Modelación de la probabilidad de incumplimiento y cálculo de la perdida catastrófica en una institución financiera en Colombia

Autores/as

DOI:

https://doi.org/10.17981/econcuc.42.2.2021.Econ.2

Palabras clave:

Probabilidad de incumplimiento, Regresión logística, Riesgo de crédito, Liquidez, Endeudamiento, Ajuste global

Resumen

La pérdida esperada en una institución financiera es el monto de capital que se perdería producto de la exposición que tienen la deuda en el tiempo. Este trabajo se enfoca en modelar la probabilidad de incumplimiento para una cartera de crédito bajo dos escenarios de estudio, uno con nivel de mora normal y otro con un nivel de mora restringido. Se toma como referencia una base de datos perteneciente a una cartera de crédito de consumo, con una muestra de 5.000 obligaciones analizadas en el período de enero a diciembre del 2019. El método estadístico utilizado es la regresión logística basado en las variables financieras de liquidez y endeudamiento, más una variable no financiera como es la edad. Los resultados muestran un modelo con un nivel de ajuste global mayor al 85% en los dos escenarios de estudio, donde, la variable ingreso es la que más influencia posee sobre el modelo de regresión logística. Finalmente, se ratifica la aplicabilidad de la regresión logística como una herramienta estadística en la búsqueda de modelos de pronosticación, con lo cual se logra reducir la perdida esperada en una cartera de crédito sin aumentar la exposición al riesgo.

Descargas

Los datos de descargas todavía no están disponibles.

Biografía del autor/a

Armando Lenin Támara Ayús, Universidad EAFIT

Es Economista de la Universidad de Antioquia, especialista en diseño y evaluación de proyectos de la Universidad del Norte, magister en ciencias de las finanzas de la Universidad EAFIT y PhD de la Universidad de Medellín. Sus intereses de investigación incluyen temas relacionados con el riesgo de crédito, quiebra empresarial y opciones reales.

José Eduardo Segura Ramos, Politécnico de Colombia

Es Economista de CECAR, especialista en finanzas y magister en administración financiera de la Universidad EAFIT. Sus intereses de investigación incluyen temas relacionados con el riesgo de crédito y la probabilidad de incumplimiento.

Ignacio Emilio Chica Arrieta, Universidad de Córdoba

Es Ingeniero Quimico de la Universidad de Antioquia, magister en administración de la Universidad EAFIT. Sus intereses de investigación incluyen temas relacionados con la administración.

Citas

Affes, Z. & Hentati, R. (2017). Predicting US Banks Bankruptcy: Logit Versus Canonical Discriminant Analysis. Computational Economics, (54), 199–244. https://doi.org/10.1007/s10614-017-9698-0

Alaka, H., Oyedele, L., Owolabi, H., Kumar, V., Ajayi, S., Akinade, O. & Bilal, M. (2018). Systematic Review of Bankruptcy Prediction Models: Towards A Framework for Tool Selection. Expert Systems With Applications, (94), 164–184. https://doi.org/10.1016/j.eswa.2017.10.040

Apilado, V., Warner, D. & Dauten, J. (1974). Evaluative Techniques in Consumer Finance-- Experimental Results and Policy Implications for Financial Institutions. The Journal Of Financial And Quantitative Analysis, 9(2), 275–283. https://doi.org/10.2307/2330105

Assef, F. & Steiner, M. (2020). Ten-year evolution on credit risk research: A systematic literature review approach and discussion. Ingenieria e Investigacion, 40(2), 1–21. https://doi.org/10.15446/ing.investig.v40n2.78649

Cappon, A., Gorenstein, A., Mignot, S. & Manuel, G. (2018). Credit ratings, default probabilities, and logarithms. Journal of Structured Finance, 24(1), 39–49. https://doi.org/10.3905/jsf.2018.24.1.039

Castro, D. y Soto, A. (2017). Estimación de la probabilidad de incumplimiento para las firmas del sector económico industrial y comercial en una entidad financiera colombiana entre los años 2009 y 2014. Cuadernos de Economía, 36(71), 293–319. https://doi.org/10.15446/ cuad.econ.v36n71.55273

Chen, N., Ribeiro, B. & Chen, A. (2016). Financial credit risk assessment: a recent review. Artificial Intelligence Review, 45(1), 1–23. https://doi.org/10.1007/s10462-015-9434-x

Davis, R., Edelman, D. & Gammerman, A. (1992). Machine learning algorithms for credit-card applications. IMA Journal of Management Mathematics, 4(1), 43–51. https://doi.org/10.1093/imaman/4.1.43

Dendramis, Y., Tzavalis, E. & Adraktas, G. (2018). Credit risk modelling under recessionary and financially distressed conditions. Journal of Banking and Finance, 91, 160–175. https://doi.org/10.1016/j.jbankfin.2017.03.020

Do Prado, J., Carvalho, F., Benedicto, G. y Lima, A. (2019). Análisis del riesgo de crédito que enfrentan las empresas de capital abierto en Brasil: un enfoque utilizando análisis discriminante regresión logística y redes neuronales artificiales. Estudios Gerenciales, 35(153), 347–360. https://doi.org/10.18046/j.estger.2019.153.3151

Durovic, A. (2017). Estimating probability of default on peer to peer market – Survival analysis approach. Journal of Central Banking Theory and Practice, 62(2), 149–167. https://doi.org/10.1515/jcbtp-2017-0017

Fantazzini, D. & Zimin, S. (2020). A multivariate approach for the simultaneous modelling of market risk and credit risk for cryptocurrencies. Journal of Industrial and Business Economics, 47(1), 19–69. https://doi.org/10.1007/s40812-019-00136-8

Grundke, P., Pliszka, K. & Tuchscherer, M. (2019). Model and estimation risk in credit risk stress tests. Review of Quantitative Finance and Accounting, 55, 163–199. https://doi.org/10.1007/s11156-019-00840-5

Imtiaz, S. & Brimicombe, A. (2017). A Better Comparison Summary of Credit Scoring Classification. International Journal of Advanced Computer Science and Applications, 8(7), 1–4. https://doi.org/10.14569/IJACSA.2017.080701

Lane, S. (1972). Submarginal Credit Risk Classification. The Journal Of Financial And Quantitative Analysis, 7(1), 1379–1385. https://doi.org/10.2307/2330069

Lohmann, C. & Ohliger, T. (2018). Nonlinear relationships in a logistic model of default for a high-default installment portfolio. Journal of Credit Risk, 14(1), 45–68. https://doi.org/10.21314/JCR.2017.232

Myers, J. & Forgy, E. (1963). The Development of Numerical Credit Evaluation Systems. Journal Of The American Statistical Association, 58(303), 799–806. https://doi.org/10.2307/2282727

RiskSimulator. (2020). [Sofware]. Available from www.software-shop.com/producto/risk-simulator

Russo, V., Lagasio, V., Brogi, M. & Fabozzi, F. (2020). Application of the Merton model to estimate the probability of breaching the capital requirements under Basel III rules. Annals of Finance, 16(1), 141–157. https://doi.org/10.1007/s10436-020-00358-0

Sariev, E. & Germano, G. (2020). Bayesian regularized artificial neural networks for the estimation of the probability of default. Quantitative Finance, 20(2), 311–328. https://doi.org/10.1080/14697688.2019.1633014

Song, S., Wang, Y. & Xu, G. (2020). On the probability of default in a market with price clustering and jump risk. Mathematics and Financial Economics, 14(2), 225–247. https://doi.org/10.1007/s11579-019-00253-x

Srinivasan, V. & Kim, Y. (1987). Credit Granting: A Comparative Analysis of Classification Procedures. The Journal Of Finance, 42(3), 665–681. https://doi.org/10.2307/2328378

SPSS. (versión 24). Statistical Package for the Social Sciences. [Sofware]. Armonk: IBM. Disponible en https://www.ibm.com/support/pages/downloading-ibm-spssstatistics-24

Superfinanciera. (2002). . Circular externa 011. Bogotá, D.C.: Superfinanciera. Disponible en http://legal.legis.com.co/document/Index?obra=legcol&document=legcol_75992041c75992048a75992043f75992034e75990430a75010151f75992034

Támara, A., Villegas, G. y De Andrés, J. (2019). Una revisión sistemática de la literatura en torno a la quiebra empresarial para el período 2012-2017. Espacios, 40(4). Disponible en http://www.revistaespacios.com/a19v40n04/a19v40n04p25.pdf

Támara, A., Villegas, G., Leones, M. y Salazar, J. (2018). Modelación del riesgo de insolvencia en empresas del sector salud empleando modelos logit. Revista de métodos cuantitativos para la economía y la empresa,, 26, 128–145. Disponible en https://www.upo.es/revistas/index.php/RevMetCuant/article/view/2757

Trejo, J., Martínez, M. & Venegas, F. (2017). Credit risk management at retail in Mexico: An econometric improvement in the selection of variables and changes in their characteristics. Contaduría y Administración, 62(2), 399–418. https://doi.org/10.1016/j.cya.2017.02.006

Tsai, C. & Hung, C. (2014). Modeling credit scoring using neural network ensembles. Kybernetes, 43(7), 1114–1123. https://doi.org/10.1108/k-01-2014-0016

Van Thiel, D. & Van Raaij, W. (2019). Artificial intelligence credit risk prediction: An empirical study of analytical artificial intelligence tools for credit risk prediction in a digital era. Journal of Risk Management in Financial Institutions, 12(3), 268–286. https://doi.org/10.33423/jaf.v19i8.2622

Wiginton, J. (1980). A note on the comparison of logit and discriminant models of consumer credit behaviour. Journal of Financial and Quantitative Analysis, 15(3), 757–770. https://doi.org/10.2307/2330408

Publicado

15-03-2021

Cómo citar

Támara Ayús, A. L., Segura Ramos, J. E., & Chica Arrieta, I. E. (2021). Modelación de la probabilidad de incumplimiento y cálculo de la perdida catastrófica en una institución financiera en Colombia. Económicas CUC, 42(2), 173–186. https://doi.org/10.17981/econcuc.42.2.2021.Econ.2

Número

Sección

Artículos: Economía y Finanzas

Artículos más leídos del mismo autor/a