Acceso usuarios
Alondra M. Gress Guerrero, Jedidia Hernández Vargas, Jose Manuel Martínez Sánchez, Francisco J. Martínez Farías
La evaluación del riesgo de crédito es esencial para las instituciones financieras, ya que les permite tomar la decisión correcta en el momento adecuado. Esta investigación presenta un modelo basado en un algoritmo de Red Bayesiana para estimar el riesgo de crédito en escenarios simplificados de perfil de cliente único para instituciones de microfinanzas. Demostramos el potencial de previsión del riesgo aplicando los datos probabilísticos de una base de datos histórica estándar. Nuestra aplicación se basa en una base de datos bancaria con resultados históricos de préstamos. Las variables de la base de datos son la edad, los ingresos, el historial crediticio, la propiedad de la vivienda y el estado final del préstamo, en el que existen tres posibilidades (pago, impago, incumplimiento). Establecemos una relación entre las variables mediante una red inferencial y tablas de probabilidades conjuntas. Además, exploramos tres escenarios, considerando diferentes rangos de edad e ingresos, para obtener distribuciones de probabilidad de riesgo. La probabilidad inferencial se obtiene mediante una red bayesiana donde la interrelación entre variables se estructura en una topología específica. Este trabajo, a diferencia de otros, utiliza el supuesto de causalidad para estimar la probabilidad de impago o riesgo de crédito. Esto se aproxima más a la realidad de las entidades de crédito y, por tanto, es una potente herramienta para la toma de decisiones en la evaluación crediticia por parte de las agencias de análisis de riesgos.
Assessing credit risk is crucial for financial institutions to make timely and accurate decisions. This researchproposes a model for microfinance institutions to estimate credit risk in simplified single-client scenarios. The model is based on a Bayesian Network algorithm and uses a historical database to demonstrate the forecast risk potential. The database includes variables such as age, income, credit history, home ownership, and the final state of the loan, which can be pay, default, or breach. By establishing a relationship between variables through an inferential network and joint probability tables, the research explores three scenarios to obtain risk probability distributions based on different age and income ranges. The inference probability is obtained via a Bayesian network, where the interrelation between variables is structured in a specific topology. We use the causality assumption to estimate the probability of default or credit risk, which is closer to the reality of credit institutions. Therefore, it is a powerful tool for risk analysis agencies to make informed decisions in credit evaluation.
