Evaluación de estimadores basados en modelos para el cálculo del riesgo de crédito en entidades financieras

Abstract

A lo largo de esta memoria de tesis doctoral, se realiza un estudio comparativo de diversos modelos estadísticos para la estimación de la probabilidad de éxito o fracaso en atender los pagos de un préstamo. Una vez comprobado el modelo a utilizar se estudian distintos métodos para la predicción del posible impago de un cliente de un préstamo. La investigación pretende aportar conocimiento sobre el método o métodos más eficaces y eficientes para la predicción del impago del préstamo, mediante la comparación bajo distintas condiciones de estos, todo ello bajo la presencia del inconveniente de disponer de grandes volúmenes de datos. El objetivo de una entidad financiera es conseguir una mejor redistribución de los recursos. Si se reducen los impagos se puede disponer de más recursos, por tanto se puede aumentar el volumen de préstamos. Al mismo tiempo disminuyen los costes y se obtienen mayores beneficios. La presente memoria consta de siete capítulos y un apéndice distribuidos del siguiente modo: El Capítulo 1. Antecedentes y estado actual del tema. Se realiza un estudio de la evolución y estado actual de los distintos métodos que se han aplicado para la predicción del riesgo de crédito. El Capítulo 2. Métodos estadísticos para la estimación del riesgo de crédito. Se analizan cinco métodos estadísticos para su aplicación. Los métodos analizados son paramétricos y no paramétricos como, el análisis discriminante, árboles de decisión y clasificiación CART; métodos estadísticos como, modelo lineal mixto y modelo lineal generalizado; y técnicas de inteligencia artificial como máquina de vectores soporte. El Capítulo 3. Evaluación de la robustez en modelos lineales. Se compara el modelo lineal con efectos fijos y el modelo mixto, con efectos fijos y aleatorios, ajustados por máxima verosimilitud y máxima verosimilitud residual. También se comprueba el efecto que tienen en los distintos modelos la homocedasticidad y heterocedasticidad. Se comparan los mismos modelos bajo los supuestos de normalidad de los errores, con errores distribuidos Weibull y Gamma. Se realizan 3 experimentos de simulación Monte Carlo para ver las bondades de cada uno de ellos. El Capítulo 4. Evaluación de métodos estadísticos para la estimación del riesgo de crédito. Con bases de datos simuladas y bajo el modelo que resulta óptimo en los experimentos anteriores se aplican 5 métodos distintos de predicción para calcular el método más eficaz y eficiente. Se analizará la eficacia a través de la tasa de acierto y el error cuadrático medio. Los métodos que se analizan son los estudiados en el capítulo 2. El Capítulo 5. Aplicación a datos semi-reales y reales. En este capítulo se aplica la misma metodología anterior a una base de datos semi-real y dos bases de datos reales, German Credit y Australian Credit. El objetivo es comprobar si las conclusiones obtenidas con las bases de datos sintéticas son trasladables a una base de datos semi-real y real para su aplicación en entidades financieras. El Capítulo 6. Selección de variables. Una vez obtenidos los métodos más eficientes y eficaces se realizan pruebas para seleccionar variables con el objetivo de conseguir minimizar el número de variables que intervienen en el modelo sin perder eficacia en el método y ganar eficiencia computacional. El Capítulo 7. Algunas conclusiones de carácter general y planteamiento de futuras líneas de investigación.