Método para evaluar el scoring de crédito de la línea de libranzas en las cooperativas de crédito de Medellín

Abstract

En el presente proyecto de grado, se desarrolla una investigación empírica a modo de profundización sobre algunos modelos de clasificación de riesgo, sustentados en la metodología de la curva “ROC”, a partir de la cual se selecciona el modelo que mejor área bajo la curva “AUC” tenga, y así, predecir de una mejor forma el comportamiento del buen y mal hábito de pago de los clientes de las Cooperativas Financieras de Crédito de Medellín, en su línea de libranzas. Dicha investigación se hace con el fin de reducir los re procesos manuales en los procesos de crédito, mitigar al máximo todos los riesgos de crédito que se presenten en cada operación de libranza y argumentar de mejor forma la toma de decisiones. Conforme lo expuesto, partiremos de la premisa que combinando algunos clasificadores de riesgo como Generalized Linear Models (GLMs)-Logit, Deep Learning (Neural Networks)-Redes Neuronales y Árboles Binomiales, con el propósito de implementar modelos más sólidos y precisos, que permitan predecir oportunamente el incumplimiento de los clientes en las operaciones de crédito. Adicionalmente, se tuvo en cuenta la regulación prudencial del Comité de Supervisión Bancaria de Basilea, el cual ha generado a lo largo de los años 3 acuerdos, los cuáles han ido respondiendo a las necesidades humanas según la evolución y cambios presentados en la sociedad; sin embargo, adentrándonos en el territorio Colombiano, encontramos que de tal comité se derivó una normativa propia en Colombia, la cual adopta las recomendaciones presentadas por el Comité de Basilea sobre el riesgo de crédito que las entidades financieras deben adoptar y a su vez existe una serie de entes reguladores que se encargan de supervisarlas, controlarlas y vigilarlas. (Texto tomado de la fuente)

In the present grade project, an empirical research is developed as a way of deepening on some models of risk classification, based on the methodology of the "ROC" curve, from which the model that best area under the curve “AUC” is selected, And so, predict in a better way the behavior of the good and bad habit of payment of the customers of the credit cooperatives of Medellín, in their line of libranzas. This research is carried out with the aim of reducing manual rework in credit processes, minimising all credit risks involved in each credit resolution and providing a better basis for decision-making. As stated, we will start from the premise that combining some risk classifiers such as Generalized Linear Models (GLMs)-Logit, Deep Learning (Neural Networks)-Neuronal Networks and Binomial Trees, with the purpose of implementing more robust and accurate models, which allow timely prediction of customer default in credit operations. In addition, account was taken of the prudential regulation of the Basel Committee on Banking Supervision, which has generated 3 agreements over the years, which have been responding to human needs according to developments and changes in society; however, going deep into the Colombian territory, we find that from such a committee came its own regulations in Colombia, which adopts the recommendations submitted by the Basel Committee on credit risk to be adopted by financial institutions, and there are a number of regulatory bodies responsible for monitoring, controlling and supervising them.