Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Análisis de Cosechas
Análisis de Cosechas
Nombre:
BEHAVESCORE
Autores:
Descripcin:
Derechos:
Descripcin
Se califica el riesgo de los crditos vigentes, segn el comportamiento de pago en
los ltimos doce meses y algunas otras variables relacionadas
El modelo de comportamiento predice el comportamiento de pago futuro (6
meses), a partir de la historia actual de pagos y otras variables relevantes.
Los crditos se califican en una escala de 0 a 200, donde cero corresponde a un
crdito que lleva 22 meses o ms en mora consecutivamente y 200 corresponde a
crditos que no han tenido moras en los 12 ltimos meses.
Se construyen varios modelos segn la agrupacin de conceptos que defina el
usuario.
El modelo
Es un modelo de regresin entre las variables de entrada y la variable de salida.
PC 6 = B0 + Bi X i
i =1
Donde:
PC6
B0
Bi
X1
X2
X3
X4
X5
X6
MP = hi FPI
i =1
Donde:
MP:
Hi:
FP:
Es la media ponderada
Es la altura de mora del mes i
Es el factor de ponderacin el mes
Para un crdito con historia de pagos mayor o igual a un ao, los factores de
ponderacin son los siguientes:
Fecha
Actual
1 mes antes
2 meses antes
.
.
10 meses antes
11 meses antes
Factor de ponderacin
12/78
11/78
10/78
.
.
2/78
1/78
Factor de ponderacin
6/21
5/21
4/21
3/21
2/21
1/21
-10 -9 -8 -7 -6 -5 -4 -3 -2 -1 0 PUNTAJE
0 0 0 0 0 0 0 0 0 0 0
200
0 0 0 0 0 0 0 0 0 0 30
189
0 0 0 0 0 0 0 0 0 30 0
190
0 0 0 0 0 0 0 0 30 0 0
191
0 0 0 0 0 0 0 30 0 0 0
191
0 0 0 0 0 0 30 0 0 0 0
192
0 0 0 0 0 30 0 0 0 0 0
193
0 0 0 0 30 0 0 0 0 0 0
194
0 0 0 30 0 0 0 0 0 0 0
195
0 0 30 0 0 0 0 0 0 0 0
196
0 30 0 0 0 0 0 0 0 0 0
197
30 0 0 0 0 0 0 0 0 0 0
198
0 0 0 0 0 0 0 0 0 0 0
199
0 0 0 0 0 0 0 0 0 0 0
200
198
Puntaje
196
194
192
190
188
8
tiempo
10
12
14
-10
0
0
0
0
0
0
0
0
0
0
0
30
60
60
90
120
150
180
210
240
270
300
330
360
360
-9
0
0
0
0
0
0
0
0
0
0
30
60
90
90
120
150
180
210
240
270
300
330
360
360
360
-8
0
0
0
0
0
0
0
0
0
30
60
90
120
120
150
180
210
240
270
300
330
360
360
360
360
-7
0
0
0
0
0
0
0
0
30
60
90
120
150
150
180
210
240
270
300
330
360
360
360
360
360
-6
0
0
0
0
0
0
0
30
60
90
120
150
180
180
210
240
270
300
330
360
360
360
360
360
360
-5
0
0
0
0
0
0
30
60
90
120
150
180
210
210
240
270
300
330
360
360
360
360
360
360
360
-4
0
0
0
0
0
30
60
90
120
150
180
210
240
240
270
300
330
360
360
360
360
360
360
360
360
-3
0
0
0
0
30
60
90
120
150
180
210
240
270
270
300
330
360
360
360
360
360
360
360
360
360
-2
0
0
0
30
60
90
120
150
180
210
240
270
300
300
330
360
360
360
360
360
360
360
360
360
360
-1
0
0
30
60
90
120
150
180
210
240
270
300
330
330
360
360
360
360
360
360
360
360
360
360
360
0
0
30
60
90
120
150
180
210
240
270
300
330
360
360
360
360
360
360
360
360
360
360
360
360
360
PUNTAJE
200
189
171
151
131
113
96
81
68
55
45
35
26
26
19
14
10
7
4
3
2
1
0
0
0
Puntaje
120
100
80
60
40
20
0
10
15
tiempo
20
25
-10
360
360
360
360
360
360
360
360
360
360
360
0
0
-9
360
360
360
360
360
360
360
360
360
360
0
0
0
-8
360
360
360
360
360
360
360
360
360
0
0
0
0
-7
360
360
360
360
360
360
360
360
0
0
0
0
0
-6
360
360
360
360
360
360
360
0
0
0
0
0
0
-5
360
360
360
360
360
360
0
0
0
0
0
0
0
-4
360
360
360
360
360
0
0
0
0
0
0
0
0
-3 -2 -1
0
360 360 360 360
360 360 360 0
360 360 0
0
360 0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
PUNTAJE
0
12
25
39
54
70
88
107
127
149
170
189
200
Puntaje
120
100
80
60
40
20
0
6
tiempo
10
12
-10
0
30
-9
30
0
-8
0
30
-7
30
0
-6
0
30
-5
30
0
-4
0
30
-3
30
0
-2
0
30
-1
30
0
0
0
30
PUNTAJE
170
166
30
60
0
60
0
30
0
30
60
30
60
0
60
0
30
0
30
60
30
60
0
60
0
30
0
30
60
30
60
0
60
0
30
0
30
60
148
148
142
30
60
90
0
60
90
0
30
90
0
30
60
0
30
60
90
30
60
90
0
60
90
0
30
90
0
30
60
0
30
60
90
30
60
90
0
60
90
0
30
90
0
30
60
0
30
60
90
130
132
130
123
0 30 60 90 120
0 30 60 90 120
0
30 60 90 120
0 30 60 90 120
0 30
60 90 120
0 30 60 90 120
0 30 60
90 120
0 30 60 90 120
0 30 60 90
120
0 30 60 90 120
0 30 60 90 120
115
119
118
114
106
120
0
30
60
90
160
150
140
130
120
110
100
10
12
14
-6
0
0
0
0
0
0
0
30
30
30
30
30
30
-5
0
0
0
0
0
0
30
30
30
30
30
30
30
-4
0
0
0
0
0
30
30
30
30
30
30
30
30
-3
0
0
0
0
30
30
30
30
30
30
30
30
30
-2
0
0
0
30
30
30
30
30
30
30
30
30
30
-1
0
0
30
30
30
30
30
30
30
30
30
30
30
0
0
30
30
30
30
30
30
30
30
30
30
30
30
PUNTAJE
200
189
180
172
166
161
157
154
151
149
147
146
146
190
Puntaje
180
170
160
150
140
6
tiempo
10
12
1.
2.
3.
4.
5.
6.
Nombre:
DEFDEFAULT
Autores:
Descripcin:
Derechos:
Introduccin
La definicin de default, debe descomponerse en dos elementos, por un lado un
crdito impago, cuya altura de mora crece indefinidamente con el tiempo, en el
cual se hacen efectivas las garantas (si las hay) y que llega hasta las ltimas
instancias judiciales, evidentemente es un default (default real). Pero dicha
definicin no es prctica por cuanto los tiempos de resolucin varan
considerablemente, segn el tipo de crdito, de garantas, las condiciones
macroeconmicas, el entorno legal, las condiciones sociodemogrficas, entre
otros. Desde una ptica retrospectiva es fcil identificar un default real, pero ello
no es prctico ni til en trminos del clculo de provisiones.
Surge entonces la necesidad de considerar un default tcnico, el cul
intuitivamente parte del concepto que a mayor altura de mora, menor es la
posibilidad que el crdito se ponga al da. As mismo, se considera la existencia
de alturas de mora crticas por encima de las cuales es muy poco probable que el
crdito vuelva a estar en cero moras.
El punto crucial en ste contexto, es definir con una metodologa rigurosa, la altura
de mora a partir de la cual se constituye el default tcnico.
Metodologa
P( F | I ) =
P( F I I )
P( I )
Donde:
I:
F:
P( F I I ) :
P(I ) :
Debe ser razonable, es decir que los resultados sean coherentes con la
prctica cotidiana de la administracin cotidiana del riesgo crediticio. Esta
metodologa est estrechamente relacionada con las matrices de transicin, las
cuales son una tcnica estndar para el anlisis de riesgo crediticio, pero tiene
la de simplificar el anlisis ya que se obtiene una definicin nica a pesar de
trabajar con muchos perodos.
RECUPERA
1.
Nombre:
RECUPERA
Autores:
Descripcin:
Derechos:
MODELO DE RECUPERACIONES
La recuperacin es necesaria para el clculo de las prdidas esperadas. Se
consideran dos tipos de recuperaciones la recuperacin de los casos que ya
estaban en default (recuperacin tcnica) y la recuperacin por ejecucin de las
garantas.
Matemticamente se expresa la recuperacin tcnica como:
RT = P ( ht + 360 < hD | ht hD )
Donde RT es la recuperacin tcnica, hD es la altura de mora que define el
default, ht es la altura de mora actual y ht+360 es la altura de mora dentro de un
ao. Lo que significa que la recuperacin tcnica es la probabilidad de no estar en
default dentro de un ao dado que hoy se encuentra en default.
FyA ha desarrollado un aplicativo que halla la recuperacin tcnica para cada
producto mensualmente a partir de la informacin de las matrices de transicin.
Cuando existen garantas la recuperacin puede darse tambin por la ejecucin
de las garantas y por lo tanto la recuperacin estar dada por la probabilidad de
tomar el camino de la recuperacin tcnica (RT) y la probabilidad de tomar al
camino de ejecucin de garantas (1-RT),
No
Default
Recuperacin
Garantas (RG)
Default
Recuperacin
Tcnica (RT)
PD_CALC
Nombre:
PD_CALC
Autores:
Descripcin:
Derechos:
el
de
de
de
Metodologa
Este modelo calcula la probabilidad de default en los prximos 12 meses a partir
de los resultados de los modelos de otorgamiento y comportamiento.
Para las variables de entrada el modelo considera tres casos posibles:
i = 0 + 1 comportamientoi + 2 otorgamientoi
Donde los coeficientes Beta corresponden a las ponderaciones, que el modelo
da a cada variable.
Ki es el parmetro que permite calcular la probabilidad de default del crdito i
La probabilidad de default se estima con la funcin logstica, para cada crdito,
utilizando el parmetro Ki
e Ki
P( Default | comportamiento, otorgamiento)i =
1 + e Ki
FyA S.A. desarroll el programa PDCALC, el cual construye el modelo por medio
del mtodo de mxima verosimilitud, se autocalibra peridicamente y realiza su
propio backtesting con la curva ROC.
CREDIT VAR
1. INFORMACION DEL PROGRAMA
Nombre:
CREDIT_VAR
Autores:
Descripcin:
Derechos:
Extrae los datos de entrada para el modelo desde una tabla de entrada.
Hace el preprocesamiento de la informacin.
Determina la distribucin de prdidas por riesgo de crdito y el VaR por
simulacin histrica y distribuciones de Weibull y gamma.
Carga los resultados a una tabla de datos de salida.
Realiza el back testing para el VaR histrico y por distribuciones Weibull y
gama.
Genera los grficos correspondientes.
3. Metodologa
Macroscore
Nombre:
MACROSCORE
Autores:
Descripcin:
Derechos:
3. Metodologa
Se trata de un modelo de regresin lineal mltiple autocalibrable con una ventana
histrica mnima de 84 meses.
El programa toma las variables de entrada y realiza las transformaciones de las
variables de entrada para construir el modelo.
El modelo es el siguiente:
Las
NOMBRE
VARIABLES DE ENTRADA
FVPIB12M
DESEM12M
IDEVAL/IPC
IDTF/IPC
TENDENCIA
VARIABLE DE SALIDA
NEUROSCORE
Nombre:
NEUROSCORE
Autores:
Descripcin:
Derechos:
3. Metodologa
3.1.
DESCRIPCIN:
Se trata de una red neuronal en base radial, las cuales son redes bastante
especializadas en el reconocimiento de patrones. Consta de tres capas a saber:
La capa 1 es una capa en la que con base en distancias se determina si el caso
que se va a calificar se parece ms a los casos de buenos o malos. La capa 2
transforma esas distancias en un puntaje y la capa 3 es un trasformador de
distribuciones, que convierte el puntaje en un score el cual tiene una distribucin
uniforme.
3.2.
ARQUITECTURA:
3.3.
ENTRENAMIENTO
H=JTJ
Donde J es la matriz Jacobiana y el cmputo del gradiente (g) fue hizo por:
g=JTe
Donde ees el vector de errores de la red
3.4.
VARIABLES DE ENTRADA
Genero
Patrimonio
Edad
Ingresos
Personas a cargo
Estado_Civil
Cuota
Activos
MontoSolicitado
Plazo crdito
Pasivos
Plazo_Solicitado
Escolaridad
Tipo_Producto
Cuota_Solicitada
Estrato_Casa
Cliente_Nuevo
Fecha_Monto_Solicitado
Actividad
Segmento
3.5 BACKTESTING
El modelo construido tiene el siguiente desempeo en le backtesting:
KS =31%
ROC=69%
0.9
0.8
0.7
% rechazo
0.6
0.5
0.4
0.3
Default
0.2
No Default
0.1
0
100
200
300
400
500
600
Score de otorgamiento
700
800
900
1000
GERENCIADOR_NEUROSCORE
Nombre:
GERENCIADOR_NEUROSCORE
Autores:
Descripcin:
Derechos:
y puede
El programa toma como insumo las curvas acumuladas de rechazo de los clientes
default y no default, junto con los parmetros de simulacin a saber:
#
1
2
3
Nombre campo
Porcentaje de
default
Promedio de
Prdida por default
Promedio de
Utilidad por cliente
Descripcin
Es la probabilidad de default esperada en el medio
Es el valor que se pierde en caso de un default
Es el valor que se percibe o gana por un cliente no
default en el perodo de anlisis.
3. METODOLOGA
Se utilizan los parmetros introducidos y se calculan las siguientes variables para
cada puntaje de corte utilizando tcnicas de probabilidad Bayesiana.
VPP =
VPP =
Frecuencia Sensibilidad
( frecuencia sensibilidad ) + [(1 frecuencia )(1 especificidad )]
1
(1 frecuencia )(1 especificidad )
1+
frecuencia sensibilidad
VP = frecuencia sensibilidad
VP = (1 frecuencia ) (1 especificidad )
VPP =
VP
VP + FP
VPN =
VPN =
(1 fecuencia ) especificidad
(1 frecuencia ) especificidad + frecuencia (1 sensibilidad )
1
frecuencia (1 sensibilidad )
1+
(1 frecuencia ) especificidad
VN = (1 frecuencia ) especificidad
FN = frecuencia (1 especificidad )
VN
VPN =
VN + FN
El valor predictivo positivo para cada puntaje, corresponde al porcentaje de
defaults esperado para cada puntaje y el valor predictivo negativo al porcentaje de
no defaults.
3.3. CALCULO DE LA RENTABILIDAD
Con el clculo del valor predictivo positivo y negativo se obtienen los defaults y no
defaults esperados para cada puntaje de corte.
Se aplica el valor esperado de rentabilidad para los no defaults y prdida esperada
para los defaults y se generan las tablas y grficas de salida.
Como los del siguiente ejemplo
CONSOLIDADOR
Nombre:
CONSOLIDADOR
Autores:
Descripcin:
Derechos:
3. METODOLOGA
Es un programa que utiliza un algoritmo computacional altamente eficiente para
buscar informacin de unas tablas en otros y generar reportes. A continuacin
se describen los clculos que internamente realiza.
PP=PD*(1-R)
Donde:
PP:
PD:
R:
Es la prdida potencial
Es la probabilidad de default. (programa PD_CALC)
Es la recuperacin esperada. (programa recupera y tabla de
recuperacin definida por el usuario segn lnea de crdito)
PE=PD*(1-R)*E
Donde:
PE:
PD:
R:
E:
3.3 Prdida Inesperada. Es el valor que podra llegar a perderse por movimientos
adversos de la cartera y coyunturas econmicas y que son soportados con
capital.
PI=VaRc-PE
Donde:
PI:
Es la prdida inesperada
VaRc:
Es el VaR de crdito.
PE: Es la prdida esperada o provisin
La perdida inesperada es repartida proporcionalmente de acuerdo al saldo de los
crditos.
PC=(Pma-PP)*E
Donde:
PC:
Es la provisin contracclica
Pma:
Es la provisin esperada por macroscore.
PP:
Es la prdida potencial
E:
Es el valor de la exposicin. (Saldo del crdito, lo toma de grupAgre)
Ki
Donde:
Ki:
Pi:
PP:
Donde:
Km:
Ki:
n:
Pm:
Km:
:
n:
Es la probabilidad media.
Es el promedio de la transformacin logstica.
Es el nmero de Euler
Es el nmero de observaciones
SURVIVAL
Nombre:
SURVIVAL
Versin:
2.3
Autores:
Descripcin:
Donde
d representa el nmero de individuos o elementos que registraron el evento de
inters en el momento j y j n representa el nmero total de elementos presentes en
el tiempo j