Categorización del riesgo de crédito para clientes del sector empresarial aplicando técnicas de clasificación estadística

Abstract

Un elemento importante en el apalancamiento de las industrias o empresas es el crédito, el cual posibilita los planes de producción, de inversión, la adquisición de bienes o servicios o simplemente el alivio de estrés financiero en las organizaciones. Esta herramienta es muy utilizada por las instituciones financieras, las cuales cuentan con metodologías, políticas e información importante para otorgar el crédito. Sin embargo, cuando son las empresas del sector real las que se enfrentan a mecanismos de venta a plazo o de financiación, no se cuenta con todos los elementos para hacer operaciones de venta estratégicas y controladas, que no solo le permitan aumentar la participación en el mercado sino también evitar posibles pérdidas económicas. Con el fin de administrar mejor lo que en el argot financiero es llamado riesgo de crédito, se planteará para una empresa de prestación de servicios públicos que tiene clientes del sector industrial, empresarial y comercial, una metodología para valorar el riesgo de crédito por medio de la aplicación de técnicas estadísticas de clasificación de dichos clientes. Se analizará la aplicación de algunos métodos estadísticos, tales como la regresión logística, regresión logística multinomial, regresión logística multinomial ordinal y máquinas de soporte vectorial. Para la construcción de la metodología, se calcularon indicadores financieros, se recopiló información de morosidad interna para las empresas y se consultó información complementaria de algunos atributos geográficos y modelos alternos al interior de la compañía. Se presentan herramientas importantes para la selección de variables, balanceo de muestras y medidas de desempeño para los modelos aplicados. Entre los resultados fue necesario realizar comparaciones individuales para los modelos que presentan variables dicotómicas y los que presentan más de dos niveles en la etiqueta. Para la variable dicotómica Impago o Default, se destacaron los modelos con balanceo Oversampling tanto para la regresión logística como para el modelo de máquinas de soporte con kernel radial. Mientras que para la variable relacionada con la clasificación en tres niveles del riesgo, los modelos con mejores resultados correspondieron al modelo de máquinas de soporte con Kernel lineal o el modelo de regresión multinomial. (Texto tomado de la fuente)

An important element in the leverage of industries or companies is credit, which enables production plans, investment, the acquisition of goods or services or simply the relief of financial stress in organizations. This tool is very used by financial institutions which have methodologies, policies and important information to grant the credit. However, when it is the companies of the in the real sector, those that face mechanisms of sale in installments or financing, do not have all the elements to make strategic and controlled sales, which not only allow you to increase market share but also avoid possible economic losses. In order to better manage what in financial jargon is called credit risk, will be propose for a company that provides public services that has clients from the industrial, business and commercial sector, a methodology to value credit risk through the application of statistical classification techniques. Will be analyzed the application of some statistical methods, such as logistic regression, multinomial logistic regression, ordinal multinomial logistic regression, and support machines vector. For the construction of the methodology, financial indicators, internal payment age information of the companies were compiled and complementary information of some geographical attributes and alternative models within the company was consulted. Important tools are presented for the selection of variables, sample balancing and performance measures for the applied models. Among the results, it was necessary to make individual comparisons for the models that present dichotomous variables and those that present more than two levels in the label. For the Default dichotomous variable, the models with Oversampling balancing were highlighted both for the logistic regression and for the model of support machines with radial kernel. While for the three-level rating variable, the models with the best results corresponded to the support machine model with linear Kernel or the multinomial regression model.