Ingeniero Civil Mecánico / En Chile, los microempresarios son cada vez más. En el año 2004 el 81% de las empresas existentes correspondía a microempresarios. Es por esto que las oportunidades de crédito también están en aumento. Para que las instituciones puedan definir a quien asignar o no crédito, generalmente utilizan Credit Scoring. El problema que se presenta ante esta metodología, es que los modelos pierden poder discriminante en el tiempo, debido a cambios en la población y en la distribución de las variables que se evalúan. Esta memoria diseña un proceso de negocio, basado en test estadísticos, que permite determinar el momento óptimo para ajustar los modelos de riesgo de crédito a consumidores. La metodología que se sigue para obtenerlo, consiste en definir un test supervisado, test K-S, y un test no supervisado, Fieller Stability Measure, para estimar una medida de pérdida y el momento óptimo de la re-calibración. Con esto, se construye el proceso de negocio y se evalúa en datos de una institución financiera real. Los datos con los que se cuenta para realizar estas estimaciones consideran a carteras de microempresarios de sectores no rurales. El periodo de estudio va desde Enero del 2010 a Septiembre del 2012, y la muestra total incluye un total de 83.137 registros. Con estos datos se evalúa el comportamiento de la curva K-S versus la pérdida y se obtiene con un error del 22%, al medir el valor del aumento de la pérdida dada la baja porcentual del estadístico KS. Aplicando el método Fieller Stability Measure se verifica cuales meses las variables no cumplen con la condición de mantenerse dentro de los límites aceptables. Con esto se concluye que la alerta de acción (para re-calibrar el modelo) ocurre cuando durante tres meses seguidos el intervalo de la variable traspasa los límites del modelo. Así mismo se establece como alerta de precaución cuando el intervalo de la variable se sale de los límites por un mes. Se comprueba que para el caso de alerta de acción la pérdida que se recupera justifica el costo de re-calibración. Al contrario del caso de la alerta de precaución en donde no es rentable, e incluso aumenta la pérdida, al recalibrar el modelo.

No description available.

Doctor en Sistemas de Ingeniería / Medir la probabilidad de no pago de un gran número de solicitantes de crédito, el llamado riesgo de crédito a consumidores, es un problema clásico de la gestión financiera. Este problema requiere de una gran cantidad de herramientas estadísticas que lo hacen idóneo para su estudio por el área de Business Analytics. Su análisis se justifica en el fuerte impacto que los créditos a consumidores tienen en el mercado, pues por ejemplo en Chile más del 50% de los créditos se encuentran en carteras masivas, y en el resto del mundo se estima que superan a los créditos comerciales en más de un 50%. Esta tesis estudia este problema en base a la formalización de lo que se conoce sobre las determinantes del no pago (default) y la transformación de ese conocimiento en herramientas estadísticas para la medición del riesgo. Para lo anterior, durante el doctorado desarrollé una sucesión de publicaciones con el fin de unir el modelamiento económico con la práctica estadística predictiva, formalizando el conocido hecho que existen no pagadores por razones de falta de capacidad de pago, y por problemas en voluntad de pago. El trabajo comenzó generando un modelo económico que captura las utilidades de los solicitantes y la entidad prestamista, utilizando esta nueva definición de no pagadores, resultando en una serie de restricciones que definen un espacio de créditos factibles. Luego, los no pagadores son asignados a estas dos clases utilizando un nuevo método de clustering semi-supervisado que los agrupa tanto por sus características estadísticas como por su comportamiento económico, reflejado a través de las restricciones generadas previamente. El fin último de esta separación es mejorar la clasificación de los créditos y la comprensión del default, por lo que el siguiente paso correspondió al estudio de métodos de clasificación con múltiples clases. Para ello se exploró inicialmente la regresión logística multinomial, y luego se profundizó en el análisis de supervivencia, estudiando teóricamente los métodos de riesgos en competencia y los modelos mixtos, y desarrollando herramientas computacionales liberadas públicamente para apoyar futuras aplicaciones. Los métodos propuestos mejoran entre 1%-10% la discriminación por sobre los métodos clásicos en bases de datos reales, y enriquecen fuertemente la comprensión del default a través de las nuevas variables significativas y los patrones encontrados. Más aún, los modelos y herramientas desarrollados pueden ser perfectamente extrapolados a otras disciplinas, pues este trabajo ha mostrado cómo se puede enriquecer la clasificación donde típicamente se cuenta con dos clases, por la vía de añadir conocimiento adicional acerca de comportamientos económicos observados.

Esse trabalho consiste em uma sugestão de metodologia para análise de concessões de crédito a pessoas físicas a partir do estudo matemático e estatístico de informações sobre créditos concedidos no passado recente da carteira de crédito em questão, tais como os hábitos de pagamentos e variáveis cadastrais, financeiras, patrimoniais e de relacionamento com a instituição credora dos clientes analisados. A análise parte da definição da qualidade de crédito (bom ou ruim) dos créditos estudados, sendo seguida pelo estudo das variáveis dos clientes que influenciam na capacidade destes em honrar os compromissos do crédito obtido, a partir de técnicas estatísticas de agrupamento de indivíduos em categorias homogêneas de influência sobre a qualidade de crédito e estimação de coeficientes para as variáveis relevantes estatisticamente, através do método de regressão logística, gerando um modelo de fácil interpretação e implementação. O estudo sugere, também, ferramentas práticas para a verificação da qualidade do modelo estimado e de acompanhamento da performance da utilização do modelo durante os meses seguintes à sua implementação. Assim, o trabalho apresenta todos os aspectos vitais para análise de concessões de crédito, a partir de um enfoque bastante pragmático e tecnicamente viável.

This thesis stems from my research into the broad area of (credit) scoring and the predicting, understanding and explaining of consumer behaviour. This research started at the Univers1ty of Edinburgh on an ESRC funded project in 1988. This work, which is being submitted as the partial fulfilment of the requirements for the award of Doctor of Philosophy of Loughborough Unvers1ty, consists of an introductory chapter and a selection of papers published 1991 - 2001 (inclusive). The papers address some of the key issues and areas of interest and concern arising from the rapidly evolving and expanding credit (card) market and the highly competitive nature of the credit industry. These features were particularly evident during the late 1980's and throughout the 90's Chapter One provides a general background to the research and outlines some of the key (practical) issues involved in building a (credit) scorecard Additionally, it provides a brief summary of each of the research papers appearing in full in Chapters 2- 9 (inclusive) and ends with some general limitations and conclusions. The research papers appearing in Chapters 2-9 inclusive) are all concerned with predicting, understanding and explaining different types of consumer behaviour in relation to the use of credit cards. For example discriminating between 'GOOD' and 'BAD' repayers of credit card debt on the basis of different definitions of good and bad, the identification of 'slow payers' using different statistical methods; examining the characteristics of credit card users and non-users, and identifying the characteristics of credit card holders most likely to return their credit card.

Esse trabalho consiste em uma sugestão de metodologia para análise de concessões de crédito a pessoas físicas a partir do estudo matemático e estatístico de informações sobre créditos concedidos no passado recente da carteira de crédito em questão, tais como os hábitos de pagamentos e variáveis cadastrais, financeiras, patrimoniais e de relacionamento com a instituição credora dos clientes analisados. A análise parte da definição da qualidade de crédito (bom ou ruim) dos créditos estudados, sendo seguida pelo estudo das variáveis dos clientes que influenciam na capacidade destes em honrar os compromissos do crédito obtido, a partir de técnicas estatísticas de agrupamento de indivíduos em categorias homogêneas de influência sobre a qualidade de crédito e estimação de coeficientes para as variáveis relevantes estatisticamente, através do método de regressão logística, gerando um modelo de fácil interpretação e implementação. O estudo sugere, também, ferramentas práticas para a verificação da qualidade do modelo estimado e de acompanhamento da performance da utilização do modelo durante os meses seguintes à sua implementação. Assim, o trabalho apresenta todos os aspectos vitais para análise de concessões de crédito, a partir de um enfoque bastante pragmático e tecnicamente viável.

No description available.

Title: Machine Learning for Credit Scoring Author: Elena Myazina Department / Institute: Department of Theoretical Computer Science and Mathematical Logic Supervisor of the master thesis: Mgr. Martin Pilát, Ph.D, Department of Theoretical Computer Science and Mathematical Logic Abstract: Credit scoring is a technique used by banks to evaluate their clients who ask for different types of loan. Its goal is to predict, whether a given client will pay their loan or not. Traditionally, mathematical models based on logistic regression are used for this task. In this thesis, we approach the problem of credit scoring from a machine learning point of view. We investigate several machine learning methods (including neural networks, random forests, support vector machines and other), and evaluate their performance for the credit scoring task on three publicly available datasets.. Keywords: machine learning, credit scoring,logistic regression, neural networks, random forest

Ingeniero Civil Industrial / El siguiente trabajo busca establecer una metodología de seguimiento, aplicable a los modelos de riesgo crediticio de Banco Estado Microempresas (BEME), basados en regresiones logísticas, esto con el fin de levantar alertas sobre variables importantes de los modelos que están influyendo en la pérdida de poder predictivo en el tiempo. Por otro lado, se busca establecer una medida de riesgo de las pérdidas potenciales para los modelos, basadas en la conocida medida Value at Risk (VaR), con el fin de poder comparar los modelos sin recalibrar con los modelos hipotéticos de una recalibración dinámica de los mismos, capturando de forma objetiva, cambios estructurales. Para estudiar el problema de seguimiento, se busca generar una metodología que pueda ser replicable para mantener un seguimiento periódico. Para esto, se desarrolló una metodología capaz de generar de forma automática bases analíticas basada en los filtros conocidos que BEME utilizó para la creación del modelo Ambiental, el que tiene como función otorgar un puntaje a personas naturales para la pre-aprobación de un crédito. Luego, se realizó diferentes test estadísticos, en los cuales se establece un intervalo en el cual el estadístico puede oscilar, considerando que si sale de los límites establecidos, se está en presencia de cambios en las variables. Entre las pruebas utilizadas están: Beta-1, Beta-1 modificado y Fieller, los cuales mediante re-calibraciones temporales son capaces de determinar si las variables de los modelos siguen siendo de igual forma significativas. Como resultado de las pruebas, se obtuvo que para este modelo en particular la forma de calcular el criterio de bondad, que determina si se espera que será un bueno o mal cliente, representa una limitante, ya que solo es posible realizar un seguimiento a clientes con al menos un año de historial. Por otro lado para aprovechar esto se consideraron ventanas móviles de un año de la base analítica, como entrada de dato, con el fin de realizar pruebas de seguimiento más robustas y se comparó con ventanas de menor tamaño de nueve, seis y tres meses, donde se cumplió la hipótesis inicial que los test muestran mayor inestabilidad al considerar bases más pequeñas. Por último, las medidas de riesgo utilizadas mostraron resultados positivos, ya que el riesgo disminuye al re-estimar los parámetros del modelo ambiental, teniendo una incidencia de disminuir la peor perdida en un 5% del capital expuesto por el banco mensualmente en el segmento evaluado por el modelo. / 07/12/2021

This dissertation investigates the performance of two-class classi cation credit scoring data sets with low default ratios. The standard two-class parametric Gaussian and naive Bayes (NB), as well as the non-parametric Parzen classi ers are extended, using Bayes' rule, to include either a class imbalance or a Bernoulli prior. This is done with the aim of addressing the low default probability problem. Furthermore, the performance of Parzen classi cation with Silverman and Minimum Leave-one-out Entropy (MLE) Gaussian kernel bandwidth estimation is also investigated. It is shown that the non-parametric Parzen classi ers yield superior classi cation power. However, there is a longing for these non-parametric classi ers to posses a predictive power, such as exhibited by the odds ratio found in logistic regression (LR). The dissertation therefore dedicates a section to, amongst other things, study the paper entitled \Model-Free Objective Bayesian Prediction" (Bernardo 1999). Since this approach to Bayesian kernel density estimation is only developed for the univariate and the uncorrelated multivariate case, the section develops a theoretical multivariate approach to Bayesian kernel density estimation. This approach is theoretically capable of handling both correlated as well as uncorrelated features in data. This is done through the assumption of a multivariate Gaussian kernel function and the use of an inverse Wishart prior. / Dissertation (MSc)--University of Pretoria, 2017. / The financial assistance of the National Research Foundation (NRF) towards this research is hereby acknowledged. Opinions expressed and conclusions arrived at, are those of the authors and are not necessarily to be attributed to the NRF. / Statistics / MSc / Unrestricted