JUAN CAMILO GOMEZ PARRA – U0106919

MODELO LOGIT
La regresión Logit se utiliza cuando queremos predecir un resultado binario, por ejemplo,
quiebra vs. no quiebra y sabemos que existen varios factores que pueden incidir sobre tal
resultado. Esta regresión binaria es un tipo de análisis de regresión donde la variable
dependiente es una variable dummy: código 0 (Buen Cliente) o 1 (Mal Cliente). La regresión
logística se basa en la denominada función logística, donde se relaciona la variable
dependiente con las variables independientes, a través de la ecuación:

Se denota Y como la variable a predecir y(x) = (x1, x2, …, xn), y xn como variables
predictivas (variables explicativas). En el contexto de la regresión logística binaria, la
variable Y toma dos modalidades posibles {1, 0}. Utiliza lo que se conoce como una variable
dicotómica o binaria, en inglés es usual denominar a esas variables binarias como dummys.
Las variables Xj son exclusivamente continuas o binarias.
En el MPL, se supone que la probabilidad de respuesta es lineal en un conjunto de parámetros
βk:

donde F es una función que asume valores estrictamente entre cero y uno, para todos los
números reales z. Esto asegura que las probabilidades de respuesta estimada están
estrictamente entre cero y uno. La función F, entre las muchas sugeridas, es la función
logística, cuya representación es:

que está entre cero y uno para todos los números reales z. Esta es la función de distribución
acumulada (fda) para una variable aleatoria logística estándar. La función logística es
creciente, y aumenta con más rapidez en z = 0. El comportamiento de la función es el
siguiente: F(z) → 0 a medida que z → −∞ , y F(z)→1 a medida que z→ ∞.
Otro concepto de interés es el de odds ratio (OR) de un determinado patrón x el cual se denota
por OR(x) y se define como el cociente entre la probabilidad de que el patrón pertenezca a la
clase 1 entre la probabilidad de que el patrón pertenezca a la clase 0. Es decir:
JUAN CAMILO GOMEZ PARRA – U0106919

Para trabajar con OR(x) de manera ágil, es conveniente expresar el modelo de regresión
logística en la manera logit. Para ello se efectúa una transformación del modelo, de la manera
siguiente:

.
JUAN CAMILO GOMEZ PARRA – U0106919

MATRICES DE TRANSICIÓN
La aplicación Creditmetrics de JP Morgan fue desarrollada en 1997 y utiliza las matrices de
transición para medir el riesgo de crédito. Para nuestro caso se define pij como la
probabilidad de que un deudor con calificación crediticia i pueda ''migrar'' o moverse a otra
calificación crediticia j en un horizonte de tiempo dado.
Es posible construir una matriz de probabilidades de transición A con i filas y j columnas, de
tal manera que satisfagan las siguientes condiciones:
1. Todos los elementos de la matriz son no negativos, por lo tanto, pij > 0.
2. La suma de los elementos de cada fila es igual a 1, por lo tanto, σpij = 1 para todo i.
Si denominamos A como la matriz de probabilidades de transición con un horizonte de
tiempo dado, esta se puede representar de manera general como:

Donde pij representa la fracción de créditos con calificación i que tienen un mes después
calificación j.
La migración de una calificación a otra de mayor o menor riesgo se hace de acuerdo con la
información que de este tiene la entidad financiera en el momento de realizar su calificación,
la cual se realiza con base en la documentación financiera aportada en ese momento
acompañada por la situación del sector, el comportamiento histórico de pagos, nivel de
endeudamiento, entre otros