Diseño de un modelo predictivo para otorgar créditos

Juan Gabriel Salazar Vergara | Biografía
Instituto Universitario Veracruzano, México

Resumen

El objetivo de este artículo es presentar evidencias sobre la evaluación de la probabilidad de incumplimiento en el pago de un crédito otorgado por los fondos de empleados de instituciones de educación superior de Medellín y Área Metropolitana en el periodo 2017-2019. Para determinar la probabilidad de pago de los créditos se estimó un modelo econométrico de regresión logística binaria. Las estimaciones permitieron evidenciar que de los 384 casos estudiados doscientos cuarenta (el 62,5 %) tiene probabilidad de pagar y ciento cuarenta y cuatro (el 37,5 %) presentan probabilidad de no pago de sus compromisos.

Referencias

  1. Alonso C., J. C. y Berggrun P., L. (2015). Introducción al análisis de Riesgo Financiero (3.ª ed.). ECOE Ediciones.
  2. Cardona Hernández, P. A. (2004). Aplicación de árboles de decisión en modelos de riesgo crediticio. Revista Colombiana de Estadística, 27(2), 139–151. https://revistas.unal.edu.co/index.php/estad/article/view/28808.
  3. Carrasco, S. (2005). Metodología de la Investigación Científica(1.ª ed.). Editorial San Marcos.
  4. Cox, D. y Snell, E. J. (1989). Analysis of Binary Data (2.a ed.). Ed. Chapman and Hall/CRC.
  5. De Lara, A. (2013). Medición y Control de Riesgos Financieros (4.ª ed.). Limusa.
  6. Departamento Nacional de Estadísitica (DANE). (2018). Mercado Laboral por Sexo. https://www.dane.gov.co/files/investigaciones/boletines/ech/ech_genero/bol_eje_sexo_feb18_abr18.pdf.
  7. Dunn, M. A. (2006). Ultimate Credit and Collections Handbook (1st First Edition). Entrepreneur magazine´s.
  8. Elizondo, A. (Coord.) (2004). Medición integral del riesgo de crédito. Editorial Limusa.
  9. Fernández, H. y Pérez, F. O. (2005). El modelo logístico: una herramienta estadística para evaluar el riesgo de crédito. Revista Ingenierías Universidad de Medellín, 4(6), 55-75. http://www.redalyc.org/articulo.oa?id=75040605.
  10. García S., O. L. (2009). Administración Financiera: Fundamentos y Aplicaciones (4.ª ed.): Editorial Prensa Moderna Impresores S.A.
  11. Gisbert, A. (2017). La gestión macro prudencial bancaria: una propuesta de tres modelos de previsión de riesgos [tesis de doctorado, Universitat Abat Oliva CEU]. Reposiorio Institucional Tesis Doctoral en Xarxa (TDX).
  12. Gómez, D. y López, M. (2002). Riesgos financieros y operaciones internacionales. ESIC Editorial.
  13. Gujarati, D. y Porter, D. (2010). Econometría (5.ª ed.). McGraw-Hill.
  14. Hernández, R., Fernández, C. y Baptista, P. (2014). Metodología de la Investigación. McGraw-Hill.
  15. Hosmer, D. y Lemeshow, S. (2000). Applied Logistic Regression (2nd ed.). John Wiley & Sons, Inc.
  16. Jimber, J. A. (2015). Riesgo de crédito. Modelización econométrica [tesis de doctorado, Universidad de Cordova]. Helvia: Repositorio Institucional de la Universidad de Córdoba.
  17. Llompart, M. (2007). El salario: concepto, estructura y cuantía (1.ª ed.). Editorial La Ley.
  18. López, A. (2013). Modelo predictivo de riesgo de morosidad para créditos bancarios usando datos simulados. Epistemus, (14), 22-30.
  19. Menard, S. (2002). Applied Logistic Regression Analysis (2nd ed.). Sage university papers series: Quantitative applications in the social sciences. Sage publicarions Ltd.
  20. Meneses, L. Á. y Macuacé, R. A. (2011). Valoración y riesgo crediticio en Colombia. Revista Finanzas y Política Económica, 3(2), 65-82 https://www.redalyc.org/pdf/3235/323527256006.pdf.
  21. Miranda, M. (2016). Análisis de productos y servicios de financiación (1.ª ed.). IC Editorial. Muñoz, S. y Soler, P. (2018). Acuerdo sobre Basilea III: mayor claridad y estabilidad regulatoria para los bancos europeos. BBVA. https://www.bbva.com/es/acuerdo-basilea-iii-mayor-claridad-estabilidad-regulatoria-bancos-europeos/.
  22. Ocampo, E., Cabrera, A. y Ruiz, A. (2006). Pronóstico de bolsa de valores empleando técnicas inteligentes. Tecnura, 9(18), 57-66. http://www.redalyc.org/articulo.oa?id=257021033007.
  23. Pérez, J. (2017). La regresión logística como modelo de predicción del riesgo crediticio en las organizaciones de la economía social y solidaria. Revista Ciencia Administrativa, (2), 232-243. https://www.uv.mx/iiesca/files/2018/03/23CA201702.pdf.
  24. Rayo, S., Lara, J. y Camino, D. (2010). Un Modelo de Credit Scoring para instituciones de microfinanzas en el marco de Basilea II. Journal of Economics, Finance and Administrative Science, 15(28), 89-124. http://www.scielo.org.pe/pdf/jefas/v15n28/a05v15n28.pdf.
  25. Superintendencia Bancaria de Colombia [SBC] (2002). Circular externa 011 que modifica el Capítulo II de la Circular Externa No. 100 de 1995, referente a la Gestión del Riesgo de Crédito https://www.superfinanciera.gov.co/descargas?com=institucional&name=pubFile16971&downloadname=ance011.doc.
  26. Superintendencia de la Economía Solidaria [SES] (2017a). Estadísticas de entidades del sector solidario.http://www.supersolidaria.gov.co/es/entidad/estadisticas.
  27. Superintendencia de la Economía Solidaria [SES] (2017b). Principales cuentas reportadas por entidades del sector solidario por categoria de entidad años 2002–2017. www.supersolidaria.gov.co/sites/default/files/public/entidades/estadisticas_130718.xls.
  28. Toro, J. y Palomo, R. (2014). Análisis del riesgo financiero en las pymes –estudio de caso aplicado a la ciudad de Manizales. Lasallista de investigación, 11(2), 78-88.
Cómo citar
Salazar Vergara, J. G. (2022). Diseño de un modelo predictivo para otorgar créditos. Semestre Económico, 24(57), 320-347. https://doi.org/10.22395/seec.v24n57a15

Descargas

La descarga de datos todavía no está disponible.

Send mail to Author


Send Cancel

Estamos indexados en