APLICACIÓN DE LA REGRESIÓN LOGÍSTICA Y DE LOS ALGORITMOS GENÉTICOS EN EL ANÁLISIS DEL RIESGO DE CRÉDITO
DOI:
https://doi.org/10.4270/ruc.20128Palabras clave:
Riesgo de crédito. Modelos de credit scoring. Regresión logística. Algoritmos genéticos.Resumen
Las decisiones de concesión de crédito se basan principalmente en la evaluación del riesgo de impago de los contratistas potenciales de esos productos. Con los avances tecnológicos, modelos estadísticos fueron desarrollados para apoyar el análisis de las solicitudes de crédito, que hace unas pocas décadas se realizaban, con frecuencia, cualitativamente. El objetivo de este estudio es presentar el uso de la regresión logística y de los algoritmos genéticos para la clasificación de buenos y malos pagadores en la financiación bancaria y identificar el mejor modelo en términos de calidad de ajuste. A partir de una muestra de 14.000 datos, proporcionados por una gran institución financiera brasileña, las dos técnicas fueron aplicadas. La regresión logística mostró un mejor ajuste a los datos. Este estudio ha puesto de manifiesto los procedimientos que una empresa puede adoptar para identificar el mejor modelo de concesión de préstamos, que podrá dirigir la estrategia de la institución en la evaluación de las solicitudes de préstamos bancarios.
Descargas
Citas
ABDOU, H. A. Genetic programming for credit scoring: the case of Egyptian public sector banks. Expert Systems with Applications, v. 36, n. 9, p. 11402-11417, nov. 2009. http://dx.doi.org/10.1016/j.eswa.2009.01.076
ANDREEVA, G. European generic scoring models using logistic regression and survival analysis. In: YOUNG OR CONFERENCE, 2003, Bath. Anais… Bath: Young OR, 2003.
ARMINGER, G.; ENACHE, D.; BONNE, T. Analyzing credit risk data: a comparison of logistic discrimination, classification trees and feedforward networks. Computational Statistics, Berlim, v. 12, n.2, p. 293-310, 1997.
BACK, B.; LAITINEN, T.; SERE, K. Neural networks and genetic algorithms for bankruptcy predictions. In: WORLD CONFERENCE ON EXPERT SYSTEMS, 3., Seul. Anais… Seul: Science Direct, 1996. http://dx.doi.org/10.1016/S0957-4174(96)00055-3
BIJAK, K.; THOMAS, L. C. Does segmentation always improve model performance in credit scoring? Expert Systems with Applications, v. 39, n. 3, p. 2433-2442, fev. 2012. http://dx.doi.org/10.1016/j.eswa.2011.08.093
BRITO, G. A. S.; ASSAF NETO, A. Modelo de classificação de risco de crédito de empresas. Revista Contabilidade & Finanças, v. 19, n. 46, p. 18-29, abr. 2008. http://dx.doi.org/10.1590/S1519-70772008000100003
BROWN, I.; MUES, C. An experimental comparison of classification algorithms for imbalanced credit scoring data sets. Expert Systems with Applications, v. 39, n. 3, p. 3446-3453, fev. 2012. http://dx.doi.org/10.1016/j.eswa.2011.09.033
CHEN, M. C.; HUANG, S. H; CHEN, C. M. Credit classification analysis through the genetic programming approach. In: INTERNATIONAL CONFERENCE IN INFORMATION MANAGEMENT, 2002, Taipei. Anais… Taipei: Tamkang University, 2002.
CHEN, M. C.; HUANG, S. H. Credit scoring and rejected instances reassigning through evolutionary computation techniques. Expert Systems with Applications, St. Louis, v. 24, n. 4, p. 433-441, 2003. http://dx.doi.org/10.1016/S0957-4174(02)00191-4
FIDELIS, M. V.; LOPES, H. S.; FREITAS, A. A. Discovering comprehensible classification rules with a genetic algorithm. In: CONGRESS ON EVOLUTIONARY COMPUTATION, 2000, La Jolla. Anais... La Jolla: IEEE, 2000. http://dx.doi.org/10.1109/CEC.2000.870381
HAIR JR., J. F.; BLACK, W. C.; BABIN, B. J.; ANDERSON, R. E.; TATHAM, R. L. Análise multivariada de dados. São Paulo: Bookman, 2009.
HAND, D. J.; HENLEY, W. E. Statistical classification methods in consumer credit scoring: a review. Journal of Royal Statistical Society, London, v. 160, p. 523-541, 1997. http://dx.doi.org/10.1111/j.1467-985X.1997.00078.x
HARRISON, T.; ANSELL, J. Customer retention in the insurance industry: using survival analysis to predict cross-selling opportunities. Journal of Financial Services Marketing, London, v. 6, n. 3, p. 229-239, 2002. http://dx.doi.org/10.1057/palgrave.fsm.4770054
KISHORE, J. K.; PATNAIK, L. M.; MANI, V.; AGRAWAL, V. K. Application of genetic programming for multicategory pattern classification. IEEE Transactions on Evolutionary Computation, Birmingham, v. 4, n. 3, p. 242-257, 2000. http://dx.doi.org/10.1109/4235.873235
LEWIS, E. M. An introduction to credit scoring. San Rafael: Fair Isaac and Co., Inc, 1992.
LIMA, F. G.; PERERA, L. C. J.; KIMURA, H.; SILVA FILHO, A. C. Aplicação de redes neurais na análise e na concessão de crédito ao consumidor. Revista de Administração da USP, São Paulo, v. 44, n. 1, p. 34-45, 2009.
MAVRI, M.; ANGELIS, V.; IOANNOU, G.; GAKI, E.; KOUFODONTIS, I. A two-stage dynamic credit scoring model, based on customers’ profile and time horizon. Journal of Financial Services Marketing, v. 13, n. 1, p. 17-27, maio, 2008. http://dx.doi.org/10.1057/fsm.2008.2
OHTOSHI, C. Uma comparação de regressão logística, árvores de classificação e redes neurais: analisando dados de crédito. 2003. Dissertação (Mestrado em Estatística) – Programa de Pós-graduação em Estatística, Instituto de Matemática e Estatística da Universidade de São Paulo, São Paulo, 2003.
OOGHE, H.; CAMERLYNCK, J.; BALCAEN, S. The Ooghe-Joos-De Vos failure prediction models: a cross-industry validation. Brussels Economic Review, v. 46, p. 39-70, 2003.
PAPPA, G. L. Seleção de atributos utilizando algoritmos genéticos multiobjetivos. 2002. Dissertação (Mestrado em Informática) – Programa de Pós-graduação em Informática, Pontifícia Universidade do Paraná, Curitiba, 2002.
PEREIRA, G. H. A. Modelos de risco de crédito de clientes: uma aplicação a dados reais. 2004. Dissertação (Mestrado em Estatística) – Programa de Pós-graduação em Estatística, Instituto de Matemática e Estatística da Universidade de São Paulo, São Paulo, 2004.
PICININI, R., OLIVEIRA, G. M. B.; MONTEIRO, L. H. A. Mineração de critério de credit scoring utilizando algoritmos genéticos. In: SIMPÓSIO BRASILEIRO DE AUTOMAÇÃO INTELIGENTE, 6., 2003, Bauru. Anais... Bauru: Universidade de Brasília, 2003.
ROSA, P. T. M. Modelos de Credit Scoring: Regressão Logística, CHAID e REAL. 2000. Dissertação (Mestrado em Estatística) – Programa de Pós-graduação em Estatística, Instituto de Matemática e Estatística da Universidade de São Paulo, São Paulo, 2000.
SEMOLINI, R. Support vector machines, inferência transdutiva e o problema de classificação. 2002. Dissertação (Mestrado em Engenharia Elétrica) – Programa de Pós-graduação em Engenharia Elétrica, Faculdade de Engenharia Elétrica e de Computação da Universidade Estadual de Campinas, Campinas, 2002.
SIEGEL, S. Estatística não-paramétrica para as ciências do comportamento. São Paulo: McGraw-Hill, 1975.
SILVA, S. F. Seleção de características por meio de algoritmos genéticos para aprimoramento de rankings e de modelos de classificação. 2011. 115f. Tese (Doutorado em Estatística) – Instituto de Matemática e Estatística, Universidade de São Paulo, São Paulo, 2011.
ŠUŠTERŠIČ, M.; MRAMOR, D.; ZUPAN, J. Consumer credit scoring models with limited data. Expert Systems with Applications, v. 36, n. 3, p. 4736-4744, abr. 2009. http://dx.doi.org/10.1016/j.eswa.2008.06.016
TREVISANI, A. T., GONÇALVES, E. B., D’EMÍDIO, M.; HUMES, L. L. Qualidade de dados: desafio crítico para o sucesso do business intelligence. In: CONGRESSO LATINO AMERICANO DE ESTRATÉGIA, 18., 2004, Itajaí. Anais... Itajaí: Sociedade Latinoamericana de Estratégia, 2004.
ULISES, C.; CARMONA, D. M. Application of credit scoring models in the analysis of insolvency of a Brazilian microcredit institution. Journal of Modern Accounting and Auditing, v. 7, n. 8, p. 799-812, 2011.
YAP, B. W.; ONG, S. H.; HUSAIN, N. H. M. Using data mining to improve assessment of credit worthiness via credit scoring models. Expert Systems with Applications, v. 38, n. 10, p. 13274-13283, set 2011. http://dx.doi.org/10.1016/j.eswa.2011.04.147
Publicado
Cómo citar
Número
Sección
Licencia
Los derechos de autor de los artículos publicados en esta revista son del autor, y los derechos de primera publicación son de la revista. Por aparecer en esta revista de acceso público los artículos son de uso gratuito, con atribuciones específicas, en aplicaciones educativas y no comerciales. La revista permitirá el uso de trabajos publicados con fines no comerciales, incluso el derecho a enviar el trabajo a bases de datos de acceso público.
