Predicción del riesgo default en acuerdos de ingreso compartido

Abstract

En los Contratos de Capital Humano (HCCs), la inversión en educación superior de una persona es vista como una acción de sus ganancias futuras. Los Acuerdos de Ingreso Compartido (ISAs) son un mecanismo innovador de HCCs en Colombia. Un ISA le permite a un estudiante recibir financiación de un individuo o una organización, comprometiéndose a pagar un porcentaje fijo de sus ingresos como egresado por un cierto periodo de tiempo. Los ISAs, como todos los instrumentos financieros, están expuestos al riesgo Default (DR), calculado como la probabilidad de que una persona incumpla con los pagos pactados. Los métodos de Machine Learning para predecir el DR han sido ampliamente estudiados en la literatura y usados en el sector financiero; sin embargo, no están estandarizados debido a que cada empresa los adapta a sus necesidades particulares. El Random Forest (RF) es un método de Machine Learning que ha sido empleado exitosamente en los últimos años para predecir múltiples fenómenos. Un RF se construye generando árboles de decisión, combinando conjuntos de estos y eligiendo los más significativos estadísticamente. La presente investigación construye un modelo que predice el DR en ISAs a partir de los métodos de Machine Learning: Random Forest y la tradicional regresión logística (Logit). Con el método Logit se obtuvo una mejor precisión en la predicción del DR con respecto al RF. El modelo acertó en un 85% de los casos de la matriz de confusión. Este resultado se considera muy confiable para que la empresa, de la cual se tomaron los datos, implemente el modelo y minimice este riesgo financiero. (Tomado de la fuente)

In Human Capital Contracts (HCCs), the investment of a person in higher education is seen as an action of their future earnings. Income Share Agreements (ISAs) are an innovative mechanism of HCC in Colombia. An ISA allows a student to receive funding from an individual or an organization, committing to pay a fixed percentage of their income as a graduate for a certain period of time. Like all financial instruments, ISAs are exposed to Default risk (DR), which is calculated as the probability that a person will Default on the agreed payments. The methods for predicting DR have been widely studied in the literature and used in the financial sector; however, they are not standardized because each company adapts them to their particular needs. Random Forest (RF) is a Machine Learning method that has been used successfully in recent years to predict multiple phenomena. An RF is constructed by generating decision trees, combining sets of them and choosing the most statistically significant. This research builds a model that predicts DR in ISAs from the methods of Machine Learning: Random Forest and the traditional logistic regression (Logit). With the Logit method, a better precision in the prediction of the DR was obtained with respect to the RF. The model was successful in 85% of the cases of the confusion matrix. This result is considered very reliable for the company, from which the data were taken, to implement the model and minimize this financial risk. (Taken from the source)