Metodologías Y Herramientas De Predicción De Riesgo De Crédito Bancario.

CAPÍTULO II
Metodologías y Herramientas de Predicción de Riesgo de Crédito Bancario.
II.1 Modelos para pronosticar y calcular el riesgo de crédito.
L
os modelos de medición de riesgo de crédito buscan cuantificar el riesgo de enfrentar el incumplimiento en el pago de los créditos otorgados, es decir medir la probabilidad de incumplimiento. El cálculo de esta probabilidad tiene implícita laaplicación de una teoría financiero-económica.
Con el objetivo de cubrir las necesidades de medidas cuantitativas y objetivas que permitan acometer una gestión precisa, las herramientas y técnicas aplicadas en el cálculo del crédito han buscado apoyo en metodologías matemáticas y estadísticas, las cuales han permitido la elaboración de herramientas transparentes y homogéneas para el logro de solucionesinmediatas, al problema de la minimización del riesgo de crédito en cada entidad financiera o económica en sentido general. Esta búsqueda internacional ha aportado un número importante de modelos de predicción de insuficiencia financiera empresarial y cálculo de riesgo de crédito.
En el capítulo I de la presente investigación se plantea la importancia que reviste para las entidades financieras,la tendencia a contar con una medida de valoración de riesgo propia de cada entidad, que para algunas instituciones ha recibido el nombre de Sistema de Rating Internos, o lo que es lo mismo calificaciones internas que se otorgan a los acreditados por su nivel de riesgo, pero que en definitiva deviene en un sistema que implica la aplicación de herramientas o modelos que permitan determinar esosrating o scoring. Precisamente a continuación se expondrán algunos de los modelos más importantes que se utilizan con este fin:
Redes Neuronales [1] Las redes neuronales son modelos estadísticos no lineales utilizados principalmente para la clasificación y predicción de datos y variables. Un modelo de red neuronal es una estructura artificial que refleja la idea de procesamiento paralelo deinformación. Los métodos lineales tradicionales para estimar se basan en mecanismos de causa efecto, en los cuales el conjunto de variables exógenas afecta lineal y simultáneamente a la variable dependiente. El método de redes neuronales explora esta característica, extendiendo la metodología para incluir relaciones no lineales entre las variables. Una de las proposiciones para ser implementadas en lametodología de un Sistema de Alerta Temprana de riesgo en bancos consiste en considerar tres situaciones bancarias: sólida (segura y estable), riesgo moderado (lo que se denomina en stress financiero), y alto riesgo (crisis eminente). En las redes neuronales artificiales, la dificultad de modelar con neuronas binarias ha llevado a sustituirlas por funciones cuya salida es limitada pero no binaria, comoson los logit.
Análisis Discriminante Múltiple(ADM): El objetivo del ADM aplicado a la predicción de una situación financiera desfavorable es obtener una función que combine linealmente un conjunto de variables independientes, de tal forma que a través de esta función se obtenga un valor que será utilizado posteriormente con el fin de predecir la posible quiebra o incapacidad de una empresa decumplir con sus obligaciones. A esta función se le denomina comúnmente la z-score, y el valor de z puede representar una “apreciación sintética de la situación financiera de la empresa”, es decir, aproximadamente un ratio global de la misma, o dicho con otras palabras, un indicador del riesgo financiero global de la empresa.
Vigier, González y Locatelli(2001)[2] plantean que E. Altman es el primerautor que propone un método analítico que permita clasificar empresas en grupos de empresas sanas o no sanas. La propuesta de Altman se basa en la utilización del Análisis Discriminante Múltiple (ADM) y a él corresponde la teoría del z-score.
Modelo KMV [3] : Ha sido creado por parte de la corporación KMV de San Francisco y constituye un modelo de predicción de incumplimientos (El Modelo del...