Paola Tesis Maestria 2017

“CREDIT SCORING PARA LA CARTERA CREDITICIA DE
CONSUMO NO REVOLVENTE DE UNA ENTIDAD BANCARIA

ESTATAL”
Trabajo de Investigación presentado

para optar al Grado Académico de
Magíster en Finanzas
Presentado por
Srta. Paola Aracelli Roxana Tamayo Medrano
2017
A mis padres por su amor, ejemplo de superación y
dedicación incondicional.
A mis hermanos por su amistad y apoyo.
A Alejandra y Enrique por la inconmensurable
felicidad que me brindan.
ii
Agradezco a mis profesores de la Maestría de la
Universidad del Pacífico por su valioso aporte en
mi desarrollo profesional.
iii
Resumen ejecutivo
El presente trabajo de investigación busca entender las variables determinantes de la

probabilidad de default en la cartera de consumo no revolvente del Banco de la Nación que
permita mejoras en la gestión del riesgo crediticio. Se estudiará a través del modelo de regresión
logística construido con los desembolsos de la entidad entre el periodo enero a diciembre 2014.
Se obtuvo que variables cualitativas como el departamento en donde se desembolsó el crédito,

el tipo de préstamo (sector al que pertenece el trabajador público que solicita el préstamo), la
situación laboral del cliente y sexo; así como de las variables intrínsecas de la operación de
préstamo como son el plazo, deuda en el sistema financiero además de la variable ingreso del
trabajador (que considera lo que en neto ingresa a la cuenta de ahorros en el banco) y
antigüedad laboral, permiten obtener un ajuste apropiado para el modelo que estima la
probabilidad de default del potencial cliente. Para evaluar el poder de discriminatorio se utilizó
el estadístico K-S y la curva ROC (Receiver Operating Characteristics) y área bajo la curva
ROC siendo de 0,7379. Con la validación del modelo se obtuvo que el 61% de los créditos
malos observados son estimados por el modelo.
iv
Índice
Índice de tablas ........................................................................................................................... vi
Índice de gráficos ...................................................................................................................... vii
Índice de anexos ....................................................................................................................... viii
Capítulo I. Introducción ..............................................................................................................1
Capítulo II. Marco teórico...........................................................................................................3

1. Riesgo crediticio ......................................................................................................................3
2. Credit scoring ..........................................................................................................................5
2.1 Beneficios del credit scoring ...................................................................................................5
2.2 Limitaciones del credit scoring ...............................................................................................6
2.3 Metodologías en el desarrollo de credit scoring ......................................................................7
Capítulo III. Planteamiento del problema ...............................................................................15

1. Antecedentes generales ..........................................................................................................15
2. Morosidad ..............................................................................................................................19
Capítulo IV. Metodología e implementación ...........................................................................21

1. Base de datos y variables utilizadas en la estimación ............................................................21
1.1 Construcción de la base de datos y selección de la muestra ..................................................21
1.2 Definición de variables ..........................................................................................................22
1.2.1 Definición de default .........................................................................................................22
1.2.2 Variables independientes ...................................................................................................24
1.2.3 Selección de variables ........................................................................................................28
2. Estimación del modelo de regresión logística e interpretación..............................................35
2.1 Poder discriminatorio .............................................................................................................37
2.2 Validación ..............................................................................................................................40
Conclusiones y recomendaciones ..............................................................................................42

1. Conclusiones ..........................................................................................................................42
2. Recomendaciones ..................................................................................................................42
Bibliografía .................................................................................................................................44
Anexos .........................................................................................................................................46
Nota biográfica ...........................................................................................................................58
v
Índice de tablas
Tabla 1. Principales técnicas para desarrollar un modelo de credit scoring..........................7
Tabla 2. Principales indicadores del BN .............................................................................16
Tabla 3. Parámetros aplicables en el otorgamiento de un crédito BN .................................18
Tabla 4. Composición de las muestras de construcción y validación..................................22
Tabla 5. Roll rate analysis ...................................................................................................24
Tabla 6. Descripción de variables........................................................................................24
Tabla 7. Estadística descriptiva de las variables cuantitativas ............................................25
Tabla 8. Regla de valor de la información...........................................................................31
Tabla 9. Resumen de IV para las variables independientes.................................................31
Tabla 10. Detalle de WOE e IV para las variables independientes .......................................32
Tabla 11. Modelo de regresión logístico ...............................................................................35
Tabla 12. Regla de decisión para el ROC ..............................................................................38
Tabla 13. Análisis K-S ..........................................................................................................39
Tabla 14. Validación del modelo (matriz de confusión) .......................................................41
vi
Índice de gráficos
Gráfico 1. Factores determinantes del riesgo crediticio ...........................................................4
Gráfico 2. Cálculo de la capacidad de endeudamiento para un cliente BN ............................18
Gráfico 3. Evolución del saldo vigente de préstamos de consumo no revolvente y
morosidad ..............................................................................................................19
Gráfico 4. Definición del cliente ............................................................................................23
Gráfico 5. Histograma y diagrama de frecuencias de las variables independientes – variables
cualitativas .............................................................................................................27
Gráfico 6. Diagrama de barras de las variables independientes cualitativas ..........................28
Gráfico 7. Árboles de decisión para variable. Departamento, tipo de préstamo e ingreso .....30
Gráfico 8. Distribución del ingreso según buenos (rojo) y malos (verde) ..............................33
Gráfico 9. Matriz de correlaciones .........................................................................................34
Gráfico 10. Clústeres de correlación de variables ....................................................................35
Gráfico 11. Curva ROC ............................................................................................................38
Gráfico 12. Análisis K-S ..........................................................................................................40
Gráfico 13. Distribución del probabilidad de default según buenos (rojo) y malos (verde).....40
vii
Índice de anexos
Anexo 1. Ranking del sistema bancario y el BN por créditos de consumo no revolvente y revolvente 47
Anexo 2. Árboles de decisión para las variables independientes ............................................48
Anexo 3. Código usado para el modelo de regresión ..............................................................54
viii
Capítulo I. Introducción
Tal como se documenta en Carrera (2011), el crédito es una de las variables claves para
entender el mecanismo de transmisión de la política monetaria. Sin embargo, la calidad de
cartera debería tener un espacio en dicho análisis. Los créditos generados en el Banco de la
Nación (BN) forman parte del crédito agregado pero tienen características que las hacen únicas.
El presente trabajo de investigación tiene como objetivo identificar las variables determinantes
de la probabilidad de default en la cartera de consumo no revolvente del BN que sirva para
mejorar la gestión del riesgo de crédito de la cartera de créditos de la entidad.
Actualmente, el BN evalúa al potencial cliente ex ante a través de su capacidad de

endeudamiento y el cumplimiento de requisitos referidos al tipo de contrato en la entidad
pública que labora, situación en el sistema financiero (número de entidades con las que
mantiene deuda directa, calificación de riesgos de la Superintendencia de Banca, Seguros y
AFPs) y que su cliente mantenga una cuenta de ahorros remunerativa en la institución, lo cual le
asegura, hasta cierta medida, la recuperación de sus créditos, evidenciado en su bajo nivel de
morosidad1; pero, a lo largo de la vida del crédito, el cliente tiene libertad para migrar su cuenta
de ahorros hacia otras entidades del sistema, y que, al no tener una cultura de pagos saludable,
afecta la recuperación del crédito, impactando en los resultados del BN, tal como se evidencia
en que del total de la cartera morosa, el 81%2 está explicado por aquellos clientes que ya no
canalizan sus ingresos a través del banco.
Sin embargo, en la gestión del riesgo crediticio resulta fundamental conocer al potencial deudor
que esté acorde con el perfil de riesgos de la empresa, medido a través de la cuantificación de su
probabilidad de incumplimiento en el pago de sus obligaciones ex ante al otorgamiento del
crédito a partir de variables de naturaleza cualitativa y cuantitativa que lo caracterizan.
Es así que se aborda el objeto de la investigación desde los siguientes objetivos específicos: i.
estimar un modelo de regresión logística de admisión para obtener la probabilidad de default
aplicable a la evaluación crediticia de los préstamos de consumo no revolvente del BN; y ii.
identificar las variables de naturaleza cualitativa y cuantitativa que determinan el modelo.
1 Morosidad de 1,53% frente a 2,61% de la banca múltiple a diciembre 2016. Se indica que el BN no compite con la
banca múltiple debido a que sus créditos están dirigidas exclusivamente a los trabajadores del sector público, sin
embargo, se presenta en comparación con la banca múltiple a manera de referencia.
2 Dato a junio 2016.
1
El presente estudio toma interés en las mejoras que se pueden obtener a través de un
conocimiento del cliente por la entidad otorgante del crédito y plantea la hipótesis que variables
cualitativas como departamento donde se desembolsa el crédito, sector en el que labora el
trabajador público, su situación laboral: activo o pensionista y sexo en combinación con
variables cuantitativas como plazo del préstamo, antigüedad laboral, ingreso del trabajador, la
deuda en el sistema financiero al momento de solicitar el crédito permiten estimar la
probabilidad de default para la cartera de créditos de consumo no revolvente del BN.
Se propone abordar el tema en tres capítulos hacia adelante, en donde en el primero se realizará
el desarrollo del marco teórico, en el segundo capítulo se presentará el planteamiento del
problema, en el tercer capítulo se desarrollará la metodología para determinar las variables
determinantes del modelo de credit scoring, incluyendo la determinación de la muestra,
variables utilizadas en la formulación, contrastación empírica y pruebas de poder
discriminatorio y validación. Finalmente, se presentarán las conclusiones y recomendaciones.
2
Capítulo II. Marco teórico
1. Riesgo crediticio
Durante el proceso de otorgamiento de un crédito se producen problemas de información entre

el banco y el solicitante; en el presente trabajo de investigación nos referiremos a un solicitante
minorista, debido a que el banco conoce menos de la situación actual y proyectos del cliente.
Esta asimetría de información genera que se produzcan las siguientes fallas de mercado:
 Selección adversa: ocurre previo al otorgamiento del crédito y se produce porque el banco
posee mayor probabilidad de otorgar un crédito al solicitante más riesgoso, teniendo en
cuenta que este busca con mayor empeño un crédito, lo que hace que su probabilidad de
conseguirlo sea mayor.
 Riesgo moral: ocurre luego del otorgamiento del crédito y está relacionado con la voluntad
de pago del cliente, es decir, una vez que consiguió el financiamiento podría llevar a cabo
acciones que satisfagan sus intereses dejando de lado los del banco.
La SBS, en su Resolución 3780-2011 define el riesgo crediticio como «La posibilidad de

pérdidas por la incapacidad o falta de voluntad de los deudores, contrapartes, o terceros
obligados, para cumplir sus obligaciones contractuales registradas dentro o fuera del balance»
(SBS 2011: 2).
Tomando en consideración que detrás del concepto señalado está implícito tanto el riesgo de
incumplimiento que se puede aproximar como la probabilidad que se produzca el
incumplimiento, así como por el riesgo de mercado, que es la pérdida a la que la entidad
bancaria se ve expuesta en caso se produzca el incumplimiento, las entidades bancarias se
enfrentan a posibles pérdidas que pueden gestionar con el tratamiento de los factores que
intervienen en el riesgo de crédito.
Según Samaniego (2008), los factores determinantes del riesgo de crédito se describen a
continuación y se muestran en el gráfico 1.
 Probabilidad de incumplimiento: probabilidad que la contraparte no haga frente a sus

obligaciones contractuales. En ese punto, resulta determinante la aversión al riesgo de la
3
entidad bancaria, la definición de incumplimiento que esta realice, entre otros
determinantes.
 Exposición: valor de mercado de la deuda en el momento del incumplimiento. Variable que
depende del instrumento, la calidad crediticia del deudor, entre otros.
 Severidad: porcentaje de pérdida que, tras el proceso de recuperación, y dada la pérdida,
finalmente se produce. Depende de los costos de recuperación actualizados, la duración del
proceso de recupero, entre otros.
Gráfico 1. Factores determinantes del riesgo crediticio
Fuente: Samaniego, 2008.
En ese mismo sentido, la SBS en su Resolución 14354-2009 señala que una empresa del sistema
bancario puede postular a utilizar métodos internos para la estimación de su requerimiento de
capital por riesgo de crédito para exposiciones minoristas, siempre que cumpla los
requerimientos mínimos establecidos por el ente regulador para los parámetros del riesgo,
siendo estos parámetros los siguientes:
 Probabilidad de incumplimiento: probabilidad de ocurrencia del evento de

incumplimiento.
 Exposición ante el incumplimiento: es la mejor estimación de la exposición cuando ocurra
el evento de incumplimiento. Incluye tanto a las posiciones directas como contingentes.
 Pérdida dado el incumplimiento: estimación del porcentaje de la exposición ante el
incumplimiento que no será recuperado, producido el evento de incumplimiento. Es la
pérdida económica tomando en consideración todos los factores relevantes, incluyendo
efectos de descuentos importantes y costos directos e indirectos sustanciales relacionados
con el cobro de la exposición.
4
Así, tenemos que una vez identificados y definidos los factores determinantes del riesgo de la
operación que la entidad bancaria enfrenta, resulta necesario que desarrolle una de las etapas
más importantes dentro de la gestión del riesgo crediticio, que es el proceso de identificación
del deudor, de tal manera que ex ante identifique y cuantifique el riesgo de crédito, qué significa
y determinar si se encuentra dentro del perfil de riesgos de la empresa y, en función a ello, y a
través de herramientas de admisión crediticia, decida si aceptará o rechazará la solicitud del
crédito.
Dentro de las herramientas que posibilitan una identificación ex ante y variables que determinan
la probabilidad de default del deudor acorde al perfil de riesgos, se cuenta con modelos de credit
scoring de admisión permitiendo gestionar adecuadamente el riesgo crediticio.
2. Credit scoring
Según Lawrence y Solomon (2002), el scoring es una herramienta que sirve para analizar a los
solicitantes de créditos (clientes potenciales), así como a los clientes existentes, con la finalidad
de predecir su comportamiento futuro, medido a través de la probabilidad de default del cliente,
basado en las variables que la determinan. Si este se utiliza correctamente, puede proporcionar a
los administradores de créditos una cantidad importante de información estadística inyectándole
un alto grado de previsibilidad a sus portafolios. Además, Lawrence y Solomon indican que el
credit scoring utiliza técnicas estadísticas para identificar y clasificar a los clientes potenciales o
los clientes actuales de acuerdo a lo atractivo que resulte para la entidad financiera. Esta debe
ser definida de antemano por el usuario y puede ser rentabilidad, riesgo, disposición de repago
si ha caído en mora, entre otros.
Cabe indicar que existen dos tipos de scoring: (i) de aplicación, que es utilizado para
potenciales clientes, y (ii) de comportamiento, que es generalmente aplicado para clientes
vigentes, según el momento en que se aplican en la evaluación. De otro lado, también se pueden
clasificar en dos tipos de scores: (i) customizados, siendo desarrollados a partir la propia
información de la entidad, y (ii) genéricos, que son desarrollados con gran cantidad de
información que vienen de oficinas proveedoras.
Partiendo de estas clasificaciones, el presente trabajo de investigación desarrollará un scoring de

aplicación customizado.
5
2.1 Beneficios del credit scoring
En ese mismo sentido, los autores enumeran los principales beneficios del credit scoring:
 Evaluación de riesgos objetiva: elimina la influencia del juicio personal en el proceso de

decisión.
 Proceso costo eficiente: permite la aprobación rápida de los buenos créditos y el rechazo
con la misma rapidez de los créditos que no están dentro del perfil de riesgos de la empresa,
de tal forma que permite concentrarse en el análisis detallado de aquellos créditos que se
sitúan en un área gris.
 Control estadístico del portafolio: el riesgo de cada cliente aceptado puede ser descrito en
detalle con gran precisión estadística, permitiendo realizar un backtesting de las
operaciones.
 Experimentación controlada: la empresa puede realizar simulaciones, por ejemplo,
respecto a aceptar operaciones de alto riesgo, y estimar el impacto que podría tener en el
largo plazo en la rentabilidad de su portafolio.
Dicho de otra manera, Sidiqqi (2006) resume que la entidad financiera, a través de scoring,
tiene la posibilidad de establecer un proceso de decisión consistente y objetivo, basado en la
práctica y derivado de la información propia de sus clientes. Combinado con el conocimiento
del negocio, un modelo predictivo proveerá a los administradores de riesgos una eficiencia
añadida y control en el proceso de administración de riesgos.
No obstante, se debe mencionar que, en ciertos segmentos de clientes, el juicio humano

continúa siendo una herramienta indispensable en la evaluación del otorgamiento de un crédito,
por lo cual, muchas veces la técnica del juicio humano coexiste y se complementa con
herramientas estadísticas.
2.2 Limitaciones del credit scoring
De la misma forma, Lawrence y Solomon (2002) señalan que las mayores limitaciones que
presenta la técnica del credit scoring son:
6
 Proceso de desarrollo intensivo en tiempo: ante lo cual resulta necesario el apoyo de la
administración para la priorización de una implementación.
 Predictibilidad limitada: solo identifica la probabilidad de que un cliente sea bueno o
malo, no identifica si la cuenta individual será buena o mala.
 Deterioro a lo largo del tiempo: considerando que está basado en comportamiento pasado,
sus beneficios únicamente perdurarán si el sistema es monitoreado y validado
contantemente.
2.3 Metodologías en el desarrollo de credit scoring
Existen diferentes modelos de credit scoring para la identificación de las variables

determinantes de la probabilidad de default, clasificadas en modelos paramétricos y no
paramétricos:
Tabla 1. Principales técnicas para desarrollar un modelo de creditscoring

P/ NP
Método Técnica principal Resumen
(*)
Clasifica casos en grupos
Análisis
P Distancia Mahalanobis predefinidos, minimizando las
discriminante
diferencias dentro del grupo
Determinación del modelo para
Mínimos cuadrados
P Regresión lineal estimar la variable de respuesta
ordinarios
continua
Determinación del modelo para
Regresión
P Máxima verosimilitud estimar la variable de respuesta
logística
binaria.
Uso de estructuras de árboles para
Árboles de
NP RPA maximizar las diferencias entre
decisión
grupos
AI technique, con resultados con
NP Redes neuronales Multilayerperceptron
dificultad para interpretar y explicar
Técnica de investigación operativa,
Programación usualmente utilizada para la
NP Método simplex
lineal optimización de la asignación de
recursos
(*) P: paramétrico, NP: no paramétrico
Fuente: Anderson, 2007.
Métodos paramétricos
 Análisis discriminante
Según De Servigny y Renault (2004), el principal objetivo del análisis discriminante es

segregar y clasificar una población heterogénea en subconjuntos homogéneos. El
7
procedimiento consiste en seleccionar un número C de clases en las cuales se segregará la
data. En el caso de un modelo de credit scoring, estas pueden ser, por ejemplo: default y non
default. Luego, se busca la combinación lineal de variables explicativas que permiten
obtener la mayor distancia entre las dos clases.
Asimismo, De Servigny y Renault (2004) señalan que siguiendo el enfoque de Fisher

(1936), se separa en dos clases ω1yω2, alas que se denominarán buenos y malos prestatarios.
La idea de Fisher es buscar la combinación lineal de las variables explicativas que obtenga
la máxima distancia entre las dos clases, maximizando la siguiente función:
2
|ωT (μ1 −μ2 )|
F= ωT ∑ ω
(1)
Donde:
ω: vector de pesos
μi : media de las variables en la clase i
∑ : es la matriz de covarianzas entre clases
En (1), el numerador es la covarianza global y el denominador es la varianza. Según
Anderson (2007), el modelo asume que la matriz de varianza/ covarianza es la misma para
cada grupo.
El máximo se obtiene diferenciando F respecto al vector de pesos e igualando a cero:

𝜕𝐹
𝜕𝜔
=0 (2)
La única solución de (2) es:

𝜔 = ∑∗−1 (𝜇1 − 𝜇2 ) (3)
Una observación x es asignada entonces al grupo ω1 si ωT x + α > 0 y al grupo ω2 si

ωT x + α < 0.
Sin embargo, al maximizar F no se obtiene la variableα, que es el punto de corte que separa
los grupos, el cual según la práctica indica que tiene que ser determinado por el usuario.
La aplicación más famosa del análisis discriminante en credit scoring es el Z-Score de

Altman (1986), que incluía entre sus variables explicativas a ratios financieros: capital de
8
trabajo/ activos, utilidades retenidas/ activos, EBIT/ activos, ventas/ activos, entre los
principales.
Según Anderson (2007), el análisis discriminante presenta debilidades relacionadas a la
técnica utilizada, en ese sentido, si partimos de que con frecuencia se utiliza una regresión
lineal, este presentará limitaciones respecto a los supuestos realizados para su estimación.
 Modelo de probabilidad de regresión lineal
Según Anderson (2007), algunas de las más simples relaciones posibles son las lineales, en
donde, conforme un valor se incrementa, la variable dependiente cambia a una tasa conocida
y constante, lo que corresponde a un modelo de probabilidad lineal (considerando que la
variable dependiente es binaria, como en el caso del credit scoring).
En el credit scoring se obtiene, desde el modelamiento siguiente, un estimado de la
probabilidad de un buen crédito (p(bueno)):
𝑃(𝑏𝑢𝑒𝑛 𝑐𝑟é𝑑𝑖𝑡𝑜)𝑖 = 𝛽0 + ∑ 𝛽𝑗 𝑋𝑖𝑗 + 𝑒𝑖

𝑗=1
La probabilidad por cada observación i, es la suma de una constante y el producto de una

serie de pesos βj y los valores de la variable X ij , donde las variables toman diferentes
valores para cada observación y los pesos difieren por cada variable j (no se considera el
término de error ei ).
La principal deficiencia del modelo de regresión lineal es el relativo al cumplimiento de la

distribución normal de los términos de error y la homocedasticidad, porque el resultado solo
tiene dos posibles valores, 0 y 1.
Es así que Anderson (2007), señala que las principales desventajas del modelo de regresión
lineal son los supuestos que realiza: (i) linealidad, (ii) homocedasticidad, (iii) distribución
normal de los errores, lo que implica que la variable independiente es continua y distribuida
normalmente, (iv) independencia del término de error, (v) aditividad, (vi) ausencia de
correlación entre las variables independientes, y (vii) uso de variables relevantes.
 Modelo de regresión logística
9
Según Siddiqi (2006), la regresión logística es una técnica común utilizada en el desarrollo
de scorecards en la industria financiera, en donde la variable dependiente es binaria. Su
construcción requiere realizar los siguientes supuestos: (i) variable dependiente categórica,
(ii) relación lineal sobre la función log odds, (iii) independencia del término de error, (iv)
variables independientes no correlacionadas; y (v) uso de variables relevantes.
Asimismo, Anderson (2007) indica que la regresión logística es la técnica con mayor
aceptación para elegir para el desarrollo del modelo de credit scoring, en particular porque:
(i) es específicamente diseñado para una variable dependiente binaria, (ii) el score que el
modelo estima es fácilmente convertida en la probabilidad de default del crédito.
Sean 𝜌 variables independientes y la probabilidad condicional de que el resultado este

presente sea Pr(𝑌 = 1|𝑥 = 𝜋(𝑥), el modelo de regresión logística está dado por:
𝜋(𝑥)
𝑔(𝑥) = ln ( ) = 𝛽0 + 𝛽1 𝑥1+⋯+ 𝛽𝑝 𝑥𝑝
1 − 𝜋(𝑥)
Donde:
𝑒 𝑔(𝑥)
𝜋(𝑥) =
1 + 𝑒 𝑔(𝑥)
Asumimos que tenemos una muestra de n observaciones independientes ( 𝑥𝑖 , 𝑦𝑖 ), 𝑖 =

1, 2, … , 𝑛. El modelo requiere que se obtengan los coeficientes de las variables
independientes dado por el vector β’=𝛽0 , 𝛽1 , … , 𝛽𝑝 , utilizando la máxima verosimilitud, por
lo que, existirán p+1 ecuaciones de verosimilitud que se obtendrán diferenciando la función
log de verosimilitud respecto a los p+1 coeficientes, como se muestra:
∑[𝑦𝑖 − 𝜋(𝑥𝑖 )] = 0
𝑖=1
y
𝑛
∑ 𝑥𝑖𝑗 [𝑦𝑖 − 𝜋(𝑥𝑖 )] = 0

𝑖=1
10
Para j=1,2,…,p
Para la obtención de los coeficientes se recurre a los diferentes softwares estadísticos que se
tiene a disposición.
Las unidades de los parámetros obtenidos van a depender de la unidad de la variable de

entrada y necesitan ser estandarizados para facilitar el análisis. Según Siddiqi (2006), se
puede pasar por alto la unidad de entrada y realizar la regresión contra el Weight of Evidence
(WOE) de cada agrupación creada; asimismo, esta metodología permite capturar las
diferencias entre grupos creados en las variables dependientes, teniendo en cuenta la
tendencia y la escala de la relación entre un grupo y otro.
El WOE está definido por la siguiente fórmula:
𝐷𝑖𝑠𝑡𝑟 𝑏𝑢𝑒𝑛𝑜𝑠
𝑊𝑂𝐸 = ln ( )
𝐷𝑖𝑠𝑡𝑟 𝑚𝑎𝑙𝑜𝑠
Adicionalmente, Siddiqi (2006) indica que un WOE negativo indica que el atributo
particular está aislando una proporción más alta de malos que de buenos y se busca que
estos sean lo suficientemente diferentes entre las agrupaciones de los atributos, es decir, el
agrupamiento debe realizarse con el objetivo de maximizar la diferencia entre buenos y
malos créditos, siendo más importante la diferencia entre el WOE de los grupos para
establecer la diferenciación. A mayores diferencias entre grupos, mayor es la habilidad
predictiva de la variable.
Métodos paramétricos
Según Anderson (2007), los métodos no paramétricos tienen como principal desventaja la falta
de transparencia, así como una sobrealimentación.
 Arboles de decisión
Anderson (2007) indica que es una herramienta gráfica, con una estructura de cajas y líneas
de rama o raíz, utilizada para mostrar posibles giros de eventos que pueden o no ser
controlables; cada rama representa las opciones disponibles para un tomador de decisiones.
Los árboles de decisión también se utilizan para la visualización de datos en problemas de
clasificación y predicción. La forma más primitiva es un tipo de sistema experto, donde
11
personas con experiencia práctica definen un conjunto de reglas. Todavía se aplica en
diagnósticos médicos y donde no hay datos suficientes para hacer un análisis empírico
pudiéndose derivar formularios más avanzados basados en el análisis de datos.
La técnica primaria utilizada se denomina RPA, la cual consiste en determinar las ramas que
tendrá el árbol de decisión, a través de intentos repetidos para encontrar la mejor división
posible. Específicamente, la regla de división es compleja debido a que busca dividir la
población en diferentes grupos homogéneos y grupos mutuamente excluyentes. El objetivo
es minimizar la distancia entre los miembros de un grupo (similares tasas de default), y
maximizar la distancia entre grupos (diferentes tasas de default).
En general, el RPA no es un modelo adecuado para modelos predictivos, pero existen ciertas
instancias donde pueden ser considerados. Por ejemplo, cuando la data disponible para
desarrollar un scorecard es limitado, como para un nuevo producto.
A pesar de las deficiencias, los RPA siguen siendo herramientas poderosas para su uso en el
negocio bancario. Se utilizan mejor para la exploración rápida y sucia de datos, ya sea para
obtener información sobre los datos, describir los datos para el negocio, identificar las
variables predictivas clave, identificar divisiones scorecards o actuar como un punto de
referencia para otros modelos.
 Redes neuronales
Anderson (2007) las define como redes de elementos computacionales que responden a las
variables de entrada, y que aprenden y se adaptan al medio. Tiene el objetivo de imitar el
trabajo del cerebro humano, especialmente en lo referente a auto organización y aprendizaje.
A diferencia de otras técnicas que siguen procedimientos con fórmulas, las redes neuronales
son entrenadas a través de la repetición de ejemplos (Chorafas 1990). El resultado es similar
a un árbol de decisión, excepto que es más detallado con reglas de decisión más complejas.
Las ventajas de las redes neuronales son: (i) procesa grandes cantidades de información; (ii)
descubre patrones y sigue las relaciones de la data, especialmente las interacciones; (iii)
lidia con las relaciones no lineales en la data, y (iv) se entrena basado en las diferencias
observadas y los resultados actuales. Sin embargo, también presenta una serie de
desventajas o problemas: (i) requiere gran cantidad de iteraciones antes que se obtenga el
12
modelo final; (ii) es caro de implementar y mantener, especialmente lo referido a
entrenamiento, que permita que se adapte a las circunstancias cambiantes; (iii) no es
transparente, las relaciones detectadas por el modelo son difíciles de interpretar, y (iv) tiene
significante probabilidad de sobrealimentación.
Las redes neuronales no tienen buena adaptación para ambientes donde la decisión lógica
debe ser entendida, como es el caso del scoring de aplicación de créditos de consumo,
donde las compañías podrían explicar las razones de la decisión de no conceder el crédito al
potencial cliente, o cuando el negocio exige cierta comprensión del proceso subyacente. Sin
embargo, puede ser bien adaptado donde la precisión y predicciones adaptativas son críticas
y la transparencia es secundaria.
De acuerdo con Thomas (2000), su primer uso es en áreas donde se cuenta con menor
cantidad de datos, como un scoring para corporaciones o es scoring de fraude. Tan rápido
como los prestamistas identifican fraude, y colocan mecanismos de control, el modus
operandi es cambiado y son encontradas nuevas debilidades. Las redes neuronales tienen la
habilidad de adaptarse a esas circunstancias cambiantes, pero requiere monitoreo y
reentrenamiento a lo largo de su uso.
 Programación lineal
Anderson (2007) indica que el objetivo original de la programación lineal (PL) estaba
orientada al apoyo en los problemas de asignación de recursos, como una amplia
generalización, la programación lineal es un medio para resolver problemas de asignación
de recursos que tienen restricciones. Para el credit scoring, funcionaría resolviendo los
valores de β en un problema que se presenta en la forma:
Minimizar ∑ e2i sujeto a:

𝑝
𝑦𝑖 = 𝛽0 + ∑ 𝛽𝑗 𝑋𝑖𝑗 + 𝑒𝑖
𝑗=1
𝛽1 < 𝛽3
𝛽2 > 0, etcétera
En otras palabras, intenta elaborar una ecuación de regresión que minimice un cierto
término de error, que puede variar, al tiempo que garantiza que las asignaciones de puntos
individuales caen dentro de las limitaciones dadas.
13
La principal ventaja de la PL es que el desarrollador del scorecard tiene un mayor control
sobre las puntuaciones finales, al ser capaz de incluir sesgos requeridos en las sentencias
"sujeto a". Si bien es técnicamente posible utilizar esta técnica para la calificación crediticia,
rara vez se usa en la práctica. El rendimiento real de los modelos resultantes puede ser
suficiente, pero los prestamistas pueden ser evaluados con mayor ajuste con la aplicación de
otros modelos.
Según De Servigny y Renault (2004), varios factores son importantes a la hora de elegir una
clase particular de modelo sobre otra:
 Desempeño: un modelo más complejo debería proveer una mejora significante en la

detección o clasificación de los clientes con más riesgos.
 Disponibilidad de datos y calidad: muchos modelos se desempeñan bien en un ambiente
de prueba, pero no lidia bien con los problemas prácticos como valores faltantes o valores
atípicos (outliers). Un modelo más simple, pero más robusto, puede ser preferible a un
sistema de última generación en conjuntos de datos desiguales.
 Entendido por los usuarios: los usuarios del modelo deben entender perfectamente el
funcionamiento del modelo y los principales factores que determinan su resultado. De lo
contrario, no podrán detectar sesgos sistemáticos ni comprender los límites.
 La robustez del modelo ante datos nuevos: el modelo debe pasar por las diferentes
pruebas que aseguren estabilidad, revisando que el modelo esté detectando un óptimo global
y no uno local.
 Tiempo requerido para calibrar o recalibrar el modelo: es importante, dependiendo de
los cambios que se den en la población en la cual se aplicará, se recomienda una revisión
anual al respecto.
Tomando en cuenta lo mencionado, el presente trabajo de investigación buscará contrastar su

hipótesis desarrollando un modelo de regresión logística.
14
Capítulo III. Planteamiento del problema
1. Antecedentes generales
El Banco de la Nación es una empresa estatal con potestades públicas, integrante del sector
Economía y Finanzas de la República del Perú, bajo operación autónoma en términos
económicos, financieros y administrativos, creada mediante Ley 16000 en el año 1966. Se
encuentra regulado por su Estatuto aprobado mediante Decreto Supremo 07-94-EF, el Decreto
Legislativo que promueve la Eficiencia de la Actividad Empresarial del Estado aprobado
mediante Decreto Legislativo 1031 y supletoriamente por Ley 26702, Ley General del Sistema
Financiero y del Sistema de Seguros y Orgánica de la Superintendencia de Banca y Seguros.
De acuerdo con su Estatuto, el Banco está facultado para realizar diversas funciones, ninguna de
las cuales en forma exclusiva respecto de las empresas y entidades del sistema financiero,
dentro de las que indica: «Otorgar una línea de crédito única a los trabajadores y pensionistas
del sector público que, por motivo de sus ingresos, posean cuentas de ahorro en el Banco de la
Nación. Dicha línea de crédito podrá ser asignada por el beneficiario para su uso mediante
préstamos y/o como línea de una tarjeta de crédito. Estas operaciones se harán de acuerdo a un
programa anual aprobado por el Ministerio de Economía y Finanzas que podrá ser revisado
anualmente».
Dentro de sus estados financieros, al cierre del año 2016, el activo del Banco alcanzó S/ 28.500
millones, disminuyendo en S/ 1.051 millones (-4 %) con relación al 2015. El pasivo también
disminuyó alcanzando S/ 26.127 millones, cifra que resulta S/ 1.629 millones menor a la
registrada el año anterior, dicha reducción fue mitigada por el incremento, debido a la emisión
de bonos subordinados por S/ 250 millones, en el marco del programa de fortalecimiento
patrimonial aprobado en el año 2016.
En el mismo periodo, el patrimonio alcanzó S/ 2.373 millones, aumentando en S/ 578 millones

con relación al 2015. Esto se explica por el incremento del capital social en S/ 200 millones
(capitalización de parte de las utilidades del año fiscal) y por el resultado neto del ejercicio
(S/ 191 millones). Asimismo, muestra indicadores financieros de capital, calidad de activos,
manejo administrativo, rentabilidad y liquidez, saludables.
15
Tabla 2. Principales indicadores del BN
Resumen Unidad 2012 2013 2014 2015 2016
Información del estado de situación financiera y estado de ganancias y pérdidas
Créditos de consumo total no revolvente Millones de S/ 2 852 3 194 3 354 3 410 3 460
Total activo Millones de S/ 24 179 27 020 28 284 29 550 28 500
Créditos consumo/ total activo % 11.8 11.8 11.9 11.5 12.1
Total pasivo Millones de S/ 22 116 25 229 26 323 27 755 26 127
Patrimonio Millones de S/ 2 063 1 792 1 961 1 795 2 373
Resultado neto Millones de S/ 669 589 705 685 876
Principales indicadores financieros
1. Capital
Ratio de capital global % 19.2 15.8 13.9 13.3 19.4
Pasivo total / cap. social y reservas N° veces 16.4 18.7 19.5 20.6 16.9
2. Calidad de activos (asset )
Cartera atrasada / créditos directos % 0.6 0.5 0.5 0.6 0.7
Provisiones / créditos directos % 3.1 2.8 2.8 2.5 2.7
3. Manejo administrativo (management )
Gastos administrativos / ingresos totales % 42.05 45.7 43.3 42.6 38.1
Gastos adm. (sin jub.) / ingresos totales % 36.4 40.4 37.2 36.6 32.8
Créditos directos / personal Miles de S/ 1,359 1,601 1,753 2,330 2,181
Depósitos / oficinas Miles de S/ 34,365 37,924 37,945 40,213 36,667
4. Rentabilidad (earnings )
ROE (utilidad anualizada / patr. prom.) % 35.6 33.8 40.0 37.3 41.2
ROA (utilidad anualizada / activo prom.) % 2.9 2.4 2.6 2.5 3.2
Ingresos financieros / ingresos totales % 62.8 65.7 64.6 63.7 64.8
Gastos financieros / ingresos financieros % 5.9 7.0 3.8 10.7 10.2
5. Liquidez (liquidity )
Liquidez MN % 85.4 80.5 86.5 72.5 72.7
Liquidez ME % 119.9 170 215.7 144.1 152.3
Fuente: Banco de la Nación, 2017.
Respecto a los préstamos de consumo no revolvente 3 , en el año 2001lanzó al mercado el

préstamo de consumo, denominado Préstamos Multired, el cual está dirigido exclusivamente a
trabajadores del sector público que, por motivos del depósito de sus remuneraciones o
pensiones, mantengan una cuenta de ahorros en el Banco, teniendo el carácter de no revolvente
y que estos depósitos permitan el repago de las facilidades otorgadas.
Principales características del producto:
 El préstamo Multired ofrece las modalidades de: (i) Convenio, dirigido a un sector
específico con el que el Banco suscribe un convenio;(ii) Clásico, el cual requiere un garante,
y (iii) Comercial, que está dirigido a financiar la adquisición de productos o servicios con
3Según Resolución S.B.S. 11356 – 2008, los créditos no revolventes son aquellos créditos otorgados a personas
naturales, con la finalidad de atender el pago de bienes, servicios o gastos no relacionados con la actividad
empresarial.
16
empresas proveedoras autorizadas que firmen un acuerdo comercial a favor de clientes del
BN.
 El Banco realiza el cobro automático con cargo a la cuenta de ahorros del cliente, esta
característica lo diferencia del préstamo descuento por planilla, el cual realiza el cobro
directamente de la planilla del trabajador.
Requisitos para la admisión:
 Ser trabajador con contrato a plazo indeterminado, determinado o con Contrato

Administrativo de Servicios (CAS); para los dos últimos requiere la presentación de garante,
independientemente de la modalidad del crédito.
 Mantener deuda directa con cuatro entidades del sistema financiero como máximo,
incluyendo al BN.
 El cliente debe estar con calificación Normal en la Central de Riesgo de la SBS.
En caso el cliente cumpla con lo mencionado, el modelo de negocios cuenta con un cálculo
matemático de la capacidad de endeudamiento del cliente a través de la máxima cuota a la que
el cliente puede acceder, la cual, en términos generales, consiste en lo siguiente:
 La capacidad de pago está en función del promedio de ingreso mensual del cliente y de su
nivel de endeudamiento, considerando las deudas con otras entidades del sistema financiero.
Asimismo, incorpora medidas para evitar el riesgo de sobreendeudamiento.
 Considera el 33% de afectación de los ingresos mensuales, deduciendo las deudas del
cliente en el sistema financiero, así como los créditos vigentes que el cliente mantenga en el
Banco de la Nación.
 Aplicando la siguiente fórmula se obtiene la máxima cuota mensual a la que el cliente puede
acceder y cual es llevada a importe a desembolsar a través del valor actual de la cuota
mensual obtenida de acuerdo al plazo que opte el cliente.
17
Gráfico 2. Cálculo de la capacidad de endeudamiento para un cliente BN
Deuda BN Deuda Sistema Bancario
Máxima 33% del Cuota mensual por

Cuota mensual Cuota Mensual
cuota = Abono - consumo - Hipotecario - deudas en el Sistema
mensual promedio Financiero
 La capacidad de endeudamiento está limitada, además, por el monto máximo a la que puede
acceder un cliente según la edad del mismo (asociado a su vez, a las coberturas del seguro
de desgravamen).
Tabla 3. Parámetros aplicables en el otorgamiento de un crédito BN

Monto máximo Tasas de interés
Edad del cliente Plazo máximo
en soles %
Entre 83 años y 84 años a 12 meses 2.000,00 13
Entre 78 años y 82 años a 24 meses 2.000,00 13 – 14
Hasta 77 años Hasta 24 meses 19.000,00 13 – 14
Entre 60 y 74 años Hasta 48 meses y 60 meses 19.000,00 13 - 16, 19
Entre 18 años y 59 años Hasta 48 meses y 60 meses 50.000,00 13 - 16, 19
18
2. Morosidad
Al cierre del año 2016, el saldo de Préstamos Multired ascendió a S/ 3.397 millones
(crecimiento anual de 1,21%) presentando una morosidad de 1,53%. Con referencia al sistema
bancario, el Banco se posiciona en 5.° lugar por saldo de préstamos no revolventes y
revolventes4, y mantiene una morosidad por debajo del sistema (2,61% vs. 1,53%).
Gráfico 3. Evolución del saldo vigente de préstamos de consumo no revolvente y

morosidad
4,000 4.00%
3,318 3,356 3,397
3,500 3,157 3.50%
3,000 2,826
2.67% 3.00%
2.64% 2.63% 2.61%
2,500
2.17% 2.50%
2,000
2.00%
1,500 1.53%
1.35% 1.50%
1,000 1.05%
0.97% 0.97%
500 1.00%
- 0.50%
2012 2013 2014 2015 2016
Saldo Morosidad BN Morosidad Sector Bancario
Fuente: SBS -Estados Financieros del Banco de la Nación y sistema bancario, 2017.
La principal causa de la morosidad en los préstamos Multired es la pérdida del abono en el

Banco de la Nación, ya sea por pasar a condición de cesante, por despido, o por migración de su
cuenta de ahorros a otra entidad del sistema financiero, tomando en cuenta ello, se presenta
como un riesgo que el cliente del Banco de la Nación opte por trasladar su cuenta de ahorros a
otra entidad del sistema financiero5,así como por las políticas más agresivas que tiene el sistema
para ampliar su base de clientes, teniendo en consideración que ya cuentan con historial
crediticio favorable construido en el Banco de la Nación y podría constituirse en un sujeto de
crédito atractivo en el sistema, más aun, teniendo en cuenta que, por ejemplo, para los
desembolsos del mes de noviembre 2016, el 53% mantenía deuda con el sistema financiero.
En ese sentido, en un escenario adverso, el Banco tendrá que adecuar su modelo de negocios en
el que deberá evaluar el requisito del cargo automático de las cuotas de los préstamos en la
4 Ver anexo 1.
5 Según Decreto Supremo 003-2010-TR, sobre modificación de las normas reglamentarias relativas a la obligación de
los empleadores de llevar planillas de pago, modificó el artículo 18 del Decreto Supremo 001-98-TR, indicando que:
«Si el pago por terceros se efectúa a través de las empresas del sistema financiero, los trabajadores tendrán derecho
de elegir aquella donde se efectuarán los depósitos, (…)».
19
cuenta de ahorros, posiblemente porque el trabajador podría optar por migrar su cuenta, en tanto
no suceda lo anterior, resulta importante identificar las variables determinantes de la
probabilidad de default en la cartera de consumo no revolvente del BN, a través de un modelo
de regresión logística de credit scoring debido a que con una adecuada gestión de riesgos,
además le brindaría ventajas respecto a establecer ratios de morosidad objetivo en función a su
perfil de riesgos y su nivel de rentabilidad esperado. En ese mismo sentido, contaría con un
primer avance para postular al uso de un modelo interno para la determinación del
requerimiento de capital por riesgo crediticio.
Adicionalmente, otra ventaja es la inclusión de la herramienta en su nuevo core bancario dentro

de su módulo de colocaciones.
20
Capítulo IV. Metodología e implementación
1. Base de datos y variables utilizadas en la estimación

1.1 Construcción de la base de datos y selección de la muestra
La información corresponde a los desembolsos de los préstamos Multired a nivel nacional en el

periodo enero – diciembre 20146 de los clientes del Banco de la Nación, la cual fue obtenida de
las fuentes que se detallan a continuación:
 Sistema de desembolsos del Banco, el cual contiene el registro diario de los desembolsos a
nivel nacional, incluye información de: importe desembolsado, plazo, tasa de interés, unidad
ejecutora a la que pertenece el cliente, agencia en donde se desembolsó el crédito, y número
de desembolsos anteriores.
 Sistema de ahorros del Banco, del que se obtuvo la información de: saldo promedio de
abono y la antigüedad de la cuenta de ahorros, la cual se utilizó como variable proxy de la
antigüedad laboral.
 Reporte crediticio de deudores, se obtuvo la información de: edad, sexo y días de atraso del
cliente.
 Reporte crediticio consolidado, se obtuvo la información del saldo adeudado y número de
entidades con las que el cliente tenía exposición crediticia en el momento del desembolso
del crédito.
Durante el año 2014, el total de desembolsos fue de 277 mil créditos, de los cuales los créditos
definidos como insuficiente e indeterminado fueron excluidos, quedando de esta manera un total
169.267 préstamos. Contando con esta información, se obtuvo dos muestras: i. muestra de
desarrollo, sobre la cual se estiman los tres modelos, cuenta con 84.635 registros, y ii. muestra
de validación, cuenta con 84.632 registros. Como se observa, ambas muestras tienen similar
cantidad de datos, lo que permite contar con suficiente información para que el modelo aprenda,
así como que permita una verificación consistente del modelo obtenido.
6Según Carta EF/92.6200 004-2017, el Banco de la Nación indicó que no es posible remitir información reciente de
su operativa mensual (año 2016) con el fin de salvaguardar sus intereses.
21
Las principales limitantes de la muestra son:
 La información de desembolsos no logra cubrir un ciclo económico.
 El producto es homogéneo, sin embargo, establece algunos requisitos especiales,
dependiendo de la edad y el sector en donde labora.
 La base de datos no cuenta con los créditos que fueron solicitados y que no se
desembolsaron (rechazados), por lo que no se tiene las características de estos clientes. La
base de rechazados se puede analizar a través de aplicación de técnicas de inferencia,
aplicando el modelo estimado a los créditos rechazados (a través de técnicas como fuzzy
augmentation, punto de corte y parceling).
Tabla 4. Composición de las muestras de construcción y validación

Muestra Buenos Malos Total
Total 164.856 4.412 169.268
Muestra de construcción (50%) 82.478 2.158 84.636
Muestra de validación (50%) 82.378 2.254 84.632
Fuente: Elaboración propia, 2017.
1.2 Definición de variables

1.2.1 Definición de default
La SBS, en su Resolución 14345-2009 artículo 56.°, define como una operación para clientes
minoristas en estado de incumplimiento, aquella que presenta, al menos, una de las siguientes
características:
 Un atraso mayor a los 90 días.

 Pasa a una situación de reestructurado.
 Que en los últimos años la operación haya registrado más de una refinanciación, salvo que
la empresa demuestre estadísticamente, a satisfacción de la SBS, que posee otras variables o
mecanismos que predigan mejor la entrada en estado de incumplimiento.
 Que la empresa considera que el deudor es incapaz de honrar sus obligaciones en la forma
pactada, sea parcial o totalmente.
Asimismo, según Resolución SBS 11356-2008, un crédito minorista no revolvente se

contabiliza como vencido de manera escalonada, es decir, después de 30 días de la fecha
pactada y no haber pagado la cuota correspondiente, se considera como vencida la porción no
22
pagada, mientras que para considerar la totalidad del saldo insoluto como vencido, se realiza a
partir de los 90 días desde la fecha pactada correspondiente.
Tomando en consideración lo anterior y el perfil crediticio del Banco de la Nación, se plantea

las siguientes definiciones:
 Buen crédito: crédito que durante los siguientes 12 meses a su desembolso tuvo cero (0) días
de atraso.
 Mal crédito: crédito que en alguno de los siguientes 12 meses a su desembolso acumuló más
de treinta (30) días de atraso.
 Indeterminado: aquel crédito que en alguno de los siguientes 12 meses a su desembolso tuvo
entre 1 y 30 días de atraso.
 Insuficiente: aquel crédito del que no se cuenta con información completa en los 12 meses
siguientes a su desembolso.
Gráfico 4. Definición del cliente
Al día 1 30 180
Buenos Indeterminados Malos
Así, la variable dependiente binaria, toma el valor de 1 si el crédito es malo, de lo contrario

toma el valor de cero.
Adicionalmente, se evidencia que la mayoría de los créditos que pasan los 30 días de atraso,
continúan incrementando sus días de atraso evaluado 12 meses después, según se aprecia en la
tabla 5 y evidenciaría que la definición de malos considerada para el modelo es consistente.
23
Tabla 5. Roll rate analysis
Días de atraso Días de atraso (dic 15) Deterioro

Total general
(dic 14) 0-8 0-30 31-60 61-120 121-más (%)
0-8 392.534 4.459 1.122 1.766 4.269 404.150 2,9
0-30 1.979 1.171 81 78 225 3.534 44,0
31-60 332 68 53 39 250 742 55,3
61-120 341 36 24 51 487 939 63,7
121-más 271 47 21 40 6.549 6.928 96,1
Total general 395.457 5.781 1.301 1.974 11.780 416.293 5,0
1.2.2 Variables independientes
Para la selección de las variables determinantes de la probabilidad de default del cliente de

consumo no revolvente del BN se eligieron en total doce variables cualitativas y cuantitativas,
las cuales poseen información propia del crédito solicitado así como características laborales y
demográficas del potencial cliente.
Específicamente se tienen cuatro variables cualitativas y ocho variables cuantitativas.
Tabla 6. Descripción de variables

N° Variable Descripción Tipo
1 Y Variable dependiente: 1: mal crédito y 0: buen crédito Binaria
Departamento en donde se encuentra ubicada la
2 DEPARTAMENTO Cualitativa
agencia en la que se desembolsó el préstamo.
IMPORTEPRÉSTAM Importe desembolsado. Según definición del Banco,
3 Cuantitativa
O puede ir de S/ 300 a S/ 50.000.
Plazo del préstamo. Según definición del Banco puede
4 PLAZO Cuantitativa
ir desde 01 mes hasta 60 meses.
Sector al cual pertenece el cliente al que se le otorgó
5 TIPO_PRÉSTAMO Cualitativa
el préstamo.
SITUACIONCLIENT Puede ser activo o pensionista, según su situación en
6 Cualitativa
E su centro de labores.
7 EDAD Edad del cliente. Cuantitativa
8 SEXO Sexo del cliente. Cualitativa
Importe mensual que el cliente recibe en su cuenta de
9 INGRESO Cuantitativa
ahorros abierta en el Banco de la Nación.
Años de servicio en su centro de labores, se aproxima
10 ANTIG_LAB Cuantitativa
a la antigüedad de la cuenta de ahorros.
Número de entidades con las cuales el cliente
11 NUM_ENT Cuantitativa
mantiene deuda en el sistema financiero.
Importe adeudado en entidades con las cuales el
12 DEUDA_SF Cuantitativa
cliente mantiene deuda en el sistema financiero.
Número de préstamos de consumo no revolvente
13 NUM_PRÉSTAMOS Cuantitativa
solicitados en el Banco de la Nación con anterioridad.
24
Se realizará la exploración inicial (estadística descriptiva) de las variables independientes, a fin
de conocer sus principales características como se observa en la tabla 7:
Tabla 7. Estadística descriptiva de las variables cuantitativas
Variables independientes cuantitativas

Estadístico IMPORTE_P NUM_PREST
PLAZO EDAD INGRESO ANTIG_LAB NUM_ENT DEUDA_SF
RESTAMO AMOS
Muestra de construcción
Media 7,411 40 51 1,366 7 2 7,243 6
Mediana 5,164 48 51 1,218 8 2 111 5
Moda 2,000 48 46 398 12 1 - 1
Desviación estándar 6,497 13 16 887 5 1 12,506 4
Curtosis 4.1 -0.1 -0.8 9.5 -1.6 0.4 7.1 0.2
Coeficiente de asimetría 1.7 -1.2 -0.0 2.1 -0.3 1.0 2.4 0.7
Rango 49,700 59 66 9,878 13 6 100,000 31
Mínimo 300 1 18 102 - 1 - 1
Máximo 50,000 60 84 9,980 13 7 100,000 32
Cuenta 84,636 84,636 84,636 84,636 84,636 84,636 84,636 84,636
Nivel de confianza(95.0%) 43.8 0.1 0.1 6.0 0.0 0.0 84.3 0.0
Muestra de validación
Media 7,429 40 51 1,368 7 2 7,241 6
Mediana 5,200 48 51 1,215 8 2 111 5
Moda 2,000 48 49 398 12 1 - 1
Desviación estándar 6,518 13 16 893 5 1 12,496 4
Curtosis 4.2 -0.1 -0.8 9.9 -1.5 0.5 7.1 0.2
Coeficiente de asimetría 1.7 -1.2 -0.0 2.2 -0.3 1.0 2.4 0.7
Rango 49,700 59 66 9,893 13 6 100,000 30
Mínimo 300 1 18 101 - 1 - 1
Máximo 50,000 60 84 9,994 13 7 100,000 31
Cuenta 84,632 84,632 84,632 84,632 84,632 84,632 84,632 84,632
Nivel de confianza(95.0%) 43.9 0.1 0.1 6.0 0.0 0.0 84.2 0.0
De la tabla 7 y gráfico 5 que resumen las características tanto de la muestra de construcción

como de validación (compuesta por los 169.267 préstamos desembolsados entre enero y
diciembre 2014), se procederá a mencionar las principales características de la muestra de
construcción:
 Se tiene un promedio de importe de préstamo de S/ 7.411. El 73 % de los créditos han sido

desembolsados hasta por S/ 10.000.
 El plazo promedio solicitado es de 40 meses. Solo el 32 % de los datos han sido
desembolsados a plazos menores o iguales de 36 meses.
 La edad promedio del cliente al que se le desembolsó un préstamo Multired fue de 51 años.
El 33 % de los créditos fue otorgado a clientes con más de 58 años de edad.
 El ingreso promedio mensual de los clientes al momento del desembolso fue S/ 1.366. El
82 % del total de desembolsos tuvo un ingreso menor o igual a S/ 2.000.
25
 La antigüedad laboral promedio fue 7 años, cabe indicar que la variable fue aproximada a la
antigüedad de la cuenta de ahorros en el Banco de la Nación. El 62 % de los datos está
situado en el periodo de hasta 10 años.
 El número de entidades del sistema financiero con la que el deudor del BN tiene deuda
directa es de dos préstamos, siendo que el 82 % de los datos están situados hasta este
número de entidades.
 La deuda con entidades del sistema financiero con la que el deudor del BN tiene posición es
de S/ 7.243 en promedio mensual, siendo que el 74 % de los datos están situados hasta
S/ 10.000.
 El número de préstamos Multired anteriores al desembolso actual que el cliente mantuvo
con el BN fue seis en promedio, con una mediana de cinco préstamos. El 52 % de los datos
han tenido como máximo hasta cinco préstamos con anterioridad.
Adicionalmente, se observa que tanto para la muestra de construcción y validación, los

estadísticos son similares.
26
Gráfico 5. Histogramas y diagrama de frecuencias de las variables independientes–
variables cuantitativas
Frec rel Frec

Frec abs
rel Frec rel
IMPORTE_PRESTAMO INGRESO acum
acum
95% 98% 99% 100% 99% 100%

50,000 100% 40,000 99% 100%
87% 96%
40,000 73%
80% 80%
30,000 82%
30,000 60% 60%
47% 20,000
20,000 40% 40% 40%
10,000 20% 10,000 20%
- 0%
- 0%
Frec
Frec abs
rel Frec rel Frec rel
PLAZO acum
Frec abs ANTIG_LAB acum
70,000 100% 100% 100% 35,000 100% 100%
60,000 30,000
80% 80%
50,000 25,000
40,000 60% 20,000 62% 60%
30,000 40% 15,000 40%
32%
39%
20,000 24% 10,000
20% 20%
10,000 9%
5,000
- 0% - 0%
Hasta 12m] <12-24m] <24-36m] <36-48m] <48-60m] Hasta 5y <5-10y] <10y a más
Frec abs Frec rel Frec abs Frec rel

Edad NUM_ENT acum
acum
25,000 95% 100%
100% 50,000 100% 100%
96%
82%
20,000 67% 80% 40,000 82% 80%
15,000 44% 60% 30,000 60%

48%
10,000 40% 20,000 40%
22%
5,000 11% 20% 10,000 20%
- 0% - 0%
Hasta 28y] <28-38y] <38-48y] <48-58y] <58-68y] <68-78y] <78-84] 1 2 3 4 5 6 7
Frec abs DEUDA_SF Frec rel Frec abs Frec rel

acum
NUM_PRESTAMOS acum
97% 98% 99% 100% 50,000 100% 100%
70,000 94% 100% 99%
60,000 87% 80% 88%
50,000 40,000 80%
74% 60%
40,000
30,000 30,000 60%
40% 52%
20,000
10,000 20% 20,000 40%
- 0% 10,000 20%
- 0%
Hasta 5 <5-10] <10-15] <15-20] <20-25] <25-30] <30-35]
Del gráfico 6 se observan las siguientes características:
 En la variable Departamento, de los créditos desembolsados en provincia Arequipa,

Lambayeque y Ancash cuentan con mayor participación, siendo 10 % para los dos primeros
y 8 % para el último.
 Para la variable tipo de préstamo, el 81 % de desembolsos en el periodo 2014, se realizaron
a los sectores Maestro, ONP, PNP y Salud.
 Las variables situación del cliente tiene una proporción de69 % y 31 % para activo y
pensionista, respectivamente. Mientras que la variable sexo, muestra que el 39 % son
créditos a trabajadoras del sector público y 61 % para trabajadores del sector público.
27
Gráfico 6. Diagrama de barras de las variables independientes cualitativas
Distribución de desembolsos por departamento Distribución de desembolsos por situación del
30,000 cliente
Del total de desembolsos Del total de desembolsos
25,000 Lima : 33% 70,000
Activo: 69%
20,000 Provincia: 67% Pensionista: 31%
60,000
15,000
50,000
10,000
40,000
5,000
- 30,000
Loreto
Puno
Amazonas
Junín
Lambayeque
Lima
Tumbes
Ucayali
Ancash
Apurímac
Arequipa
Ayacucho
Pasco
Piura
Tacna
Cajamarca
Cusco
Ica
Huancavelica
Huánuco
La Libertad
Madre de Dios
Moquegua
San Martín
20,000
10,000
-
ACTIVO PENSIONISTA
Distribución de desembolsos por tipo de préstamo Distribución de desembolsos por sexo

60,000 Del total de desembolsos
35,000 Del total de desembolsos Femenino: 39%
30,000 Maestro: 36% 50,000 Masculino: 61%
25,000 ONP: 14%
20,000 PNP: 22% 40,000
15,000 Salud: 7%
Más del 80%
10,000 30,000
5,000
- 20,000
10,000
-
F M
Se precisa que en este estudio las variables cualitativas se trabajarán con el WOE respectivo por
atributos comunes encontrados dentro de las variables a través de los árboles de decisión, por lo
que no será necesario construir categorías de referencia, según el planteamiento de Siddiqi
(2006). Este proceso de trasformación de variables originales en variables WOEs comprende un
proceso de categorización de la variable en formato numérico.
1.2.3 Selección de variables
Dentro del análisis realizado a las variables es importante determinar las variables que mejor
explican la probabilidad de default del cliente de consumo no revolvente del BN, para lo cual se
utilizó árboles de decisión con el fin de analizar cada variable independiente y visualizar su
utilidad para la discriminación en la variable dependiente (entre créditos malos y buenos);
asimismo, para identificar las categorías de agrupación de las variables independientes dentro de
sí mismas.
Según Siddiqi (2006) el agrupamiento de atributos dentro de las variables resulta ventajoso por
lo siguiente:
 Ofrece una alternativa fácil para tratar outliers, clases raras, etc.
28
 Permite entender las relaciones y conocer el portafolio crediticio, lo que redunda sobre la
gestión del portafolio.
 Las dependencias no lineales pueden ser modeladas con construcciones lineales.
 Otorga control sobre el proceso de desarrollo, la formación de los grupos finalmente
impactará en el modelo.
Se muestra los árboles de tres variables. Ver anexo 2 para las 12 variables utilizadas en el
estudio.
29
Gráfico 7. Árboles de decisión para variable. Departamento, tipo de préstamo e ingreso
Fuente: Elaboración propia, 2017
30
Igualmente, basado en el resultado de la agrupación en categorías de las variables usando los
árboles de decisión se calculó el indicador WOE para cada variable, que permiten obtener
diferencias entre los WOE de los atributos de las variables sometidas al análisis.
Seguidamente, en la selección de variables se utilizó el indicador valor de la información (IV),

el cual es una medida relativa que indica que tan discriminante es cada variable predictiva, su
cálculo está basado en el WOE. A mayor IV, la variable tiene más poder discriminante. Según
Siddiqi (2006), la regla para considerar una variable basado en el IV es:
Tabla 8. Regla de valor de la información

IV Conclusión
Menor a 0,02 no predictivo
Entre 0,02 y 0,10 débil
Entre 0,10 y 0,30 medio
Mayor a 0,30 fuerte
Fuente: Siddiqi, 2006.
Se utilizó el software R7 para la obtención de los árboles de decisión y a partir de los cuales se
construyeron el WOE y el IV, con la finalidad de determinar si la mencionada variable se
incluye dentro del modelo. Se precisa que, para lo indicado, se utilizó exclusivamente la
muestra de desarrollo.
Tabla 9. Resumen de IV para las variables independientes
Variable IV Calificación
DEPARTAMENTO 0,26 medio
IMPORTE_PRÉSTAMO 0,06 débil
PLAZO 0,10 medio
TIPO_PRÉSTAMO 0,26 medio
SITUACIÓN_CLIENTE 0,26 medio
EDAD 0,06 débil
SEXO 0,00 no predictivo
INGRESO 0,34 fuerte
ANTIG_LAB 0,06 débil
NUM_ENT 0,00 no predictivo
DEUDA_SF 0,05 débil
NUM_PRÉSTAMOS 0,05 débil
7 Sistema para análisis estadístico y gráficos creado por Ross Ihaka y Robert Gentleman, Ihaka R. & Gentleman R.
1996. R: a language for data analysis and graphics. Journal of Computational and Graphical Statistics 5: 299–314
(https://cran.r-project.org/doc/contrib/rdebuts_es.pdf)
31
En detalle, con la muestra de construcción se tiene:
Tabla 10. Detalle de WOE e IV para las variables independientes

IV
IV
N° Atributo Buenos Malos Total PD WOE Atribut IV N° Atributo Buenos Malos Total PD WOE IV
Atributo
o
VARIABLE: DEPARTAMENTO VARIABLE: SEXO
1 Loreto 2,466 212 2,678 7.9% -1.19 0.08 0.08 1 F 32,548 823 33,371 2.5% 0.03 0.00 0.00
2 Grupo5 6,586 358 6,944 5.2% -0.73 0.06 0.14 2 M 49,930 1,335 51,265 2.6% -0.02 0.00 0.00
3 Grupo1 5,202 210 5,412 3.9% -0.43 0.01 0.16 Total 82,478 2,158 84,636 2.5%
4 Grupo2 42,159 1,009 43,168 2.3% 0.09 0.00 0.16 VARIABLE: INGRESO
5 Grupo3 13,451 223 13,674 1.6% 0.46 0.03 0.19 1 De 100 a 400 6,151 360 6,511 5.5% -0.81 0.07 0.07
6 Grupo4 12,614 146 12,760 1.1% 0.82 0.07 0.26 2 De 401 a 800 16,807 793 17,600 4.5% -0.59 0.10 0.17
Total 82,478 2,158 84,636 2.5% 3 De 800 a 930 6,421 183 6,604 2.8% -0.09 0.00 0.17
VARIABLE: IMPORTE_PRESTAMO 4 De 931 a 1400 18,155 386 18,541 2.1% 0.21 0.01 0.18
1 <5001 38,657 1,254 39,911 3.1% -0.21 0.02 0.02 5 Mayor a 1400 34,944 436 35,380 1.2% 0.74 0.16 0.34
2 5001-10000 21,727 507 22,234 2.3% 0.11 0.00 0.03 Total 82,478 2,158 84,636 2.5%
3 >10001 22,094 397 22,491 1.8% 0.38 0.03 0.06 VARIABLE: ANTIG_LAB
Total 82,478 2,158 84,636 2.5% 1 0 18,344 290 18,634 1.6% 0.50 0.04 0.04
VARIABLE: PLAZO 2 1 3,947 89 4,036 2.2% 0.15 0.00 0.05
1 Hasta 11 2,767 9 2,776 0% 2.08 0.06 0.06 3 Mas de 1 60,187 1,779 61,966 2.9% -0.12 0.01 0.06
2 De 12 a 40 24,358 472 24,830 2% 0.30 0.02 0.08 Total 82,478 2,158 84,636 2.5%
3 Mayor a 40 55,353 1,677 57,030 3% -0.15 0.02 0.10 VARIABLE: NUM_ENT
Total 82,478 2,158 84,636 2.5% 1 1 39,998 988 40,986 2% 0.06 0.00 0.00
VARIABLE: TIPO_PRESTAMO 2 Mas de 1 42,480 1,170 43,650 2.7% -0.05 0.00 0.00
1 Grupo1 24,231 239 24,470 1.0% 0.98 0.18 0.18 Total 82,478 2,158 84,636 2.5%
2 Grupo2 13,880 294 14,174 2.1% 0.21 0.01 0.19 VARIABLE: DEUDA_SF
3 Grupo3 14,629 443 15,072 2.9% -0.15 0.00 0.19 1 <6001 56,364 1,288 57,652 2.2% 0.14 0.01 0.01
4 Grupo4 29,738 1,182 30,920 3.8% -0.42 0.08 0.27 2 6001-44000 24,229 754 24,983 3.0% -0.17 0.01 0.02
Total 82,478 2,158 84,636 2.5% 3 >44001 1,885 116 2,001 5.8% -0.86 0.03 0.05
VARIABLE: SITUACION_CLIENTE Total 82,478 2,158 84,636 2.5%
1 ACTIVO 56,489 1,612 58,101 3% -0.09 0.01 0.01 VARIABLE: NUM_PRESTAMOS
2 PENSIONISTA 25,989 546 26,535 2.1% 0.22 0.01 0.02 1 1 13,119 201 13,320 1.5% 0.54 0.04 0.04
Total 82,478 2,158 84,636 2.5% 2 2 7,395 158 7,553 2.1% 0.20 0.00 0.04
VARIABLE: EDAD 3 Mas de 2 61,964 1,799 63,763 2.8% -0.10 0.01 0.05
1 De 18 a 21 2,470 18 2,488 0.7% 1.28 0.03 0.03 Total 82,478 2,158 84,636 2.5%
2 De 22 a 24 3,178 28 3,206 0.9% 1.09 0.03 0.06
3 De 25 a 28 3,585 71 3,656 1.9% 0.28 0.00 0.06
4 Mayor a 28 73,245 2,041 75,286 2.7% -0.06 0.00 0.06
Total 82,478 2,158 84,636 2.5%
Considerando el IV de las variables independientes, para los casos en que el IV sea de 0,00,
debería removerse y no ser considerados en la formulación del modelo de regresión, es decir,
SEXO y NUM_ENT; sin embargo, el modelo considerará la variable SEXO debido a que en la
práctica le agregan un ajuste marginal adicional y se removerán si es que no aportan al ajuste
del modelo y resulta no significativa. De la revisión de los IVs de las variables, se observa que
el INGRESO es la variable más predictiva. A continuación, se presenta el gráfico 8 que
evidencia su poder discriminante.
32
Gráfico 8. Distribución del ingreso según buenos (rojo) y malos (verde)
Es preciso indicar que las variables independientes tomadas en cuenta para regresionar el
modelo, fueron convertidas previamente y asignadas con el WOE que les correspondan de
acuerdo con la tabla 10, las cuales se transforman en formato Excel y son ingresadas al
programa R que se utilizará para obtener el modelo de regresión; se menciona que se realiza esta
transformación debido a que tiene ventajas al no considerar las diferentes unidades en las que se
encuentran las mismas según lo señalado anteriormente.
Antes de obtener los modelos se analizó la correlación de las variables a través de la matriz de
correlaciones y el clúster de correlaciones.
33
Gráfico 9. Matriz de correlaciones
Se observa fuerte correlación positiva entre las variables W_NUM_PREST y W_ANTIG_LAB,

y en menor medida entre el W_INGRESO y (W_TIPO_PREST, W_IMP_PREST), y entre las
variables W_DEUDA_SF y W_NUM_ENT. Este tipo de asociaciones fuertes se confirman en
el clúster de correlaciones (jerárquico) que es representado a través de un dendograma.
34
Gráfico 10. Clústeres de correlación de variables
2. Estimación del modelo de regresión e interpretación
Se estimó el modelo, el cual muestra la probabilidad de incumplimiento, quedando definido por

las siguientes variables:
Tabla 11. Modelo de regresión logístico
Variable dependiente: Y[0: Bueno, 1: Malo]

Variable Coeficiente Error Estándar Z Value Prob.
Intercepto -3.63 0.02 -150.56 0.00

W_DEPARTi -0.97 0.04 -24.14 0.00
W_PLAZOi -0.65 0.09 -7.35 0.00
W_TIPO_PRESTi -0.61 0.06 -10.71 0.00
W_SIT_CLIENTEi -2.27 0.19 -11.82 0.00
W_SEXOi -6.27 0.94 -6.67 0.00
W_INGRESOi -0.98 0.05 -19.57 0.00
W_ANTIG_LABi -0.61 0.11 -5.72 0.00
W_DEUDA_SFi -0.45 0.11 -4.13 0.00
35
El modelo de regresión logístico estima la probabilidad de incumplimiento del cliente y queda
definido por variables cualitativas como el departamento en donde se desembolsó el crédito, el
tipo de préstamo (sector al que pertenece el trabajador público que solicita el préstamo), la
situación laboral del cliente, sexo; así como de las variables intrínsecas de la operación de
préstamo como son el plazo, deuda en el sistema financiero además de la variable ingreso del
trabajador (que considera lo que en neto ingresa a la cuenta de ahorros en el banco) y
antigüedad laboral.
Se evidencia que estas variables independientes son significativas a por lo menos el 95 por
ciento de confianza estadística, lo que indica que las variables influyen en la probabilidad de
pago del prestatario. Asimismo, presentan coeficientes negativos, lo cual se explica por la
relación que tiene el WOE con la probabilidad de default, siendo esta una relación negativa.
Específicamente, para obtener la interpretación de los coeficientes se reescribirá la expresión del

modelo final de la siguiente manera:
Dada la especificación inicial del modelo de regresión logística

1
𝑃𝑟𝑜𝑏[𝑌 = 1] = 𝑝 =
1+ 𝑒 −(𝛽0 +𝛽1 𝑋1 +𝛽2 𝑋2 +⋯ )
Se obtiene la expresión resultante es conocida como Logit:

𝑝
ln ( ) = 𝛽0 + 𝛽1 𝑋1 + 𝛽2 𝑋2 + ⋯
1−𝑝
Si tomamos exponenciales, la expresión representaría el ratio odds y quedaría según se presenta

a continuación:
𝑝
= 𝑒 𝛽0 ∗ 𝑒 𝛽1 𝑋1 ∗ 𝑒 𝛽2 𝑋2 ∗ …
1−𝑝
Es así que las estimaciones de los coeficientes del modelo muestran que las variables con las
que queda definido el modelo influyen en términos del ratio odds, dado un incremento de una
unidad en la variable señalada incrementaría el ratio según como sigue: (i) si se produce en la
variable W_DEPART sería de 0,38 (resultado de e(-0,97), dado que 𝛽1 = −0,97 , cálculos
similares se realizan para las variables independientes en adelante); (ii) si se produce en la
variable W_PLAZO sería de 0,52; (iii) si se produce en la variable W_TIPO_PREST sería de
0,54; (iv) si se produce en la variable W_SIT_CLIENTE sería de 0,10; (v) si se produce en la
36
variable W_SEXO sería de 0,002; (vi) si se produce en la variable W_INGRESO (que equivale
por ejemplo de pasar del rango de ingresos de 100-400 al 931-1400) sería de 0,38; (vii) si se
produce en la variable W_ANTIG_LAB sería de 0,54; y finalmente, (viii) si se produce en la
variable W_DEUDA_SF sería de 0.64.
Adicionalmente, las estimaciones muestran que medido a través de la probabilidad de

incumplimiento y tomando en cuenta, por ejemplo, variaciones en la variable origen INGRESO
(no considera el WOE respectivo), se obtiene que para un cliente que solicita el préstamo en el
departamento de Loreto, con una solicitud de préstamo con plazo mayor a 40 meses, laborando
en el sector Educación (Maestro), situación activo, de sexo femenino, con un rango de ingreso
de S/ 930 a S/ 1.400, con antigüedad laboral mayor a 1 año y deuda promedio en el sistema
financiero hasta S/ 6 mil, la probabilidad de default es 0,12. Si el ingreso estuviera en el rango
de S/ 401 a S/ 800, la probabilidad de default sería de 0,23 incrementándose el riesgo crediticio
en 11 puntos básicos.
2.1 Poder discriminatorio
Una vez construido el modelo de regresión logística se tiene los siguientes posibles casos:
 Se produce el default y el modelo lo clasifica como mal crédito (clasificación apropiada).

 Se produce el default y el modelo lo clasifica como buen crédito (error Tipo I).
 No se produce el default y el modelo lo clasifica como mal crédito (error Tipo II).
 No se produce el default y el modelo lo clasifica como buen crédito (clasificación
apropiada).
Se plantea un cut off de 2,7%, denotando Ct y Ft, respectivamente, el número de casos

correctamente y erróneamente clasificados como malos, por lo que la sensibilidad (Ht) y la falsa
alarma (F) son:
𝐶𝑇 𝑊 𝑇
𝐻𝑇 = 𝐷
, 𝐹𝑇 = 𝑁−𝐷
La curva ROC muestra la sensibilidad contra las falsas alarmas. Cuanto más pronunciada es la
curva ROC, es mejor, debido a que implica que hay pocas falsas alarmas en comparación con
los malos créditos detectados correctamente. La curva ROC también puede ser interpretada
como un trade off entre el error tipo I y error tipo II (Ht=1-E1 y Ft=E2).
37
El área bajo la curva ROC es una medida de discriminación ampliamente utilizada y, para el
modelo, es de 0,7379, lo que implica que el modelo tiene poder de discriminación aceptable, de
acuerdo con lo señalado por Hosmer et al.(2013).
Tabla 12. Regla de decisión para el ROC

ROC Calificación
Igual a 0,5 No hay discriminación
Mayor a 0,5 y menor a 0,7 Discriminación baja
Mayor o igual a 0,7 y menor a 0,8 Discriminación aceptable
Mayor o igual a 0,8 y menor a 0,9 Discriminación excelente
Mayor o igual a 0,9 Discriminación sobresaliente
Fuente: Hosmer et al., 2013.
Gráfico 11. Curva ROC
No obstante, las ventajas de la curva ROC, según Servigny y Renault (2004), se tienen ciertas
limitantes:
 La medida ROC está centrada en el ordenamiento en rango y, por lo tanto, solo se ocupa de
la clasificación relativa. En términos de crédito, siempre y cuando el modelo produzca una
clasificación correcta de las empresas en términos de probabilidades de incumplimiento,
tendrá un buen coeficiente ROC, independientemente de si todas las empresas asignaron
probabilidades mucho más bajas (o más) que sus valores reales. Por lo tanto, uno puede
38
tener un modelo que subestima el riesgo sustancialmente, pero todavía tiene un coeficiente
ROC satisfactorio.
 ROC es una medida aceptable siempre y cuando la distribución de clase no sea sesgada.
Este es el caso del crédito, donde la población que cumple sus pagos es mucho mayor que la
que no cumple. Las curvas ROC pueden no ser la medida más adecuada en tales
circunstancias.
Además, se realiza el análisis del KS, el cual mide el poder predictivo del modelo a través de la
divergencia entre la distribución de buenos y malos
Tabla 13. Análisis K-S

PD % % Tasa
PD Bueno Malo Total % Total PD KS Odds
Acum. Buenos Malos aprob
<= 0.004 5,749 31 5,780 7% 0.5% 0.5% 7% 1% 6% 185.45 0.07
0.005 - 0.006 6,726 44 6,770 8% 0.6% 0.6% 15% 3% 12% 152.86 0.15
0.007 - 0.008 7,919 69 7,988 9% 0.9% 0.7% 25% 6% 18% 114.77 0.24
0.009 - 0.01 6,100 74 6,174 7% 1.2% 0.8% 32% 10% 22% 82.43 0.32
0.011 - 0.013 9,258 130 9,388 11% 1.4% 1.0% 43% 15% 28% 71.22 0.43
0.014 - 0.017 8,041 139 8,180 10% 1.7% 1.1% 53% 22% 32% 57.85 0.52
0.018 - 0.021 7,191 148 7,339 9% 2.0% 1.2% 62% 28% 34% 48.59 0.61
0.022 - 0.027 8,166 238 8,404 10% 2.8% 1.5% 72% 39% 33% 34.31 0.71
0.028 - 0.036 8,066 212 8,278 10% 2.6% 1.6% 82% 48% 33% 38.05 0.81
0.037 - 0.059 8,192 388 8,580 10% 4.5% 1.9% 92% 65% 26% 21.11 0.91
>= 0.06 6,970 781 7,751 9% 10.1% 2.7% 100% 100% 0% 8.92 1.00
Total 82,378 2,254 84,632 100% 2.7%
Se observa una divergencia entre buenos créditos y malos créditos obteniéndose un KS de 34%,
el cual se encuentra dentro del rango satisfactorio entre 20% y 40%, según referencia de Mays
(2004). De los resultados obtenidos, con el cut off de 2,7% para la probabilidad de
incumplimiento, permite obtener una tasa de aprobación de solicitudes de crédito del 71%.
En base a este análisis es posible establecer objetivos de riesgo que está dispuesto a aceptar el
BN de acuerdo a su perfil de riesgos.
39
Gráfico 12. Análisis K-S
120%
100%
80%
60%
40%
20%
0%
1 2 3 4 5 6 7 8 9 10 11
% Buenos % Malos
2.2 Validación
Empleando la muestra de validación, se procederá a aplicar el modelo planteado, con la

finalidad de revisar cuál hubiese sido el comportamiento de este para predecir los desembolsos
realizados entre el periodo enero 2014 a diciembre 2014.
Gráfico 13. Distribución del probabilidad de default según buenos (rojo) y malos (verde)
La muestra de validación consta de 84.632 registros, de los cuales 82.378 son buenos y 2.254
han sido definidos como malos, esta muestra contiene similar número de buenos y malos
créditos, respecto de la muestra de construcción, como se observó en la tabla 4.
Utilizando los coeficientes estimados por el modelo de regresión logística, se estimó la

probabilidad de default en plantilla Excel. Realizados los cálculos, se obtuvo una sensibilidad de
40
61% (malos detectados por el modelo) y una especificidad de 72% (buenos detectados por el
modelo).
Tabla 14. Validación del modelo (matriz de confusión)
Estimación - modelo de regresión

Observación/ estimación
Bueno Malo Total
Bueno 59.150 23.228 82.378
Observación Malo 873 1.381 2.254
Total 60.023 24.609 84.632
41
Conclusiones y recomendaciones
1. Conclusiones
 Con el modelo de regresión logística se demuestra que la probabilidad de default para la

cartera de créditos de consumo no revolvente del BN viene determinado por variables
cualitativas como departamento donde se desembolsa el crédito, sector en el que labora el
trabajador público, su situación laboral: activo o pensionista y sexo en combinación con
variables cuantitativas como plazo del préstamo, antigüedad laboral, ingreso del trabajador y
la deuda en el sistema financiero al momento de solicitar el crédito.
 El modelo de regresión logístico obtuvo un poder de discriminatorio aceptable medido a

través del estadístico K-S y la curva ROC y área bajo la curva ROC siendo de 0,7379. Con
la validación del modelo se obtuvo que el 61% de los créditos malos observados son
estimados por el modelo.
 La identificación de las variables determinantes de la probabilidad de default permitirá una

mejora en la gestión del riesgo crediticio del BN en el entendido que se desenvuelve en un
entorno externo e interno que requerirían modificar su modelo de negocios actual (recupero
de los préstamos a través de débito automático sobre la cuenta de haberes que posee el
cliente en el BN).
2. Recomendaciones
 Implementar la técnica del credit scoring en el proceso de evaluación crediticia para los
préstamos no revolventes del Banco de la Nación a través de un modelo de regresión
logística, tomando en cuenta las ventajas que esta herramienta le ofrece.
 Dado que el presente trabajo de investigación es un primer acercamiento a una propuesta la

aplicación del credit scoring en el Banco de la Nación, resulta necesario analizar el impacto
que ocasionaría una eventual implementación que, además del entendimiento de las ventajas
y desventajas que esta técnica ofrece, requerirá cambios en la mentalidad de los funcionarios
de negocios.
42
 Enriquecer la estimación del modelo de regresión con información de desembolsos que
abarque un ciclo económico.
 Explorar la incorporación en el modelo de variables macroeconómicas como por ejemplo las

relacionadas a demanda interna, desempleo, producto bruto interno, tasas de interés de la
política monetaria. Siguiendo a Carrera (2011), estimaciones de corte deberían extenderse a
paneles que capturen hechos estilizados a nivel macroeconómico.
 Teniendo en consideración las limitaciones del scoring que utiliza el pasado para explicar el
futuro, y la dinámica en las características o principales variables determinantes, se
recomienda la revisión del modelo por lo menos con una periodicidad anual, con el objetivo
de evitar el deterioro en el tiempo.
 Es preciso indicar que el presente trabajo de investigación no ha tenido por objetivo

desarrollar la estimación del componente probabilidad de incumplimiento, satisfaciendo los
requisitos mínimos que el regulador exige. No obstante, es un primer avance que, aunado al
inicio de los esfuerzos para el desarrollo de los componentes Pérdida dado el
incumplimiento y Exposición ante incumplimiento, podrían, en un futuro, permitirle optar
por la solicitud de la aprobación por parte de la SBS para el cálculo de requerimiento de
capital por riesgo crediticio a través de modelo interno.
43
Bibliografía
Anderson, Raymond (2007). The Credit Scoring Toolkit - Theory and Practice for Retail Credit
Risk Management and Decision Automation. Estados Unidos de América: Oxford University
Press Inc.
Banco de la Nación. (1994). Estatuto del Banco de la Nación – Texto actualizado. Fecha de
consulta: 31.03.2017. Disponible en: http://www.bn.com.pe/nosotros/estatuto.asp
Carrera, César. (2011). “El canal del crédito bancario en el Perú: Evidencia y mecanismo de
transmisión”. En: Banco Central de Reserva del Perú. Diciembre 2011. Fecha de consulta:
14/06/2017. <http://www.bcrp.gob.pe/docs/Publicaciones/Revista-Estudios-Economicos/22/ree-
22-carrera.pdf>.
De Servigny, Arnaud y Renault, Olivier (2004). Measuring and Managing Credit Risk. México:
McGraw-Hill Companies, Inc.
Escalona, Arturo (2011). Uso de Modelos Credit Scoring en Microfinanzas. Tesis presentada
como requisito parcial para obtener el grado de Maestro en Ciencias. Institución de enseñanza e
investigación en ciencias agrícolas Campus Montecillo - México.
Hosmer, David; Lemeshow, Stanley; Sturdivant, Rodney (2013). Applied Logistic Regression.
3ra edición. Estados Unidos de América: John Wiley&Sons, Inc.
Lawrence, David y Arlene Solomon (2002). Managing a Consumer Lending Business. Estados
Unidos de América: Solomon Lawrence Partners.
Maddala, G.S. (1996). Introducción a la Econometría. 2da. Edición. México: Prentice-Hall

Hispanoamérica, S.A.
Mays E; Nuetzel P. (2004) Scorecard Monitoring Reports. In Mays, E. (ed.) Credit Scoring for
Risk Managers: The Handbook for Lenders. Estados Unidos de América: South-Western
Publishing: Mason, OH.
Samaniego, Reyes (2008). El Riesgo de Crédito en el Marco del Acuerdo de Basilea II. 1ra
edición. España: Delta Publicaciones Universitarias.
44
Siddiqi, Naeem (2006). Credit Risk Scorecards Developing and Implementing Intelligent Credit
Scoring. Estados Unidos de América: John Wiley&Sons, Inc.
Superintendencia de Banca, Seguros y AFP (SBS). (2017). Sistema Financiero. Fecha de

consulta: 15.03.2017. Disponible en: http://www.sbs.gob.pe/principal/categoria/sistema
financiero/148/c-148
45
Anexos
46
Anexo 1. Ranking del sistema bancario y el BN por créditos de consumo no revolvente y revolvente
Nov-15 Dic-15 Nov-16 Dic-16
BANCOS Millones Millones Millones Millones
Part. % Part. % Part. % Part. %
S /. S /. S /. S /.
1 CREDITO 10,310 24.2% 10,276 23.9% 10,698 23.2% 10,571 22.9%

2 INTERBANK 8,366 19.6% 8,416 19.6% 8,999 19.5% 8,889 19.3%
3 S COTIABANK 5,634 13.2% 5,649 13.1% 6,419 13.9% 6,480 14.0%
4 CONTINENTAL 4,091 9.6% 4,073 9.5% 4,488 9.7% 4,422 9.6%
5 BN 3,867 9.1% 3,867 9.0% 4,142 9.0% 4,175 9.0%
6 FALLABELLA 3,689 8.6% 3,848 8.9% 3,831 8.3% 3,925 8.5%
7 RIPLEY 1,444 3.4% 1,541 3.6% 1,695 3.7% 1,776 3.8%
8 FINANCIERO 1,302 3.1% 1,315 3.1% 1,526 3.3% 1,555 3.4%
9 COMERCIO 858 2.0% 853 2.0% 939 2.0% 948 2.1%
10 BIF 780 1.8% 794 1.8% 937 2.0% 940 2.0%
11 GNB 899 2.1% 894 2.1% 902 2.0% 902 2.0%
12 MIBANCO 593 1.4% 604 1.4% 679 1.5% 686 1.5%
13 CENCOS UD 410 1.0% 444 1.0% 499 1.1% 517 1.1%
14 AZTECA 433 1.0% 430 1.0% 339 0.7% 360 0.8%
15 S ANTANDER 1.2 0.0% 1.2 0.0% 0.8 0.0% 1.2 0.0%
16 CITIBANK 0 0.0% 0 0.0% 0 0.0% 0 0.0%
TOTAL 42,677 100.0% 43,005 100.0% 46,094 100.0% 46,147 100.0%
47
Anexo 2. Árboles de decisión para las variables independientes
48
49
50
51
52
53
Anexo 3. Código usado para el modelo de regresión
################################################
# Configuración espacio de trabajo
################################################
setwd("C:/Users/INTEL/Desktop/Tesis 2017/Scoring/Scoring")
################################################
# Carga de datos y exploración
################################################
datos.total<-read.table("datos_scoring.csv",header=T,sep=",")
head(datos.total)
str(datos.total) # muestra los tipos de variables
summary(datos.total) # Resumen de rango de valores
dim(datos.total)
length(unique(datos.total$ID)) # duplicado
# Transformar variable ID
datos.total$ID<-as.character(datos.total$ID)
# Exclusiones
datos.total<- subset(datos.total, DEF_MALO < 2) # Indeterminados
datos.total<- subset(datos.total, INGRESO <= 10000) # Valores extremos
datos.total<- subset(datos.total, DEUDA_SF <= 100000) # Valores extremos
# Transformando la variable dependiente de numérica a factor (categórica)

datos.total$DEF_MALO<-as.factor(datos.total$DEF_MALO)
# verificar niveles de datos categóricos

levels(datos.total$DEF_MALO)
# Quitar variables de la base

datos.total<- datos.total[,c(-14)]
# Datos categóricos
prop.table(table(datos.total$DEPARTAMENTO,datos.total$DEF_MALO)) # global
prop.table(table(datos.total$DEPARTAMENTO,datos.total$DEF_MALO),margin=1) # por
variable indep
prop.table(table(datos.total$DEPARTAMENTO,datos.total$DEF_MALO),margin=2) # por
variable dep-respuesta
barplot(table (datos.total$DEPARTAMENTO), col=c("blue","lightblue"),
main =" Diagrama de barras de las frecuencias absolutas \n de la variable \"
DEPARTAMENTO\"")
barplot(table(datos.total$DEF_MALO,datos.total$SEXO),beside=TRUE,names=c("Mujer","Ho
mbre"),col=c("red","blue"),legend.text=c("Buenos","Malos"))
# Datos continuos
hist(datos.total$IMPORTE_PRESTAMO)
hist(datos.total$EDAD)
hist(datos.total$PLAZO)
hist(datos.total$INGRESO)
hist(datos.total$ANTIG_LAB)
54
hist(datos.total$DEUDA_SF)
hist(datos.total$NUM_ENT)
hist(datos$NUM_ENT)
#% malos
table(datos.total$DEF_MALO)/nrow(datos.total)*100
# % malos x variable
tabla1=table(datos.total$ANTIG_LAB,datos.total$DEF_MALO)
tabla1
tabla2=prop.table(tabla1,margin=1)
tabla2
# Barras agrupadas
barplot(tabla2,col=2:6,beside = T,
xlab="Bueno = 0 y Malo = 1",
ylab="Proporción de Clientes",
main="Porcentaje por clasificación riesgo")
#Selección muestra: data de desarrollo y validación

#install.packages("caTools")
library(caTools)
dim(datos.total)
set.seed(123456)
muestra<- sample.split(datos.total, SplitRatio = 1/2)
datos<- subset(datos.total, muestra == TRUE)
datos.test<- subset(datos.total, muestra == FALSE)
dim(datos)
dim(datos.test)
#% malos base desarrollo

table(datos$DEF_MALO)/nrow(datos)*100
#% malos base validación

table(datos.test$DEF_MALO)/nrow(datos.test)*100
############################################################
# Árbol de clasificación
############################################################
# Build a conditional tree using the party package.
# install.packages("party")
library(party)
require(party, quietly = TRUE)
rpart<- ctree(DEF_MALO ~ INGRESO, data=datos)
rpart<- ctree(DEF_MALO ~ EDAD, data=datos)
rpart<- ctree(DEF_MALO ~ IMPORTE_PRESTAMO, data=datos)
rpart<- ctree(DEF_MALO ~ PLAZO, data=datos)
rpart<- ctree(DEF_MALO ~ ANTIG_LAB, data=datos)
rpart<- ctree(DEF_MALO ~ DEUDA_SF, data=datos)
rpart<- ctree(DEF_MALO ~ NUM_PRESTAMOS, data = datos)
rpart<- ctree(DEF_MALO ~ NUM_ENT, data = datos)
rpart<- ctree(DEF_MALO ~ SITUACION_CLIENTE, data = datos)
55
rpart<- ctree(DEF_MALO ~ SEXO, data = datos.total) # no sale relevante
rpart<- ctree(DEF_MALO ~ TIPO_PRESTAMO, data = datos)
rpart<- ctree(DEF_MALO ~ DEPARTAMENTO, data = datos)
print(rpart)
plot(rpart)
## Guardar gráfico con 3 o más variables (para 2 variables usar w=2000 y h=1000)
png(filename = "rpart_tree_scoring.png",
width = 2000,
height = 1000)
plot(rpart)
dev.off()
############################################################
# Cargando las bases con variables WoEs
############################################################
datos.woe.cons<-read.table("bd_cons.csv",header=T,sep=",")
datos.woe.valid<-read.table("bd_valid.csv",header=T,sep=",")
str(datos.woe.cons) # muestra los tipos de variables
############################################################
# Regresión logística binaria
############################################################
# Estimación del modelo
modelo_logit<- glm(DEF_MALO ~
W_DEPART+W_IMP_PRES+W_PLAZO+W_TIPO_PREST+W_SIT_CLIENTE+W_EDAD+
W_SEXO+W_INGRESO+W_ANTIG_LAB+W_NUM_ENT+W_DEUDA_SF+W_NUM_PRE
ST, family = binomial(), data = datos.woe.cons)
modelo_logit<- glm(DEF_MALO ~
W_DEPART+W_PLAZO+W_TIPO_PREST+W_SIT_CLIENTE+W_SEXO+W_INGRESO+
W_ANTIG_LAB+W_DEUDA_SF, family = binomial(), data = datos.woe.cons)
summary(modelo_logit)
# Probabilidades de default - base validación

pd_proy<- predict(modelo_logit, newdata=datos.woe.valid[,-1], type="response")
# Valores predichos de Y
ypred<- as.numeric((predict(modelo_logit, newdata=datos.woe.valid[,-1], type="response") >=
0.1) )
# Valores reales de Y
ytrue<- datos.woe.valid$DEF_MALO
## Matriz de confusión (error Clasificación)

modelo.mc <- table(ypred,ytrue)
modelo.mc
# AUC
install.packages("pROC")
library(pROC)
logit.analysis<- roc(response=ytrue, predictor=pd_proy)
logit.analysis$auc
56
# ROC
install.packages("ROCR")
library(ROCR)
pred<-prediction(pd_proy,ytrue)
perf<- performance(pred,"tpr","fpr")
plot(perf)
# Cálculodel KS
max(attr(perf,'y.values')[[1]]-attr(perf,'x.values')[[1]])
#######################################
# Base validación con probproyectada #
#######################################
Base_Validacion = data.frame(datos.woe.valid, prob_logit = pd_proy)
head(Base_Validacion)
# Exportando base en formato csv

write.csv(Base_Validacion, file="data_valid_completa.csv")
## Exportamos datos a csv o txt

write.csv(datos, file="data_desarrollo.csv")
write.csv(datos.test, file="data_validacion.csv")
write.table(datos.test, file="data_valid.txt")
# Exportar salidas
summary(modelo_logit)
Resumen = summary(modelo_logit)
capture.output(Resumen, file="Resumen_Logit.doc")
57
Nota biográfica
Paola Aracelli Roxana Tamayo Medrano
Nació en Lima, el 27 de agosto de 1986. Economista de la Universidad Nacional Mayor de San

Marcos. Obtuvo la certificación internacional Chartered Risk Analyst (CRA) otorgada por la
American Academy of Financial Management y cuenta con especialización en Gestión de
Riesgos Financieros en el Tecnológico de Monterrey y Finanzas Corporativas en ESAN.
A la fecha, cuenta con experiencia de siete años en el sistema bancario, específicamente en

evaluación financiera de proyectos, análisis de rentabilidad por productos, canales y clientes,
proyección de estados financieros y gestión de riesgos crediticios y financieros. Participó en el
proyecto de implementación del Sistema de Rentabilidad del Banco de la Nación (líder usuario)
así como en la emisión del Primer Programa de Bonos Subordinados del Banco de la Nación
(análisis de riesgo). Se desempeñó como analista y jefa de la Sección Estudios Financieros,
como subgerente (e) de Riesgos Crediticios y Financieros del Banco de la Nación; y
actualmente como subgerente (e) de Estudios Económicos y Financieros de la Gerencia de
Finanzas y Contabilidad, funciones desempeñadas en el Banco de la Nación.
58

Paola Tesis Maestria 2017

Cargado por

Información del documentohacer clic para expandir la información del documento

Copyright:

Formatos disponibles

Paola Tesis Maestria 2017

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Paola Tesis Maestria 2017

Cargado por

Copyright:

Formatos disponibles

“CREDIT SCORING PARA LA CARTERA CREDITICIA DE

CONSUMO NO REVOLVENTE DE UNA ENTIDAD BANCARIA

Trabajo de Investigación presentado

Srta. Paola Aracelli Roxana Tamayo Medrano

El presente trabajo de investigación busca entender las variables determinantes de la

Se obtuvo que variables cualitativas como el departamento en donde se desembolsó el crédito,

Capítulo I. Introducción ..............................................................................................................1

Capítulo II. Marco teórico...........................................................................................................3

Capítulo III. Planteamiento del problema ...............................................................................15

Capítulo IV. Metodología e implementación ...........................................................................21

Conclusiones y recomendaciones ..............................................................................................42

Actualmente, el BN evalúa al potencial cliente ex ante a través de su capacidad de

Durante el proceso de otorgamiento de un crédito se producen problemas de información entre

La SBS, en su Resolución 3780-2011 define el riesgo crediticio como «La posibilidad de

 Probabilidad de incumplimiento: probabilidad que la contraparte no haga frente a sus

Gráfico 1. Factores determinantes del riesgo crediticio

Fuente: Samaniego, 2008.

 Probabilidad de incumplimiento: probabilidad de ocurrencia del evento de

Partiendo de estas clasificaciones, el presente trabajo de investigación desarrollará un scoring de

 Evaluación de riesgos objetiva: elimina la influencia del juicio personal en el proceso de

No obstante, se debe mencionar que, en ciertos segmentos de clientes, el juicio humano

2.2 Limitaciones del credit scoring

2.3 Metodologías en el desarrollo de credit scoring

Existen diferentes modelos de credit scoring para la identificación de las variables

Tabla 1. Principales técnicas para desarrollar un modelo de creditscoring

Según De Servigny y Renault (2004), el principal objetivo del análisis discriminante es

Asimismo, De Servigny y Renault (2004) señalan que siguiendo el enfoque de Fisher

El máximo se obtiene diferenciando F respecto al vector de pesos e igualando a cero:

La única solución de (2) es:

Una observación x es asignada entonces al grupo ω1 si ωT x + α > 0 y al grupo ω2 si

La aplicación más famosa del análisis discriminante en credit scoring es el Z-Score de

 Modelo de probabilidad de regresión lineal

𝑃(𝑏𝑢𝑒𝑛 𝑐𝑟é𝑑𝑖𝑡𝑜)𝑖 = 𝛽0 + ∑ 𝛽𝑗 𝑋𝑖𝑗 + 𝑒𝑖

La probabilidad por cada observación i, es la suma de una constante y el producto de una

La principal deficiencia del modelo de regresión lineal es el relativo al cumplimiento de la

 Modelo de regresión logística

Sean 𝜌 variables independientes y la probabilidad condicional de que el resultado este

Asumimos que tenemos una muestra de n observaciones independientes ( 𝑥𝑖 , 𝑦𝑖 ), 𝑖 =

∑ 𝑥𝑖𝑗 [𝑦𝑖 − 𝜋(𝑥𝑖 )] = 0

Las unidades de los parámetros obtenidos van a depender de la unidad de la variable de

Minimizar ∑ e2i sujeto a:

 Desempeño: un modelo más complejo debería proveer una mejora significante en la

Tomando en cuenta lo mencionado, el presente trabajo de investigación buscará contrastar su

En el mismo periodo, el patrimonio alcanzó S/ 2.373 millones, aumentando en S/ 578 millones

Respecto a los préstamos de consumo no revolvente 3 , en el año 2001lanzó al mercado el

Principales características del producto:

Requisitos para la admisión:

 Ser trabajador con contrato a plazo indeterminado, determinado o con Contrato

Máxima 33% del Cuota mensual por

Fuente: Banco de la Nación, 2017.

Tabla 3. Parámetros aplicables en el otorgamiento de un crédito BN

Gráfico 3. Evolución del saldo vigente de préstamos de consumo no revolvente y

Saldo Morosidad BN Morosidad Sector Bancario

La principal causa de la morosidad en los préstamos Multired es la pérdida del abono en el

Adicionalmente, otra ventaja es la inclusión de la herramienta en su nuevo core bancario dentro

1. Base de datos y variables utilizadas en la estimación

La información corresponde a los desembolsos de los préstamos Multired a nivel nacional en el

Tabla 4. Composición de las muestras de construcción y validación

1.2 Definición de variables