Modelación de riesgo de crédito de personas naturales. Un caso aplicado a una caja de compensación familiar colombiana

Abstract

Los modelos de tipo Credit Score permiten a los analistas de crédito la cuantificación de los riesgos que implican las operaciones de crédito, la segmentación de afiliados y la recomendación de decisiones de otorgamiento o rechazo de un crédito para personas naturales. Estos modelos buscan entregar la información necesaria para inferir sobre las probabilidades de impago de un afiliado, mediante la aplicación de técnicas paramétricas o no paramétricas. En este trabajo se busca identificar cuáles de los siguientes modelos pueden ser más apropiados para medir el riesgo de crédito de personas naturales en una caja de compensación familiar ubicada en Colombia: Logit, Probit, Redes Neuronales o Linear Support-Vector Machine. Los resultados obtenidos muestran que, si bien los Linear Support Vector Machine pueden tener mejor desempeño, los modelos Probit-Stepwise son igualmente útiles y tienen como ventaja la posibilidad de interpretar los parámetros calibrados.

Credit score models quantify the risks in credit operations, customer segmentation, and approve or reject requests to credit customers. These models provide the necessary information to calculate the probabilities of default of any customer through the application of parametric or non-parametric techniques. This work identifies which model (Logit, Probit, Neural Networks, or Linear Support-Vector Machine (L-SVM)) may be more appropriate to measure the credit risk of individuals in a Family Benefit Fund located in Colombia. The results show Linear Support Vector Machine produces better performance, but Probit - Stepwise models are equally useful and they have the advantage of being interpreting the calibrated parameters.