Probabilidad de incumplimiento de una cartera castigada, en la modalidad de microcrédito, para una entidad del sistema financiero Colombiano en el año 2017

Abstract

Para el desarrollo del presente trabajo, se tomó información de la base de datos de una cartera de microcrédito, perteneciente a una entidad financiera colombiana, dicha base contiene información de obligaciones desde Julio del 2016 hasta diciembre de 2017. Al tomar esta información se busca determinar la Probabilidad de incumplimiento (PI) de mencionada cartera, apoyados en una estimación econométrica, de forma particular, un modelo de Regresión Logística Binaria. Para encontrar esta PI se tuvieron en cuenta 15 variables predictores y una variable dependiente dicotómica que diferencia entre aquellos clientes que pagan y no pagan, llamada para el estudio logit. Dentro de los primeros pasos para realizar este estudio, se realizó un análisis descriptivo de las variables, para comprender las relaciones entre las predictores y la variable dependiente u objetivo. Seguido se corrió el modelo de regresión logística bajo el método “hacia adelante de Wald” con el programa IBM SPSS; con los datos de un año, es decir de julio de 2016 a junio de 2017, se diseñó el modelo y luego se aplicó una prueba Backtesting entre julio y diciembre de 2017. Se debe tener en cuenta el siguiente comentario: La población objeto de estudio tenía la característica, eran microcréditos castigados, en este sentido el trabajo presentó un reto adicional al tener una población con alta probabilidad de no pagar; pero de acuerdo a la estrategia de recuperación diseñada por la entidad financiera, se observan recuperaciones menores, pero que llevan a evaluar el fenómeno desde una muestra estratificada. Al utilizar la muestra, aplicando el modelo obtenido con la misma, se obtuvo un porcentaje de acierto en la clasificación del pago e impago de 88,8% y un área bajo la curva (AUROC) del 92,2%, queriendo decir que el modelo posee un aceptable nivel predictivo. Por último, se realizó la prueba backtesting al modelo con las personas que no habían pagado en ese año para predecir su comportamiento de pago en los restantes seis meses, esto dio un buen resultado de clasificación, adicional a eso se realizó un análisis descriptivo de los resultados, que arrojó el modelo generando así parámetros para el riesgo de crédito, por tanto, se puede asumir que el modelo logit es de gran utilidad para la entidad, al disminuir el riesgo de crédito y aumentar la utilidad de la misma.