Tesis para optar al grado de Magister en Análisis Economico / We develop a model to study the impact of banking networks on the probability of credit freezes. Under the defined framework, we untangle the question about how bad economic outcomes in one region can affect the willingness of the financial system to provide funding to operating firms. We also we use it to understand some of the policies implemented by the authority during a global crisis. The model presented consists of two independent regions connected by cross holding deposits; banks use these deposits to insure against regional shocks. In each region, we have interdependent operating firms, whose success depends on macroeconomic conditions and on the ability of other firms to find funding. In our economy, two types of credit freezes may arise, an efficient one and an inefficient one. The latter is caused by the inability of financial firms to coordinate with one another. The main result of this thesis, gives us conditions under which banking networks affect the probability of an inefficient credit freeze. We also propose two channels under which this relationship can operate.

Magíster en Ingeniería de Negocios con Tecnologías de Información / Uno de los principales riesgos que enfrentan los bancos es el Riesgo de Crédito, que se define como la posibilidad de que sus deudores pierdan, total o parcialmente, la capacidad de pago de las obligaciones comprometidas. Las pérdidas derivadas de la materialización de este riesgo tienen efectos negativos sobre la rentabilidad y la adecuación de capital de cada entidad. El proyecto se enmarca en un importante Banco nacional con un crecimiento orientado, cada vez más, hacia la banca minorista. Estos negocios concentran casi el 90% de los ingresos totales del Banco y, en consecuencia, el mayor nivel de riesgo. Dicha situación ha generado un constante aumento en cartera vencida (morosidades sobre 90 días) y castigos de clientes, impactando negativamente sobre los resultados del Banco, principalmente en la Cartera de Consumo. Para mitigar este impacto, el Banco cuenta con áreas dedicadas a la construcción de modelos de calificación crediticia, que operan en la decisión de otorgamiento de créditos y en la estimación de provisiones necesarias para cubrir las pérdidas, en función del riesgo de la cartera. Sin embargo, el constante deterioro de las variables y las capacidades predictivas de estos modelos, hace necesaria su continua actualización y sugiere la implantación de cambios urgentes en la actual metodología de construcción. Considerando el escenario actual, el proyecto surge como una propuesta de mejora incremental que busca contribuir al aumento del margen operacional del Banco. La idea consiste en rediseñar el proceso de construcción de modelos de calificación crediticia, mediante la integración de procesos conexos entre áreas, con el fin de generar un flujo común, que facilite la incorporación de nuevas fuentes de información y herramientas de apoyo tecnológico para la construcción de variables y modelos predictivos más robustos. El trabajo se orienta específicamente en el diseño de la construcción de un nuevo modelo para el segmento de Personas Antiguas, dado que concentra el mayor volumen de clientes de la Cartera de Consumo y ha presentado un continuo deterioro en sus capacidades predictivas, con un error promedio cercano a un 30%. Para ello, se utiliza nuevas fuentes de información interna, asociadas el gasto realizado por los clientes, a través de las tarjetas de débito del Banco. Posteriormente, se aplican y comparan diferentes técnicas predictivas como Regresión Logística, Arboles de Decisión y Redes Neuronales. La mejora predictiva, obtenida por el nuevo modelo, genera un doble impacto en los resultados del segmento de Personas Antiguas, debido a un aumento de aciertos y una disminución de errores en la identificación de clientes calificados como buenos y malos pagadores, respectivamente. En consecuencia, se produce un incremento de márgenes comerciales por MM$ 2.399 y una mitigación de riesgos por MM$ 372, obteniendo un Margen Operacional Bruto (MOB) de MM$ 2.770. Finalmente, incorporando los elementos de gasto, se obtiene un Valor Actual Neto (VAN) de MM$ 3.351.