Modelación de la probabilidad de incumplimiento y cálculo de la perdida catastrófica en una institución financiera en Colombia

La pérdida esperada en una institución financiera es el monto de capital que se perdería producto de la exposición que tienen la deuda en el tiempo. Este trabajo se enfoca en modelar la probabilidad de incumplimiento para una cartera de crédito bajo dos escenarios de estudio, uno con nivel de mora n...

Full description

Autores:: Támara Ayús, Armando Lenin
Segura Ramos, José Eduardo
Chica Arrieta, Ignacio Emilio

Tipo de recurso:: Article of journal

Fecha de publicación:: 2021

Institución:: Corporación Universidad de la Costa

Repositorio:: REDICUC - Repositorio CUC

Idioma:: spa

id	RCUC2_a9c896bcd02530035f8144cd90dcb30e
oai_identifier_str	oai:repositorio.cuc.edu.co:11323/11936
network_acronym_str	RCUC2
network_name_str	REDICUC - Repositorio CUC
repository_id_str
dc.title.spa.fl_str_mv	Modelación de la probabilidad de incumplimiento y cálculo de la perdida catastrófica en una institución financiera en Colombia
dc.title.translated.eng.fl_str_mv	Modeling the probability of default and calculation of the catastrophic loss in a financial institution in Colombia
title	Modelación de la probabilidad de incumplimiento y cálculo de la perdida catastrófica en una institución financiera en Colombia
spellingShingle	Modelación de la probabilidad de incumplimiento y cálculo de la perdida catastrófica en una institución financiera en Colombia Probability of default Logistic regression Credit risk Liquidity Indebtedness Global adjustment NA Probabilidad de incumplimiento Regresión logística Riesgo de crédito Liquidez Endeudamiento Ajuste global NA
title_short	Modelación de la probabilidad de incumplimiento y cálculo de la perdida catastrófica en una institución financiera en Colombia
title_full	Modelación de la probabilidad de incumplimiento y cálculo de la perdida catastrófica en una institución financiera en Colombia
title_fullStr	Modelación de la probabilidad de incumplimiento y cálculo de la perdida catastrófica en una institución financiera en Colombia
title_full_unstemmed	Modelación de la probabilidad de incumplimiento y cálculo de la perdida catastrófica en una institución financiera en Colombia
title_sort	Modelación de la probabilidad de incumplimiento y cálculo de la perdida catastrófica en una institución financiera en Colombia
dc.creator.fl_str_mv	Támara Ayús, Armando Lenin Segura Ramos, José Eduardo Chica Arrieta, Ignacio Emilio
dc.contributor.author.spa.fl_str_mv	Támara Ayús, Armando Lenin Segura Ramos, José Eduardo Chica Arrieta, Ignacio Emilio
dc.subject.eng.fl_str_mv	Probability of default Logistic regression Credit risk Liquidity Indebtedness Global adjustment NA
topic	Probability of default Logistic regression Credit risk Liquidity Indebtedness Global adjustment NA Probabilidad de incumplimiento Regresión logística Riesgo de crédito Liquidez Endeudamiento Ajuste global NA
dc.subject.spa.fl_str_mv	Probabilidad de incumplimiento Regresión logística Riesgo de crédito Liquidez Endeudamiento Ajuste global NA
description	La pérdida esperada en una institución financiera es el monto de capital que se perdería producto de la exposición que tienen la deuda en el tiempo. Este trabajo se enfoca en modelar la probabilidad de incumplimiento para una cartera de crédito bajo dos escenarios de estudio, uno con nivel de mora normal y otro con un nivel de mora restringido. Se toma como referencia una base de datos perteneciente a una cartera de crédito de consumo, con una muestra de 5.000 obligaciones analizadas en el período de enero a diciembre del 2019. El método estadístico utilizado es la regresión logística basado en las variables financieras de liquidez y endeudamiento, más una variable no financiera como es la edad. Los resultados muestran un modelo con un nivel de ajuste global mayor al 85% en los dos escenarios de estudio, donde, la variable ingreso es la que más influencia posee sobre el modelo de regresión logística. Finalmente, se ratifica la aplicabilidad de la regresión logística como una herramienta estadística en la búsqueda de modelos de pronosticación, con lo cual se logra reducir la perdida esperada en una cartera de crédito sin aumentar la exposición al riesgo.
publishDate	2021
dc.date.accessioned.none.fl_str_mv	2021-03-01 00:00:00 2024-04-09T20:09:54Z
dc.date.available.none.fl_str_mv	2021-03-01 00:00:00 2024-04-09T20:09:54Z
dc.date.issued.none.fl_str_mv	2021-03-01
dc.type.spa.fl_str_mv	Artículo de revista
dc.type.coar.spa.fl_str_mv	http://purl.org/coar/resource_type/c_6501 http://purl.org/coar/resource_type/c_2df8fbb1
dc.type.content.spa.fl_str_mv	Text
dc.type.driver.spa.fl_str_mv	info:eu-repo/semantics/article
dc.type.local.eng.fl_str_mv	Journal article
dc.type.redcol.spa.fl_str_mv	http://purl.org/redcol/resource_type/ART
dc.type.version.spa.fl_str_mv	info:eu-repo/semantics/publishedVersion
dc.type.coarversion.spa.fl_str_mv	http://purl.org/coar/version/c_970fb48d4fbd8a85
format	http://purl.org/coar/resource_type/c_6501
status_str	publishedVersion
dc.identifier.issn.none.fl_str_mv	0120-3932
dc.identifier.uri.none.fl_str_mv	https://hdl.handle.net/11323/11936
dc.identifier.url.none.fl_str_mv	https://doi.org/10.17981/econcuc.42.2.2021.Econ.2
dc.identifier.doi.none.fl_str_mv	10.17981/econcuc.42.2.2021.Econ.2
dc.identifier.eissn.none.fl_str_mv	2382-3860
identifier_str_mv	0120-3932 10.17981/econcuc.42.2.2021.Econ.2 2382-3860
url	https://hdl.handle.net/11323/11936 https://doi.org/10.17981/econcuc.42.2.2021.Econ.2
dc.language.iso.spa.fl_str_mv	spa
language	spa
dc.relation.ispartofjournal.spa.fl_str_mv	Económicas CUC
dc.relation.references.spa.fl_str_mv	Affes, Z. & Hentati, R. (2017). Predicting US Banks Bankruptcy: Logit Versus Canonical Discriminant Analysis. Computational Economics, (54), 199–244. https://doi.org/10.1007/s10614-017-9698-0 Alaka, H., Oyedele, L., Owolabi, H., Kumar, V., Ajayi, S., Akinade, O. & Bilal, M. (2018). Systematic Review of Bankruptcy Prediction Models: Towards A Framework for Tool Selection. Expert Systems With Applications, (94), 164–184. https://doi.org/10.1016/j.eswa.2017.10.040 Apilado, V., Warner, D. & Dauten, J. (1974). Evaluative Techniques in Consumer Finance-- Experimental Results and Policy Implications for Financial Institutions. The Journal Of Financial And Quantitative Analysis, 9(2), 275–283. https://doi.org/10.2307/2330105 Assef, F. & Steiner, M. (2020). Ten-year evolution on credit risk research: A systematic literature review approach and discussion. Ingenieria e Investigacion, 40(2), 1–21. https://doi.org/10.15446/ing.investig.v40n2.78649 Cappon, A., Gorenstein, A., Mignot, S. & Manuel, G. (2018). Credit ratings, default probabilities, and logarithms. Journal of Structured Finance, 24(1), 39–49. https://doi.org/10.3905/jsf.2018.24.1.039 Castro, D. y Soto, A. (2017). Estimación de la probabilidad de incumplimiento para las firmas del sector económico industrial y comercial en una entidad financiera colombiana entre los años 2009 y 2014. Cuadernos de Economía, 36(71), 293–319. https://doi.org/10.15446/ cuad.econ.v36n71.55273 Chen, N., Ribeiro, B. & Chen, A. (2016). Financial credit risk assessment: a recent review. Artificial Intelligence Review, 45(1), 1–23. https://doi.org/10.1007/s10462-015-9434-x Davis, R., Edelman, D. & Gammerman, A. (1992). Machine learning algorithms for credit-card applications. IMA Journal of Management Mathematics, 4(1), 43–51. https://doi.org/10.1093/imaman/4.1.43 Dendramis, Y., Tzavalis, E. & Adraktas, G. (2018). Credit risk modelling under recessionary and financially distressed conditions. Journal of Banking and Finance, 91, 160–175. https://doi.org/10.1016/j.jbankfin.2017.03.020 Do Prado, J., Carvalho, F., Benedicto, G. y Lima, A. (2019). Análisis del riesgo de crédito que enfrentan las empresas de capital abierto en Brasil: un enfoque utilizando análisis discriminante regresión logística y redes neuronales artificiales. Estudios Gerenciales, 35(153), 347–360. https://doi.org/10.18046/j.estger.2019.153.3151 Durovic, A. (2017). Estimating probability of default on peer to peer market – Survival analysis approach. Journal of Central Banking Theory and Practice, 62(2), 149–167. https://doi.org/10.1515/jcbtp-2017-0017 Fantazzini, D. & Zimin, S. (2020). A multivariate approach for the simultaneous modelling of market risk and credit risk for cryptocurrencies. Journal of Industrial and Business Economics, 47(1), 19–69. https://doi.org/10.1007/s40812-019-00136-8 Grundke, P., Pliszka, K. & Tuchscherer, M. (2019). Model and estimation risk in credit risk stress tests. Review of Quantitative Finance and Accounting, 55, 163–199. https://doi.org/10.1007/s11156-019-00840-5 Imtiaz, S. & Brimicombe, A. (2017). A Better Comparison Summary of Credit Scoring Classification. International Journal of Advanced Computer Science and Applications, 8(7), 1–4. https://doi.org/10.14569/IJACSA.2017.080701 Lane, S. (1972). Submarginal Credit Risk Classification. The Journal Of Financial And Quantitative Analysis, 7(1), 1379–1385. https://doi.org/10.2307/2330069 Lohmann, C. & Ohliger, T. (2018). Nonlinear relationships in a logistic model of default for a high-default installment portfolio. Journal of Credit Risk, 14(1), 45–68. https://doi.org/10.21314/JCR.2017.232 Myers, J. & Forgy, E. (1963). The Development of Numerical Credit Evaluation Systems. Journal Of The American Statistical Association, 58(303), 799–806. https://doi.org/10.2307/2282727 RiskSimulator. (2020). [Sofware]. Available from www.software-shop.com/producto/risk-simulator Russo, V., Lagasio, V., Brogi, M. & Fabozzi, F. (2020). Application of the Merton model to estimate the probability of breaching the capital requirements under Basel III rules. Annals of Finance, 16(1), 141–157. https://doi.org/10.1007/s10436-020-00358-0 Sariev, E. & Germano, G. (2020). Bayesian regularized artificial neural networks for the estimation of the probability of default. Quantitative Finance, 20(2), 311–328. https://doi.org/10.1080/14697688.2019.1633014 Song, S., Wang, Y. & Xu, G. (2020). On the probability of default in a market with price clustering and jump risk. Mathematics and Financial Economics, 14(2), 225–247. https://doi.org/10.1007/s11579-019-00253-x Srinivasan, V. & Kim, Y. (1987). Credit Granting: A Comparative Analysis of Classification Procedures. The Journal Of Finance, 42(3), 665–681. https://doi.org/10.2307/2328378 SPSS. (versión 24). Statistical Package for the Social Sciences. [Sofware]. Armonk: IBM. Disponible en https://www.ibm.com/support/pages/downloading-ibm-spssstatistics-24 Superfinanciera. (2002). . Circular externa 011. Bogotá, D.C.: Superfinanciera. Disponible en http://legal.legis.com.co/document/Index?obra=legcol&document=legcol_75992041c75992048a75992043f75992034e75990430a75010151f75992034 Támara, A., Villegas, G. y De Andrés, J. (2019). Una revisión sistemática de la literatura en torno a la quiebra empresarial para el período 2012-2017. Espacios, 40(4). Disponible en http://www.revistaespacios.com/a19v40n04/a19v40n04p25.pdf Támara, A., Villegas, G., Leones, M. y Salazar, J. (2018). Modelación del riesgo de insolvencia en empresas del sector salud empleando modelos logit. Revista de métodos cuantitativos para la economía y la empresa,, 26, 128–145. Disponible en https://www.upo.es/revistas/index.php/RevMetCuant/article/view/2757 Trejo, J., Martínez, M. & Venegas, F. (2017). Credit risk management at retail in Mexico: An econometric improvement in the selection of variables and changes in their characteristics. Contaduría y Administración, 62(2), 399–418. https://doi.org/10.1016/j.cya.2017.02.006 Tsai, C. & Hung, C. (2014). Modeling credit scoring using neural network ensembles. Kybernetes, 43(7), 1114–1123. https://doi.org/10.1108/k-01-2014-0016 Van Thiel, D. & Van Raaij, W. (2019). Artificial intelligence credit risk prediction: An empirical study of analytical artificial intelligence tools for credit risk prediction in a digital era. Journal of Risk Management in Financial Institutions, 12(3), 268–286. https://doi.org/10.33423/jaf.v19i8.2622 Wiginton, J. (1980). A note on the comparison of logit and discriminant models of consumer credit behaviour. Journal of Financial and Quantitative Analysis, 15(3), 757–770. https://doi.org/10.2307/2330408
dc.relation.citationendpage.none.fl_str_mv	186
dc.relation.citationstartpage.none.fl_str_mv	173
dc.relation.citationissue.spa.fl_str_mv	2
dc.relation.citationvolume.spa.fl_str_mv	42
dc.relation.bitstream.none.fl_str_mv	https://revistascientificas.cuc.edu.co/economicascuc/article/download/3216/3408 https://revistascientificas.cuc.edu.co/economicascuc/article/download/3216/3732 https://revistascientificas.cuc.edu.co/economicascuc/article/download/3216/3760 https://revistascientificas.cuc.edu.co/economicascuc/article/download/3216/3862
dc.relation.citationedition.spa.fl_str_mv	Núm. 2 , Año 2021
dc.rights.spa.fl_str_mv	ECONÓMICAS CUC - 2021
dc.rights.uri.spa.fl_str_mv	https://creativecommons.org/licenses/by-nc-nd/4.0
dc.rights.accessrights.spa.fl_str_mv	info:eu-repo/semantics/openAccess
dc.rights.coar.spa.fl_str_mv	http://purl.org/coar/access_right/c_abf2
rights_invalid_str_mv	ECONÓMICAS CUC - 2021 https://creativecommons.org/licenses/by-nc-nd/4.0 http://purl.org/coar/access_right/c_abf2
eu_rights_str_mv	openAccess
dc.format.mimetype.spa.fl_str_mv	application/pdf text/html application/xml application/epub+zip
dc.publisher.spa.fl_str_mv	Universidad de la Costa
dc.source.spa.fl_str_mv	https://revistascientificas.cuc.edu.co/economicascuc/article/view/3216
institution	Corporación Universidad de la Costa
bitstream.url.fl_str_mv	https://repositorio.cuc.edu.co/bitstreams/66e5e954-6915-4a91-9a15-e60bfc900f9b/download
bitstream.checksum.fl_str_mv	91ced9d4793d396946ddc60db3f7ae4b
bitstream.checksumAlgorithm.fl_str_mv	MD5
repository.name.fl_str_mv	Repositorio de la Universidad de la Costa CUC
repository.mail.fl_str_mv	repdigital@cuc.edu.co
_version_	1811760858883162112
spelling	Támara Ayús, Armando LeninSegura Ramos, José EduardoChica Arrieta, Ignacio Emilio2021-03-01 00:00:002024-04-09T20:09:54Z2021-03-01 00:00:002024-04-09T20:09:54Z2021-03-010120-3932https://hdl.handle.net/11323/11936https://doi.org/10.17981/econcuc.42.2.2021.Econ.210.17981/econcuc.42.2.2021.Econ.22382-3860La pérdida esperada en una institución financiera es el monto de capital que se perdería producto de la exposición que tienen la deuda en el tiempo. Este trabajo se enfoca en modelar la probabilidad de incumplimiento para una cartera de crédito bajo dos escenarios de estudio, uno con nivel de mora normal y otro con un nivel de mora restringido. Se toma como referencia una base de datos perteneciente a una cartera de crédito de consumo, con una muestra de 5.000 obligaciones analizadas en el período de enero a diciembre del 2019. El método estadístico utilizado es la regresión logística basado en las variables financieras de liquidez y endeudamiento, más una variable no financiera como es la edad. Los resultados muestran un modelo con un nivel de ajuste global mayor al 85% en los dos escenarios de estudio, donde, la variable ingreso es la que más influencia posee sobre el modelo de regresión logística. Finalmente, se ratifica la aplicabilidad de la regresión logística como una herramienta estadística en la búsqueda de modelos de pronosticación, con lo cual se logra reducir la perdida esperada en una cartera de crédito sin aumentar la exposición al riesgo.The expected loss in a financial institution is the amount of capital that would be lost as a result of the exposure that the debt has over time. This work focuses on modeling the probability of default for a loan portfolio under two study scenarios, one with a normal default level and the other with a restricted default level. A database belonging to a consumer loan portfolio is taken as a reference, with a sample of 5,000 obligations analyzed in the period from January to December 2019. The statistical method used is the logistic regression based on the financial variables of liquidity and indebtedness, plus a non-financial variable such as age. The results show a model with a global adjustment level greater than 85% in the two study scenarios, where the income variable is the one that has the most influence on the logistic regression model. Finally, the applicability of logistic regression as a statistical tool in the search for forecasting models is ratified, with which it is possible to reduce the expected loss in a loan portfolio without increasing risk exposure.application/pdftext/htmlapplication/xmlapplication/epub+zipspaUniversidad de la CostaECONÓMICAS CUC - 2021https://creativecommons.org/licenses/by-nc-nd/4.0info:eu-repo/semantics/openAccessEsta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.http://purl.org/coar/access_right/c_abf2https://revistascientificas.cuc.edu.co/economicascuc/article/view/3216Probability of defaultLogistic regressionCredit riskLiquidityIndebtednessGlobal adjustmentNAProbabilidad de incumplimientoRegresión logísticaRiesgo de créditoLiquidezEndeudamientoAjuste globalNAModelación de la probabilidad de incumplimiento y cálculo de la perdida catastrófica en una institución financiera en ColombiaModeling the probability of default and calculation of the catastrophic loss in a financial institution in ColombiaArtículo de revistahttp://purl.org/coar/resource_type/c_6501http://purl.org/coar/resource_type/c_2df8fbb1Textinfo:eu-repo/semantics/articleJournal articlehttp://purl.org/redcol/resource_type/ARTinfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/version/c_970fb48d4fbd8a85Económicas CUCAffes, Z. & Hentati, R. (2017). Predicting US Banks Bankruptcy: Logit Versus Canonical Discriminant Analysis. Computational Economics, (54), 199–244. https://doi.org/10.1007/s10614-017-9698-0Alaka, H., Oyedele, L., Owolabi, H., Kumar, V., Ajayi, S., Akinade, O. & Bilal, M. (2018). Systematic Review of Bankruptcy Prediction Models: Towards A Framework for Tool Selection. Expert Systems With Applications, (94), 164–184. https://doi.org/10.1016/j.eswa.2017.10.040Apilado, V., Warner, D. & Dauten, J. (1974). Evaluative Techniques in Consumer Finance-- Experimental Results and Policy Implications for Financial Institutions. The Journal Of Financial And Quantitative Analysis, 9(2), 275–283. https://doi.org/10.2307/2330105Assef, F. & Steiner, M. (2020). Ten-year evolution on credit risk research: A systematic literature review approach and discussion. Ingenieria e Investigacion, 40(2), 1–21. https://doi.org/10.15446/ing.investig.v40n2.78649Cappon, A., Gorenstein, A., Mignot, S. & Manuel, G. (2018). Credit ratings, default probabilities, and logarithms. Journal of Structured Finance, 24(1), 39–49. https://doi.org/10.3905/jsf.2018.24.1.039Castro, D. y Soto, A. (2017). Estimación de la probabilidad de incumplimiento para las firmas del sector económico industrial y comercial en una entidad financiera colombiana entre los años 2009 y 2014. Cuadernos de Economía, 36(71), 293–319. https://doi.org/10.15446/ cuad.econ.v36n71.55273Chen, N., Ribeiro, B. & Chen, A. (2016). Financial credit risk assessment: a recent review. Artificial Intelligence Review, 45(1), 1–23. https://doi.org/10.1007/s10462-015-9434-xDavis, R., Edelman, D. & Gammerman, A. (1992). Machine learning algorithms for credit-card applications. IMA Journal of Management Mathematics, 4(1), 43–51. https://doi.org/10.1093/imaman/4.1.43Dendramis, Y., Tzavalis, E. & Adraktas, G. (2018). Credit risk modelling under recessionary and financially distressed conditions. Journal of Banking and Finance, 91, 160–175. https://doi.org/10.1016/j.jbankfin.2017.03.020Do Prado, J., Carvalho, F., Benedicto, G. y Lima, A. (2019). Análisis del riesgo de crédito que enfrentan las empresas de capital abierto en Brasil: un enfoque utilizando análisis discriminante regresión logística y redes neuronales artificiales. Estudios Gerenciales, 35(153), 347–360. https://doi.org/10.18046/j.estger.2019.153.3151Durovic, A. (2017). Estimating probability of default on peer to peer market – Survival analysis approach. Journal of Central Banking Theory and Practice, 62(2), 149–167. https://doi.org/10.1515/jcbtp-2017-0017Fantazzini, D. & Zimin, S. (2020). A multivariate approach for the simultaneous modelling of market risk and credit risk for cryptocurrencies. Journal of Industrial and Business Economics, 47(1), 19–69. https://doi.org/10.1007/s40812-019-00136-8Grundke, P., Pliszka, K. & Tuchscherer, M. (2019). Model and estimation risk in credit risk stress tests. Review of Quantitative Finance and Accounting, 55, 163–199. https://doi.org/10.1007/s11156-019-00840-5Imtiaz, S. & Brimicombe, A. (2017). A Better Comparison Summary of Credit Scoring Classification. International Journal of Advanced Computer Science and Applications, 8(7), 1–4. https://doi.org/10.14569/IJACSA.2017.080701Lane, S. (1972). Submarginal Credit Risk Classification. The Journal Of Financial And Quantitative Analysis, 7(1), 1379–1385. https://doi.org/10.2307/2330069Lohmann, C. & Ohliger, T. (2018). Nonlinear relationships in a logistic model of default for a high-default installment portfolio. Journal of Credit Risk, 14(1), 45–68. https://doi.org/10.21314/JCR.2017.232Myers, J. & Forgy, E. (1963). The Development of Numerical Credit Evaluation Systems. Journal Of The American Statistical Association, 58(303), 799–806. https://doi.org/10.2307/2282727RiskSimulator. (2020). [Sofware]. Available from www.software-shop.com/producto/risk-simulatorRusso, V., Lagasio, V., Brogi, M. & Fabozzi, F. (2020). Application of the Merton model to estimate the probability of breaching the capital requirements under Basel III rules. Annals of Finance, 16(1), 141–157. https://doi.org/10.1007/s10436-020-00358-0Sariev, E. & Germano, G. (2020). Bayesian regularized artificial neural networks for the estimation of the probability of default. Quantitative Finance, 20(2), 311–328. https://doi.org/10.1080/14697688.2019.1633014Song, S., Wang, Y. & Xu, G. (2020). On the probability of default in a market with price clustering and jump risk. Mathematics and Financial Economics, 14(2), 225–247. https://doi.org/10.1007/s11579-019-00253-xSrinivasan, V. & Kim, Y. (1987). Credit Granting: A Comparative Analysis of Classification Procedures. The Journal Of Finance, 42(3), 665–681. https://doi.org/10.2307/2328378SPSS. (versión 24). Statistical Package for the Social Sciences. [Sofware]. Armonk: IBM. Disponible en https://www.ibm.com/support/pages/downloading-ibm-spssstatistics-24Superfinanciera. (2002). . Circular externa 011. Bogotá, D.C.: Superfinanciera. Disponible en http://legal.legis.com.co/document/Index?obra=legcol&document=legcol_75992041c75992048a75992043f75992034e75990430a75010151f75992034Támara, A., Villegas, G. y De Andrés, J. (2019). Una revisión sistemática de la literatura en torno a la quiebra empresarial para el período 2012-2017. Espacios, 40(4). Disponible en http://www.revistaespacios.com/a19v40n04/a19v40n04p25.pdfTámara, A., Villegas, G., Leones, M. y Salazar, J. (2018). Modelación del riesgo de insolvencia en empresas del sector salud empleando modelos logit. Revista de métodos cuantitativos para la economía y la empresa,, 26, 128–145. Disponible en https://www.upo.es/revistas/index.php/RevMetCuant/article/view/2757Trejo, J., Martínez, M. & Venegas, F. (2017). Credit risk management at retail in Mexico: An econometric improvement in the selection of variables and changes in their characteristics. Contaduría y Administración, 62(2), 399–418. https://doi.org/10.1016/j.cya.2017.02.006Tsai, C. & Hung, C. (2014). Modeling credit scoring using neural network ensembles. Kybernetes, 43(7), 1114–1123. https://doi.org/10.1108/k-01-2014-0016Van Thiel, D. & Van Raaij, W. (2019). Artificial intelligence credit risk prediction: An empirical study of analytical artificial intelligence tools for credit risk prediction in a digital era. Journal of Risk Management in Financial Institutions, 12(3), 268–286. https://doi.org/10.33423/jaf.v19i8.2622Wiginton, J. (1980). A note on the comparison of logit and discriminant models of consumer credit behaviour. Journal of Financial and Quantitative Analysis, 15(3), 757–770. https://doi.org/10.2307/2330408186173242https://revistascientificas.cuc.edu.co/economicascuc/article/download/3216/3408https://revistascientificas.cuc.edu.co/economicascuc/article/download/3216/3732https://revistascientificas.cuc.edu.co/economicascuc/article/download/3216/3760https://revistascientificas.cuc.edu.co/economicascuc/article/download/3216/3862Núm. 2 , Año 2021PublicationOREORE.xmltext/xml2773https://repositorio.cuc.edu.co/bitstreams/66e5e954-6915-4a91-9a15-e60bfc900f9b/download91ced9d4793d396946ddc60db3f7ae4bMD5111323/11936oai:repositorio.cuc.edu.co:11323/119362024-09-17 14:12:03.405https://creativecommons.org/licenses/by-nc-nd/4.0ECONÓMICAS CUC - 2021metadata.onlyhttps://repositorio.cuc.edu.coRepositorio de la Universidad de la Costa CUCrepdigital@cuc.edu.co

Modelación de la probabilidad de incumplimiento y cálculo de la perdida catastrófica en una institución financiera en Colombia

Publicaciones similares