Riesgo de crédito en préstamos de libre inversión: un modelo predictivo multiclase para clasificación de default, prepago y pago total

Abstract

La gestión del riesgo de crédito es una de las tareas más importantes para las entidades originadoras de créditos, para lo cual la comprensión del nivel de riesgo de cada cliente y de cada cartera es fundamental. Una evaluación exhaustiva del riesgo crédito permite determinar la suficiencia de las reservas que las entidades bancarias deben tener para cubrir posibles pérdidas, para lo cual se requiere una alta precisión en la medición del riesgo. En este sentido, todo lo que genere incertidumbre respecto a la operación de crédito debe ser considerada, incluyendo la probabilidad de default, pero también la probabilidad de prepago del crédito. El prepago o la amortización del capital de un crédito, genera un nuevo cronograma de pagos y reduce el monto de los intereses totales a pagar lo cual afecta el capital de deuda. Para las entidades de crédito es importante estimar la probabilidad de que un cliente prepague un crédito, ya que esto no solo ayuda a evaluar su capacidad de pago mejorando la evaluación del riesgo crédito, sino que también genera incertidumbre sobre la madurez efectiva de los créditos otorgados lo que puede tener diversas repercusiones en su situación financiera. Por lo anterior, no solo el riesgo de default debe ser cuantificado y gestionado, sino que también lo debe ser el riesgo de prepago. Este trabajo usa un modelo predictivo multiclase para clasificación de default, prepago y pago total, el cual se basa en métodos de machine learning. Los resultados muestran que el mejor modelo fue el Gradient Boosting con oversampling incluyendo variables macroeconómicas. Esto muestra que un modelo que logre captar factores de riesgo sistémico mejora su capacidad predicción. (Texto tomado de la fuente).

Credit risk management is one of the most important tasks for credit-originating institutions, for which understanding the risk level of each client and each portfolio is essential. A thorough evaluation of credit risk allows for determining whether the reserves that banking institutions must hold are sufficient to cover potential losses, which requires high precision in risk measurement. In this regard, any factor that introduces uncertainty in the credit operation must be considered, including not only the probability of default, but also the probability of loan prepayment. The prepayment or amortization of a loan’s principal results in a new payment schedule and reduces the total amount of interest to be paid, which affects the outstanding debt capital. For credit institutions, estimating the probability that a customer will prepay a loan is important, as it not only helps assess the client’s repayment capacity—thereby improving credit risk evaluation—but also introduces uncertainty about the actual maturity of the issued loans, which can have various implications for the institution’s financial position. Therefore, not only default risk must be quantified and managed, but also prepayment risk. This study employs a multiclass predictive model for classifying default, prepayment, and full repayment, based on machine learning methods. The results show that the best-performing model was Gradient Boosting with oversampling, including macroeconomic variables. This demonstrates that a model capable of capturing systemic risk factors enhances its predictive performance.