Revista Ingenierías Universidad de Medellín

ISSN: 1692-3324
revistaingenierias@udem.edu.co
Universidad de Medellín
Colombia

Fernández Castaño, Horacio; Pérez Ramírez, Fredy Ocaris
El modelo logístico: una herramienta estadística para evaluar el riesgo de crédito
Revista Ingenierías Universidad de Medellín, vol. 4, núm. 6, enero-junio, 2005, pp. 55-75
Universidad de Medellín
Medellín, Colombia

Disponible en: http://www.redalyc.org/articulo.oa?id=75040605

Cómo citar el artículo
Número completo
Sistema de Información Científica
Más información del artículo Red de Revistas Científicas de América Latina, el Caribe, España y Portugal
Página de la revista en redalyc.org Proyecto académico sin fines de lucro, desarrollado bajo la iniciativa de acceso abierto

55

El modelo logístico: Una herramienta
estadística para evaluar
el riesgo de crédito
HORACIO FERNÁNDEZ CASTAÑO:
Magíster en Matemáticas Aplicadas de la Universidad EAFIT, Ingeniero Civil de la Escuela de Ingeniería
de Antioquia, Especialista en Sistemas de Administración de la Calidad ISO 9000, Especialista en
Gerencia de Construcciones y Licenciado en Matemáticas de la Universidad de Medellín. Profesor de
tiempo completo, Facultad de Ingenierías. Programa de Ingeniería Financiera. Universidad de Medellín. e-
mail: hfernandez@udem.edu.co

FREDY OCARIS PÉREZ RAMÍREZ:
Matemático de la Universidad de Antioquia, Magíster en Matemáticas Aplicadas de la Universidad EAFIT
y Estudios de Especialización en Estadística de la Universidad Nacional, sede Medellín. Profesor de
tiempo completo, Facultad de Ingenierías. Programa de Ingeniería Financiera. Universidad de Medellín. e-
mail: foperez@udem.edu.co

RESUMEN
Las propuestas contenidas en el documento del nuevo Acuerdo de Capital de Basilea representan
un sólido esfuerzo por incorporar los desarrollos recientes de la teoría financiera de cuantificación
del riesgo en la determinación del capital regulatorio mínimo que debe ser exigido a las entidades
financieras. Es propósito entonces no incrementar los requerimientos agregados de capital para la
banca que utilice el sistema estandarizado de medición del riesgo de crédito, y de estimular la
migración hacia la utilización del sistema basado en los rating internos.

En la práctica diaria se presentan situaciones en las que es necesario tomar decisiones. Es frecuente
que estas elecciones se hagan de manera automática, y haciendo solo uso de un razonamiento
lógico. Sin embargo, en otras situaciones la toma de alguna decisión, con el objeto de determinar
una estrategia óptima, se requiere de un análisis más profundo y para lo cual la mera intuición es
insuficiente.

Por ejemplo, para una entidad financiera es de gran utilidad disponer de un modelo, alejado de la
mera intuición, que le ayude a decidir sobre otorgar o no un crédito. La entidad debe evaluar la
probabilidad de que el cliente devuelva el dinero, lo cual será un hecho positivo para la entidad, o
bien que el cliente llegue a ser moroso, y esto será un hecho negativo para la entidad.

Ante esta situación, de elección binaria, es necesario hacer uso de modelos dicotómicos que
permitan evaluar la probabilidad asociada a cada alternativa de decisión. Es de gran ayuda utilizar
un modelo que, de acuerdo a lo ocurrido con otros préstamos, con diferentes estratos económi-

Universidad de Medellín

binary choice. it requires a deeper analysis in which the simple intuition is not enough. Before this situation. It is frequently that these choices are made in automatic way and just making use of a logic reasoning. among others. With different economic levels. It’s a great help to use a model that. INTRODUCCIÓN importancia en la actualidad. de incertidumbre. of binary choice. diferentes niveles de escolaridad. que se incluye aquí como una aplicación. debido al con- trol que están ejerciendo las agencias Las finanzas. it’s necessary to take decisions. different salaries. con- cerning about that happened with other loans. Palabras clave: Basilea. La incertidumbre es una de las características la valuación de activos y la evaluación y ad. Then. In the daily practice. it presents situations in which. However in the other situations taking some decisions with the purpose of determinations a very good strat- egy. de manera que se calcule la provisión necesaria para cubrir eventualidades de morosidad. como disciplina científica. probability.56 Fernández & Pérez cos. En este artículo se presenta un planteamiento no lineal de los modelos de elección dicotómica que. entre otros. sin duda. For example. The financial entity must evaluate the probability the costumer gives back the money which will be a positive fact for the entity. elección binaria. it is necessary to make used dichotomy models that allow evaluating the associated probability to every alternative. y con base en los resultados tomar una decisión después de una reflexión más profunda. internacionales sobre los países en desarrollo. and this will be a negative fact for the entity. it permits to calculate the probability that the costumer pays for the loan and based on these results they can take a decision after a deeper meditation. principales con las cuales debe convivir una ministración del riesgo. es una buena elección para evaluar el riesgo de crédito de una cartera comercial. the purpose is no increment the added requirements of capital for the banking house that uses standardized system of the risk credit measurement and the stimulation upon the use of the system based in the intern ratings. for a financial entity is very useful to have a model away of just intuition which have for to take a decision whether they give or not a credit. dichotomies models. now then that the customer becomes debtor. permita calcular la probabilidad de que el cliente cancele el préstamo. diferentes salarios. Una amplia serie de fe- Revista Ingenierías . Existen tres pilares analíticos de las finanzas: la optimización en el tiempo. and different academics levels. Key words: Basel. probabilidad ABSTRACT The proposal container in the document of the new Basel’s an agreement represents a solid effort to incorporate the resents the development of the financial theory of risk quantification in the determination of minimum regulatory capital that must be requested in the financial entities. Este último de gran institución financiera. estudian la manera como se asignan recursos y por esto se ha intensificado su estudio e in- escasos a lo largo del tiempo en condiciones vestigación. modelos dicotómicos.

. En el los aspectos centrales de las propuestas del caso de las instituciones bancarias. y definir las modalidades Universidad de Medellín . comité de Basilea. Banca. En ese sentido. ellas tienen Comité es el manejo del riesgo de crédito. generando comité es un foro de debate sobre la cultura y prácticas de alto nivel técnico en la supervisión bancaria cuyo fin es ser garantes administración del mismo. seguros conocer mejor la exposición de sus portafolios y establecer las pérdidas a las En este contexto. y otros repasar los diversos estudios realizados por el inherentes a la Banca. En el caso de financieras requieren ampliar sus alternativas las compañías de seguros. se creó en 1974 por los gobernantes entidades financieras y. en el entendido de que en el ámbito decible. Es necesario que en el ser realizado por medio de diversas herramien. que tienen como verse. dado que las características de El análisis de las variaciones de los factores las variables se ven reflejadas mediante cuyo comportamiento es impredecible puede procesos estocásticos. que hacer provisiones de capital para hacer frente a pérdidas originadas tanto por la El riesgo. se ha desarrollado una serie de propuestas para adaptarse a las La administración del riesgo. El desarrollo de la teoría Simulación. está del G-10 con el propósito de coordinar la orientado a que se fortalezca esta gestión en supervisión de los bancos internacionales. El modelo logístico: una herramienta estadística. se considera importante que cuales se exponen. El pilar fundamental de la supervisión bancaria El comité de Basilea (ciudad del norte de está en la gestión interna del riesgo en las Suiza). planteamiento se incluya esta situación y para tas estadísticas. la la teoría del riesgo. contraparte y operativo. como puede metodologías requeridas. tiene un impacto directo en el desem. 57 nómenos. la banca. ha evolucionado notablemente en los finalidad fortalecer la gestión de los diferen- últimos años y si se hace un análisis resumido tes riesgos de mercado [11]. no se podrían dejar de liquidez. así mismo. los Procesos Estocásticos. las instituciones peño de dichas instituciones. de crédito. hace necesario que en los cambios en los factores de mercado que su estudio se deban tener en cuenta las mate- afectan sus portafolios. como la probabilidad de obtener un calidad crediticia de sus deudores como por resultado no esperado. de una mayor globalización. de una supervisión eficaz de las actividades bancarias en todo el mundo. en el caso particular ello se deben considerar como pilares: La de las compañías de seguros. máticas para modelar los procesos de optimización. los principios y criterios generales que las entidades deben Recientemente se ha convocado al análisis de adoptar para mantener adecuadamente propuestas metodológicas para el Nuevo evaluados los riesgos crediticios implícitos en Acuerdo de Basilea sobre Capitales en la los activos de crédito. cuyo comportamiento es impre. debido a la similitud existente con metodologías de administración del riesgo el principal riesgo que las instituciones crediticio y los requerimientos de capital para financieras enfrentan: el riesgo crediticio. Uno de accidentes u otros eventos asegurados.. Se deben establecer. ha dado lugar a Estadística. lo cual. éstas tienen que para representar el riesgo y mantener realizar erogaciones por concepto de adecuados índices de capitalización. como tal. de de esta evolución. las Series de Tiempo y la de riesgos ha permitido a las compañías de Econometría. El riesgos de crédito y de mercado. Sólo en tiempos recientes en las diferentes regiones latinoamericanas se se ha explotado esta herramienta en el ámbito fomente una actitud proactiva en cuanto a las financiero.

que son: queremos predecir un resultado binario. no se podrían ros de alto riesgo. el colapso crediticio es una ca- consecuencia de las instituciones reguladoras. que les poner en peligro la operación e. la Simulación. período en el cual los prestatarios y los cesidad de que en las entidades financieras se deudores ajustan sus balances. y para protegerse contra los riesgos financieros el proceso de decisión de la probabilidad o para especular con ellos. determinar las calificaciones que financieros. provisiones de cartera. al cierre definitivo de la empresa. 17] que campo. lisis resumido de esta evolución. Procesos Estocásticos y la Econometría. y hacer las Supervisión Bancaria. incluso.58 Fernández & Pérez de crédito. quiebra vs. en la evaluación del riesgo de crédito variables financieras ha creado un nuevo el modelo de regresión logística [ 6. Esta regresión binaria es un tipo crear ventajas competitivas y agregar valor de análisis de regresión donde la variable para los accionistas. como financiera. Un modelo econométrico que es de gran El incremento en la varianza de las principales utilidad. cuyo modela la toma de decisiones cuando se está objetivo es proporcionar alternativas creativas enfrente de un proceso de elección binaria. La adminis- era científica y así puedan cumplir con los tración del riesgo ha evolucionado notable- requerimientos internacionales para ser garantes mente en los últimos años y si se hace un aná- de un buen manejo de los elementos financie. no quiebra y sabemos que • Los riesgos de negocios son aquellos que existen varios factores que pueden incidir sobre la empresa está dispuesta a asumir para tal resultado. dejar de repasar los diversos estudios rrollar y analizar sistemas de información que realizados por el Comité de Basilea para la permitan evaluar el riesgo de crédito. Las empresas están La regresión Logit [6] se utiliza cuando expuestas a tres tipos de riesgo. conformen grupos de trabajo en esta temática. asociada a cada alternativa posible que puede tener un cliente. dependiente es una variable dummy: código 0 • Los riesgos estratégicos son los resultantes (Buen Cliente) o 1 (Mal Cliente). de ahondar en el estudio del desempeño del sistema bancario y la economía durante El valor en riesgo crediticio se encuentra todavía el período de transición de una crisis en su infancia y está creciendo. entre ellos Co- deben efectuar tales calificaciones y consagrar lombia. con una rigurosa formación Matemática. en la Ingeniería Financiera. los pueden causar graves problemas financieros. El riesgo puede ser definido como la volatilidad de los flujos financieros no MODELO LOGIT esperados. Es necesario modelar. generalmente derivada del valor de los activos o los pasivos. racterística de una crisis bancaria y un es por esto que en Colombia se ha creado la ne. donde se con las posibles pérdidas en los mercados relaciona la variable dependiente con las vari- Revista Ingenierías . La extensa literatura sobre cri- se deben otorgar a tales operaciones según la sis financieras internacionales y el análisis percepción de riesgo que de las mismas se de los agregados macroeconómicos y tenga. por ejemplo. establecer la periodicidad con que se bancarios para varios países. llegar permita hacer las valoraciones del riesgo de man. de cambios fundamentales en la economía o en el entorno político. han resultado interesantes a la hora los mecanismos de recalificación. en parte. desa. Toda empresa está expuesta a riesgos que Estadística Multivariada. La regresión logística se basa en la • Los riegos financieros están relacionados denominada función logística.

Para trabajar con OR(x) de manera ágil. o de logística en la manera logit.   k X k . 59 ables independientes x1x2 .. conveniente expresar el modelo de regresión En el cual z   0  1 X 1   2 X 2  . xi ..  2  1  P Y  1| X  normalmente x1x2 . y por x1x2 . logístico obtenemos: Si denotamos por Y a la variable a predecir. Puede tomar valo.. el es binaria... X k  xk )  1 ! exp !  #  0  '  i xi $ " "  k  !  % & " 1  exp !  #  0  '  i xi $ " i 1  % i 1 & !  k  " Donde X representa un patrón a clasificar.. xk Las variables independientes Sustituyendo en la fórmula anterior las expresiones correspondientes al modelo son fijas en el muestreo....... 1  P Y  1| X  res de cero o uno... xi . xk a través de Otro concepto de interés es el de odds ratio la siguiente ecuación: (OR) de un determinado patrón x el cual se denota por OR(x) y se define como el cociente 1 entre la probabilidad de que el patrón Yi   ui 1  exp(  z ) pertenezca a la clase 1 entre la probabilidad de que el patrón pertenezca a la clase 0. decir: P Y  1| X  OR  X   Yi : Variable dependiente. . es z : Scoring Logístico. podemos calcular P (Y  0 | X ) de la odds ratio (OR) de un individuo con patrón x siguiente manera: se define como el cociente entre la probabilidad de que Y=1 dado dicho patrón X  k  y la probabilidad de que Y=0 dado X. Así un exp !  #  0  '  i xi $ " P (Y  0 | X )  1  P (Y  1| X )  1  1   % i 1 & odds ratio de 1/3 para un patrón X se inter-     preta diciendo que para dicho patrón la k k 1  exp !  #  0  '  i xi $ " 1  exp !  #  0  '  i xi $ "  % i 1 &  % i 1 & probabilidad de que se de Y=1 es una tercera parte de la probabilidad de que Y=0..  son los parámetros. ... L . % i 1 & i 1 Si consideramos que la variable a predecir Y Tal y como se ha comentado anteriormente. y ! 1  exp !  #  0  '  i xi $ " " !  % i 1 & "  .. xk a las k variables predictoras.. El modelo logístico: una herramienta estadística.L 0 1. Para ello se efectúa una transformación del modelo.. xi .. de la manera forma matricial sería Z = âX siguiente: P Y  1| X   u : Es una variable aleatoria que se distribuye logit P Y  1| X   ln OR  X   ln ! " N 0.  .. que deben ser k estimados a partir de los datos. Es Donde. a fijar para tener determinado un modelo concreto de  k  k  ln exp #  0  '  i xi $   0  '  i xi regresión logística......  ! " la regresión logística se expresa de la manera ! 1 " siguiente: !  k  " ! 1  exp !  #  0  '  i xi $ " "  % & logit P Y  1| X   ln ! " i  1 !  k  " P (Y  1| X )  P (Y  1| X 1  x1 ..... Universidad de Medellín ..

x  * exp   i xi(  xi   exp  1 x1(  x1  . se realiza por máxima verosimilitud ción relevante. la obtención de las compo- del riesgo crediticio y fue propuesto por nentes principales es el propósito del estudio. 0.. regresión logística. 0.. 2. las primeras componentes principales nos pales [8]. Pearson (1901). hacer uso del análisis de componentes princi. y que consiste en describir la variación producida por la P Y  1| X   k ln OR 0   ln ! "   0  '  i xi observación de p variables aleatorias X i en 1  P Y  1| X  i 1 términos de un conjunto de nuevas variables incorrelacionadas entre sí (denominadas Com- Y por lo tanto si: : x  0. .60 Fernández & Pérez Además se tiene que bién por Hotelling (1933). k  componente principal incorpora la mayor cantidad posible de variación debida a las vari- Otro concepto que resulta de interés es el de ables originales.. en un modelo de sea combinación lineal de las variables originales. k  representa el cambio en el logit resultante al Estas nuevas variables son obtenidas en orden aumentar una unidad en la i-ésima variable de importancia.L. 2. que a continuación se presentan. y así sucesivamente. ANÁLISIS DE COMPONENTES discriminarán mejor a los individuos de la PRINCIPALES muestra en razón de sus características económicas. el coeficiente  i i  1. de manera que la primera X i i  1. El Análisis de Componentes Principales es un método estadístico.. la segunda componente prin- cipal se elige de forma que explique la mayor risk odds ratio (ROR) de x0 frente a x el cual cantidad posible de variación que resta sin mide el riesgo del odds ratio de x0 frente al explicar por la primera componente principal... etc.. k considerando sólo estas dos o tres primeras. pero en muchas ocasiones suele ser el medio Revista Ingenierías .. darán un resumen de las variables observadas (en forma de combinaciones lineales de vari- ables originales) y. parte de la variación producida por las p vari- era alternativa como: ables originales puesto que.. al ser incorreladas.x se puede expresar de man. (apéndice). ln OR x    0 Ahora bien...  k  exp #  0  '  i xi( $ OR x(  % &  k  RORx(. Un ejemplo muy simple puede ser el de querer Para la aplicación del modelo Logístico se resumir la información obtenida al observar en requiere que las variables exógenas sean los individuos de la muestra las variables linealmente independientes y esto obliga a Sueldo Anual. sujeta a la condición de ser incorrelacionada odds ratio de x OR x  es decir: con la primera componente principal.. cada una de las cuales .0 entonces. Rendimientos Patrimoniales.L. ponentes Principales). y apenas perderemos informa- logit.. y de forma independiente tam. de ser así. ) L ) exp   k xk(  xk  reduciremos la dimensionalidad de los datos i 1 al considerar únicamente dos o tres variables La estimación de los parámetros del modelo en lugar de p. RORx(. L . x   i 1  exp # '  i xi(  xi $ OR x   k  % & El propósito del Análisis de Componentes exp #  0  '  i xi $ i 1 % i 1 & Principales es ver si las dos o tres primeras componentes principales reúnen ya la mayor Obviamente RORx(. muy útil en la evaluación En algunos casos.

como por ejemplo una Regresión  1 Lineal Múltiple en la que originalmente habían B  !n . esta segunda posibilidad es especialmente útil si las variables originales están fuertemente La condición de aplicabilidad de la prueba de correladas. A partir Un índice KMO bajo indica que la del valor del determinante muestral. El valor del porcentaje de la información aceptable. variables i-ésima y j-ésima. El modelo logístico: una herramienta estadística. por tanto. entre las variables i-ésima y j-ésima. se puede intercorrelación entre las variables no es calcular un estadístico que se distribuye según grande y. Este índice permite comparar las magnitudes de los coeficientes de correlación observados PRUEBAS DE BONDAD DE AJUSTE [8] con las magnitudes de los coeficientes de correlación parcial. El determinante de la matriz de correlaciones Interpretación muestral es un estimador del determinante de la matriz de correlaciones poblacional.. una variable consigo. si éstas fueran Bartlett. también En caso de no poder rechazar la hipótesis nula.1. se pondrá en duda lo adecuado del modelo. 61 de reducir el número de variables originales estadístico que va a servir para contrastar las para realizar después un Análisis Estadístico hipótesis es la prueba de Bartlett. se excluyen de las ción. Universidad de Medellín . el campo de aplicación de las sumatorias no es aplicable Tiene sentido el modelo si podemos rechazar en los casos i = j.. hacemos la variable. la hipótesis nula. en el Análisis de Componentes Principales todas la variables tienen la misma (kaiser-meyer-olkin) kmo consideración. " ln R  6 ( 2 k+5 )  sido consideradas muchas covariables. observación de que.) No obstante. en Regresión. ya que necesitaríamos casi ½ (k2-k). determinado. se excluyen los casos i = j. es decir. unas vari- ables son independientes y otra (u otras) Medida de adecuación de la muestra dependientes. la aplicación del modelo la chi-cuadrada con 2 grados de libertad igual a no será práctica. El índice KMO se calcula: Prueba de esfericidad de Barltlett n n '' r i 1 j 1 2 ij Esta prueba se utiliza para realizar el siguiente KMO  n n n n contraste '' r  '' s i 1 j 1 2 ij i 1 j 1 2 ij H0 : '   2I Donde: H1 : ' +  2 I Donde la hipótesis nula afirma que las vari- rij : es el coeficiente de correlación entre las ables no están correlacionadas en la pobla. lo cual sería indicativo de sij : es el coeficiente de correlación parcial que existen correlaciones entre las variables. que la matriz de correlación de sumatorias los coeficientes de correlación de la población es una matriz diagonal. por lo tanto. es que las variables procedan de una incorreladas ellas serían ya las componentes población con una distribución normal multi- principales. donde k es el número de variables de tantos factores como variables para incluir un la matriz de correlaciones. (De hecho.

• Un MSA con valores mayores de 0. de y Probit y aplicarlas a la base de datos. Si hay muchas variables necesario el monitoreo de procesos tales con un coeficiente de correlación múltiple muy como: Otorgamientos. por tanto. el análisis puede utilizarse. Por lo tanto se hace entre una variable y todas las otras que inter- vienen en el análisis. basados en modelos Logit Este índice se calcula para cada variable. ables la comunalidad será igual a 1. crédito y de comportamiento contra la defini- ción de fallidos y no fallidos.5 y 0. donde m es el número de factores el análisis factorial no resultaría una técnica retenidos. la toma de deci- siones de la administración financiera y la n 'r 2 ij gestión de los riesgos. del que este análisis es apropiado. es necesario realizar un j 1 MSA  Su fórmula es n 'r  's 2 ij n 2 ij se excluye el caso i = j. Dicho pro- • Un MSA menor que 0. Definición que • Los valores entre 0. es indicativo de Por tanto. es indicativo de que éste análisis es apropiado. Las variables Provisiones.35 y 0. cedimiento de clasificación que permita de- terminar las ponderaciones necesarias y es- tablecer la probabilidad de fallido. Comportamiento y alto.62 Fernández & Pérez • Un KMO con valores mayores de 0. pero aplicable. permitan mejorar el control. Cada uno de estos procesos con un coeficiente de correlación múltiple bajo sintetiza las diferentes etapas de la vida de una podrían eliminarse.7 indican La comunalidad alta intercorrelación. razón por la cual las variables Revista Ingenierías .6 indican que el grado es resultado del default para establecer un pro- de intercorrelación es medio. por tanto. Análisis Estadístico Multivariado. obligación. se cruzan variables de cliente. pero factores retenidos con la variable para la que aplicable.5 indica que no se cedimiento estará basado en las técnicas del aconseja este tipo de análisis. Si m es igual al número total de vari- útil.5 indicaría que m factores. Es un valor que se obtiene para cada una de las variables originales.7 indica alta intercorrelación. sumando los • Los valores entre 0.6 indican que el grado cuadrados de las correlaciones o cargas de los de intercorrelación es medio. que forma similar al índice KMO. análisis de comportamiento para cada una de j 1 j 1 las variables y la correlación entre ellas. se calcula y que expresa la proporción de varianza de la variable extraída o explicada con • Cuando KMO es menor que 0. Correlación múltiple Un aspecto muy importante sobre el cual enfatiza el sistema SARC1 es el seguimiento y control de procesos que tengan relación directa Este coeficiente indica el grado de asociación con el riesgo crediticio. Esto se hace con el fin de determinar algunas relaciones Interpretación para grupos determinados de la población de acuerdo con sus características particulares. APLICACIÓN Medida de adecuación de la muestra (MSA) Para presentar las metodologías de medición de riesgo de crédito.

ésta puede quedar sobrestimada cobro jurídico. El modelo logístico: una herramienta estadística. Desde hace más de dos años. 63 contempladas en cada proceso deben tener El Saldo Estableciendo relación directa con el objeto del mismo del La probabilidad de incumplimiento cual es la crédito. El problema es que en el TR. El objetivo principal de las entidades 1 AAA financieras es lograr por medio del Sistema 2 AA de Administración de Riesgo Crediticio 3 A (SARC) estimar el nivel de provisiones 4 BBB adecuado para el crédito otorgado. el nivel de riesgo. éste incluye un aumento en la la siguiente manera: capacitación tanto de las entidades vigiladas como de la propia Superintendencia Bancaria Rango de probabilidad Calificación para aumentar su capacidad de evaluación. por el pasado. la cual se momento de correr la serie con los datos obtiene a partir de los créditos que entran en históricos. de supervisión. golpeando directamente las utilidades de Universidad de Medellín . que Pt  donde Xâ   0  '  i X i 1  eXâ i 1 en épocas de crecimiento económico se disminuyen las provisiones afectando SEt Es el saldo expuesto del crédito t.. 5 BB 6 C Existen 2 tipos de provisión: 7 D 8 E a) Provisión Individual b) Provisión General Es la pérdida esperada de cada uno de los créditos.. en el cual el analista debe estimar la probabilidad 1. de cada credito. así como el análisis y seguimiento a El plazo provisión optima las mismas. tomando la cartera gen- Donde: eral y las variables internas de la entidad. a través de la historia. en el país se esta observando cómo realizar el SARC Cada entidad decide hasta que punto asume (Sistema de Análisis de Riesgo de Crédito). Pt: Es la probabilidad de incumplimiento o observando cómo las variables macroeconó- probabilidad de Default. la cual considera 2 factores: el modelo de otorgamiento del crédito. Es la tasa de recuperación. realizando un detallado seguimiento. medio de un modelo logístico: eXâ m Se ha observado.SEt . Para determinar en nivel de provisiones Para evitar esto se debe tener presente la individuales anticipadas es necesario emplear Prociclidad. este es obtenido por micas afectan el cálculo en la provisión. que se define como: Se realiza por medio de modelos VAR o modelos ADL (modelos autorregresivos de PEt  Pt . En épocas de crisis se da un exceso de de Default. según las características del provisiones (exceso de morosidad). estableciendo rangos de el cual consiste en menor regulación y mayor probabilidad para calificar a cada cliente. crédito.(1  TR ) rezagos distribuidos) . positivamente las utilidades de las institu- ciones financieras.

provisiones: Según la historia se ha observado que a mayor tasa de • El Logit empleo menor es la morosidad. así. pues esta se da trimestralmente. Procedimiento para hallar la provisión terística. por lo tanto. el de datos en 2 tipos de cartera: cual consiste en el filtrado baso permitiendo que la serie no quede desfasada. cambiando. pero LA DTF (tasa de deposito a termino fijo) en la práctica puede que no se haya reflejado realmente lo que proponía la DTF ajustado por inflación vs. provisiones financieras están castigando fuertemente sus utilidades. provisiones. mas no para el futuro.64 Fernández & Pérez las instituciones (disminuye la utilidad CONSUMO neta). es entidad no realiza la cantidad necesaria de decir. Es necesario realizar un modelo de ción se acaba. pues éste es una variable que no la individual tenemos en tiempo real. • El tobit Revista Ingenierías . tiene una correlación negativa. cartera vencida: teoría. de la siguiente man- era: En el momento de escoger las variables. para el no pago de sus clientes) y en el momento en que llega la crisis la organiza. • Buen comportamiento: la provisión baja. Épocas de bonanza: Se dará un déficit (la menor inflación mayor nivel de morosidad. El PIB (producto interno bruto) En este artículo se presenta el procedimiento de cálculo de la provisión individual y no el Entre el PIB vs. IPC vs. pero el PIB posee una carac. empeorando. cartera vencida: Se ha observado que a 2. una correlación perfecta (como se enunció anteriormente). seguimiento en el cual se consideran variables dinámicas. la calidad de la cartera hay estudio para hallar la provisión general. ocasionándole grandes pérdidas a Se observa que a menor DTF menor nivel de la institución. • La cartera comercial • La cartera de consumo EL DESEMPLEO Los modelos econométricos mas usados para calcular la probabilidad de Default son: Tasa de desempleo vs. un buen parámetro es la correlación que hay en. la provisión general. mostrando a la economía EL IPC (índice de precios al consumidor) malos resultados). las más importantes son: • Mal comportamiento: la provisión sube. porque no estaba preparada morosidad. terminar el riesgo de crédito y clasificar la base able se le puede realizar un tratamiento. tre ellas. pues no la soporta. • El Probit están correlacionadas negativamente. pues según la teoría “cuando hay bonanza la morosidad disminuye”. la crisis más de lo que estaba (pues las instituciones Consumo vs. debido a que la probabilidad de fallo deben considerar cambia a través del tiempo. Pero a esta vari. por lo tanto es buena para el Para determinar la provisión es necesario de- pasado. permitiendo la actualización del Variables macroeconómicas que se modelo. a su vez.

Flujo de Caja Ajuste del modelo de regresión logístico Libre / Gastos Financieros. Variables cuantitativas: Indicadores finan. 65 El modelo econométrico que se presenta en pueden existir problemas de multicolinealidad. Cupo en A continuación se realiza el scoring logístico. está compuesto por: tes estados. Utilidad ros – Auditor. Número de Operativo (rot. por medio (Comercial).   21cc21  1Dx37a   2 Dx37b  . permitiendo estimar el siguiente procedimiento: modelo logístico. Calificación Pagos Externos. Barreras Patrimonio. Productos.). cuantitativa calificación pagos externos. Fuentes (Pas. Crecimiento en Utilidades. Administración – Estructura. de Inventarios.. para evitar estos problemas. Rotación de tablas de contingencia. Rotación de Cartera variables categóricas y el Default. T). Año Calificación. La unidad objeto de análisis son las cuales se caracterizan por poseer diferen- empresas. Instalaciones / Endeudamiento sin Valz (Pas.. Año Información. Otros Ingresos / Utilidad Neta. Pasivo Financiación. Antigüedad de la Empresa. Proveedores. Utilidad operativa. Apalancamiento Financiero. Socios. Administración – Experiencia.. y que se expresa como una combinación lineal de 5 Es necesario observar el nivel de correlación variables dummys que existe entre dichas variables. Crecimiento del Patrimonio.T). Saldo Capi. Endeudamiento Financiero / Financieras y Alternativa más probable de Ventas. Referencias de Socios / Ad- ministradores. los cuales son establecidos por el PYG y el componentes principales y la variable balance General. donde se consideró como variable endógena tal Promedio por Año y Máximos días vencido es el Default y como variables exógenas las 21 año. Nivel de regula- Endeudamiento Total / Ventas. Rotación de Proveedores. Variables cualitativas o categóricas: las 1. Rentabilidad del Activo. Las variables son: Cliente. Competencia. cart. Estados Financieros – Disponi- neta / Ventas. Prueba Acida (razón). Nivel de riesgo ambiental. Corrección Monetaria / Utilidad Neta.. A. Ciclo bilidad. este articulo es el logistico. Dichas variables son: A.. Estados Financie- Rentabilidad Bruta.. Crecimiento del Activo. Utilidad Operativa / Gastos Financiero. Millones de Pesos. Corriente/Pasivo Total. Utilidad neta / Clientes / Estabilidad. Crecimiento en Ventas. realizaremos el análisis de componentes principales que nos Análisis de la cartera comercial permite pasar de un espacio linealmente dependiente (LD) a un espacio linealmente Para realizar dicho análisis se debe realizar el independiente (LI). Default. Endeudamiento ción. Recursos Humanos.T/Act. Activos. Antigüedad como cieros. + rot. de entrada. Barreras de salida. inv.   4 Dx37e Universidad de Medellín . Se realizan pruebas de asociación entre las Relación Corriente.T/Act. debido a que X    0  1cc1  . Calificación Interna. El modelo logístico: una herramienta estadística.

781 0.1647 6.364 1.892 DX37_E -104.605 CC11 0.578 2.620 1.000 1.027 1.8312 1.0006 DX37_B -5.1672 11.6299 1.0000 0.435 1.9200 1.000 0.551 CC5 -4.000 0.008 CC19 -0.0000 0.0006 CC4 -4.024 0.843 21087.4097 0.422 1.455 0.889 0.000 0.000 0.0001 CC7 -0.743 0.996 Constant 141.1865 1.348 0. El modelo final es: Variables in the Equation B S.482 0.000 0.940 1.280 1.324 0.536 0.355 1.369 0.0129 CC15 0.891 CC9 -0.504 0. CC1 0.0000 0.777 0.513 CC20 0.9191 326.360 CC3 -0.000 0.000 0.053 CC18 -0.6428 Revista Ingenierías .3942 0.0000 0.058 0.400 0.0000 0.675 CC8 0.848 2.075 1057. se procede así hasta que queden las variables más significativas.1717 21.315 0.8169 1.018 1.844 8.0000 0.238 0.893 Se debe eliminar del modelo la variable menos significativa.129 0.000 0.7941 0.0232 0.428 1.0000 0.7978 0.5886 1.437 0.0000 0.247 6. Wald df Sig.622 1.1320 8.000 0.0114 CC12 -0.004 CC16 0.418 1.000 0.541 1.210 1057.054 1.612 0.5767 0.9052 Constant 0.1099 0.2151 1.0142 1.0000 0.267 1.470 0.258 CC17 2.892 CC21 0. Wald df Sig.E.3867 0.666 0.346 0.018 1.018 CC2 0.9131 0.426 0.176 1.392 2.753 1.536 1.8900 1.239 0.0000 CC3 -0.200 0.696 1057.879 1.2201 11.868 DX37_B -147.000 0.000 0.475 0.000 0.679 1101.000 0.541 CC12 -0.4285 137. CC1 0.464 CC4 -1.2370 0.197 CC13 -0.362 1.000 0.000 0.425 0.000 0.000 0.0000 CC18 -0.656 0.089 3.090 CC15 2.2269 15.0000 DX37_A -38.889 DX37_C -143.0000 0.110 1.019 1. que en este caso es Dx37_E y se vuelve a correr el modelo.329 5.124 CC14 0.019 1.338 0.E.8795 1.000 0.000 0.666 1.0000 0.1954 21.516 CC6 1.587 DX37_A -182.018 1.000 0.068 0.7507 0.3922 1.000 0.1528 6.000 0.000 0.249 6.4027 1.268 1.66 Fernández & Pérez Variables in the Equation B S.518 CC10 0.331 0.000 0.462 2.373 1.295 1.304 CC7 -0.0028 CC19 -0.837 1.000 0.553 0.398 1.

262 10 .000 de las componentes conjuntas del modelo. clientes buenos como buenos clientes y 70 buenos como malos clientes. H2: Al menos un parámetro diferente de cero además se observa que el valor p>0. lo que lleva a aceptar la hipótesis nula. donde: H 0 :  1   3   4   7   12   15   18   19   1   2  0 El valor de Hosmer Lemeshow fue de 0.100 Se observa que el modelo clasificó 4.Smirnov) Chi-square df Sig. donde: Validación del modelo H0: El modelo esta bien ajustado Para validar el modelo. donde: 1 Como el valor p<0. Prueba de Hosmer.2 Overall Percentage 98. Esta prueba es útil para analizar la significancia 1 . donde se muestra la máxima diferen- Model 1589.Lesmeshow un buen ajuste.262 10 . Step 1 Step 1589. mostrándonos 2.2 aThe cut value is .3 Fallido 7 243 97. significa que al menos una de las com. Prueba Ómnibus Step Chi-square df Sig.396 de- mostrando una buena calibración del modelo.05.. El modelo logístico: una herramienta estadística. equivalente a la distribución de los malos Universidad de Medellín . Es una prueba de bondad de ajuste. Prueba KS ( Kolgomorov. es necesario realizar H1: Falta ajuste en el modelo diferentes pruebas estadísticas como: Hosmer and Lemeshow Test 1.000 cia absoluta entre éstos. al sacarla del modelo ésta afecta el scoring de otorgamiento.05.262 10 ..396 8 1. 67 OBSERVACIÓN La variable Dx37 A no fue sacada del modelo ya que a pesar de ser una variable no significativa. para determinar si el modelo global es significativo. Y la clasificación del modelo es: Classification Table(a) Observed Predicted Default Percentage No Fallido Fallido Correct Step 1 Default No Fallido 4005 70 98. Omnibus Tests of Model Coefficients 3.005 ponentes es significativa en el modelo. se rechaza la hipótesis H 0 : La distribución de los buenos es nula.000 malos.000 Es un histograma acumulado de los buenos y Block 1589.

633 Asymp.5 .00 Total 4325 Sensitivity . bución. Predicted 5. por lo tanto la distribución de los buenos difiere de la distri.8 1.3 Wilcoxon W 8309037.5 Test Statisticsa Predicted probability Mann-Whitney U 4187. bajo un punto de corte determinado.0 . Sensibilidad: es la probabilidad de que a los bución de los malos. Sig. muestras sucesivamente de menor a mayor a los datos de cada distribución. Colmogorov-Smirnov Z 14.00 . para obtener el Negative .3 . Se puede observar que se rechaza la hipótesis Definiciones de sensibilidad y especificidad nula. Grouping Variable: Deafult discriminación debe ser superior a 0. por lo tanto la distribución de los buenos difiere significati- Esta prueba utiliza los valores de cada distri.0 Deaful N Mean Sum of Predicted Rank Ranks probability No Fallido 4075 2039.8 Fallido 250 4183.963 especificidad y sensibilidad. el modelo los clasifique como que no hay errores en el modelo.963 Esta prueba permite ver el criterio de Differences Positive . Prueba ROC probability Most Extreme Absolute . el modelo los clasifique como Este test consiste en sacar rangos en las malos. Sig. debido a que el valor p=0.68 Fernández & Pérez H 1 : La distribución de los buenos no es Se puede observar que se rechaza la hipótesis equivalente a la distribución de los malos nula. test Mann-Whitney Especificidad: Es la probabilidad de que a los clientes buenos.773 Asymp. bajo un punto de corte determinado.0 a.000 proceso de discriminación.03 8309037.0 Z -41.1 malos.Specificity Revista Ingenierías . (2-tailed) .80. entonces el cliente es H 1 : La distribución de los buenos no es bueno = 0 equivalente a la distribución de los malos P ( M / B ) /1  Especificidad Mann-Whitney Test Ranks 1.000 .000 Para interpretar la curva ROC se analiza el área bajo la curva (AUC) que para una buena a. Criterio para clasificar los clientes H 0 : La distribución de los buenos es Si P< punto de corte. 4.000 0.75 1045938. lo que nos demuestra clientes malos. debido a que el valor p=0. vamente de la distribución de los malos.0 0. (2-tailed) . Grouping Variable: Deafult 1. entonces el cliente es equivalente a la distribución de los malos malo = 1 Si P> punto de corte.

El modelo logístico: una herramienta estadística. 69 P  TABLA DE PROVISIONES Xâ  Ln ! t "  1  Pt  Count Maximum Mean Sum Año 1994 6 66.05 425.99 2000 821 427.. Frente a lo anterior.56 Para el análisis se realiza el grafico entre 2001 687 384.(1  TR ) recientes de la teoría financiera de cuantifi- Donde: cación del riesgo en la determinación del capi- tal regulatorio mínimo que debe ser exigido a Pt:Es la probabilidad de incumplimiento o las entidades financieras.28 Informacion 1995 45 83. Pérdida esperada o provisión individual CONCLUSIONES Como ya se explicó al inicio la provisión indi- vidual es calculada como la pérdida esperada1 de cada uno de los créditos. lo que nos muestra la importancia de que la institución financiera establezca límites de otorgamientos de créditos.05 66.79 10. varios obtiene a partir de los créditos que entran en analistas han señalado que los requerimientos cobro jurídico.03 1531. El propósito en el nuevo acuerdo de Basilea es el de no incrementar los requerimientos e XB m Pt  donde X  '  i X i agregados de capital para la banca que utilice 1  e XB i 1 el sistema estandarizado de medición del SEt: es el saldo expuesto del crédito t.70 Si Xâ 2 0 . éste es obtenido por medio del modelo logístico. entonces el cliente es malo 1998 831 1307.28 9.SEt . aún en Universidad de Medellín . que se define Las propuestas contenidas en el documento como de nuevo acuerdo de capital representan un sólido esfuerzo por incorporar los desarrollos PEt  Pt .99 Xâ vs Pt 2002 763 336.69 7923.48 1132.03 1997 218 235.28 debido a la alta probabilidad de incumplimiento de pago.83 1999 855 472.93 7.12 1.97 4.28 11. de capital van a aumentar sustancialmente para la generalidad de los bancos.25 3594..53 4596. el mayor nivel de provisión media se observa en el año 2000. y de estimular la migración hacia la utilización del sistema basado en los TR: es la tasa de recuperación.75 4056. la cual se rating internos. entonces el cliente es bueno .28 Si Xâ 2 0 . de dicho cliente.63 Como se observa en la tabla de provisiones. En 1994 la mayor provisión fue de 66. probabilidad de Default. riesgo de crédito.18 5.46 4.Empresa 1996 105 148. a pesar de que los clientes disminuyeron el nivel de provisión se incrementó posiblemente a la crisis financiera del país.23 460. ya que no es rentable que la entidad tenga tanto capital improductivo.14 5.

que depende de la considerar como pilares: Estadística calificación del riesgo emitida por las agencias multivariada. Los bancos que están las condiciones de aplicación del Nuevo en capacidad en el corto plazo de presentar Acuerdo de Capital. se deben definir las modalidades de por riesgo del 100% (caso de la deuda externa de la República de Colombia). como la probabilidad de obtener un considerablemente superiores cuando se trate resultado no esperado. generando ingresos. Sin embargo. Estos esfuerzos serán El riesgo. y que podrían de las naciones. estas calificacio. recalificación. por mejorar sus capacidades técnicas. aún para el caso del tantes requerimientos de capital que se enfoque estandarizado. notable de los entes supervisores. Procesos Estocásticos. la evaluación.70 Fernández & Pérez países de altos ingresos. La meta en los requerimientos de capital. exigirá un esfuerzo derivarían de esa implementación. a fin de que no vaya él a sistemas de rating internos que satisfagan las provocar mayores dificultades en la situación exigencias de los reguladores. nes son también menos comunes en los países de bajos ingresos. y para ello se deben enfoque estandarizado. los bancos y las empresas de por lo tanto beneficiarse de las reducciones los países en vía de desarrollo. administración y control del mismo. como tal. Simulación. hace necesario que en de estudiar la consistencia de los sistemas de su estudio se incluyan las matemáticas como rating internos de los bancos. se pasaría a una ponderación crédito. la generalidad de los bancos las variables se ven reflejadas mediante de estos países va a verse obligada a utilizar el procesos estocásticos. Series de Tiempo y Econometría. Por otra parte. donde está más generalizada la una cultura y prácticas de alto nivel técnico en práctica de la calificación. conforman propuesta de implementación del nuevo un grupo relativamente pequeño de entidades acuerdo no parece realista. orientado a que se fortalezca esta gestión en contrario a lo sucedería en los países de altos riesgos de crédito y de mercado. mantener adecuadamente evaluados los Frente a una ponderación actual de estos riesgos crediticios implícitos en los activos de papeles del 0%. está requerimientos de capital para sus bancos. de vista de la preparación técnica de las entidades bancarias y de los entes supervisores. Particular preocupación se deriva de la situ- ación que se puede presentar en relación con Se deben establecer los principios y criterios los requerimientos de capital de la deuda generales que las entidades adoptarán para soberana de los países en vía de desarrollo. Las anteriores consideraciones hacen Los score de créditos son construidos para aconsejable que se evalúen cuidadosamente predecir el comportamiento de pagos de un Revista Ingenierías . determinar las calificaciones otorgadas ello tendría en el encarecimiento de la deuda a tales operaciones según la percepción de soberana podría traducirse en una disminución riesgo que de las mismas se tenga. especializadas. tanto desde el punto de países de altos ingresos. herramienta para modelar los procesos de optimización. Se corre el riesgo de que El pilar fundamental de la supervisión bancaria los esfuerzos por mejorar la calidad de los está en la gestión interna del riesgo en las activos no se traduzca en menores entidades financieras y. dado que las características de Dado lo anterior. la complejidad de los sistemas como de la posibilidad de atender los impor- de medición de riesgo. con la periodicidad con que se deben efectuar tales las obvias consecuencias desde el punto de calificaciones y consagrar los mecanismos de vista del crecimiento y del empleo. El efecto que crédito. establecer del flujo de capitales hacia estos países.

Universidad de Medellín . El modelo Logit se basa en la función logística Al emplear este método es necesario establecer para obtener la probabilidad. consideramos necesario seguir explicativas pueden ser continuas. dados los dicotómico. mientras que el ciertos elementos que son importantes para Probit lo hace por medio de la distribución determinar la probabilidad de no pago de un normal acumulada. metodologías que se están implementando en algunas entidades financieras.. pero. • Peso de las variables dentro de la Aunque el documento de Basilea no obliga a metodología de calificación. tales como retrasos en el pago de cuotas y otros aspectos Logit y Probit. mientras que las demás variables resultados. los principales de medición de eficiencia que arrojen de man- métodos estadísticos usados son las era más segura niveles comparación para el regresiones lineales. Algunos score consiste en que puede arrojar probabilidades incorporan los ingresos. • Ordenamiento de los sujetos de crédito establece algunos parámetros que sirven como dentro del rango de calificación. productos ofrecidos. Para metodologías. dos clases en la variable respuesta. con el fin obtener parámetros ajustar este tipo de modelos. tre las variables explicativas y la variable así como de acuerdo con el apetito de estimada es directa (lineal). dado que se han definido portafolio. • Selección del sujeto de crédito conforme al En Colombia. 71 deudor usando diversa información (centrales El modelo de probabilidad es atractivo porque de riesgo) tal como la historia de pagos del es mas fácil de entender. El modelo logístico: una herramienta estadística.. pero su desventaja exposición de la entidad. que definen al cliente como mal pagador. capacidad de pago y negativas y/o mayores a 1 (las cuales alguna otra información relacionada con los conceptualmente no tiene sentido). pero en el nivel de cooperativas de ahorro y crédito las La probabilidad que estima el Scoring usual. pues la relación en- deudor. las entidades financieras a usar un modelo específico en la evaluación del riesgo crediticio. metodologías econométricas son las más mente no está medida a un horizonte temporal aplicadas. Las metodologías seleccionadas mostraron sus En los modelos de Scoring generalmente la fortalezas y debilidades al evaluar el riesgo variable respuesta o dependiente es de carácter crediticio de la base de datos. Calificación guía para la construcción del modelo de en categorías de riesgo. evaluación y control del riesgo de crédito. nivel de endeudamiento o utilización. es posible que se requiera más fijo. la Asobancaria propone algunas nivel de riesgo aceptable para la entidad. puede ser una herramienta estadística más apropiada para estimar la probabilidad de • Identificar las variables con las cuales se ocurrencia de un evento en nuestro caso el seleccionan los sujetos de crédito de cada default del cliente. dadas las diferencias que y que puede incluir no sólo mora sino también se presentan en algunas de ellas. La regresión logística cliente. Logit o Probit. categóricas investigando y comparando con otras (convertidas a dummys) y/o dicotómicas. Éstas se ajustan a la definición de mal tiempo para poder evaluar las bondades de pagador establecida en el desarrollo del modelo dichas metodologías. Logit y el Probit.

4. Sergey. Bogotá. Macmillan. San Fran- cisco. Introduction to Econometrics. 6. 2000. Ediciones Pirámide. Teoría del Riesgo y sus Aplicaciones a la Empresa Aseguradora. CECSA. Carlos.1997. Editorial Mapfre. Douglas C. and LIEBERMAN. TATHAM. Cambridge University Press. March.. McGraw-Hill. Glyn A. 2000. October 2000. Mathematical Methods in Risk Theory. 2. 5. Análisis multivariante. Holden-Day. Evaluation of VAR models using historical data. Vipul K. DOWD. 14. P. José Ramón BLANCO. GUJARATI.S. Análisis econométrico. 1999. 8. Valor en Riesgo. 11. BEST. LEFÈVRE. Kevind. PENZA. F. Introduction to Stochastic Calculus Applied to Finance. 1999. MADDALA. y VINNING. Douglas J. Damodar N. Pietro anf BANSAL. MONTGOMERY. Introducción al aná- lisis de regresión Lineal. Geoffrey. Prentice Hall. JORION. PECK. Claude. G. 7. 2003. G. Hans. 17. Economy Policy Review. LAMBERTON. Ronald L. 16.3ª Edición. UTEV. 4th ed. Damien. MITTELHAMMER. número1.. CRC Press. D. Philippe. HENDRICKS. 12. ANDERSON. Madrid. George G. HILLIER. William C. Ron C. Valor en Riesgo.2. Insurance: Mathematics & Economics 28 (2001) 21-30. Abril. ARAGONÉS. Econometric Founda- tions. Revista Ingenierías . El nuevo paradigma para el control de riesgos con deriva- dos. 3ª Edición. 15. Prentice Hall. Measuring Market Risk with Value at Risk. Introduction to Operations Research. Aplicación a l Gestión empresarial. BÜHLMANN. Econometría. Nueva York. Madrid. 2002. New York. Implementing Value at Risk.72 Fernández & Pérez BIBLIOGRAFIA 1. Value at Risk: Theory and practice. JUDGE. Joseph F. y MILLER. 1970. 3. January.. HAIR. Rolph E. y BLACK. 2003. Vol. William H. 9. Madrid. HOLTON. 2002. 5ª Edición.1999. 13. 10. Luis. GREENE. 2002. G. Federal Reserve Bank of New York. (1986). Springer – Verlag. F. LATORRE LLORENS. 1988. 1992. Editorial Limusa. Beyond Value at Risk: The new Science of Risk Management. Elizabeth A. Comparison of individual risk models.. 18.

B. Wiley. D. Econometría. 73 19. 1987 Universidad de Medellín . Robert S. RIPLEY.. y RUBINFELD. 20.. PINDYCK. Daniel L. 4ª Edición. McGraw- Hill. 1998. modelos y pronósticos. New York. El modelo logístico: una herramienta estadística. Stochastic Simulation.

con una  ln L x  .... 1 ....L. x  . de ahí que lo habitual 0 1 sea utilizar técnicas iterativas para llevar a cabo k dichas estimaciones..  .. 1 .....L ..  .L. y   .L.. teniendo en cuenta que Lnz es al resolver el siguiente sistema de n+1 una función creciente estrictamente. L . 1 k 1  exp !  #  0  '  i xi $ "  % i 1 & 1  exp %  i 1 & verosimilitud asociada a una muestra de Obtenemos tamaño N. ˆ 0 1 k para los parámetros  . . y   .  . 1 N N   L . ..  .  .. y  1 1 N N j j 0 1 k i 1 Los estimadores máximos verosímiles ˆ ... y   .   * P Y  1| x    1  P Y  1| x    y    ..  .  0 . y   .. ˆk de Teniendo en cuenta que un modelo de regresión logística se efectúa por  P Y  1| x       x  j k medio del método de estimación por máxima ln 1  P Y  1| x    ' j 0 i 1 i i j verosimilitud... 1 N N   L .. . x N  ...L...L. y  N N .. y   ... y  1 1 N N % i 1 & 0 1 k  k  exp #  0  '  i xi  j  $ 1  ln L x  . .. ˆ ..  .y N  0 L . x  .  .... x  .. para un modelo de regresión logística con parámetros  0 ... k   3 ln L N  j   j  N  j  3 k  ' y xn  ' xn j 1 j 1 %  i 1 k & 0 j  1  exp #  0  '  i xi   $ % i 1 & Desarrollando el logaritmo natural de la función de verosimilitud obtenemos: En el anterior sistema de n+1 ecuaciones y n+1incógnitas no es posible obtener una fórmula cerrada para los estimadores de los 1  ln L x  .   31  k    j 1 j 1 1  exp #  0  '  i xi  j  $ L x  .  0 .L.   a la función de . 1 1   L .  se van a obtener 0 1 k Por otra parte.L. y   .  k  k  exp #  0  '  i xi  j  $ maximizando¨ 3 ln L N  j  N % & 0  ' y ' i 1 3 0  k  j 1 j 1 1  exp #  0  '  i xi  j  $ % i 1 & Coincide con el valor de los parámetros que maximiza  k  exp #  0  '  i xi  j  $ 3 ln L N  j   j  N  j  % & 0  ' y x1  ' x1 i 1  . L .. .  . L . Denotando por 1  P Y  1| x   j   %  i 1 k &  j     1 k  j  # 0  '  i xi $  L x .. Según dicho método se obtienen los estimadores máximo verosímiles como funciones de la muestra que hacen que Y que se maximice la función de verosimilitud  k  exp !  #  0  '  i xi  j  $ " asociada a la nuestra.y 1 1 . x  . . k   parámetros  ..  . 1 .   0 1 k N  k  N   k  variable Y dicotómica. ˆ1 . 1 ...  .74 Fernández & Pérez APÉNDICE N      ' y   !ln P Y  1| x   ln 1  P Y  1| x  "  ' ln 1  P Y  1| x  j j j j  N    j 1   j 1 Estimación máximo verosímil de los  P Y  1| x  j     N N  ' y  j  ln  ' ln 1  P Y  1| x j  parámetros del modelo logit j 1  1  P Y  1| x j   j 1 La estimación de los parámetros ˆ0 . se tiene que:  ' y  j  #  0  ' i xi j  $  ' ln #1  exp # 0  '  i xi  j  $ $ j 1 % i 1 & j 1 % % i 1 && 1 y    L .. Al utilizar el método de   ' 1  y   ln 1  P Y  1| x   N N  ' y   ln P Y  1| x  j j j j j 1 j 1 Newton-Raphson para llevar a cabo dichas Revista Ingenierías . x .. y   ..  k . L . L . k j j L x   . y por ecuaciones y n+1 incógnitas: tanto el valor de los parámetros  0 ...

L. pero en todos ellos la idea subyacente es que bien  p 1 # 1  p   1 ... 75 iteraciones. j  1... ....... ˆ2 . L .L..  1  exp x ˆ viejo j   ˆ  ˆ1 . . n  pueden ser varios. 2.1.. con p   j  exp x j ˆ viejo  Es decir.... N x  . n  Los criterios de convergencia del método W: Matriz diagonal con elementos iterativo utilizado para estimar los parámetros j  p  1  p j . 2. j  1. . j  1. 2.. N .L 0 $ $ # $ Recibido: 05/04/2005 ..1 decir X M N .. N j .. Por X: Matriz cuyas filas son j .. L 0  $   ˆ ¨nuevo 4 ˆ viejo o de igual manera ln L ˆ ¨ nuevo 4 ln L ˆ viejo   # W # 0  p 2  1  p 2   . . L p N  1  p  N  $$ & Aceptado: 12/05/2005 Universidad de Medellín . ˆk  y:Vector de componentes y  ... Es tanto c M N . W M N . L .. se obtiene la siguiente fórmula de p̂ : Vector cuya componente j-ésima indica la actualización de los parámetros: probabilidad estimada en esa iteración... El modelo logístico: una herramienta estadística. L .. ˆ nuevo  ˆ viejo  X t wX  X t c  pˆ  1 Donde: pˆ M  N .. .L.. M M O M # $ ## % 0 ...