Professional Documents
Culture Documents
DEPARTAMENTO DE ESTADASTICA
Profesor GuAa
Firma
.........................
Colaborador
Firma
.........................
Profesor Consejero
Firma
.........................
Nombre Memorante
Firma
.........................
: pablofmedina@udec.cl
3 n, 2014
ConcepciA
Indice general
3n
1. IntroducciA
2. Objetivos
2.1. Objetivo General . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
6
6
6
7
3. Marco Conceptual
3.1. Conceptos Financieros . . . . . . . . . . . . . . . . . . . .
3.1.1. Credit Scoring . . . . . . . . . . . . . . . . . . . . .
EstadAstica
3.2. MetodologAa
. . . . . . . . . . . . . . . . . .
3
nalosM odelosLinealesGeneralizados
3.2.1. IntroducciA
3.2.2. Familia Exponencial . . . . . . . . . . . . . . . . .
3.2.3. Modelos de Respuesta Binaria . . . . . . . . . . . .
3 nEnlace . . . . . . . . . . . . . . . . . . .
3.2.4. FunciA
3.2.5. Funciones de Enlaces Propuestas . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
9
10
10
13
13
14
16
16
17
todos
c
4. Materiales y MA
18
5. Plan de Trabajo
19
6. Financiamiento
20
Captulo 1
3n
IntroducciA
3n
Universidad de ConcepciA
Depto.EstadAstica
3N
CAPITULO 1. INTRODUCCIA
aAos70,
perosuusosegeneraliz A3enlosaA
os90, graciasaldesarrollodemejoresrecursosestadA
sticosycomputacionales.HoyendA
a, prA!cticamentetodaslasentidadesf
inancierasem
as, almenosparaoriginarsusf inanciaciones.?
Pablo Medina
3n
Universidad de ConcepciA
Depto.EstadAstica
3N
CAPITULO 1. INTRODUCCIA
aoadmitancolasmA!spesadas,
talescomolosenlaces
menossensiblesalaexistenciadevaloresatApicos.
El
3sitodeesteestudioesdesarrollarunmodeloqu
propA
tparamodelosdecastigo.Elproblemaseenf ocaenconc
La aplica
3nprA!cticaparaelmodelopropuestosedesarroll
ciA
Pablo Medina
Captulo 2
Objetivos
2.1.
Objetivo General
caracterAsticas
asociadas a un modelo
de Credit Scoring, aplicando un
modelo de respuesta binaria con
enlace skew-t, para calcular
provisiones financieras en base a los
score de castigo.
2.2.
Objetivos EspecAficos
especAficos:
6
3n
Universidad de ConcepciA
Depto.EstadAstica
CAPITULO 2. OBJETIVOS
Actividades
especAficos
se proponen las siguientes
actividades.
3ndelmodelodecreditscoring.P resen
DescripciA
3nyestudiodelosmodelosderespues
PresentaciA
t.
Pablo Medina
3n
Universidad de ConcepciA
Depto.EstadAstica
CAPITULO 2. OBJETIVOS
3ndelmodelolinealgeneralizadoder
PresentaciA
t.Analizarlabasededatosmediantelametodolog A
aactual(modeloderegresiA3nlog Astica).
Analizar la base de datos mediante la
propuesta (modelo de
metodologAa
3nbinariaconenlaceskew t).
regresiA
Pablo Medina
Captulo 3
Marco Conceptual
3n
Universidad de ConcepciA
Depto.EstadAstica
3.1.
3.1.1.
Conceptos Financieros
Credit Scoring
c su banco
personas son Apor
quA
le
3uncrA
ditohipotecario,
c
otorgA
peronoasucolega
La industria financiera presenta una
creciente necesidad de obtener en
forma eficiente y eficaz informa 3ndecalidadycontarconundominiodelasN ormas
ciA
adeinf ormaciA3nentrelosclientesylainstituciA3nf
oan
Las instituciones financieras evalA
el riesgo crediticio de un cliente
s
c de los
principalmente a travA
todos
c
mA
de credit scoring. Esto
implica el uso de herramientas
estadAsticas
que permiten diferenciar
grupos de una pobla 3n, aAoncuandonosepuedaverclaramentelascar
ciA
sticasquedef inenacadagrupo, utilizandoinf ormaci
Seminario Proyecto de Titulo
10
Pablo Medina
3n
Universidad de ConcepciA
Depto.EstadAstica
analAticos
de credit scoring se pueden
definir como un conjunto de
todos
cnicas
c
c
mA
y tA
cuantitativas que se utilizan para
predecir la probabilidad de que un
cliente falle, y por ende, no se
dito
c
recupere el crA
otorgado por
3nf inanciera.?
una instituciA
Un punto clave de la implementa 3nyposicionamientodeestetipodemodelos, seexp
ciA
rminos
c
En tA
prActicos,
los
modelos de credit scoring permiten la
reduc 3nsignif icativaenlostiemposdeejecuciA3ndelos
ciA
11
Pablo Medina
3n
Universidad de ConcepciA
Depto.EstadAstica
AcompaA
asdesegurosolascadenasderetail.Entrelasprincipal
sticasquetienenencomAonestosmodelos, estA!lapo
asreduccionesenelriesgodelascarterassignif icanen
Los beneficios reportados por la aplica 3ndeestosmodelosnosA3loaf ectaalosbancoseins
ciA
adevariables, concentrandoenunsolomodelomAolti
todos
c
Como resultado, estos mA
entregan un puntaje (ranking, score)
a un cliente particular, ordenando y
on su riesgo
comparando sujetos segA
crediticio. Esta cuantifica 3npermiteestimardemejormaneraelriesgoatra
ciA
12
Pablo Medina
3n
Universidad de ConcepciA
Depto.EstadAstica
3.2.
3.2.1.
EstadAstica
MetodologAa
3 nalosM odelosLinealesGeneralizados
IntroducciA
nA
1, . .
de respectivos coeficientes 1, . . . , p. En
el caso de modelos lineales ordinarios
Pp
3
p
X
xij j , i = 1, . . . , n;
j=1
sima
3 nj.
c
donde xij es el valor de la j-A
covariable de la observaciA
Para los errores se asume independencia y varianza constante. Estos supuestos son
fuertes y necesitan ser comprobados.
13
Pablo Medina
3n
Universidad de ConcepciA
Depto.EstadAstica
2. Componente sistemAtico:
Las covariables x1 , . . . , xp generan un predictor lineal dado
por:
p
X
=
xij j .
j=1
3 nclA!sicadeunmodelolineal,
En la formulaciA
presentadaanteriormente, elcomponentealeatoriosigu
comolosmodeloslinealesgeneralespresentandosextensionesaestaf ormulaciA3 n :
3 ndelcomponentealeatoriopuedevenirdadaporunadistribuciA3 ndelaf amiliaexponenci
La distribuciA
T
xi ; i = E(Yi ).
3.2.2.
Familia Exponencial
3
Se dice que Y
exponencial si su funciA ndedensidadsepuedeescribircomo :
pertenece a la familia
y b()
+ c(y, ) ,donde
?f (y; , ) = exp
: ParAmetro
natural.
La funciA
:to
Pn
Pn
yi i b(i )
l(, ; y) = i=1
+ i=1 c(yi , ).
14
Pablo Medina
3n
Universidad de ConcepciA
Depto.EstadAstica
s
3 ndelosparA!metros
c se centra en la estimaciA
El interA
1 , . . . , p del predictor lineal.
Para ello se debe resolver el sistema de ecuaciones:
n
l(, , y) X li
=
= 0, j = 1, . . . , p;
U=
j
j
i=1
donde:
li =
yi i b(i )
+ c(yi , ).
.
j
i i
j
j
3 ndeli obtenemos:
De la definiciA
0
li
yi b ()
.
=
i
yi i xij i
=
V ar(Y )
i
n
X yi i xij i
=
= 0.
V ar(Y )
i
i=1
todos
c
En general las ecuaciones Uj son no lineales y deben ser resueltas por mA
iterativos,
como por ejemplo Newton Raphson o Fisher Scoring.
15
Pablo Medina
3n
Universidad de ConcepciA
Depto.EstadAstica
3.2.3.
3 ndeP robabilidad
DistribuciA
?to
3 nrevisaremosmodeloslinealesgeneralizadosdondelasvariablesderespuestasonbinaria
En esta secciA
xito
c
1 si es un A
Y =
con P (Y = 1) = y P (Y = 0) = 1 .
0 si es un fracaso,
c
i-A
simo
grupo de respuestas presenta el valor xi = (xi1,...,xip ) en las variables predictoras
o mero de unidades que presentan respuesta 1 (A
xito)
c
y donde yi es el nA
en el grupo
y
i
3
3 ndexi ,
c
i (i = 1, . . . , r). Queremos describir la proporciA ndeA
xitos
como funciA
i =
nj
es decir;
g(i ) = xTi i , i = 1, . . . , r;
donde:
xi es un vector de variables explicativas.
es un vector de parAmetros.
3 ndeenlace. El caso mas simple consiste en considerar g la funciA
3 nidentidad, =
g es una funciA
xTi . Este caso es usado en algunas aplicaciones, pero tiene la desventaja que los valores ajustados xT pueden estar fuera del intervalo [0, 1].
3 ndedistribuciA3 nacumulad
Para asegurarse de Rque se restringa al intervaloR[0, 1] se utiliza una funciA
t
+
1 T
= g (xi ) = F (t) = f (s)ds,donde f (s) 0, f (s)ds = 1.
3.2.4.
3 nEnlace
FunciA
utilizadas.
prActica, tres son las mAs
3
3
ndedistribuciA nlog Asticaest
1. Logit o funciA
A!ndarinversa
: g1 () = log
.
(1 )
3 nN ormalinversa : g2 () = 1 ().
Probit o funciA
3 ncomplementarialog log : g3 () = log {log(1 )} .
FunciA
Seminario Proyecto de Titulo
16
Pablo Medina
3n
Universidad de ConcepciA
Depto.EstadAstica
3.2.5.
1. t Student
Z
F (t) =
nf
(( + 1)/2)
(+1)/2
x2
1+
dx
2. Skew normal
F (x) =
2T
x
,
Donde:
3 n(media): ParAmetro
: ParAmetro
de localizaciA
de escala (varianza)
: ParAmetro
de forma (AsimetrAa)
3 ntdeOwen0 s
T (h, a): FunciA
1
T (h, a) =
2
exp1/2(1+x )
dx
1 + x2
3. Skew t ?
Z
Fy (y|, , , ) =
nf
2
ft( ) (z)Ft( ) (z)dz
Donde:
3 n: ParAmetro
: ParAmetro
de localizaciA
de escala
: ParAmetro
de asimetrAa
: ParAmetro
de forma (grados de libertad)
y
z:
17
Pablo Medina
Captulo 4
todos
c
Materiales y MA
3 ndelasestimacionesdemA!ximaverosimilituddeutilizar
c
Para la obtenciA
A!elm
A
tododeN
ewtonR
apropuesta.
18
Captulo 5
Plan de Trabajo
19
Captulo 6
Financiamiento
3 ndelprof esorguAacorreporcuentadelDepartamentodeEstad
El tiempo de atenciA
A3
3
20