HERRAMIENTAS CUANTITATIVAS PARA LA MEDICIN DE RIESGO DE CRDITO

Se presenta un conjunto de modelos de scoring para el sistema de administracin de

riesgo de crdito (SARC). Cada uno de los cuales est soportado por un programa y se
desarrolla detalladamente la metodologa.

BEHAVESCORE DOCUMENTO TECNICO

1. INFORMACION DEL PROGRAMA

Nombre:

BEHAVESCORE

Autores:

Diego Luis Alvarez Montoya, MSc.

Jorge Farbiarz Farbiarz, MSc.

Descripcin:

El programa BEHAVESCORE califica la cartera segn el

comportamiento de pago

Derechos:

El programa BEHAVESCORE y todos sus derechos son de

propiedad de la empresa Farbiarz y Alvarez S.A.
Se prohbe la copia, distribucin o comercializacin por
cualquier medio fsico o electrnico sin la autorizacin expresa
por escrito de Farbiarz y Alvarez S.A.

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

Es el puntaje de comportamiento dentro de 6 meses

Es el trmino independiente
Son los coeficientes que ponderan cada variable

X1
X2
X3
X4
X5
X6

Logaritmo natural del plazo pactado en das

Edad relativa del crdito. (edad/plazo)
Marca de reestructuracin (0=no y 1=si)
Cliente nuevo
Puntaje de comportamiento actual
Volatilidad de las alturas de mora

Variable de salida del modelo:

Es el puntaje de comportamiento de pago dentro de 6 meses basado en una
media ponderada de las alturas de mora, de tal manera que las alturas de mora
ms recientes pesan ms que las alturas de mora lejanas como se explica a
continuacin:
Para un crdito con historia de pagos mayor o igual a un ao, se utiliza el siguiente
procedimiento:
En primer lugar se toma un vector con las alturas de mora de los ltimos 12
meses. Aquellas alturas mayores de 12 se reemplazan por 12 con el fin de evitar
sesgos por efecto de los extremos.
Se calcula la media ponderada as:
12

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

El numero 78 corresponde a la suma de 12+11+10++2+1

La media obtenida, es trasformada es una escala de 0 a 200 con la siguiente
ecuacin:
Puntaje=200*(1.114-log10(MP+1))/1.114

Los valores negativos que aparecen cuando se lleva ms de 23 meses

consecutivos en mora, se aproximan a cero.
Las alturas de mora menores a 30 das solo se consideran en los ltimos 3 meses.
Cuando el crdito tiene una historia menor, los factores de ponderacin cambian
acorde con el tamao de la historia, ya que es muy distinto el riesgo de un crdito
que llevaba once meses en cero de altura de mora y actualmente tiene 1 cuota en
mora, en comparacin con un crdito que se otorg hace poco y ya est en mora.
Por ejemplo para un crdito con historia de 6 meses los factores de ponderacin
son as:
Fecha
Actual
1 mes antes
2 meses antes
3 meses antes
4 meses antes
5 meses antes

Factor de ponderacin
6/21
5/21
4/21
3/21
2/21
1/21

El numero 21 corresponde a la suma de 6+5+4+3+2+1

A continuacin se ilustra el resultado de esta variable ante diferentes
comportamientos de pago.

PUNTAJE SEGN DIFERENTES COMPORTAMIENTOS DE PAGO

Crdito con historia de un ao, que vena sin moras y tiene una mora de 1 mes y
sigue pagando cumplidamente.
-11
0
0
0
0
0
0
0
0
0
0
0
0
30
0

-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

EVOLUCION DEL PUNTAJE

200

198

Puntaje

196

194

192

190

188

8
tiempo

10

12

14

CREDITO QUE ESTA AL DIA Y DEJA DE PAGAR

-11
0
0
0
0
0
0
0
0
0
0
0
0
30
30
60
90
120
150
180
210
240
270
300
330
360

-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

EVOLUCION DEL PUNTAJE

200
180
160
140

Puntaje

120
100
80
60
40
20
0

10

15
tiempo

20

25

CREDITO QUE LLEVA 2 AOS EN MORA Y EMPIEZA A PAGAR

CUMPLIDAMENTE
-11
360
360
360
360
360
360
360
360
360
360
360
360
0

-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

EVOLUCION DEL PUNTAJE

200
180
160
140

Puntaje

120
100
80
60
40
20
0

6
tiempo

10

12

MODALIDADES DE CULUMPIOS DE UNA, HASTA CUATRO CUOTAS

-11
30
0

-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

EVOLUCION DEL PUNTAJE CREDITOS EN CULUMPIO

170

160

150

140

130

120

110

100

10

12

14

CREDITO CON UNA CUOTA EN MORA Y CONTINUA CON LA MISMA

ALTURA DE MORA
-11 10 -9 -8 -7
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 0
0 0 0 0 30
0 0 0 30 30
0 0 30 30 30
0 30 30 30 30
30 30 30 30 30

-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

EVOLUCION DEL PUNTAJE

200

190

Puntaje

180

170

160

150

140

6
tiempo

10

12

Variables de entrada al modelo:

Puntaje de comportamiento actual.

Variabilidad (Volatilidad) de las alturas de mora.
Marca de reestructuracin,
Cliente nuevo (marca).
Edad relativa del crdito
Plazo

1.

El puntaje de comportamiento actual, se calcula con la misma

metodologa expuesta en el apartado anterior.

2.

Variabilidad de las alturas de mora. Se calcula la desviacin estndar de

las diferencias del vector de alturas de mora. El objetivo de esta variable
es detectar el efecto de columpio , ya que un crdito que permanezca en
cero de altura de mora o deje de pagar, esta variable dar cero y en la
medida que haga ciclos de pagos y moras, esta variable dar un valor
mayor que 1.

3.

Marca de reestructuracin. Es una variable dummy que toma el valor de

1 cuando en la base de datos aparece dicha marca, en cualquier otro
caso toma el valor de cero.

4.

Marca de cliente nuevo (1=si y 0=no)

5.

Edad relativa del crdito. Es la proporcin entre el nmero de cuotas

pagadas y el plazo desde la ltima modificacin. Expresado en das

6.

Plazo es el nmero de meses que lleva el crdito desde la ltima

modificacin. Expresado en das

La idoneidad del modelo se evala con el coeficiente de correlacin de Pearson

(R) entre la variable predicha y la variable ocurrida.
Cuando el nmero de crditos es menor de 100 para un producto (por ejemplo un
producto nuevo o un producto que se est cerrando), el score de comportamiento
corresponde al puntaje de comportamiento actual.

DEFDEFAULT DOCUMENTO TCNICO

1. INFORMACION DEL PROGRAMA

Nombre:

DEFDEFAULT

Autores:

Diego Luis Alvarez Montoya, MSc.

Jorge Farbiarz Farbiarz, MSc.

Descripcin:

El programa determina la altura de mora a partir de la cual se

define el default y genera los archivos intermedios para su
clculo.

Derechos:

El programa DEFDEFAULT y todos sus derechos son de

propiedad de la empresa Farbiarz y Alvarez S.A.
Se prohbe la copia, distribucin o comercializacin por
cualquier medio fsico o electrnico sin la autorizacin expresa
por escrito de Farbiarz y Alvarez S.A.

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.

Definicin de default tcnico

Un crdito se encuentra en default tcnico, cuando est a una altura de mora tal,
que la probabilidad de estar al da (cero moras), en el mismo mes del ao
siguiente, se ha estabilizado y no cambia significativamente aunque aumente la
altura de mora.
El elemento fundamental para la determinacin de tal altura de mora, es el clculo
de la probabilidad de no estar en mora dentro de doce meses, condicionada a la
altura de mora actual.

Metodologa

1. Determinacin de la probabilidad de estar en cero moras dentro de un ao,

dada una mora mayor o igual a la altura de mora actual.
Para cada altura de mora (a), se calcula la probabilidad condicionada as:

P( F | I ) =

P( F I I )
P( I )

Donde:
I:

Conjunto de crditos con moras iguales o mayores a una

altura de mora a, al inicio de los doce meses.

F:

Conjunto de crditos con cero moras al final de los doce

meses.

P( F I I ) :

Es el porcentaje de crditos que estn a una altura de mora

mayor o igual a a al inicio del perodo y que se encuentran
en cero moras doce meses despus.

P(I ) :

Es el porcentaje de crditos con moras mayores o iguales a

a al inicio del perodo.

Con este procedimiento se obtiene un vector de probabilidades de transicin, para

cada altura de mora en un solo perodo de doce meses, en el cual se compara
cada mes, con el mismo mes del ao siguiente.
2. La ecuacin anterior se aplica para el mes actual y el mismo mes del ao
anterior, dicha ventana se va desplazando mes a mes, hasta completar trece
perodos, con lo cual se obtiene una matriz de probabilidades segn el perodo
analizado y las alturas de mora.
3. Se halla la mediana de la probabilidad en cada altura de mora a travs de los
perodos considerados, as como el percentil 25 y 50.
4. Se construye la funcin de las medianas segn la altura de mora y se calculan
las variaciones porcentuales entre dos meses consecutivos para todas las
alturas de mora consideradas.

5. Se aplica una mediana mvil a las variaciones anteriores y se determina el

punto en el cual ste vale menos del 5%. Se halla la altura de mora que
corresponde a ste punto inflexin en el cual la probabilidad ya cambia muy
poco.
6. El default tcnico corresponde a la altura de mora establecida en el numeral
anterior.

Esta metodologa considera los siguientes principios:

La definicin debe ser dinmica. Esto se logra considerando una ventana

mvil, es decir que todo el tiempo se tienen los ltimos 13 meses y no un
perodo fijo de observacin. Es decir, la altura de mora correspondiente al
default tcnico, se evala mensualmente y puede cambiar en el tiempo, lo cual
permite que la estimacin de provisiones se ajusten a las condiciones reales de
default.

Debe cambiar suavemente en el tiempo y ser estable ante fenmenos cclicos.

Sera catastrfico que la definicin de default tuviera cambios muy grandes de
un mes a otro, porque en ese caso una gran cantidad de crditos pasaran a
tener default o viceversa, lo cual dificultara constitucin de provisiones. El uso
de la mediana con una ventana mvil, evita inestabilidades en los clculos
producidas por valores extremos. Adems por tratarse de una distribucin no
normal (con asimetra hacia la izquierda), es preferible el uso de la mediana y
los percentiles.

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.

Debe ser rigurosa. La metodologa propuesta se sustenta en el desarrollo de

la probabilidad condicionada y se describe detalladamente el procedimiento
matemtico. Al tenerse la mediana y los percentiles, se puede conocer el
intervalo de confianza y por lo tanto el margen de error en las estimaciones. Es
un proceso completamente objetivo que evita interpretaciones o
manipulaciones.

Debe ser implementable. Se elabor un programa de computador que realiza

el proceso de manera automtica, con lo cual se facilita el clculo y se reduce
la probabilidad de error ocurrira al realizarlo manualmente.

Este es un ejemplo para un producto de libran za (convenio)en el cual quien se

atrasa un da ya es default.

RECUPERA

1.

INFORMACION DEL PROGRAMA

Nombre:

RECUPERA

Autores:

Diego Luis Alvarez Montoya, MSc.

Jorge Farbiarz Farbiarz, MSc.

Descripcin:

El programa RECUPERA calcula la recuperacin de capital

para cartera sin garantas (recuperacin tcnica)

Derechos:

El programa RECUPERA y todos sus derechos son de

propiedad de la empresa Farbiarz y Alvarez S.A.
Se prohbe la copia, distribucin o comercializacin por
cualquier medio fsico o electrnico sin la autorizacin expresa
por escrito de Farbiarz y Alvarez S.A.

2. FUNCIONES DEL PROGRAMA

El programa est diseado para funcionar de manera automtica, realizando los
siguientes pasos para una o varias carteras:
2.1 Lee la altura que define el default de cada cartera.
2.2 Lee las matrices de transicin que utiliza el programa DEFDEFAULT.
2.3 Obtiene la recuperacin tcnica de cada una de las matrices para cada una de
las alturas de mora para cada producto.
2.4 Genera una tabla la cual contiene el valor de la recuperacin tcnica para
cualquier definicin de default y otra tabla con todos los valores que utiliz
como insumo para su clculo.

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)

Donde R es la Recuperacin, RT es la recuperacin tcnica y RG es la

recuperacin va garantas.

PD_CALC

1. INFORMACIN DEL PROGRAMA

Nombre:

PD_CALC

Autores:

Diego Luis Alvarez Montoya, MSc.

Jorge Farbiarz Farbiarz, MSc.

Descripcin:

El programa PD_CALC calcula la probabilidad de default de

cada crdito de la cartera, segn el score de comportamiento y
otorgamiento. Adems construye los modelos para los casos
de otorgamiento solo, comportamiento solo y con otorgamiento
junto a comportamiento.

Derechos:

El programa PD_CALC y todos sus derechos son de

propiedad de la empresa Farbiarz y Alvarez S.A.
Se prohbe la copia, distribucin o comercializacin por
cualquier medio fsico o electrnico sin la autorizacin expresa
por escrito de Farbiarz y Alvarez S.A.

2. FUNCIONES DEL PROGRAMA

El programa est diseado para funcionar de manera automtica, tomando los
archivos de entrada generados por el usuario o generando automticamente los
archivos de entrada.
2.1 Si se eligi que generara automticamente los archivos de entrada,
programa toma el archivo que el usuario indique del programa
comportamiento Beh_AAAAMM.txt
y busca un ao atrs el archivo
comportamiento y recorre la historia mes a mes buscando el desenlace
cada obligacin.
2.2 Lee los archivos de entrada que contiene las variables para el modelo.

el
de
de
de

2.3 Construye los modelos de probabilidad de default a partir del otorgamiento

solamente, del comportamiento solamente y considerando los dos scores
(comportamiento y otorgamiento). Para construir modelo requiere que hayan
por lo menos 100 casos de no default que migraron a default en el lapso de 1
ao y con la informacin de otorgamiento y/o comportamiento segn
corresponda.
2.4 El programa calcula la probabilidad de default para cada crdito segn el
modelo respectivo.
2.5 Genera los archivos de salida para cada modelo con la probabilidad de default
y los parmetros de los modelos construidos.

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:

Crditos nuevos: Se toma el score de otorgamiento por no tener

comportamiento de pagos.
Crditos muy antiguos: Se toma solo el score de comportamiento porque
las condiciones del otorgamiento pueden haber cambiado.
Crditos recientes con historia de pagos: Se utiliza el score de
otorgamiento y el comportamiento.

La variable de salida es la probabilidad de default en escala de 0.000 hasta 1.000

y corresponde a la probabilidad de incumplir en los prximos 12 meses, con su
intervalo de confianza.
Se utiliza un modelo de regresin logstica

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:

Diego Luis Alvarez Montoya, MSc.

Jorge Farbiarz Farbiarz, MSc.

Descripcin:

El programa es un ejecutable en Windows 98, que se utiliza

para determinar la distribucin de prdidas por riesgo de
crdito y el valor en riesgo (Credit VaR) por simulacin
histrica y distribuciones gamma y Weibull, segn el percentil
definido. Tambin realiza el back testing utilizando prueba de
Chi cuadrado.

Derechos:

El programa CREDIT_VAR y todos sus derechos son de

propiedad de la empresa Farbiarz y Alvarez S.A.
Se prohbe la copia, distribucin o comercializacin por
cualquier medio fsico o electrnico sin la autorizacin expresa
por escrito de Farbiarz y Alvarez S.A.

2. Funciones del programa

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

La historia de prdidas es anualizada a travs de una ventana mvil deslizante

con ancho de doce meses.
La serie se escala de acuerdo con 3 factores de escala a saber: a) tamao de la
cartera, b) patrimonio y c) ingresos.
La manera de escalar la historia es multiplicando cada dato por el siguiente factor:
(Factor de escala de la ltima fecha / Factor escala de la fecha i). De sta forma
toda la serie queda como si la entidad hubiese tenido el mismo tamao actual de
acuerdo con el factor escala.
Por ejemplo si el valor de la cartera hoy es 150 mil millones y hace 3 aos el
tamao de la cartera era 50 mil millones, eso quiere decir que el valor de las
prdidas de hace 3 aos se multiplica por 3.
Una vez se tiene la serie anualizada y escalada se halla la distribucin de prdidas
absolutas y ajustadas por los tres factores de escala.
Sobre las distribuciones acumuladas, se ajusta una funcin Gamma y otra Weibull
utilizando la funcin de mxima verosimilitud.
Para evaluar la funcin del ajuste se realiza la prueba de KS.
Se calcula el VaR como el percentil 99 de las distribuciones de prdidas
anualizadas y escaladas por los factores de escala.
Para hacer el Back testing se hace una prueba de chi cuadrado entre lo observado
y lo esperado.
Se selecciona como VaR principal el que mejor desempeo muestra en el
Backtesting.
El valor de la prdida Inesperada (P.In) se halla de la siguiente manera:

P.In=Credit VaR - Prdida Esperada

El programa genera cuatro figuras:

La primera realiza los clculos con prdidas por riesgo de crdito anualizadas con
valores absolutos en pesos. La segunda ajusta las perdidas operacionales
anualizadas, utilizando como factor de escala el saldo de los activos es decir
monto de la cartera. En tercera se ajusta por patrimonio y en la cuarta con los
ingresos anualizados.
Cada una de las figuras tiene tres paneles, que se muestran en la siguiente
imagen y se describen separadamente ms adelante.

Panel superior derecho

Se observa el ajuste de la distribucin gamma y Weibull los datos histricos para

la ltima fecha. As mismo realiza la prueba de ajuste de Kolmogorov-Smirnov.
Esta prueba se interpreta como buen ajuste con valores de P por encima de 0.05
Panel superior izquierdo

Aparece el histograma de prdidas operacionales anualizadas y la marca del VAR

por simulacin histrica y distribuciones gamma y Weibull para la ltima fecha.

Panel de la serie histrica de prdida operacional

Se presenta la perdida operacional anualizada de la serie hasta la ltima fecha.

Adems se muestra el VAR para el percentil elegido para simulacin histrica,
distribucin gamma y distribucin Weibull, desde el dato nmero treinta hasta la
fecha.

Panel de Back Testing

Se presenta el Back Testing histrico y por ajustes de las distribuciones Gamma

y Weibull.
Para cada momento del tiempo las barras blancas indican que el back testing
funcion y las barras rojas indican que no funcion.
El back testing se realiza comparando el VaR calculado en un momento, con las
prdidas ocurridas durante un perodo posterior (definido la tabla de parmetros).
Se realiza una prueba estadstica de Chi cuadrado entre lo ocurrido y lo esperado.
Cuando las prdidas estn dentro del lmite de confianza establecido, se dice el
que el Back Testing funciona.

Macroscore

1. INFORMACION DEL PROGRAMA

Nombre:

MACROSCORE

Autores:

Diego Luis Alvarez Montoya, MSc.

Jorge Farbiarz Farbiarz, MSc.

Descripcin:

El programa Macroscore se utiliza para calcular los efectos de

los ciclos macroeconmicos sobre la provisin y por lo tanto se
utiliza como mecanismo contracclico para ajustar las
provisiones (determinacin de provisiones contracclicas). En
la versin 6.3 se introduce una funcin que reemplaza los
datos existentes de corridas previas en la misma fecha,
cuando el programa se ejecuta varias veces el mismo da.

Derechos:

El programa MACROSCORE incluyendo el mdulo XLoad es

de propiedad de Farbiarz y Alvarez S.A.
Se prohbe la copia, distribucin o comercializacin por
cualquier medio fsico o electrnico sin la autorizacin expresa
por escrito de Farbiarz y Alvarez S.A.

2. FUNCIONES DEL PROGRAMA

2.1 Extrae los datos de entrada
2.2 Calcula las provisiones contracclicas
2.3 Carga los resultados a una tabla.
En caso de repetirse la ejecucin, ste verifica si ya se tienen resultados para
la fecha en que se est corriendo y en ese caso los reemplaza para evitar
duplicaciones. Siempre quedarn guardados los datos de la ltima ejecucin.

2.4 Crear y eliminar productos

Un producto puede ser un macrosector, subsector, producto, segmento o
cualquier agrupacin que se defina para un conjunto de datos que se van a
analizar.
Cada vez que se crea, elimina o modifica un producto deben seguirse los
siguientes pasos:

Agregue o elimine el nombre del producto (el mismo usado en la tabla de

historia), del Indice de Productos (Ver archivo de entrada INDICE).

Agregue los datos histricos del producto en la tabla de HISTORIA.

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:

V . HISTORICA = B0 + B1FVPIB + B2 DESEM 12 M + B3 IDEVAL / IPC + ...

... B4 IDTF / IPC + B5TENDENCIA
Donde Bo es el trmino independiente y Bi es el coeficiente respectivo.
variables de entrada son las siguientes:

Las

NOMBRE

VARIABLES DE ENTRADA

FVPIB12M

Variacin del PIB en los ltimos doce meses

DESEM12M

Promedio del desempleo mensual de los ltimos 12 meses

IDEVAL/IPC

Razn entre el promedio de la devaluacin en los ltimos 12 meses y la

variacin anualizada del IPC en los ltimos 12 meses.

IDTF/IPC

Razn entre el promedio de la DTF de los ltimos 12 meses y la

variacin anualizada del IPC en los ltimos 12 meses.

TENDENCIA

Pendiente de la recta de regresin de morosidad en los ltimos 6

meses.

La variable de salida es:

NOMBRE

VARIABLE DE SALIDA

VARIABLE Porcentaje de crditos en mora (1 o ms cuotas) en los prximos seis

HISTORICA meses
El modelo hace su backtesting con la prueba de R correlacin de Pearson entre lo
observado y lo predicho.
Adicionalmente arroja los intervalos de confianza de los coeficientes y prueba de
significancia de t de Student para cada coeficiente.
Realiza autocorrelacin de los residuales y correlacin entre las variables de
entrada y los coeficientes.
La provisin contracclica corresponde a la diferencia entre la provisin por
macroscore y la provisin por SARC en alcuotas de 1/12.

NEUROSCORE

1. INFORMACIN DEL PROGRAMA

Nombre:

NEUROSCORE

Autores:

Jorge Farbiarz Farbiarz, MSc.

Diego Luis Alvarez Montoya, MSc.

Descripcin:

El programa NEUROSCORE calcula la probabilidad de default

de
cada
solicitud
de
crdito,
segn
variables
sociodemogrficas, microempresariales y caractersticas del
crdito solicitado. La calificacin est en escala de 0 a 1000,
donde 0 es la mayor probabilidad de default y 1000 es la mejor
calificacin con la menor probabilidad de default.

Derechos:

El programa NEUROSCORE y todos sus derechos son de

propiedad de la empresa Farbiarz y Alvarez S.A.
Se prohbe la copia, distribucin o comercializacin por
cualquier medio fsico o electrnico sin la autorizacin expresa
por escrito de Farbiarz y Alvarez S.A.

2. FUNCIONES DEL PROGRAMA

El programa est diseado para funcionar de manera automtica, realizando los
siguientes pasos:
a. Lee la tabla con las variables de entrada.
b. Califica los crditos con una red neuronal.
c. El programa graba el score, el cual est relacionado con la probabilidad
de default segn variables de otorgamiento de crdito.

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:

El vector p es el vector de entrada que corresponde a las preguntas del

formulario.
w es el vector de pesos obtenido en el proceso de entrenamiento.
fx1 es una funcin de distancia euclidiana entre el vector p y el vector w
d es un parmetro obtenido en el entrenamiento y funciona como un
ponderador.
n es un escalar y es la salida de la capa 1
fx2 es la funcin logstica exp(n)/(1+exp(n))
k es un escalar y corresponde a la salida de la capa 2
fx3 es la funcin linealizadora y corresponde a la capa3
s es el score

3.3.

ENTRENAMIENTO

Para el entrenamiento se utiliz el algoritmo de Levenberg-Marquardt. Utilizando

como matriz Hessiana (H):

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

Tiene seguridad social

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:

Backtesting a un ao Otorgamiento 201012

n= 73829 (1068 defaults)
1

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

1. INFORMACIN DEL PROGRAMA

Nombre:

GERENCIADOR_NEUROSCORE

Autores:

Diego Luis Alvarez Montoya, MSc.

Jorge Farbiarz Farbiarz, MSc.

Descripcin:

El programa provee la informacin gerencial necesaria para

definir el puntaje de corte, de acuerdo con la probabilidad de
default, el porcentaje de rechazo y parmetros financieros de
las aprobaciones e impacto econmico del default.
Realiza el back-testing del sistema de scoring por medio del
clculo del rea de la curva de operacin del receptor (ROC) y
la prueba de Kolmogorov Smirnov (K-S), para evaluar la
capacidad de discriminacin un sistema del scoring
El programa funciona el modelo de la red neuronal
utilizar curvas de calibracin propias del cliente.

Derechos:

y puede

El programa GERENCIADOR_NEUROSCORE y todos sus

derechos son de propiedad de la empresa Farbiarz y Alvarez
S.A.
Se prohbe la copia, distribucin o comercializacin por
cualquier medio fsico o electrnico sin la autorizacin expresa
por escrito de Farbiarz y Alvarez S.A.

2. FUNCIONES DEL PROGRAMA

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.

Realiza simulacin de Montecarlo y produce los grficos y tablas de salida.

3. METODOLOGA
Se utilizan los parmetros introducidos y se calculan las siguientes variables para
cada puntaje de corte utilizando tcnicas de probabilidad Bayesiana.

3.1. VALOR PREDICTIVO POSITIVO

VPP =

VPP =

Frecuencia Sensibilidad
( frecuencia sensibilidad ) + [(1 frecuencia )(1 especificidad )]

1
(1 frecuencia )(1 especificidad )
1+
frecuencia sensibilidad

VPP: Valor predictivo positivo

VP: Verdaderos positivo
FP: Falsos positivos

VP = frecuencia sensibilidad

VP = (1 frecuencia ) (1 especificidad )
VPP =

VP
VP + FP

3.2. VALOR PREDICTIVO NEGATIVO

VPN =

VPN =

(1 fecuencia ) especificidad
(1 frecuencia ) especificidad + frecuencia (1 sensibilidad )

1
frecuencia (1 sensibilidad )
1+
(1 frecuencia ) especificidad

VPN: Valor predictivo negativo

VN: Verdaderos negativos
FN: Falsos negativos

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

3.4 DIRECTRICES PARA LA ELECCIN DEL PUNTAJE DE CORTE

Es necesario identificar cual es la prioridad en el proceso de score.
Si la necesidad es bajar la morosidad o llevarla a un nivel esperado se utiliza la
tabla de rechazo segn el score y se busca el score acorde al nivel de morosidad
tolerable. El paso siguiente es evaluar si el porcentaje de rechazo obtenido es
coherente con la poltica comercial. Si no hay coherencia es necesario negociar
entre el porcentaje de rechazo de clientes contra el nivel de morosidad de la
cartera.

(G4 corresponde al grupo de default).

Retomando las grficas anteriores, si nos encontramos en un medio donde la
probabilidad de default es del 5% y toleramos una exposicin del 3.5%, significa
que tendramos que rechazar alrededor de un 12% de las solicitudes que
corresponde a un puntaje de corte de 120 puntos para el ejemplo. Esta
informacin se encuentra en las tablas de salida punto por punto.
Puede verse que la eficiencia va disminuyendo porque la curva se va aplanando.
Si para el caso anterior tolerramos una probabilidad de default del 3%,
tendramos que rechazar el 35% de las solicitudes con un puntaje de corte de 210
puntos.
Por otro lado si la necesidad es competir con el porcentaje de rechazo y se define
un mximo de rechazo tolerable, las curvas se leen en la escala vertical para
encontrar el riesgo al cual se est expuesto al definir ese porcentaje de rechazo.

Si la necesidad est en trminos de un ingreso econmico por colocacin o una

rentabilidad, se utiliza el otro set de curvas y tablas. Como punto de partida se
puede tomar que la utilidad depende de la tasa de colocacin, los costos de
fondeo y los costos operacionales.

En el ejemplo se simul una tasa de default del 5% un ingreso promedio de 75.000

pesos al ao por solicitud y con una prdida promedio de 1.500.000 pesos por
default.
En la grfica del ejemplo anterior puede verse en color azul como el ingreso
esperado o utilidad bruta esperada (segn como se halla definido en los archivos
de entrada) disminuye en la medida que se rechazan solicitudes en forma lineal.
Por otro lado, las prdidas por solicitud son mayores si se dice a todo mundo que
s y stas disminuyen con el patrn de la curva verde.
Al restar las prdidas del ingreso esperado se obtiene el neto por solicitud (curva
roja). Puede observarse que la rentabilidad es baja si se rechaza muy poco (por
las prdidas debidas al default) o si el rechazo es muy alto (por reduccin de los
ingresos, frente a unos costos fijos de operacin) y aparece un ptimo alrededor
de un 15% de rechazo, que corresponde aproximadamente a unos 150 puntos de
puntaje de corte. (En las tablas de salida est la informacin al detalle).
El siguiente paso es evaluar si es adecuada esa utilidad o rentabilidad y
contrastarlo con el rechazo comercial de clientes. Si no son compatibles es
necesario negociar o la rentabilidad o el rechazo comercial.

CONSOLIDADOR

1. INFORMACION DEL PROGRAMA

Nombre:

CONSOLIDADOR

Autores:

Diego Luis Alvarez Montoya, MSc.

Jorge Farbiarz Farbiarz, MSc.

Descripcin:

El programa CONSOLIDADOR reporta en un solo archivo los

clculos de provisin para SARC as como todas las
calificaciones y salidas asociadas a cada crdito, cliente y
grupos de agregacin definido por el usuario.

Derechos:

El programa CONSOLIDADOR y todos sus derechos son de

propiedad de la empresa Farbiarz y Alvarez S.A.
Se prohbe la copia, distribucin o comercializacin por
cualquier medio fsico o electrnico sin la autorizacin expresa
por escrito de Farbiarz y Alvarez S.A.

2. FUNCIONES DEL PROGRAMA

El programa lee el archivo de grupos de agregacin definidos por el usuario.
Realiza las agrupaciones de las variables numricas y alfanumricas
Realiza una bsqueda de toda la informacin de cada crdito en los archivos
de Probabilidad de Default, Behavescore, Neuroscore
Genera los reportes de la informacin faltante
Hace el clculo de prdida esperada, inesperada y potencial por cada crdito
y grupo de agregacin

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.

3.1 Prdida potencial. Es la prdida porcentual esperada.

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)

3.2 Prdida Esperada. Es la prdida posible en pesos.

PE=PD*(1-R)*E
Donde:
PE:
PD:
R:
E:

Es la prdida esperada o provisin

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)
Es el valor de la exposicin. (Saldo del crdito, lo toma de grupAgre)

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.

3.4 Provisin contracclica. Es un valor que suaviza las provisiones de acuerdo

con el ciclo econmico.

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)

3.5 Promedio de la probabilidad de incumplimiento. Como la probabilidad de

incumplimiento procede de una regresin logstica se hace la transformacin
logstica, luego se promedia y se devuelve a probabilidad.

Ki

Donde:
Ki:
Pi:
PP:

Es la transformacin logstica de la probabilidad Pi

Es la probabilidad de default de la obligacin i
Es la prdida potencial

Donde:
Km:
Ki:
n:

Es el promedio de la transformacin logstica.

Es la transformacin logstica de la probabilidad Pi
Es el nmero de observaciones

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

1. INFORMACION DEL PROGRAMA

Nombre:

SURVIVAL

Versin:

2.3

Autores:

Diego Luis Alvarez Montoya, MSc.

Jorge Farbiarz Farbiarz, MSc.

Descripcin:

El programa SURVIVAL realiza el anlisis de supervivencia

por la metodologa de Kaplan-Meier de los crditos de la
cartera y de los grupos de agregacin definidos por el usuario.

2. Funciones del programa

El aplicativo solicita al usuario identificar el archivo GruposAgr_AAAAMM.txt
ms reciente que se va a procesar.
Solicita al usuario que defina la altura de mora para la cual se va a hacer el
anlisis de supervivencia y el horizonte de tiempo que se va a graficar.
El programa lee el archivo de grupos de agregacin definidos por el usuario
para los ltimos 12 meses.
Evala el tiempo transcurrido desde el desembolso de cada crdito hasta
alcanzar la altura de mora definida por el usuario.
Realiza los anlisis para toda la cartera, generando las grficas y tablas
correspondientes.
Repite el anlisis para cada una de las categoras de los grupos de
agregacin, generando grficas y tablas respectivas.

3. METODOLOGA ANLISIS DE SUPERVIVENCIA

El problema de analizar el comportamiento de crditos en el tiempo debe tener en
cuenta que hay una dinmica compleja de los datos porque todo el tiempo hay
crditos que inician, que entran en estado de default y crditos que terminan por
pago.
Los modelos de supervivencia como el de Kaplan-Meier permiten manejar estas
situaciones, alineando los crditos en funcin del tiempo (cosecha) y teniendo en
cuenta que hay datos que no alcanzan el evento que se analiza (default) que es lo
que se llama en estadstica, datos censurados.
El concepto central de un modelo de supervivencia no es la probabilidad de que
un cambio de estado ocurra (por ejemplo entrar en default), sino ms bien la
probabilidad condicional de que ocurra un cambio de estado, dado que tena en el
tiempo anterior otro estado, (por ejemplo, que un crdito entre en default dado que
en el perodo anterior no lo haba hecho).
Este tipo de anlisis permite adems incluir factores explicativos constantes y
variables en el tiempo. El problema principal que hace necesario el uso de
modelos de supervivencia, es la existencia de censura en los datos. La censura
ocurre cuando el resultado o evento de inters (cambio de estado) no se observa
para todos los individuos dentro del periodo en que se realiza la recoleccin de los
datos.
Por lo tanto, muchas de las observaciones representan la duracin registrada
hasta el momento de la medicin y no el tiempo transcurrido hasta la ocurrencia
del evento.
El anlisis de supervivencia tiene por objetivo encontrar la funcin que describe el
riesgo de cambio de estado en diferentes periodos de tiempo y representa una
secuencia de probabilidades condicionales:
f(t) = P(crdito entre en default en el momento t dado que en t 1 no lo haba
hecho).

Si T es una variable aleatoria discreta, no negativa, que representa el tiempo de

vida de un crdito la funcin de probabilidad asociada a la variable aleatoria T est
dada por

Luego, la funcin de supervivencia se define como:

y representa la probabilidad de que T sea mayor o igual a un valor t; es decir, la

probabilidad de que la supervivencia del crdito sea T t.
La funcin de riesgo se define como

Una estimacin no paramtrica de la funcin de supervivencia es:

Donde lambda es el estimador de Kaplan-Meier y puede obtenerse de la siguiente

manera:

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

Este estimador incorpora informacin de todas las observaciones disponibles,

sean o no censuradas. adems, es una funcin que depende slo de los valores
de la muestra y permite describir la relacin existente entre la funcin de riesgo y
el tiempo de supervivencia hasta que ocurre el evento de inters
Una vez que se tiene la funcin de supervivencia, es de inters investigar si el
riesgo difiere sistemticamente entre los individuos. Esto significa que se debe
identificar variables explicativas de la heterogeneidad observada en funcin del
riesgo.
La forma de estudiar la heterogeneidad observada es introduciendo en el modelo
p variables explicativas Zp que caracterizan a un individuo o su entorno.
Se define entonces un vector de variables

donde cada elemento del vector representa la caracterstica p para el individuo

ijsimo en el momento j.