Resumen de Contribuciones a los modelos multivariantes internos de riesgo de crédito, acordes con Basilea II.
- español
En este trabajo se introducen los Modelos Logísticos Lineales Híbridos de Expansiones Lineales por funciones de base, modelos HLLM, los cuales se obtienen al expandir la componente no lineal de Modelos Logísticos Parcialmente Lineales, PLLM, a través de expansiones lineales de funciones de base especificas para cada variable. Además, se propone un método constructivo supervisado para seleccionar las funciones de base que, con criterios de bondad de ajuste, poder explicativo, poder discriminante y eficacia clasificadora, configuran la estructura del modelo HLLM.
Se plantea y resuelve el Problema General de Estimación de los Modelos Logísticos por expansiones de funciones de base, cuya función objetivo se configura con la expansión lineal de las funciones de base, la función de pérdida logística como término de ajuste y la funcional de penalización como término de regularización.
Se presenta un marco general unificado de la mayoría de los modelos más actuales utilizados en credit scoring, formalizando sus estructuras funcionales como expansión de funciones de base de las variables explicativas del riesgo de crédito. Se clasifican los modelos en cuatro grandes grupos: modelos de probabilidad, logísticos, probit y vector soporte, por expansión lineal de funciones de base.
Se aplican las contribuciones anteriores al desarrollo de un modelo HLLM de credit scoring proactivo sobre los datos reales de una Entidad Financiera española , desde la óptica IRB de Basilea II, (77.602 acreditados sobre los que se observan 63 variables de riesgo de crédito).
- English
In this theses we introduce the Hybrid Linear Logistic Models based on Linear Expansions of Basis Functions (HLLM models), obtained by expanding the non linear component of the Partially Linear Logistic Models, PLLM. Linear expansions of the basis functions, specific for each variable, are used. A supervised constructive method to select the basis functions that configure the structure of the model, is also proposed. The selection procedure is based on the goodness of fit, explanatory power, discriminatory power, and efficacy of the classification for each component.
The General Estimation Problem for Logistic Models based on linear expansions of Basis Functions is stated and solved using the linear expansions of the basis functions to configure the objective function, the logistic loss as criteria for goodness of fit and the penalization functional as regularization term.
A general unified framework that includes most of the more recent credit scoring models, by formalizing their functional structures as linear expansions of the base functions for the explanatory variables of the credit risk, is presented. The proposed models are classified in four groups: probability, logistic, probit and support vector models (based on linear expansions of base functions).
All the previous contributions are applied for developing a credit scoring proactive HLLM model based on real data (77.602 individuals and 63 credit risk variables) obtained from a Spanish Financial Institution. We use the IRB approach of the second Basel Accords.
