Com a crescente demanda por crédito é muito importante avaliar o risco de cada operação desse tipo. Portanto, ao fornecer crédito a um cliente é necessário avaliar as chances do cliente não pagar o empréstimo e, para esta tarefa, as técnicas de credit scoring são aplicadas. O presente trabalho apresenta uma revisão da literatura de credit scoring com o objetivo de fornecer uma vis~ao geral das várias técnicas empregadas. Além disso, um estudo de simulação computacional é realizado com o intuito de comparar o comportamento de várias técnicas apresentadas no estudo. / Nowadays the increasing amount of bank transactions and the increasing of data storage created a demand for risk evaluation associated with personal loans. It is very important for a company has a very good tools in credit risk evaluation because theses tools can avoid money losses. In this context, it is interesting estimate the default probability for a customers and, the credit scoring techniques are very useful for this task. This work presents a credit scoring literature review with and aim to give a overview covering many techniques employed in credit scoring and, a computational study is accomplished in order to compare some of the techniques seen in this text.

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.

Abstract According to the latest statistical data from Ministry of Finance, it is found that domestic consuming loan is growing up continuously these years. Up to the end of September in 2000 the sum of this business is 3984.9 billion. It is equal to 34.1% among loan of native banks. Personal small-scale consumer credit is increasing at 18% rate per year from 148.6 billion in 1994 to 365.1 billion in the end of September in 2000. It is developed vigorously, and even to be the main profit for banks. This is because consumers have slowly changed their concepts about how to use their money. Another reason is that the banks are actively to provide small-scale consumer credit with easy formality. But its potential risk is becoming higher since depression in economy and unemployment are getting higher. ¡§How to do the credit estimation for your consumers; how to make the lost of breaking an appointment lower¡¨ is the most urgent for the banks who would like to have good performance in the field of consuming finance. This research takes 1764 consumers who have small-scale consumer credit from a specific bank as samples for analysis. We found 29 elements that will affect the payment from literature and credit estimation from other branches. After concluding 6 types of credit risk, 25 influent elements offered by sample bank are listed for the purpose of analysis. ¡§K-W independent check¡¨ and ¡§Spearman¡¦s rho related analysis¡¨ are used to gain 17 variables. They are interactive and remarkable for credit. The summarized introduction of this research is as follows. 1. Age is notable for payment. The risk between ages of 41 ~45 is higher than the average. Seniority around 7 ~10 years is also dangerous. The above appearance is figured out to be concerned about transition of economical environment such as depression in economy and unemployment. The thought ¡§ higher ages or seniority means lower risk¡¨ should be done some amendment. 2. Actual net income should be considered while estimating the credit. Higher income is not necessarily equal to lower risk. People with high income were easily to obtain more loans since they would have better payment capacity. It is observed from credit estimation of each bank. In fact income is unable to reflect payment capacity. Debt will be important reason to influence payment capacity. 3. Having real property doesn¡¦t mean having no risk. We could find that consumer¡¦s property usually took large percentage in credit estimation. Sometimes consumers would become dangerous since they had debt for real property. The banks had better to correct their illusion ¡¨land is wealth¡¨ as soon as possible. 4. More or less guarantees are not essential for credit risk. Simple and fast formality appeals to the popular while the banks are promoting small-scale consumer credit. In the past the banks believed that more guarantees could lower the risk. It is wrong and will be the block in developing business. The banks should focus on payment capacity as main accordance for credit estimation. Key words: Consumers loan; Credit risk management, Credit scoring system.

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