Identificação das Características dos Clientes Associadas ao Risco de Crédito

• Author(s): Pereira, Luís N.; ESGHT/Universidade do Algarve ; Chorão, Luís R.; Director do Banco BPI
• Date: 2007
• Origin: Tourism & Management Studies
• Subject(s): Statistics, Information Management; Credit Scoring, Logistic Regression, Non-hierarchical Clustering Method, Kaplan-Meier Estimators, Correspondence Analysis.; Estatística, Gestão da Informação; Credit Scoring, Regressão Logística, Classificação Hierárquica, Estimadores de Kaplan-Meier, Análise Factorial das Correspondências.
• Document Type: Article
• Language: Portuguese

Description

The decision making process of evaluating the creditworthiness of a loan is sometimes difficult to the human mind because of the great number of variables and interrelations among them. What we propose here, is to identify the characteristics related to high and low risk, and this is made by using an applicant model. So, with a credit card database with categorical and continuous variables, in order to make the decision process more streamlined and quantifiable, we performed a binary logistic model. Applying the non-hierarchical clustering method (K-means) to the logit output vector we identified eight risk classes. Each class was evaluated temporarily by the pro-duct-limit estimators (Kaplan-Meier estimators) for 70 months, showing that low probability of default is indeed associated with low risk classes. The statistic technique applied to identify the client risk characteristics was the correspondence analysis. O processo da tomada de decisão sobre a avaliação de uma solicitação de crédito comercial é por vezes difícil para o julgamento humano, devido à imensidão de variáveis que estão em jogo e das suas interrelações. Neste artigo propomo-nos identificar as características dos clientes associadas a alto e a baixo risco, com recurso a um modelo aplicacional. A partir de uma base de dados de um cartão de crédito, formada por variáveis de natureza qualitativa e quantitativa, ajustámos um modelo logit binário, com o objectivo de tornar o processo de decisão mais objectivo e quantificável. Em seguida, identificámos oito classes de risco através da aplicação de um método de classificação não hierárquica (K-means) sobre o vector da pontuação do modelo logit. Aferimos temporalmente o comportamento de cada classe de risco ao longo de 70 meses, verificando-se que probabilidades baixas de default estão associadas a classes de risco baixo. As características dos clientes tipicamente associadas ao risco de crédito foram identificadas através de uma Análise Factorial das Correspondências.