Comparación del pronóstico de riesgo de crédito utilizando regresión binaria asimétrica cloglog y perceptrón multicapa

Abstract

Esta tesis toma como caso de estudio a una empresa de cosméticos reconocida de la ciudad de Lima, Perú. Para pronosticar el riesgo de crédito se analizaron dos modelos: la Regresión Binaria Asimétrica Cloglog y las Redes Neuronales Artificiales Perceptrón Multicapa. La selección de estos modelos surge a raíz de recientes estudios que revelan las ventajas de las técnicas de inteligencia artificial sobre los modelos estadísticos en cuanto a predicción por su alta capacidad de discernimiento de patrones. “La empresa” cuenta con un modelo de negocio llamado Red Binaria, esto quiere decir que se contrata vendedoras y éstas ofrecen productos a sus clientes a través de catálogos. Debido a que no se cuenta con información de los clientes finales, se midió la probabilidad de no pago a través de las vendedoras. La población de estudio estuvo conformada por las vendedoras de la empresa las cuales manejan una cartera de clientes de 51183 personas a julio del 2017. Los datos se trataron previamente considerando el análisis de valores atípicos a nivel univariado y multivariado, este último mediante el algoritmo de segmentación K-means. Concluido ello para realizar la clasificación de vendedoras en buenas y malas pagadoras se utilizó un modelo de Redes Neuronales Artificiales Perceptrón Multicapa con una sola capa intermedia y un modelo de regresión Binaria sobre el cual se eligió el enlace asimétrico Cloglog debido a la naturaleza de los datos. Los resultados mostraron un 0.846 y 0.809 de índice ROC en las muestras de entrenamiento, y un 0.762 y 0.733 de índice ROC en las muestras de testeo respectivamente para cada modelo. Finalmente, se concluye que la aplicación de la técnica de Redes Neuronales Perceptrón Multicapa define una mejor regla de discriminación que la Regresión Binaria Asimétrica Cloglog en el estudio de probabilidad de impago. Además, las Redes Neuronales presentan mejores indicadores de pronóstico.

This thesis takes as a case of study a recognized cosmetics company from the City of Lima in Peru. To predict the credit risk, two models will be analyzed: The Cloglog Asymmetric Binary Regression and the Perceptron Multilayer Artificial Neural Networks. The selection of these models arises from recent studies that reveal the advantages of artificial intelligence techniques over statistical models in terms of prediction due to their high ability to discern patterns. The company has a business model called Red Binaria, which means that they hire sellers and they offer products to their clients through catalogs. Due to the lack of information from the final customers, the probability of nonpayment was measured through the vendors. The population studied was made up of the company's salespeople, who handled a client portfolio of 51,183 people as of July 2017. The data were previously treated considering the analysis of atypical values at the univariate and multivariate level, the latter using the K-means segmentation algorithm. Once this was done to classify sellers into good and bad payers, a Perceptron Multilayer Artificial Neural Networks model was used with a single intermediate layer and a Binary regression model on which the asymmetric link Cloglog was chosen due to the nature of the data. The results showed a 0.846 and 0.809 ROC index in the training samples, and a 0.762 and 0.733 ROC index in the test samples respectively for each model. Finally, it is concluded that the application of the Percptron Multilayer Neural Networks technique defines a better discrimination rule than the Cloglog Asymmetric Binary Regression in the probability of default study. In addition, Neural Networks present better prognostic indicators. For future research it is recommended to build new variables, because these could have a better predictive capacity.