Universidad Autnoma de Yucatn

CREDIT SCORING
Modelos de Crdito

Integrates:
William Aguilar Uicab
Hanqi Chen Zhen
Oscar Cab Can
Benito Rodriguez Camejo
Credit Scoring
Introduccin
Hoy en da, en el campo laboral bancario es de la mayor importancia tener buenas
estimaciones de los comportamientos de un cliente, si bien un modelo crediticio puede
darnos datos adecuados al comportamiento de pagos de una persona, tambin es importante
tener en cuenta el factor humano, ya sea en el momento de explicar a un trabajador,
accionista o empresario sin conocimientos estadsticos o matemticos acerca de la
interpretacin de un modelo; o el posible error de una estimacin de un modelo, los
outliers humanos. Es aqu donde entran las scorecards un sistema de puntos orientado en
clasificar a los clientes en un rango o grupos en lugar de buscar especficamente sus
posibles valores individuales, de esta forma tenemos una manera sencilla de denotar a los
clientes buenos y malos, en general las scorecards cumplieron su propsito y hoy en
dia son ampliamente usadas por instituciones de crdito a travs del mundo.

Los mtodos o modelos de credit scoring, a veces denominados score-cards o classifiers se

definen como un nmero estadstico que representa la solvencia de una persona. Los
prestamistas usan una puntuacin de crdito para evaluar la probabilidad de que una persona
pague sus deudas. Las empresas generan una puntuacin de crdito para cada persona con un
nmero de Seguro Social usando datos del historial de crdito anterior de la persona. Una
puntuacin de crdito es un nmero de tres dgitos que van desde 300 a 850, con 850 como
la puntuacin ms alta que un prestatario puede lograr. Cuanto ms alta sea la puntuacin,
ms financieramente confiable se considerar una persona.
Hay tres tipos principales de scorecards (o tipos de modelos):
Estadstica: Empricamente derivada de datos sobre prstamos pasados;
Experto: Estructurado a partir de un juicio de expertos y experiencia institucional;
Hbrido: Combinacin de tcnicas estadsticas y de juicio.
Un puntaje de modelo estadstico predice la probabilidad de incumplimiento para un
prestatario individual. Este grado de precisin lo convierte en el tipo de puntuacin ms
potente para la gestin de riesgos, la fijacin de precios y el aprovisionamiento. Los
puntajes de modelo experto e hbrido clasifican el riesgo relativo de un prestatario, donde
puntuaciones altas indican menos riesgo que puntuaciones ms bajas.
Sin embargo, un modelo experto o hbrido puede ser probado de nuevo en todos los casos
histricos para definir la probabilidad histrica de incumplimiento en varios niveles de
puntuacin. En realidad, todos los scorecards contendrn una mezcla de estadsticas y
juicios de expertos. Cuando hay una abundancia de datos para el modelado estadstico, el
juicio de expertos debe incluirse para la seleccin y exclusin de algunos factores. En caso
de falta de datos para las tcnicas estadsticas avanzadas, los modelos de experto, los
parmetros y la clasificacin deben, no obstante, someterse a una nueva prueba en la
medida de lo posible sobre datos anteriores. Por lo tanto, el trmino "hbrido" se reserva
para modelos mixtos en los que, se contemplan modelos estadsticos reforzados por
decisiones a juicio de expertos.
La seleccin del tipo de scorecard puede estar influenciada por varios factores:
Calidad y cantidad de datos histricos sobre prstamos buenos y problemticos;
La medida en que el segmento de calificacin se asemeja a clientes y productos
pasados;
La experiencia en modelizacin disponible en la empresa y / o el costo de los
consultores;
Las limitaciones de los sistemas de tecnologa de la informacin (TI).
La calidad y la cantidad de datos histricos disponibles son los factores ms importantes para
determinar qu tipo de tarjeta de puntuacin debe desarrollarse.
La figura 1 representa grficamente la estrategia a considerar de acuerdo al tipo y cantidad
de datos que tengamos disponibles. Los tres cuadrados sombreados representan los tipos de
modelos y los trade-offs implicados en la seleccin del tipo de scorecard.

Figura 1

En realidad, todos los modelos contendrn una mezcla de estadsticas y juicios de expertos.
Cuando hay una abundancia de datos para el modelado estadstico, el juicio de expertos
debe ser ejercido en la definicin, seleccin y exclusin de algunos factores. En caso de
falta de datos para las tcnicas estadsticas avanzadas, los modelos de juicio, los parmetros
y la clasificacin deben, no obstante, someterse a una nueva prueba en la medida de lo
posible sobre datos anteriores. Por lo tanto, el trmino "hbrido" se reserva para modelos
mixtos en los que, por ejemplo, un conjunto de factores con coeficientes o pesos obtenidos
estadsticamente se unen a otros factores ponderados de forma juiciosa.

Los sistemas expertos tienen como atractivo la capacidad para justificar sus
recomendaciones y decisiones, lo cual puede ser importante por cuestiones legales
vinculadas al acceso al crdito.

Los mtodos estadsticos utilizados para clasificar a los solicitantes de crdito, o incluso a
quienes ya son clientes de la entidad evaluadora, entre las clases de riesgo bueno y
malo.

Tipos de scoring
Scoring de aplicacin: Cuantifica los riesgos, asociados con las solicitudes de prstamos,
mediante la evaluacin de los datos sociales, demogrficos, financieros y de otro tipo que
se recogen en el momento de la solicitud. Facilita las decisiones de adquisicin del cliente.
Utilizado en sistemas de procesamiento de aplicaciones, la puntuacin de aplicaciones
ayuda a automatizar todo el proceso de originacin de prstamos.

Puntuacin conductual: Cuantifica el comportamiento del cliente para mejorar su gestin

de cartera de crdito y administracin de clientes. El puntaje de comportamiento le ayuda a
entender mejor a sus clientes y, cuanto mejor entienda a sus clientes, ms eficazmente
podr responder a sus necesidades individuales e incrementar su rentabilidad.

Puntuacin de las colecciones: Cuantifica la probabilidad de recuperacin del saldo

pendiente de las cuentas en cobros. El scorecard de la coleccin estima estadsticamente la
disposicin del deudor a pagar y la capacidad de pago y, por lo tanto, ayuda a definir qu
acciones se deben hacer para aumentar las colecciones.

Puntuacin de Desercin: Identifica a los clientes con mayor probabilidad de abandonar la

institucin, permitiendo que una IMF gestione de manera proactiva la relacin de sus
clientes.

Como se aplican las matrices de transicin al Credit Scoring

Hoy en da las matrices de transicin se usan para medir el riesgo de crdito. Para un
ejemplo arbitrario se define como la probabilidad de que un deudor con calificacin
crediticia i pueda migrar o moverse a otra calificacin crediticia j en un horizonte de
tiempo dado. Con base en lo anterior, es posible construir una matriz de probabilidades de
transicin A con i filas y j columnas, de tal manera que satisfagan las siguientes
condiciones:

1. Todos los elementos de la matriz son no negativos, por lo tanto, > 0.

2. La suma de los elementos de cada fila es igual a 1, por lo tanto, = 1 para todo i.

Si denominamos A como la matriz de probabilidades de transicin con un horizonte de

tiempo dado, esta se puede representar de manera general como (tabla 1):
Tabla 1. Matriz de probabilidades de transicin

Donde representa la fraccin de crditos con calificacin i que tienen un mes despus
calificacin j. Debido a las limitaciones de la informacin, para este estudio se ha utilizado
el mtodo discreto, donde las probabilidades de transicin se calculan de la siguiente
manera:

= para todo i, j

Dnde: : nmero de crditos que comenzaron al inicio del periodo en la calificacin i y
terminaron al finalizar el periodo en la calificacin j. : nmero de crditos que estaban
en la calificacin i al comienzo del perodo.
Despus de calculadas las para cada momento del tiempo de la muestra analizada, se
procede a calcular las promedio, las cuales representan las probabilidades de transicin
de todo el perodo analizado. As:

= ()
=0
Dnde: : ponderacin para cada momento del tiempo analizado.

Modelo de regresin logstica:

La regresin logstica es un modelo de regresin en el que la variable dependiente es
categrica; normalmente la variable dependiente puede tomar entre 2 valores en este caso
se le llama variable dependiente binaria, por ejemplo, la variable dependiente podra tomar
valores entre 0/1, vivo/muerto, acreditado/no acreditado, etc.

Nos es de incumbencia este modelo porque es usado para evaluar el riesgo crediticio o la
conveniencia de otorgar un crdito. Aparte de este modelo hay una gran variedad de
metodologas disponibles: anlisis discriminante, regresin lineal, regresin logstica,
modelos probit, modelos logit, mtodos no paramtricos de suavizado, mtodos de
programacin matemtica, modelos basados en cadenas de Markov, algoritmos de
particionamiento recursivo (rboles de decisin), algoritmos genticos, redes neuronales y,
finalmente, el juicio humano. Pero en la actualidad, la regresin logstica es ahora
probablemente la tcnica ms utilizada para la puntuacin de crdito, aunque normalmente
se emplea ms de una solo metodologa y se usan combinadas.

En el caso que la variable dependiente puede tomar ms de 2 posibles valores se tratara del
modelo de regresin multinomial logstico.

Este modelo fue desarrollado por el estadstico David Cox en los 60s. El modelo de
regresin logstica es usado para estimar la probabilidad de una variable dependiente
basado en uno o ms variables independientes. Este modelo permite afirmar que tanto
incrementa la probabilidad de un cierto resultado la presencia de un factor de riesgo.

Veremos un ejemplo del uso de este modelo a continuacin:

Supongamos que requerimos saber cmo afecta el tiempo dedicado a estudiar a la

probabilidad de pasar o no un examen.

La variable dependiente en este caso es binaria y categrica, es aprobar y reprobar. Si la

variable dependiente fuera numrica, es decir, si fuera sobre la calificacin (un nmero
entre 1-100) se podra usar otros modelos de regresin ms sencillos.

Supngase que se consiguen los siguientes datos:

Ahora solo se necesitan calcular ciertos coeficientes e insertarlas a la frmula de regresin

logstica:
El coeficiente del intercepto es -4.0777
El coeficiente de horas es 1.5046
El coeficiente de la prueba de Wald es 0.0167

Con los datos recaudados y la ecuacin de regresin logstica se consiguieron los siguientes
resultados:
Construccin de Scorecards:
El proceso de la construccin de una scorecard en un ambiente microfinanciero se puede
simplificar a los siguientes 4 pasos: Definicin del segmento al que se le va a aplicar el
scoring, eleccin del tipo de scorecard, diseo del scorecard y finalmente
prueba/Implementacin/Administracin del scorecard.

1.- Definicin del segmento: En este paso se define al tipo de clientes y productos a los que
se quiere aplicar el scoring. A la combinacin de estos datos se le denota segmento de
scoring. La segmentacin es un trmino de marketing para denotar grupo de clientes que
comparten cierta caracterstica. El scoring es bueno usarlo cuando se trabajan con
volmenes altos de clientes, productos estndares y cantidades pequeas de crditos
(perfecto para microfinanzas).

2.- Tipo de scorecard: En este paso se elige el tipo de scorecard a usar; hay 3 principales
tipos: estadsticos, crticos e hbridos.

El estadstico usa la informacin emprica recaudada de los datos de crditos pasados ya sea
de la propia institucin u otra ms antigua.

El crtico se basa en el juicio y experiencia de algn experto.

El hbrido es una combinacin del estadstico y el crtico.

 Figura 2

3.- Diseo del scorecard: Sin importar el tipo de scorecard que se eligi los pasos a seguir
para el diseo de una scorecard son: Definicin, descubrimiento y desarrollo.

Definicin: En este paso se define que es un cliente malo para la institucin financiera.
Cliente malo normalmente es aquel cliente que crear prdidas por lo que las instituciones
quieren evitar tenerlos. Un cliente bueno es aquel que si pagara sus deberes (aunque podra
presentar atrasos) y crear per se ganancias para la institucin. Una definicin cuantificable
precisa para cliente malo es crucial para el desarrollo del scorecard si se elige el tipo
estadstico.
Claramente dependiendo del segmento de clientes elegidos cambian las caractersticas de
un cliente malo. Si se trata de una microfinanciera con trabajadores asalariados como
clientes principales un cliente malo podra ser el que tenga ms de 15 das de retraso en
promedio por prstamo. Para financieras ms grandes y prstamos ms grandes podra
considerarse cliente malo a tener en promedio 90 das de retraso por prstamo. Es decir esta
definicin de cliente malo debe encajar al producto y a los clientes de la institucin
financiera y su apetito al riesgo.

Descubrimiento: Es el proceso en el que se identifican las variables a usar en el modelo.

Para un modelo estadstico se requieren realizar rigurosos anlisis de los datos de
prstamos/crditos pasados. Con este anlisis deberan surgir las variables que se deben
considerar para el modelo y cmo se relacionan con el riesgo de incumplimiento, es decir,
riesgo a que el cliente no pague lo que debe.

El que haga este anlisis adems de tener habilidades en el rea estadstico debe entender
cmo funciona el negocio de los crditos, como funciona la institucin financiera y debera
tener experiencia de otros mercados e instituciones.
Si se usara un modelo que solo se basa en el criterio de expertos, no se requerira un
anlisis estadstico riguroso. Por ejemplo, el panel de expertos podra simplemente hacer
una lista de los factores que hacen a un cliente bueno en su percepcin y luego este panel de
expertos deber decidir cmo cada factor gua al modelo para decidir la aprobacin de
crditos, el mximo del crdito, etc.

Desarrollo: En este ltimo paso solo se aplican las variables encontradas con los anlisis
estadsticos o los elegidos por el panel de expertos al modelo y as generar un scorecard
aparte se debe hacer una prueba con los datos de los prstamos pasados usados para el
anlisis estadstico.

Se debe conseguir informacin de cuntos clientes buenos o malos hay para cada score
definido y si los porcentajes parecen correctos. Obsrvese la informacin de la tabla 2:
Tabla 2

Estos son los por clientes malos y buenos por score que asign el scorecard. Como se puede
notar entre ms alto el score menor es el porcentaje de clientes malos por lo que es
consistente el scorecard y no dio resultados errneos. Con estos scores se podra definir la
tabla 3:
 Tabla 3

Esta tabla nos dice que se aprueban automticamente a los que tenga ms de 350 de score y
eso le permite a la institucin aprobar de forma rpida al 70% de sus clientes mientras que
los dems se les dar un anlisis personal. Esto permite agilizar el proceso de aprobacin de
crditos y disminuye sustancialmente el costo de inspeccionar a cada cliente manualmente.

4.- Prueba/Implementacin/Administracin del scorecard: como paso final se empieza a

aplicar el scorecard y se esperara que en sus primeras aplicaciones de resultados
congruentes, es decir, que entre mayor score haya menor porcentaje de clientes malos. A
partir de este momento solo queda administrar el scorecard, el cual es un proceso largo, se
deben de recaudar todos los datos posibles para poder en un futuro mejorar el modelo
estadstico o si se us slo el juicio de un panel de expertos esas elecciones por experiencia
podran volverse estadsticamente ciertos si los datos recaudados lo indican.

ndice de Herfindahl-Hirschman (IHH)

El IHH se utiliza para medir la concentracin del mercado. Este ndice es sugerido como un
indicador de estructura de mercado, dado que tiene en cuenta tanto el nmero de
competidores como su participacin relativa en el mismo, y se calcula como la suma al
cuadrado de la participacin porcentual de la i-sima empresa en la industria:
2

= ( 100)

=1

Donde es la participacin porcentual de la i-sima empresa en el mercado y N es el

nmero de empresas en la industria
El indicador vara entre cero y diez mil (0 < IHH < 10,000). Cuando el indicador IHH es
cercano a cero indica que hay un bajo nivel de concentracin, mientras que un indicador de
10.000 muestra que el mercado se comporta como un monopolio. La lectura de este ndice
se realiza de acuerdo con la tabla 4:
 Tabla 4

La escala para interpretar el indicador fue tomada del Departamento de Justicia de los Estados Unidos y la Comisin de
Comercio Federal.

El ndice de Morosidad (IMOR) es la cartera de crdito vencida como proporcin de la

cartera total. Es uno de los indicadores ms utilizados como medida de riesgo de una cartera
crediticia la cartera de crdito se clasifica como vencida cuando los acreditados son
declarados en concurso mercantil, o bien, cuando el principal, intereses ambos no han sido
liquidados en los trminos pactados originalmente, considerando los plazos y condiciones
establecidos en la regulacin.

Para clasificar los crditos como vencidos con pago nico de principal, se requieren 30 das
o ms de vencimiento; para el caso de los crditos revolventes, 60 das, y para el de los
crditos a la vivienda, 90 das.

De acuerdo con la regulacin aplicable, los crditos declarados vencidos que liquiden
totalmente los saldos pendientes de pago o que siendo crditos reestructurados o renovados
cumplan con el pago sostenido del crdito, volvern a considerarse cartera vigente.

Debido a que este rubro es una salida de cartera vencida, se registra con signo negativo. Los
traspasos netos, son la diferencia entre los traspasos a cartera vencida y los traspasos a cartera
vigente.
Parte de la cartera vencida se puede recuperar ejerciendo garantas (cobranza en efectivo o
en especie), reestructurando crditos o liquidando crditos vencidos.
El monto recuperado se resta de la cartera vencida inicial. Las aplicaciones de cartera
vencida, tambin conocidas como castigos, se defi3nen como la cancelacin del crdito
cuando existe a suficiente de que el crdito no ser recuperado.

El banco refleja estas aplicaciones en sus estados financieros utilizando las reservas
previamente constituidas. La regulacin permite que los bancos decidan si el crdito vencido
debe permanecer en el balance o bien debe ser castigado y, por lo tanto, vara de acuerdo a
las polticas establecidas por cada institucin.
Otros movimientos que se toman en cuenta para el clculo son: compras y ventas de cartera
vencida y ajustes cambiarios para crditos denominados en otras monedas, ambos se agrupan
en el rubro de ajustes adicionales.
As, el saldo final de la cartera vencida se calcula como el saldo inicial ms los traspasos
netos, menos las recuperaciones, menos las aplicaciones, ms los ajustes adicionales.

Todos estos movimientos de la cartera vencida hacen del IMOR una medida de difcil
interpretacin.
Un nivel dado de IMOR puede sobreestimar el riesgo de crdito, al incluir crditos vencidos
viejos que sern castigados.

Una disminucin del IMOR no implica necesariamente una disminucin del riesgo de
crdito, ya que puede explicarse por mayores castigos y no por un menor nmero de
traspasos.
Igualmente, un incremento en el IMOR puede subestimar el riesgo de crdito, ya que refleja
menos que proporcionalmente los traspasos de cartera vigente a cartera vencida ocurridos
durante el periodo considerado.

Ejemplo de aplicacin de Scorecard

Jeff tiene una puntuacin de 680 y: Michelle tiene una puntuacin de 780 y:

Tiene seis cuentas de crdito, incluyendo Tiene diez cuentas de crdito, incluyendo
varias tarjetas de crdito activas, un varias tarjetas de crdito activas, un prstamo
prstamo de automvil activo, una de automvil activo, una hipoteca y un
hipoteca y un prstamo estudiantil. prstamo estudiantil

Un historial de crdito de ocho aos. Un historial de crdito de quince aos.

Utilizacin moderada en sus cuentas de Bajo uso en sus cuentas de tarjeta de

tarjeta de crdito (sus saldos son 40-50% crdito (sus saldos son 15-25% de sus
de sus lmites). lmites).

Dos delincuencias reportadas: una Nunca se ha perdido un pago sobre

delincuencia de 90 das hace dos aos en ninguna obligacin de crdito.
una cuenta de tarjeta de crdito, y una
delincuencia aislada de 30 das en su
prstamo de auto hace un ao.

No tiene cuentas en las colecciones y no No tiene registros pblicos adversos en

hay registros pblicos adversos en el archivo.
archivo.

A continuacin, se muestra un ejemplo de cmo las puntuaciones pueden cambiar si Jeff y

Michelle maximizar una tarjeta de crdito, perder un pago, liquidar una deuda de tarjeta de
crdito por menos del saldo completo, sufrir una ejecucin hipotecaria, o declararse en
quiebra.
Jeff Michelle
Puntaje actual de FICO 680 780

Las puntuaciones despus de

que una de estas se agrega al
informe de crdito:
 Maximizar una tarjeta de 650-670 735-755
crdito.

Una delincuencia de 30 das 600-620 670-690

615-635 655-675
Liquidacin de una deuda de
tarjeta de crdito.
Juicio hipotecario 575-595 620-640
Bancarrota 530-550 540-560

Como se puede ver, maximizar una tarjeta de crdito tiene el menor impacto de estos
errores de crdito. Declarar la bancarrota tiene el mayor impacto en sus resultados. Para
alguien como Michelle con una puntuacin alta de 780, la declaracin de quiebra podra
reducir su puntuacin en hasta 240 puntos. Esto se debe a que el modelo de puntaje
generalmente da ms peso al historial de pagos al calcular la puntuacin, y la bancarrota
est incluida en el historial de pagos. Adems, una quiebra a menudo implica ms de una
cuenta de crdito, en comparacin con una ejecucin hipotecaria que a menudo implica
slo una cuenta nica.
Tenga en cuenta que Michelle perdera ms puntos por cada paso en falso que Jeff, a pesar
de que su puntaje empieza 100 puntos ms alto. Eso es porque la puntuacin ms baja de
Jeff de 680 ya refleja su comportamiento pasado ms arriesgado. As que la adicin de un
indicador ms de mayor riesgo en su informe de crdito no es tan importante para su
puntuacin como lo es para Michelle.
Referencias:
1. ----. (----). Credit Scoring. mayo 06, 2017, de Investopedia Sitio web:
http://www.investopedia.com/terms/c/credit_scoring.asp
2. ----. (----). Application Scoring. mayo 06, 2017, de Scorto Sitio web:
https://scorto.com/application-scoring/
3. ----. (----). Behavioral Scoring. mayo 06, 2017, de Scorto Sitio web:
https://scorto.com/behavioral-scoring/
4. ----. (----). Collection Scoring. mayo 06, 2017, de Scorto Sitio web:
https://scorto.com/collection-scoring/
5. ----. (----). ndice de morosidad sistema bancario. mayo 06, 2017, de Financial Red
Mxico Sitio web: http://laeconomia.com.mx/indice-de-morosidad-sistema-
bancario%E2%80%8F/
6. Javier Gutierrez Rueda & Nancy Zamudio Gomez . (2008). Reporte de estabilidad
financiera. mayo 07, 2017, de Banco de la Repblica Colombia Sitio web:
http://www.banrep.gov.co/docum/Lectura_finanzas/pdf/medidas.pdf
7. Armando Tmara-Ays, Ral Aristizbal & Ermilson Velsquez. (2012, mayo 22).
Matrices de transicin en el anlisis del riesgo crediticio como elemento
fundamental en el clculo de la prdida esperada en una institucin financiera
colombiana. Revista Ingenieras Universidad de Medelln, 11, 105-114pp.

8. Craig Churchill & Cheryl Frankiewicz. (2006 noviembre 10). New Technologies. En
Making Microfinance Work: Managing for Improved Performance (308p). Geneva:
International Labour Organization.

9. Matas Alfredo Gutirrez Girault. (2007). Modelos de Credit Scoring - Qu,

Cmo, Cundo y Para Qu . mayo 08, 2017, de Banco Central de la
Repblica Argentina Sitio web:
http://www2.bcra.gob.ar/Pdfs/Publicaciones/CreditScoring.pdf
10. ----. (----). Credit Scoring Example. mayo 07, 2017, de Green Path Sitio web:
http://www.greenpath.com/resources-tools/financial-library/credit-reports/credit-
scoring-example
11. Bill Fay. (----). What Is a Credit Score?. mayo 07, 2017, de Debt.org Sitio web:
https://www.debt.org/credit/report/scoring-models/
12. Dean Caire, DAI Europe (formerly Bannock Consulting) Susan Barton, ACCION
International Alexandra de Zubiria, ACCION International Zhivko Alexiev, DAI
Europe Jay Dyer, DAI Europe Frances Bundred, ECIAfrica (Pty) Ltd. Neil Brislin,
& ECIAfrica (Pty) Ltd. . (2006). A handbook for developing credit scoring systems
in a microfinance context. mayo 07, 2017, de USAID Sitio web:
https://agrifinfacility.org/sites/agrifinfacility.org/files/vberisha/51/1183203231096_
Credit_Scoring_Systems_Handbook.pdf