Análisis de riesgos financieros mediante algoritmos de cómputo inteligente
Fecha
2020-01-09Registro en:
Rangel Díaz de la Vega, Adolfo. (2019). Análisis de riesgos financieros mediante algoritmos de cómputo inteligente. (Maestría en Ciencias de la Computación). Instituto Politécnico Nacional, Centro de Investigación en Computación, México.
Autor
Rangel Díaz de la Vega, Adolfo
Institución
Resumen
RESUMEN:
En cualquier economía, el crecimiento sostenido se basa en la transferencia de los recursos pertenecientes al grupo de agentes económicos que deciden postergar su consumo (ahorradores) hacia el grupo de agentes económicos que requieren utilizarlos para financiar sus actividades o proyectos (solicitantes de crédito). Dicha transferencia se realiza a través del sistema financiero, el cual es integrado por diferentes intermediarios, quienes se encargan de canalizar los recursos hacia los agentes que buscan obtener algún préstamo.
El otorgamiento de crédito se lleva a cabo de acuerdo con un proceso que comprende seis etapas: promoción, integración, evaluación, otorgamiento, seguimiento y recuperación. El objetivo de las etapas tercera y quinta es anticipar el riesgo crediticio para minimizar las pérdidas a las que está expuesto el otorgante, lo que puede ser planteado como un problema de clasificación y resuelto analizando las características del solicitante mediante algún modelo de credit scoring.
Los modelos de credit scoring evalúan atributos de carácter financiero (capital o riqueza, capacidad de pago, colaterales o garantías) y económico (tasas de interés, estado de la economía, tipo de cambio), pero la recopilación de estos es realizada por individuos que no están exentos de cometer errores y dar lugar a información irregular, incompleta o imprecisa.
El Näive Associative Classifier (NAC) es un algoritmo de aprendizaje supervisado cuya fortaleza radica en su simplicidad, transparencia, adaptabilidad y precisión. Está diseñado para trabajar con información incompleta (categórica o numérica) y se apoya en un operador de similitud. En este trabajo de investigación se presenta el Näive Associative Classifier with Epsilon disambiguation (NAC), una extensión del NAC que, al incluir un procedimiento para desambiguar clases en regiones donde el riesgo de Bayes es elevado, repercute de manera positiva en el desempeño de los clasificadores del enfoque asociativo sobre diversos bancos de datos pertenecientes al entorno financiero, particularmente en términos de riesgo crediticio.
Los experimentos realizados para probar el NAC se basaron en 16 bancos de datos compuestos con información financiera y asociados con cinco etapas del proceso de crédito: promoción, evaluación, otorgamiento, seguimiento y recuperación. Debido al severo desbalance presente en la mayoría de los bancos de datos, el desempeño del algoritmo propuesto se midió con el área bajo la curva ROC. Asimismo, se efectúo validación cruzada estratificada 5x2 y por último se aplicaron pruebas estadísticas para contrastar los resultados.
Después de aplicar el NAC a los bancos de datos antes mencionados se observó que la desambiguación de clases resulta exitosa, lo que en el mundo real podría auxiliar a las instituciones financieras otorgantes de crédito a evaluar con mayor eficacia a los solicitantes de financiamiento y así contribuir con la mitigación de pérdidas monetarias derivadas de la mala calidad de la información.
ABSTRACT:
In any economy, sustained growth is based on the transfer of the resources belonging to the group of economic agents that decide to postpone their consumption (savers) to the group of economic agents that need funding to finance their activities or projects (credit applicants). This transfer is made through the financial system, which is integrated by different intermediaries, who oversee the resource addressing towards those seeking for a loan.
Credit granting is done according to a process that includes six stages: promotion, integration, evaluation, granting, monitoring and recovery. The objective of the third and fifth stages is to anticipate the credit risk and minimize the losses to which the grantor is exposed; this can be seen as a classification problem which can be solved by analyzing the characteristics of the applicant through a credit scoring model.
Credit scoring models evaluate attributes of a financial nature (capital or wealth, payment capacity, collateral or guarantees) and economic (interest rates, state of the economy, exchange rate), but the collection of these is done by individuals that are not exempt from making mistakes and therefore giving rise to irregular, incomplete or inaccurate information.
The Näive Associative Classifier (NAC) is a supervised learning algorithm whose strength lies in its simplicity, transparency, adaptability and precision. It is designed to work with incomplete information (categorical or numerical) and is supported by a similarity operator.
This document presents the Näive Associative Classifier with Epsilon disambiguation (NAC), an extension of the NAC that, by including a procedure to disambiguate classes in regions where Bayes risk is high, has a positive effect on the performance of the classifiers of the associative approach on several data banks belonging to the financial environment, particularly in terms of credit risk.
The experiments conducted to test the NAC were based on 16 data banks composed with financial information and associated with five stages of the credit process: promotion, evaluation, granting, monitoring and recovery. Due to the severe imbalance present in most data banks, the performance of the proposed algorithm was measured using the area under the ROC curve. Likewise, 5x2 stratified cross validation was made and finally a couple of statistical tests were applied to compare the results.
After applying the NAC to the data banks, a successful disambiguation of classes was observed. In the real world this facto could help credit granting financial institutions to evaluate the applicants more effectively and thus, contribute to the mitigation of monetary losses derived from the poor quality of the information.