Documentos de Académico
Documentos de Profesional
Documentos de Cultura
El Riesgo en la organización
cooperativa de ahorro y
crédito
COFIA , ACI AMERICAS
2 de marzo de 2011
Riesgo de Spread
Riesgo
g de Crédito Riesgo
g Legal
g
Riesgo de Mora
Riesgo de Liquidez
Riesgo de Tasa de Interés
Riesgo Operativo
Riesgo de Cambio
C
Ri
Riesgo de
d Negocio
N i Ri
Riesgo de
d Mercado
M d
Riesgo de
Ri d Crédito
C édit
Riesgo
g de Mercado
Riesgo de Liquidez
Riesgo Operativo
O
- Riesgo de Negocio
- Riesgo de Evento
Riesgo Legal
Método Estándar
Método Indicador Básico
Estándar
Modelos Internos: VaR
Método Estándar
Métodos basados Enfoque Básico
en ratings
ti internos
i t Medición interna
Enfoque Avanzado
© AIS 2002- 2012 49
Tipos de riesgo
Group
Riesgo
g de Crédito
- Se refiere a la variabilidad en los ingresos generados por el incumplimiento
de un acreditado o contraparte. Incluye la variabilidad derivada tanto de las
pérdidas por el importe adeudado y no pagado a las cooperativas por los
acreditados,
dit d como los
l costost de
d recuperaciónió incurridos.
i id
Riesgo de Mercado
- Se refiere a la variabilidad en los ingresos generados por la variación de
precio
i de
d activos
ti i t
intercambiados
bi d en los
l mercados
d fi
financieros
i ( tasas
t d
de
interés, tipo de cambio, índices de precios, acciones, etc.) los cuales a su
vez inciden en el valor de las posiciones de activos y / o pasivos de la
cooperativa.
Riesgo de Liquidez
- En el contexto de portafolios, el riesgo de pérdida por diferencias adversas
entre el valor de realización y el valor teórico de una posición y por la
imposibilidad de enajenar, adquirir o cubrir una posición.
Riesgo Operativo
- Este riesgo considera dos tipos de riesgos cunaltificables:
Tipo de Riesgo
Riesgo Legal
- El riesgo
g debido al incumplimiento
p de disposiciones
p legales
g o
administrativas, a la resolución de disposiciones administrativas y judiciales
desfavorables y la aplicación de sanciones por parte de las autoridades.
Este riesgo puede generarse como consecuencia de un Riesgo Operativo
de Evento
E ento o de Negocio,
Negocio
Se trata,
trata por tanto,
tanto de una
na asociación relacional que
q e permite gestionar
en el tiempo los valores del indicador, bajo el supuesto de que
controlando a éstos (siempre que se pueda) se mantiene su factor de
riesgo asociado dentro de los niveles deseados.
deseados
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.
Indicadores de Riesgo
- Constitución de índices a partir de variables extraídas de los procesos cuyo
comportamiento esté relacionado con el nivel de riesgo asumido.
- Seguimiento y control de los valores de cada indicador,indicador añadiendo
establecimiento de objetivos.
Señales de Alerta
- Establecimiento de valores máximos o mínimos admisibles para cada uno
de los indicadores seleccionados, de forma que rebasado ese valor, se
activen automáticamente las acciones de mitigación/corrección previstas.
Tipo de Evento
de Pérdida
Actividades no Seguridad en
autorizadas los sistemas
Falsificación
ATRIBUTOS Cobro de
Hurto/Robo Severidad : Mínimos, cheques
Máximo, Promedio.
Frecuencia
Cheques
q sin
fondo
¿IV Nivel ?
de crédito
Activos
Mercado Crédito
Contraparte Riesgos incumplimiento
Solvencia
Liquidez
Diversificación
Calidad de gerencia
g
Garantía
Disminución de Ventas
Irrupción de competencia Fragilidad de balance
Contagio Financiero Endeudamiento
Aumento del paro Cultura de empresa
Garantía pobre
© AIS 2002- 2012 7
Concepto de Riesgo: Origen del Riesgo de Crédito. Group
Solvencia
Liquidez
Diversificación
Calidad de gerencia
g
Garantía
Disminución de Ventas
Irrupción de competencia Fragilidad de balance
Contagio Financiero Endeudamiento
Aumento del paro Cultura de empresa
Garantía pobre
© AIS 2002- 2012 8
Concepto de Riesgo Group
Riesgo de Incumplimiento
Riesgo de Incumplimiento
Riesgo Individual
Riesgo de Incumplimiento
Riesgo de Portafolio
Concepto de “daño”
daño versus concepto de “coste”
coste .
Ingresos esperados
Beneficios esperados
-Cartera del banco
-Valor inicial
Capital Peor
Pérdidas inesperadas en Riesgo
Rating Objetivo
Quiebra Mejor
Pérdida Esperada
A C
¿Va caer en ¿Cuanto
C t va a
Mora? costar?
Pérdida Esperada
A Modelos de
¿Va caer
evaluación
en mora?
Pérdida Esperada
A Probabilidad de
¿Va caer
mora calibrada
en mora?
Pérdida Esperada
B
¡EXPOSICIÓN!
¿Cuánto va a
caer en mora?
E ti
Estimación
ió ddell saldo
ld insoluto
i l t all momento
t del
d l impago
i
Pérdida Esperada
C
¡SEVERIDAD!
¿Cuánto va
a costar?
Valor
nominal Pérdida Total
de la
garantía Costos
C t d de
adjudicación y
realización
© AIS 2002- 2012 20
Medición del Riesgo Group
Pérdida Esperada
Expected
E t d Losses
L
(EL)
© AIS 2002- 2012 21
Basilea II Group
El PILAR 1:
PILAR 2 o SUPERVISIÓN:
tiene como objetivo asegurar una buena adecuación del capital a los
riesgos
g reales soportados.
p Se materializa en los siguientes
g
principios:
PILAR 3,
3
tiene como objetivo asegurar la transparencia en la información
emitida a los participantes del mercado, distinguiendo “fuertes
recomendaciones”
d i ” y requerimientos.
i i t
PILAR 3,
3 (cont.)
(cont )
- Importantes implicaciones:
M
Materiales,
t i l asociadas
i d a lal adecuación
d ió de
d los
l sistemas
i t d información
de i f ió de
d gestión
tió
(en la misma línea que el pilar I);
Inmateriales: nueva cultura de transparencia en las entidades financieras.
Otorgamiento
REACTIVOS PROACTIVOS
•Responden a una solicitud de crédito •Se anticipan a las necesidades
por parte del cliente del cliente
•Para
P medir
di ell riesgo
i se b
basan – •Para
P medir
di ell riesgo
i se b
basan en
básicamente – en los datos que los datos que la entidad ya
aporta el cliente en la solicitud de dispone sobre el cliente
crédito •Únicamente
Únicamente sirven para evaluar a
•Son válidos para evaluar tanto a clientes vinculados
clientes como a no clientes
S
Seguimiento
i i t
COMPORTAMENTALES
•Predicen el futuro cercano en base al comportamiento del cliente
•Pueden ser un excelente complemento en la etapa de otorgamiento
RECOBRO
•Predicen la evolución esperada de un cliente con contratos impagados
•Excelente factor para la estimación de la LGD
© AIS 2002- 2012
Group
Particulares
Compra Subrogación
Mini-
Vehículos Consumo Clientes No Clientes
consumo
MICRO-
AUTÓNOMOS
EMPRESAS
EMPRESAS
CORPORACIONES
AGROPECUARIO PROMOTORES START-UPS MAYORISTAS
LOCALES
Exposición
E i ió
Empresas
Frequency Morosidad
CLIENTE Si 1260 5%
No 720 20%
No informado 40 5%
Frequency Morosidad
CLIENTE Si 1300 5%
No 720 20%
Selección de casos
Selección de casos
Selección
S l ió ddell mejor
j tit
titular
l
Desarrollo modelo con el mejor titular
Implantación: evaluación de todos los titulares y avalistas
El resultado final es el del mejor titular
Selección de muestras
MUESTRA HISTÓRICA
Contiene todas las SOLICITUDES de un periodo histórico
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
variables
Selección de muestras
- Chain-Ladder:
Se realiza únicamente con los morosos
Se
S grafica
fi cómo
ó “
“caen”
” los
l morosos en función
f ió de
d la
l maduración
d ió
Se busca la maduración que acumula “buena parte” de los morosos
Selección de muestras
Gráfico de maduración:
45,00%
40 00%
40,00%
35,00%
osos
30,00%
% casos moro
25,00%
20,00%
Serie1
15,00%
10,00%
5,00%
0,00%
Fecha de formalización
© AIS 2002- 2012
Análisis Descriptivo Group
Selección de muestras
B
A
Método
Mét d sin
i previsiones
i i Método
Mét d previsiones
i i
MADURACIÓN MADURACIÓN
1 2 3 4 5 6 TOT 1 2 3 4 5 6 TOT
4T05 0 2 5 1 1 0 9 4T05 0 2 5 1 1 1 10,0
ORMALIZACIIÓN
ORMALIZACIIÓN
1T06 1 2 6 3 1 13 1T06 1 2 6 3 1 1 14,0
,
2T06 0 1 9 3 13 2T06 0 1 9 3 1,5 1,5 16,0
3T06 1 4 6 11 3T06 1 4 6 2,1 1,1 1,1 15,2
4T06 0 3 3 4T06 0 3 8,7 3,0 1,5 1,5 17,7
1T07 1 1 1T07 1 6 17,3 6,1 3,0 3,0 36,5
TOT 3 12 26 7 2 0 50 TOT 30
3,0 18 0 52,0
18,0 52 0 18,2
18 2 91
9,1 9 1 109,4
9,1 109 4
FO
FO
% 6% 24% 52% 14% 4% 0% % 3% 16% 48% 17% 8% 8%
Gráfico Chain-Ladder C
(A/B)*C
% Morosos
60% 52%
48%
40%
24%
20% %
16% 17%
%
14%
6% 8%
4% 8%
3%
0% 0%
1 2 3 4 5 6
Maduración
Selección de muestras
NO AUTO---% Morosidad vs. Maduración
100,00%
Gráfico Chain-Ladder:
Chain Ladder: 8,00%
7,53%
7,32%
7,31% 7,28%
90,00%
7,00%
6,68%
80,00%
70,00%
5,42% 5,42%
5,30%
do
% casos morosos
sos acumulad
5 00%
5,00%
60,00%
4,86%
4,55%
50,00% 4,00%
3,82%
% cas
40,00% 3 25%
3,25%
2,98% 3,00%
2,88%
18 2,76%
30,00% 2,42%
1,91% 2,00%
20 00%
20,00% 1 63%
1,63%
1,23%
1,17% 1,08%
1,05% 1,00%
10,00% 0,87%
0,51%
0,48% 0,54% 0,49%
0,53%
0,43% 0,36% 0,36% 0,41%
0,26% 0,34% 0,24%
0,15% 0,13%
0 00%
0,00% 0 00%
0,00%
0,00%
00%
0,00%
00%
0,00%
00% 0,03% 0,01%
0,00%
00% 01%
0,00%
00%
0,00%
00% 0,01%
0,00%
00% 01% 0,02%
0,00%
00% 0 00%
0,00%
0,00%
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
Meses de maduración
© AIS 2002- 2012
Análisis Descriptivo Group
Creación de variables
Las variables
ariables base habituales
habit ales en un
n modelo reactivo
reacti o de consumo
cons mo se
agrupan en:
- Variables de operación
- V i bl de
Variables d perfil
fil socio-económico
i ó i
- Variables de vinculación con la entidad
- Variables experiencia de pago anterior
Creación de variables
Variables
V i bl ded operaciónió Variables
V i bl ded perfil
fil socio-económico
i ó i
Procedencia de la operación Edad
Importe del crédito Estado Civil
Cuota Componentes UF
Plazo Ingresos
Loan To Value (Importe crédito/ Tasación) Gastos
Situación previa del crédito Situación Laboral
Immueble nuevo/usado/construcción Antigüedad empleo
Primera/segunda residencia Profesión
Tipo Inmueble (casa, piso,…) Situación de la vivienda
...
Variables de vinculación Experiencia
p de p
pago
g anterior
Antigüedad como cliente Buró de crédito
Domiciliación de nómina Comportamiento interno
Domiciliación de recibos
Saldos medios
Creación de variables
Segmentación
dividuos
8,5
% ind 8
6
4 2,8
2 1,1
0,3
0
Más dee
Negativos
s
No Cliente
e
0€
De 0+ a
De 65+ a
De 180+ a
De 360+ a
De 650+ a
6.000 €
De 1.250+
De 2.500+
a 2.500 €
a 6.000 €
1.250 €
65 €
180 €
360 €
650 €
Muestra Histórica Muestra Actual
Valor Número Porcentaje Número 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
De 0+ a 65 € 9 926
9.926 89
8,9 4 067
4.067 12 2
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+
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
Más de 6.000 € 11.285 10,2 3.046 9,1
Total 111.001 100,0 33.308 100,0
60,00%
50 00%
50,00%
50,00%
40,00%
40,00%
Datos
30,00% Suma de PCT_CASOS
Promedio de MORA
30,00%
20,00%
20,00%
10,00%
10,00%
0,00% 0,00%
1 2 3 4 5 10 15 20 99
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%
15 5,88% 24,31%
20 3,35% 17,07%
99 1,43% 11,43%
Total general 100,00% 50,00%
© AIS 2002- 2012
Desarrollo del modelo Group
SCORINGS REACTIVOS
- Deben predecir la morosidad para todas las solicitudes
- Se construyen con la morosidad observada en el pasado para aprobar o
denegar estas solicitudes
DIFICULTAD
- Un modelo basado exclusivamente en operaciones aprobadas puede ser
poco preciso (“sesgo muestral”). Esto es particularmente cierto cuando la
d i ió de
decisión d aprobar/denegar
b /d h sido
ha id vinculante
i l t all scoring
i previo.
i
K-Vecinos
K Vecinos más cercano (hot deck k): Dada una operación denegada
inferimos su propensión a ser morosa mediante el % de morosidad
observado en las k operaciones más cercanas.
Asume el procedimiento de denegar operaciones no discrimina dado el
perfil del solicitante
Datos
SITVIVIENDA Suma de PCT_CASOS Promedio de MORA
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%
1 P
m ln i X
1 exp X 1 P i
i
Tratamiento Piece-wise:
Piece wise:
ingresos, si ingresos 2.000€ ingresos 2.000, si ingresos 2.000€
ingresos1 ingresos2
2.000, caso contrario 0, caso contrario
Ln (m /1 m ) Ln (m/1 m )
0€ 1.000 € 1.500 € 2.000 € 2.500 € 3.000 € 0€ 1.000 € 1.500 € 2.000 € 2.500 € 3.000 €
0 0
-0,5 -0,5
-1 -1
Ln(m /1 m ) Ln (m /1 m )
-1,5 -1,5
-2 -2
-2,5 -2,5
Test de Hosmer-Lemeshow:
Hosmer Lemeshow:
Prueba de Hosmer y Lemeshow Podemos observar que las
Paso Chi-cuadrado gl Sig. diferencias entre las
1 3,649 8 ,887 distribuciones no son
estadísticamente significativas
Tabla de contingencias para la prueba de Hosmer y Lemeshow
Tabla de eficiencia:
Coeficiente GINI:
Curva ROC:
Test de Kolmogorov-Smirnov:
Kolmogorov Smirnov:
TABLA GINI - KS
% acum % acum
Tramo Buenas M alas Total % mora Buenos - M alos
buenas m ora
1 1118 4 1122 0 4%
0,4% 5 10%
5,10% 0 73%
0,73% 4 4%
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%
1,0% 30 49%
30,49% 10 40%
10,40% 20 1%
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%
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%
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
71%
42,29%
31,2%
4 2 Tipos de validación
4.2
E i t distintas
Existen di ti t alternativas
lt ti d validación
de lid ió ded modelos:
d l
- Out of sample
- Out of time
- Bootstrap
4 2 Tipos de validación
4.2
4 2 Tipos de validación
4.2
4 2 Tipos de validación
4.2
Validación bootstrap:
- En qué consiste:
Construimos n submuestras de un 80% de la población, seleccionadas
aleatoriamente
El modelo de regresión lo lanzamos sobre cada una de las submuestras de forma
simultánea comprobando:
- La significación de los coeficiente beta
- La lógica de ordenación de 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 método no hemos de renunciar a ninguna submuestra, sino que se
utiliza el 100% de los datos disponibles
Es un método de construcción “autovalidado”. Es decir, no esperamos a tener el
modelo para validarlo,
validarlo sino que en la misma construcción ya nos aseguramos
que sea válido
- Inconvenientes:
Añade complejidad al proceso de construcción
No validamos el efecto ante un cambio en la estructura de la cartera
0.175
BALANCE DE CAJA =
0.15 No + Ingresos Totales
Morosos
0.125
Morosos - Gastos Fijos (cuotas de préstamos)
0.1
0.075
- Gastos Estimados
0.05
Rechazado Dudoso Aceptado
0.025
RATIO BALANCE DE CAJA =
-4
4 -2
2 2 4
- Xc
B l
Balance d
de C
Caja
j /C
Cuota
t
X Más
Menos Puntos
exigente exigente Scoring
< 1 INSUFICIENTE
1 Ratio
R i [1,K] JUSTA
1 exp( ( X )) BC
> K SUFICIENTE
Dictamen Final
DICTAMEN DE PERFIL
Adicionalmente
Texto resumen
pueden
de aplicar
la diapositiva.
diapositiva
Reglas Elicitadas
Arial 16 negrita
y/o Filtros
cursiva.
cursiva
internos
Centrado.
Centrado
y externos
d
a
Duda
Duda
d
% Rechazo
i
s % % %
o 8 2 9
r 0 9 0
,
o ,
3 ,
9 7
M 1
%
A probadas
A probadas
d
a
d
i
c o % % %
a g
o p a 7 0 3
g a P 8
, 6
, 5
,
a C e 4 2 2
P d 6 1 2
14%
12%
10%
8%
6%
4%
2%
0%
e n
o
t
d
d
o
C
i
d a
d
20%
i
é
17,09%
c
a
r
c
p
a n s s
a
C e a d
e n
o m d
a a
d
a
z
d a b
15%
C t o u a
c r D h
s g
n i
D p c
e
% Mora esperada
a i
r
o
A R
9,92%
c
i
c
S
t
í
10%
l
o
% Morosidad
p
e
d
3,08%
o
5%
z d
5 1 Transformación a una calificación
a
r
o h
c
a
d
i
%
5
%
7
7
%
7
3
t 9 , ,
d e
R n ,
7 0
1
2
1
a
l
E
0%
%
u
Recha zadas
Aprobadas
Duda
m d
i
S
a
d
i % %
s % 6 1
o 2 6 9
r
o 3
, , ,
3 0 7
M 1 1
% % %
8 2
1
Aprobadas
e
d
64,9%
o
CAPÍTULO 5: Implantación
z d
a a
h o d % % %
c i o
Distribución Dictámenes
n d C
o
i d
c a n
i
a d
i S
b c
o
r a
p p
A a s
e n C n a
d o n e s d
i o i m a a
s c z S a d z
a
r a a g t a a
e b h n
i c b a h
t
n o c r i o d c
o r
p e o D r
p u e
r R c D R
A A
5.1
F S
Rechazadas
12,6%
Duda
CAPÍTULO 5: Implantación Group
Perfil
Socio-económico Conclusión
Cálculo de Scoring de
Capacidad de
Pago
g Perfil Filtros
E t
Externos e
Internos
Dictamen de Dictamen
Capacidad Perfil
Ponderación
Reglas
R l Dictamen Mejor Titular Titulares y
Elicitadas Final Mejor Avalista Avalistas
Breiman,
Breiman Leo,
Leo Friedman,
Friedman Jerome H.
H Olshen,
Olshen Richard A.
A Stone Charles J.
J
“Classification and regression trees”
Wadsworth, Belmont California 1984
Damodar Gujarati
“Econometría”
4ª. Edición, Editorial McGraw Hill, Bogotá. D. C. 2004
De Groot
“P b bilid d y estadística”
“Probabilidad t dí ti ”
Addison-Wesley, Wilmington 1988
Fahrmeir, Ludwig; Tutz,Gerard
Multivariate Statistical Modeling Based on Generalized Linear Models
“Multivariate Models”
Springer-Verlag, N. York 2001
Forsyth, Richard.
“Machine Learning. Principles and techniques”
Chapman and Hall Computing, London 1989
Greene, William H.
“Econometric Analysis”
P ti Hall,
Prentice H ll N.
N York
Y k 2003
Hair,
Hair Anderson,
Anderson Tatham,
Tatham Black
“Análisis multivariante”
Prentice Hall, Madrid 1999
Hoaglin, David C.; Mosteller, Frederick, Tuckey, Jonhn W.
“Understanding Robust and exploratory Data Analysis”
John Whiley, New York 1982
Lebart, Morineau, Fenelon
“T t i t estadístico
“Tratamiento t dí ti de d datos”
d t ”
Marcombo, Barcelona 1985
Nilsson, Nills J.
Principles of Artificial Intelligence
“Principles Intelligence”
Springer-Verlag. New York. 1982
Ong, Michael K.,
“Credit Ratings. Methodologies, Rationale and Default Risk”,
Risk Books, London 2002
Refenes,Paul & al.
“Neural Networks in the Capital Markets”
J h Whiley,
John Whil Chi h t 1995
Chichester
Romeder,
Romeder Jean
Jean-Marie
Marie
«Métodes et programmes d'analyse dicriminante»
Dunod, Paris 1973
Siddiqi, Naeem
“Credit Risk Scorecards, Developing and Implementing intelligent Credit Scoring”
SAS Institute, 2006
Thomas, Lyn C.; Edelman, David B.; Crook, N. Jonathan;
“C dit Scoring
“Credit S i and d Its
It Applications”
A li ti ”
SIAM, 2002
Tufte, Edward R.
The visual Display of Quantitative Information
“The Information”
Graphics Press. Cheshire, Connecticut 1983
William Treacy & Marc Carey,
'Credit Risk Rating at large US Bakns',
Federal Reserve Board, Washington November 1998
Yule, Kendall
“Introducción a la estadística matemática”
A il Madrid
Aguilar, M d id 1967
AIS Mé i
AIS-México
Insurgentes sur 568, piso 5
Del Valle
03100, México D.F.
Tel: +52 55 5543-8031 / 5536-2858
www.ais-int.com