Zugl.: Dresden, Techn. Universiẗat, Diss., 2007.

After the fifteen years over banking, the financial tsunami reveals that Taiwan banking industry has been in a predicament. In the recent ten years, due to being impacted by the risks of the enterprise finance, the retailer finance, the overseas investment, and even the whole economic system, the banks in Taiwan not only have lost seriously, but also been managed more hardly. How to find out a profit model based on the security, the benefit, and the public welfare principles is the critical issue. The traditional loan to small and medium-sized enterprises that brings the reasonable interest gains and the overall financial intercourse spin-off benefits has become the focal point once again. In order to create the real profit, it is important to control credit risks and the cost of operation. At this time, the government implements the new Basel¢º supervisory standard with the purpose of encouraging the banks to adopt the IRB to estimate the loan credit risks. It has to meet various the lowest operational requirements and statistical analysis patterns as well as should be practiced in the banking loan business definitely. Consequently, to build an internal loan credit scoring system with the scientific method is a key point. The research aims to produce the credit scoring model using a series of logical processes, which derived from the 2,517 small business loan samples from May, 2005 to May, 2006 of one Taiwan commercial bank. It adopted WOE model to evaluate a variety of variables, and sift out the 11 representative and the statistical items. Then, following IRB standard, Logistics Regression and related statistic analysis techniques established the credit estimating method and the linked addition scoring card. Finally, the investigation employed the violation rate distribution, Lorenz¡¦s Curve, K-S Test and Log Odds to make sure the rationality and reliability. Based on this model, there are eight essential variables that affects the verification of the loan to small businesses, including customer present loan situation, the urgent of increasing the loan, repayments custom, and so on, which conform to the banking practical know-how. Therefore, the model could assist the banking employees to calculate the loan credit grades efficiently and further make the accurate judgment.

Mathematical programming (MP) can be used for developing classification models for the two–group classification problem. An MP model can be used to generate a discriminant function that separates the observations in a training sample of known group membership into the specified groups optimally in terms of a group separation criterion. The simplest models for MP discriminant analysis are linear programming models in which the group separation measure is generally based on the deviations of misclassified observations from the discriminant function. MP discriminant analysis models have been tested extensively over the last 30 years in developing classifiers for the two–group classification problem. However, in the comparative studies that have included MP models for classifier development, the MP discriminant analysis models either lack appropriate normalisation constraints or they do not use the proper data transformation. In addition, these studies have generally been based on relatively small datasets. This thesis investigates the development of MP discriminant analysis models that incorporate appropriate normalisation constraints and data transformations. These MP models are tested on binary classification problems, with an emphasis on credit scoring problems, particularly application scoring, i.e. a two–group classification problem concerned with distinguishing between good and bad applicants for credit based on information from application forms and other relevant data. The performance of these MP models is compared with the performance of statistical techniques and machine learning methods and it is shown that MP discriminant analysis models can be useful tools for developing classifiers. Another topic covered in this thesis is feature selection. In order to make classification models easier to understand, it is desirable to develop parsimonious classification models with a limited number of features. Features should ideally be selected based on their impact on classification accuracy. Although MP discriminant analysis models can be extended for feature selection based on classification accuracy, there are computational difficulties in applying these models to large datasets. A new MP heuristic for selecting features is suggested based on a feature selection MP discriminant analysis model in which maximisation of classification accuracy is the objective. The results of the heuristic are promising in comparison with other feature selection methods. Classifiers should ideally be developed from datasets with approximately the same number of observations in each class, but in practice classifiers must often be developed from imbalanced datasets. New MP formulations are proposed to overcome the difficulties associated with generating discriminant functions from imbalanced datasets. These formulations are tested using datasets from financial institutions and the performance of the MP-generated classifiers is compared with classifiers generated by other methods. Finally, the ordinal classification problem is considered. MP methods for the ordinal classification problem are outlined and a new MP formulation is tested on a small dataset.

Memoria (licenciado en ciencias jurídicas y sociales) / El presente trabajo, describiendo y considerando la situación en que se encuentran las pequeñas y microempresas en nuestro país, analiza sus escenarios en relación al crédito bancario formal. Destacando que los problemas se dan en materia de acceso, monto y plazos. Al mismo tiempo, diferencia los conceptos de crédito a la microempresa y microcrédito, atendiendo al origen de este último, para que el tema no se preste a confusión al momento de abordar una posible solución para hacer frente a los elevados costos de transacción y al riesgo crediticio del cual son presa, no sólo la microempresas, sino también las pequeñas, en el marco del crédito bancario tradicional. Por último, se plantea al Credit Scoring, sistema de evaluación estadístico cuantitativo y luego de analizarlo pormenorizadamente, como una de las mediadas a adoptar por parte de los privados – la banca formal – con el objeto superar la brecha que genera la falta de historial crediticio en este sector empresarial.

Mannheim, Univ., Diss., 2002.

Made available in DSpace on 2014-06-12T15:05:57Z (GMT). No. of bitstreams: 2 arquivo1182_1.pdf: 1252336 bytes, checksum: f525fed8d87638ae39fd882853bce5ca (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2007 / Conselho Nacional de Desenvolvimento Científico e Tecnológico / Esta dissertação propôs o estudo da viabilidade da utilização de modelos de credit scoring em uma instituição educacional de ensino médio e fundamental, atuante na rede privada na cidade do Recife PE. A utilização deste tipo de modelagem é bastante difundida em instituições financeiras, no entanto sua prática no segmento de serviços apresenta-se em estágio embrionário, onde seus benefícios ainda são pouco conhecidos. A utilização de modelos como mecanismos de apoio ao gerenciamento de serviços educacionais assume importante relevância, pois este segmento tem sido severamente penalizado com elevados índices de inadimplência, aliado a uma legislação desfavorável quanto a cobrança de débitos vencidos. No desenvolvimento dos modelos de credit scoring foram utilizados as técnicas de análise discriminante, regressão logística e rede neural artificial, onde sua viabilidade foi avaliada ao se comparar a performance da previsão dos modelos com o percentual de acertos obtido pelo critério de chances. Os resultados demonstram que a análise discriminante obteve o melhor desempenho na previsão do grupo dos inadimplentes, com 80% de acerto. Por outro lado, os modelos baseados na regressão logística e rede neural artificial alcançaram o mais alto nível de acerto no grupo dos adimplentes, ambos com 93,48%. Sendo assim a modelagem de credit scoring apresentou-se como um instrumento de gestão de risco viável para a instituição de educação pesquisada

Ingeniera Civil Industrial / En Chile, durante los últimos años, ha habido un aumento en la tasa de evasión de impuestos, observándose que, en particular para el IVA esta cifra ha crecido un 8,5% con respecto el año 2007. Cada punto porcentual se traduce en una pérdida de recaudación de 350 millones de dólares, por lo que se hace necesario el diseño de un plan que revierta este efecto. La presente memoria consiste en el desarrollo de un modelo estadístico que permita predecir el default en la declaración y pago de IVA para los contribuyentes de Micro y Pequeña empresa. Teniendo como resultado la detección de las variables que más influyen en esta conducta, la probabilidad de default de cada contribuyente para el período tributario julio 2013 y la identificación del porcentaje de default según zona geográfica. La metodología de trabajo contempla las etapas de entendimiento del negocio, extracción de la información, preparación de datos, modelamiento y finalmente, la interpretación de los resultados. Dada la inexistencia de trabajos publicados en materia de default tributario, el sustento teórico de esta investigación se basa en el credit scoring, técnica utilizada en la industria bancaria. Se toma como fuente de información el Data Warehouse del SII, con el que se construyen 55 variables que reflejan características demográficas, índices de liquidez, movimientos de caja, comportamiento y tamaño del negocio. Se prueban tres algoritmos de clasificación: árboles de decisión, regresión logística y redes neuronales. Se elige como modelo definitivo el de regresión logística, dada su clara interpretabilidad y buena capacidad de predicción, que alcanza una precisión global de 68,81%, especificidad de 67,29% y sensibilidad de 68,88%, cumpliendo con el objetivo inicial de obtener el mejor modelo predictivo balanceado posible. Respecto de las variables, los resultados indican que las de mayor relevancia se relacionan con el historial de cumplimiento del F29, dónde se presenta una clara segmentación de los contribuyentes en tres tipos de conducta. Respecto de la identificación por zona geográfica, se aprecia el mayor porcentaje de default para la zona del norte grande del país, y el menor para la Región de Magallanes y la zona Centro y Oriente de la Región Metropolitana. Se concluye que la presencia de errores en la información proporcionada por los contribuyentes, así como la cantidad de campos nulos encontrados, hace que aún no se cuente con una base de datos óptima para aplicar la técnica de credit scoring. El SII se encuentra trabajando en esta línea, lo que permitirá en un futuro obtener mejores resultados. Como recomendación final se propone utilizar las predicciones obtenidas para diseñar un plan de medidas preventivas, así como también evaluar el desarrollo de un modelo de alta precisión y baja especificidad que se enfoque en la detección de los defaulters más críticos.

Os modelos de credit scoring têm sido bastante difundidos nos últimos anos como uma importante ferramenta para agilizar e tornar mais confiável o processo de concessão de crédito por parte das instituições financeiras. Esses modelos são utilizados para classificar os clientes em relação a seus riscos de inadimplência. Neste trabalho, é avaliada a aplicabilidade de uma nova metodologia, baseada em pseudo-valores, como alternativa para a construção de modelos de credit scoring. O objetivo é compará-la com abordagens tradicionais como a regressão logística e o modelo de riscos proporcionais de Cox. A aplicação prática é feita para dados de operações de crédito pessoal sem consignação, coletados do Sistema de Informações de Crédito do Banco Central do Brasil. As performances dos modelos são comparadas utilizando a estatística de Kolmogorov-Smirnov e a área sob a curva ROC. / Credit Scoring models have become popular in recent years as an important tool in the credit granting process, making it more expedite and reliable. The models are mainly considered to classify customers according to their default risk. In this work we evaluate the apllicability of a new methodology, based on pseudo-values, as an alternative to constructing credit scoring models. The objective is to compare this novel methodology with traditional approaches such as logistic regression and Cox proportional hazards model. The models are applied to a dataset on personal credit data, collected from the Credit Information System of Central Bank of Brazil. The performances of the models are compared via Kolmogorov-Smirnov statistic and the area under ROC curve.

Modelos de customer scoring são utilizados para mensurar o risco de crédito de clientes de instituições financeiras. Neste trabalho, são apresentadas três estratégias que podem ser utilizadas para o desenvolvimento desses modelos. São discutidas as vantagens de cada uma dessas estratégias, bem como os modelos e a teoria estatística associada a elas. Algumas medidas de performance usualmente utilizadas na comparação de modelos de risco de crédito são descritas. Modelos para cada uma das estratégias são ajustados utilizando-se dados reais obtidos de uma instituição financeira. A performance das estratégias para esse conjunto de dados é comparada a partir de medidas usualmente utilizadas na avaliação de modelos de risco de crédito. Uma simulação também é desenvolvida com o propósito de comparar o desempenho das estratégias em condições controladas. / Customer scoring models are used to measure the credit risk of financial institution´s customers. In this work, we present three strategies that can be used to develop these models. We discuss the advantages of each of the strategies, as well as the models and statistical theory related with them. We fit models for each of these strategies using real data of a financial institution. We compare the strategies´s performance through some measures that are usually used to validate credit risk models. We still develop a simulation to study the strategies under controlled conditions.

Os modelos de credit scoring têm sido bastante difundidos nos últimos anos como uma importante ferramenta para agilizar e tornar mais confiável o processo de concessão de crédito por parte das instituições financeiras. Esses modelos são utilizados para classificar os clientes em relação a seus riscos de inadimplência. Neste trabalho, é avaliada a aplicabilidade de uma nova metodologia, baseada em pseudo-valores, como alternativa para a construção de modelos de credit scoring. O objetivo é compará-la com abordagens tradicionais como a regressão logística e o modelo de riscos proporcionais de Cox. A aplicação prática é feita para dados de operações de crédito pessoal sem consignação, coletados do Sistema de Informações de Crédito do Banco Central do Brasil. As performances dos modelos são comparadas utilizando a estatística de Kolmogorov-Smirnov e a área sob a curva ROC. / Credit Scoring models have become popular in recent years as an important tool in the credit granting process, making it more expedite and reliable. The models are mainly considered to classify customers according to their default risk. In this work we evaluate the apllicability of a new methodology, based on pseudo-values, as an alternative to constructing credit scoring models. The objective is to compare this novel methodology with traditional approaches such as logistic regression and Cox proportional hazards model. The models are applied to a dataset on personal credit data, collected from the Credit Information System of Central Bank of Brazil. The performances of the models are compared via Kolmogorov-Smirnov statistic and the area under ROC curve.