Aplicación de árboles de inferencia condicional y regresión logística para el desarrollo de modelos de Score para Behaviour de créditos para clientes de persona jurídica

Abstract

En el último semestre del 2019 y primer semestre del 2020 la prima de riesgo de la cartera de clientes de personas jurídicas de una entidad financiera incrementó su prima de riesgo en un promedio del 50%. En ese periodo la cartera de clientes era administrada de acuerdo con la experiencia de los especialistas del producto. Una herramienta esencial para la gestión del riesgo de crédito es el comportamiento crediticio en el sistema financiero, una manera de resumir este comportamiento es mediante la generación de perfiles de riesgo creados en base a un modelo, en ese sentido, a fines del 2020 desarrollé modelos de score para Behaviour (comportamiento) en donde se aplicó árboles de inferencia condicional y regresión logística usando variables del Sistema Financiero, Estados Financieros e información financiera interna de los clientes. El objetivo del modelo fue identificar a los clientes, de persona jurídica, que puedan tener un riesgo de incumplimiento de pago de su deuda a partir de grupos de riesgo establecidos en base a rangos de puntaje, con la finalidad de tomar acciones para administrar la cartera de crédito del Banco. Al usar los modelos para Behaviour (comportamiento) se logró disminuir la prima de riesgo en un 30%.

In the last half of 2019 and the first half of 2020, the risk premium of the client portfolio of legal entities of a financial institution increased its risk premium by an average of 50%. In that period, the portfolio was managed according to the experience of the product specialists. An essential tool for credit risk management is credit behavior in the financial system. One way to summarize this behavior is through the generation of risk profiles created based on a model. In this sense, at the end of 2020, I developed models of score for Behavior where conditional inference trees and logistic regression were applied using variables of the Financial System, Financial Statements and internal financial information of the clients. The objective of the model was to identify clients, legal entities, who may have a risk of non-payment of their debt based on risk groups established based on score ranges, in order to manage the credit portfolio. By using the models for Behaviour, it was possible to reduce the risk premium by 30%.