d d l Existen distintas alternativas de validacin de modelos:
- Out of sample
- Out of time
- Bootstrap
AIS 2002- 2012 AIS 2002- 2012
G r o u p
4 2 Tipos de validacin 4.2 Tipos de validacin
Validacin out of sample: Validacin out of sample:
- En qu consiste:
Reservamos una muestra que no incluimos enel desarrollo
Habitualmente utilizamos un 80% en el desarrollo y reservamos un 20% para la Habitualmente utilizamos un 80% en el desarrollo y reservamos un 20% para la
validacinseleccionado aleatoriamente
El modelo se desarrolla con la muestra del 80% sobre la que calculamos los
distintos indicadores para garantizar la eficiencia del mismo
U di d d l d d l l t i Una vez disponemos de un modelo adecuado, calculamos estos mismos
indicadores sobre la muestra del 20%
- Ventajas
Es de muy fcil aplicacin Es de muy fcil aplicacin
Los resultados son fciles de interpretar
- Incovenientes
Hay que disponer de una muestra suficientemente grande y q p g
No garantiza la efectividad del modelo ante cambios estructurales de la cartera: la
muestra de validacintiene implcita una determinada estructura
AIS 2002- 2012 AIS 2002- 2012
G r o u p
Validacin out of time:
Validacin out of time:
- En qu consiste:
Reservamos una muestra que transcurre en un periodo de tiempo distinto al de la
muestra de desarrollo
Habitualmente se utiliza una muestra reciente y se actualiza la variable a explicar
una vez finalizado el modelo
- Ventajas:
Al validar con una muestra ms reciente, probamos la efectividad del modelo con
una cartera ms similar a la que deber responder
Resultados fciles de interpretar
- Inconvenientes: - Inconvenientes:
Segn la cantidad y periodo de datos disponible es posible que no podamos
sacrificarun periodo suficiente de la muestra
Al trabajar con una muestra actual podemos tener problemas de maduracin:
difcil buscar el equilibrio
Puede ocurrir que la prueba se convierta, de hecho, en unback-testing
AIS 2002- 2012 AIS 2002- 2012
G r o u p
Validacin bootstrap:
Validacin bootstrap:
- En qu consiste:
Construimos n submuestras de un 80% de la poblacin, seleccionadas
aleatoriamente
El modelo de regresin lo lanzamos sobre cada una de las submuestras de forma
simultnea comprobando:
- La significacinde los coeficiente beta
La lgica de ordenacinde estos coeficientes - La lgica de ordenacinde estos coeficientes
Las betas del modelo resultante son una media de las betas de cada uno de las n
regresiones que hemos lanzado
- Ventajas:
Para aplicar el mtodo no hemos de renunciar a ninguna submuestra, sino que se
utiliza el 100%de los datos disponibles
Es un mtodo de construccin autovalidado. Es decir, no esperamos a tener el
modelo para validarlo sino que en la misma construccin ya nos aseguramos modelo para validarlo, sino que en la misma construccin ya nos aseguramos
que sea vlido
- Inconvenientes:
Aade complejidadal proceso de construccin
AIS 2002- 2012 AIS 2002- 2012
No validamos el efecto ante un cambio en la estructura de la cartera
G r o u p
CAPTULO 5: Implantacin
5 1 Transformacin a una calificacin
Dictamen Perfil Dictamen Capacidad de Pago
5.1 Transformacin a una calificacin
Dictamen Perfil Dictamen Capacidad de Pago
0. 175
BALANCE DE CAJA =
0. 1
0. 125
0. 15
Morosos
No
Morosos
+Ingresos Totales
- Gastos Fijos (cuotas de prstamos)
- Gastos Estimados
4 2 2 4
0. 025
0. 05
0. 075
Rechazado Dudoso Aceptado
Gastos Estimados
RATIO BALANCE DE CAJA =
B l d C j / C t
-4 -2 2 4
Menos
exigente
Ms
exigente
X
Puntos
Scoring
-
X
c
R i
< 1 INSUFICIENTE
Balance de Caja / Cuota
1
1+ + exp( ( )) o |X
Ratio
BC
[1,K] JUSTA
> K SUFICIENTE
AIS 2002- 2012 AIS 2002- 2012
G r o u p
Dictamen Final Dictamen Final
DICTAMEN DE PERFIL
APROBADO DUDOSO RECHAZADO
DICTAMEN DE
CAPACIDAD DE
SUFICIENTE APROBADO DUDOSO RECHAZADO
CAPACIDAD DE
PAGO
JUSTA DUDOSO DUDOSO RECHAZADO
INSUFICIENTE
RECHAZADO
RECHAZADO RECHAZADO
Texto resumen de la diapositiva Arial 16 negrita cursiva Centrado Adicionalmente pueden aplicar Reglas Elicitadas y/o Filtros internos y externos
AIS 2002- 2012 AIS 2002- 2012
Texto resumen de la diapositiva. Arial 16 negrita cursiva. Centrado. Adicionalmente pueden aplicar Reglas Elicitadas y/o Filtros internos y externos
G r o u p
Si mul ador de polti cas de cr dit o
Fr ont er as de Apr obaci on y Rechazo
Apr obaci on 8 %
Rechazo 12 %
Scori ng Si n Capaci dad de Pago Scori ng Con Capaci dad de Pago Scori ng Si n Capaci dad de Pago Scori ng Con Capaci dad de Pago
Di ct a men
Si n Capaci dad de
Pago
% Mor osi dad
% Rechazo
Enti dad
Di ct a men
Con Capaci dad
de Pago
% Mor osi dad
Apr obadas 68, 89% 3, 32% 7, 95% Apr obadas 64, 87% 3, 08%
Duda 11, 70% 10, 66% 10, 77% Duda 12, 60% 9, 92%
Rechazadas 19, 42% 17, 91% 12, 37% Rechazadas 22, 53% 17, 09%
%Morosi dad
Di stri buci n Di ctmenes
(Di ctamen con Capaci dad de Pago)
Rechazadas
22,5%
% Morosi dad
9,92%
17,09%
Duda
Rechazadas
% Rechazo
Aprobadas
Duda
Rechazadas
6%
8%
10%
12%
14%
Aprobadas
64,9%
Duda
12,6%
3,08%
0% 5% 10% 15% 20%
Aprobadas
% Mora esperada
0%
2%
4%
Aprobadas Duda Rechazadas
AIS 2002- 2012 AIS 2002- 2012
G r o u p
5 2 Inclusin de reglas adicionales
Perfil
5.2 Inclusin de reglas adicionales
Perfil
Socio-econmico
Conclusin
Filtros
E t
Scoring de
Perfil
Clculo de
Capacidad de
Pago
Externos e
Internos
g
Dictamen
Perfil
Dictamen de
Capacidad Perfil
Ponderacin
R l
Capacidad
Dictamen
Final
Titulares y
Avalistas
Reglas
Elicitadas
Mejor Titular
Mejor Avalista
AIS 2002- 2012 AIS 2002- 2012
G r o u p
Bibliografa g
Breiman Leo Friedman J erome H Olshen RichardA Stone Charles J Breiman, Leo, Friedman, J erome H. Olshen, RichardA. Stone Charles J .
Classification and regression trees
Wadsworth, Belmont California 1984
Damodar Gujarati
Econometra
4. Edicin, Editorial McGrawHill, Bogot. D. C. 2004
De Groot
P b bilid d t d ti Probabilidad y estadstica
Addison-Wesley, Wilmington1988
Fahrmeir, Ludwig; Tutz,Gerard
Multivariate Statistical Modeling Based on Generalized Linear Models Multivariate Statistical Modeling Based on Generalized Linear Models
Springer-Verlag, N. York 2001
Forsyth, Richard.
Machine Learning. Principles and techniques
ChapmanandHall Computing, London1989
Greene, WilliamH.
Econometric Analysis
P ti H ll N Y k 2003
AIS 2002- 2012 AIS 2002- 2012
Prentice Hall, N. York 2003
G r o u p
Bibliografa g
Hair Anderson Tatham Black Hair, Anderson, Tatham, Black
Anlisis multivariante
Prentice Hall, Madrid1999
Hoaglin, David C.; Mosteller, Frederick, Tuckey, J onhnW.
Understanding Robust and exploratory Data Analysis
J ohnWhiley, NewYork 1982
Lebart, Morineau, Fenelon
T t i t t d ti d d t Tratamiento estadstico de datos
Marcombo, Barcelona 1985
Nilsson, Nills J .
Principles of Artificial Intelligence Principles of Artificial Intelligence
Springer-Verlag. NewYork. 1982
Ong, Michael K.,
Credit Ratings. Methodologies, Rationale and Default Risk,
Risk Books, London2002
Refenes,Paul &al.
Neural Networks in the Capital Markets
J h Whil Chi h t 1995
AIS 2002- 2012 AIS 2002- 2012
J ohnWhiley, Chichester 1995
G r o u p
Bibliografa g
Romeder J ean-Marie Romeder, J ean Marie
Mtodes et programmes d'analyse dicriminante
Dunod, Paris 1973
Siddiqi, Naeem
Credit Risk Scorecards, Developing and Implementing intelligent Credit Scoring
SAS Institute, 2006
Thomas, LynC.; Edelman, David B.; Crook, N. J onathan;
C dit S i d It A li ti Credit Scoring and Its Applications
SIAM, 2002
Tufte, Edward R.
The visual Display of Quantitative Information The visual Display of Quantitative Information
Graphics Press. Cheshire, Connecticut 1983
WilliamTreacy&Marc Carey,
'Credit Risk Rating at large US Bakns',
Federal Reserve Board, WashingtonNovember 1998
Yule, Kendall
Introduccin a la estadstica matemtica
A il M d id1967
AIS 2002- 2012 AIS 2002- 2012
Aguilar, Madrid1967
G r o u p
AIS M i AIS-Mxico
Insurgentes sur 568, piso 5
Del Valle
03100, Mxico D.F.
Tel: +52 55 5543-8031 / 5536-2858
www.ais-int.com
AIS 2002- 2012

El Riesgo en La Organizacion Cooperativa de Ahorro y Credito

Cargado por

Copyright:

Formatos disponibles

El Riesgo en La Organizacion Cooperativa de Ahorro y Credito

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

El Riesgo en La Organizacion Cooperativa de Ahorro y Credito

Cargado por

Copyright:

Formatos disponibles

G r o u p

El Riesgo en la organizacin El Riesgo en la organizacin

AIS 2002- 2012 AIS 2002- 2012

Muestra Histrica Muestra Actual Muestra Histrica Muestra Actual

También podría gustarte