Please use this identifier to cite or link to this item: http://dspace.ups.edu.ec/handle/123456789/9450
Title: Diseño de un modelo de calificación de crédito para la minimización del riesgo de crédito con el uso de Visual Basic en la Cooperativa de Ahorro y Crédito San Valentín, cantón Quito, parroquia Chillogallo
Authors: Analuisa Aguiar, Armando Andrés
Paredes Ñacata, Adriana Elizabeth
Advisor: Guamán Guanopatín, Milton Efraín
Keywords: ADMINISTRACIÓN DE EMPRESAS
ADMINISTRACIÓN DE CRÉDITOS
CRÉDITOS
SERVICIOS DE INFORMACIÓN
Issue Date: May-2015
Abstract: La Cooperativa de Ahorro y Crédito San Valentín lleva a cabo sus operaciones desde el año 2011 en el sector sur de la ciudad de Quito, actualmente esta Institución no tiene un sistema experto de calificación de crédito que le sirva como herramienta para la toma de decisiones en lo referente a colocación de créditos. En este sentido se pretende diseñar un modelo de calificación de crédito para esta Institución que le permita minimizar el riesgo en la cartera de microcrédito. El modelo de calificación de crédito comienza con la identificación de las variables cualitativas (tipo texto) y cuantitativas (tipo numérico) mismas que son obtenidas de la base de datos histórica de la Cooperativa los datos obtenidos corresponden a la cartera de microcrédito. Una vez identificadas las variables se procede a realizar un análisis exploratorio Univariante donde el número de las variables iniciales disminuirá. Seguido se realiza un análisis exploratorio Bivariante con las variables sobrantes del primer análisis, este segundo análisis consiste en determinar si las variables que pasaron al primer análisis explican a la variable dependiente del modelo, esta variable dependiente es creada mediante la relación existente entre la mora promedio y mora máxima de un socio al otorgarle un crédito, a esta variable dependiente la llamaremos INCUMPLIMIENTO misma que identifica, discrimina y determina a todo sujeto de crédito como BUEN o MAL cliente según el rango de morosidad. Realzado el análisis exploratorio Bivariante tenemos las variables finales que explica significativamente al INCUMPLIMIENTO y serán sometidas a una regresión logística que permita obtener la ecuación general del modelo de calificación de crédito. Esta ecuación arroja un resultado que se la conoce como Zj e indica la sumatoria de todas las variables finales para un sujeto de crédito pero aún no este resultado no está en función de una probabilidad por lo que a este valor Zj se le realiza un ajuste que permita obtener un valor entre cero y uno (0≤Pi≤1) y se lo conocerá como Pj. Pj indica que si el valor es más cercano a cero indicará menor probabilidad de que el socio caiga en mora en contraste a que si este valor es más cercano a uno.
Description: The Cooperative of Savings and Credit San Valentine conducts its operations since 2011 in the southern sector of the city of Quito, this institution currently doesn't have an expert credit score system that serves as a tool for decision making regarding placement of credits. In this sense we are going to try to design a credit scoring model for this institution that minimizes its risk in the microcredit portfolio. The credit scoring model begins with the identification of qualitative variables (text type) and quantitative (numerical type) these variables are obtained from the historical database of the Cooperative, the data obtained correspond to the microcredit portfolio. In the first analysis we have to perform a Univariate exploratory analysis where the initial variables decrease. After that we have to perform a Bivariate exploratory analysis we must determinate if the remaining variables explain the dependent variable, this dependent variable is created with two initial variables named "mora promedio" and "mora máxima", this dependent variable is called "INCUMPLIMIENTO" and this variable identifies, discriminates and determines a GOOD or BAD client. After the Bivariate exploratory analysis we got the final variables that explain significantly the dependent variable "INCUMPLIMIENTO" and we are going to use those final variables in a logistic regression in order to get a general equation of credit score model. This equation gives a result known as Zj this value is the sum of the final variables but this result is not a probability for that reason we have to adjust this result in order to get a probability between zero and one (0≤Pi≤1) known as Pj. Pj means a probability. If the value is closer to zero, the client will have a lower probability of default. If the value is closer to one, the client will have a higher probability of default.
URI: http://dspace.ups.edu.ec/handle/123456789/9450
Appears in Collections:Administración de Empresas GIRON - Tesis de Pregrado

Files in This Item:
File Description SizeFormat 
UPS-QT07676.pdfTexto completo3.83 MBAdobe PDFView/Open


This item is licensed under a Creative Commons License Creative Commons