Pronóstico de la pérdida crediticia esperada de los clientes con mayor nivel de riesgo de un banco por medio de modelos paramétricos y no paramétricos

Abstract

La pérdida crediticia esperada (ECL) permite establecer bajo la normatividad IFRS 9 el nivel de provisión y el cálculo de reservas esperadas de una entidad financiera, donde a mayor riesgo percibido, existirá un mayor nivel de provisión en los balances del banco. Se ha encontrado en la literatura que, por medio de indicadores macroeconómicos, información transaccional y sectorial, índices financieros y medidas de riesgo, es posible prever la pérdida crediticia esperada en diferentes periodos de tiempo, por lo tanto, en el presente trabajo se proponen 437 variables que han resultado ser significativas en diferentes estudios, a las cuales, se les realizó una reducción de dimensionalidad y selección de variables, resultando 10 de éstas las que mejor explican la ECL. Adicionalmente, se propusieron modelos paramétricos y no paramétricos como: Regresión Lineal Múltiple, Lasso, Ridge, Bosques Aleatorios, entre otros para pronosticar la pérdida crediticia esperada, siendo el modelo Extremely Randomized Trees (Extra Trees) el que mejor desempeño tuvo en las medidas MSE, MAE y coeficiente de determinación, con valores de 0.0078, 0.0564 y 0.9199, respectivamente. Se encontró que gran parte de los predictores presentaban relaciones no lineales con la variable respuesta que el modelo era capaz de capturar, y por medio de los valores de SHAP (Shapley Additive Explanation) se pudo evidenciar que las relaciones de las variables independientes con la ECL guardaban sentido con la teoría económica. (Texto tomado de la fuente)

Expected credit loss (ECL) enables financial institutions to determine the provision level and calculate expected reserves in accordance with IFRS 9 regulations. Higher perceived risk corresponds to higher provision levels recorded in the bank's balance sheets. Extensive research has shown that by utilizing macroeconomic indicators, transactional and sectorial information, financial ratios, and risk measures, it is possible to forecast the expected credit loss across different time periods. In this study, a set of 437 variables, identified as significant in previous research, underwent dimensionality reduction and variable selection procedures, resulting in the identification of 10 key predictors that best explain the ECL. Moreover, a range of parametric and non-parametric models, including Multiple Linear Regression, Lasso, Ridge, Random Forests, among others, were evaluated for their ability to forecast the expected credit loss. Among these models, the Extremely Randomized Trees (Extra Trees) model demonstrated superior performance in terms of MSE, MAE, and coefficient of determination, with values of 0.0078, 0.0564 and 0.9199, respectively. Notably, the analysis revealed that a significant number of predictors exhibited non-linear relationships with the response variable, which the Extra Trees model effectively captured. By employing SHAP values (Shapley Additive Explanation), the relationships between the independent variables and ECL were found to align with the economic theory.