Modelos multinivel en la construcción de un score de riesgo crediticio para empresas vinculadas a una entidad financiera y para los sectores económicos asociados a dichas empresas

Abstract

Otorgar créditos a empresas para el desarrollo de sus actividades económicas constituye una gran responsabilidad y también un aporte importante para la economía ya que apalancan su crecimiento. Por lo anterior, es importante contar con herramientas para evaluar la viabilidad en el otorgamiento de créditos a las empresas. Las empresas, en términos generales, se desenvuelven dentro de su contexto sectorial, por lo cual el modelo de riesgo de crédito que se construye incorpora información no sólo de ellas si no también de los sectores económicos asociados. Para tal fin, se emplea la metodología de modelos logísticos multinivel que permiten considerar la estructura jerárquica y de correlación existente dada la naturaleza de los datos. Se analizan las empresas tomadoras de crédito con una entidad financiera entre los meses marzo 2016 y marzo 2019. El problema se aborda bajo dos visiones: longitudinal y transversal; sin embargo, el modelo final corresponde a la visión transversal e incluye variables de balances financieros y de mora histórica, además de un indicador sectorial de calidad de la cartera interna. Finalmente con los modelos construidos, es posible identificar a futuro, los sectores de mayor riesgo crediticio. (Texto tomado de la fuente)

Granting loans to companies for the development of their economic activities is a great responsibility and is an important contribution to the economy since it boost its growth. Therefore, it is important to have tools to assess the feasibility of granting credit to companies. In general terms, companies operate within their sectoral context, for which reason the credit risk model that is built incorporates information not only from them but also from the associated economic sectors. For this purpose, the methodology of multilevel logistic models is used, which allows to consider the existing hierarchical and correlation structure given the nature of the data. The companies taking credit with a financial institution between the months of March 2016 and March 2019 are analyzed. The problem is addressed from two visions: longitudinal and transversal; however, the final model corresponds to the transversal vision and includes variables of financial balances and of historical arrears, in addition to a sectoral indicator of the quality of the internal portfolio. Finally, with the built models, it is possible to identify the sectors with the highest credit risk in the future.