Modelo de puntuación crediticia para tarjeta de crédito en México: una aproximación logística Credit Scoring Model for Credit Card in Mexico: A Logit Approach

Main Article Content

Marco Antonio Reyes Morales
Miriam Sosa
https://orcid.org/0000-0002-6597-5293

Abstract

El riesgo de crédito es una de las principales preocupaciones de los organismos de supervisión y regulación financiera, así como de las instituciones bancarias. Así, se propone un modelo de puntuación crediticia basado en una regresión logística, para analizar la probabilidad de incumplimiento por segmentos de una cartera de clientes de tarjeta de crédito de una institución mexicana. Los resultados muestran que el modelo propuesto tiene un alto nivel de predictibilidad y de estabilidad, tanto fuera como dentro del periodo de modelado, la comprobación de monotonicidad, también asegura que el modelo tenga un alto nivel de precisión. La originalidad subyace en que existen escasos estudios sobre modelos de puntuación crediticia para México, el resultado del modelo tiene alto nivel de precisión y arroja como resultado una tabla de puntuación de fácil interpretación para el personal bancario. Se concluye que el modelo es confiable y con alto nivel de ajuste.


Abstract


Credit risk is one of the main concerns of financial institutions and supervision and regulation organisms. Thus, a credit scoring model is proposed based on the logit approach to analyze the default risk for a credit card portfolio in a Mexican financial institution. Findings show that the model proposed has a high level of prediction and stability, in and out of the sample. The monotonicity property provides evidence that the model has a high level of precision. The originality lies in the fact that there is scarce literature on credit scoring models for Mexico.  The model results are highly accurate in terms of predictability and the evidence is presented in a scoring table that is easy to interpret for all bank employees. We conclude that the model is reliable and highly accurate.

Downloads

Download data is not yet available.

Metrics

Metrics Loading ...

Article Details

How to Cite
Reyes Morales, M. A. ., & Sosa, M. (2022). Modelo de puntuación crediticia para tarjeta de crédito en México: una aproximación logística: Credit Scoring Model for Credit Card in Mexico: A Logit Approach. Ensayos Revista De Economía, 41(1), 17–52. https://doi.org/10.29105/ensayos41.1-2
Section
Articles

References

Alaka, H. A., Oyedele, L. O., Owolabi, H. A., Kumar, V., Ajayi, S. O., Akinade, O. O., & Bilal, M. (2018). Systematic review of bankruptcy prediction models: Towards a framework for tool selection. Expert Systems with Applications, 94, 164-184. DOI: https://doi.org/10.1016/j.eswa.2017.10.040

Ampountolas, A., Nyarko Nde, T., & Constantinescu, C. (2021). A Machine Learning Approach for Micro-Credit Scoring. Risks, 9(3), 50. DOI: https://doi.org/10.3390/risks9030050

Ansari, A., Ahmad, I. S., Bakar, A. A., & Yaakub, M. R. (2020). A hybrid metaheuristic method in training artificial neural network for bankruptcy prediction. IEEE Access, 8, 176640-176650. DOI: https://doi.org/10.1109/ACCESS.2020.3026529

Byström, H. (2019). Blockchains, real-time accounting, and the future of credit risk modeling. Ledger, 4. DOI: https://doi.org/10.5195/ledger.2019.100

Caruso, G., Gattone, S. A., Fortuna, F., & Di Battista, T. (2021). Cluster Analysis for mixed data: An application to credit risk evaluation. Socio-Economic Planning Sciences, 73, 100850. DOI: https://doi.org/10.1016/j.seps.2020.100850

Chuang, C. L., & Lin, R. H. (2009). Constructing a reassigning credit scoring model. Expert Systems with Applications, 36(2), 1685-1694. DOI: https://doi.org/10.1016/j.eswa.2007.11.067

Devi, S. S., & Radhika, Y. (2018). A survey on machine learning and statistical techniques in bankruptcy prediction. International Journal of Machine Learning and Computing, 8(2), 133-139. DOI: https://doi.org/10.18178/ijmlc.2018.8.2.676

Ignatius, J., Hatami-Marbini, A., Rahman, A., Dhamotharan, L., & Khoshnevis, P. (2018). A fuzzy decision support system for credit scoring. Neural Computing and Applications, 29(10), 921-937. DOI: https://doi.org/10.1007/s00521-016-2592-1

Medina-Olivares, V., Calabrese, R., Dong, Y., & Shi, B. (2021). Spatial dependence in microfinance credit default. International Journal of Forecasting. DOI: https://doi.org/10.1016/j.ijforecast.2021.05.009

Papouskova, M., & Hajek, P. (2019). Two-stage consumer credit risk modelling using heterogeneous ensemble learning. Decision support systems, 118, 33-45. DOI: https://doi.org/10.1016/j.dss.2019.01.002

Puertas Medina, R. M., & Martí Selva, M. L. (2013). Análisis del credit scoring. RAE-Revista de Administração de Empresas, 53(3), 303-315. DOI: https://doi.org/10.1590/S0034-75902013000300007

Siddiqi, N. (2017). Intelligent credit scoring: Building and implementing better credit risk scorecards. John Wiley & Sons. DOI: https://doi.org/10.1002/9781119282396

Torvekar, N., & Game, P. S. (2019). Predictive analysis of credit score for credit card defaulters. Int. J. Recent Technol. Eng, 7(1), 4.

Trejo-García, J. C., Ríos-Bolívar, H., & Martínez-García, M. Á. (2016). Análisis de la administración del riesgo crediticio en México para tarjetas de crédito. Revista mexicana de economía y finanzas, 11(1), 103-121. DOI: https://doi.org/10.21919/remef.v11i1.79

Vega Mena, M. D. L., Santoyo Cortés, V. H., Muñoz Rodríguez, M., & Altamirano Cárdenas, J. R. (2017). Reducción de costos de transacción e información asimétrica: experiencias de financiamiento rural en México. Estudios sociales (Hermosillo, Son.), 27(49), 181-209.

Zhang, Y., Liu, R., Heidari, A. A., Wang, X., Chen, Y., Wang, M., & Chen, H. (2021). Towards augmented kernel extreme learning models for bankruptcy prediction: algorithmic behavior and comprehensive analysis. Neurocomputing, 430, 185-212. DOI: https://doi.org/10.1016/j.neucom.2020.10.038