24/10/2020
Basándonos en la cartera actual, las características de los clientes que aumentan el riesgo de default son las siguientes:
Asimismo se tienen atenuantes al riesgo como lo son:
La cartera actual está constituida por un 70% de clientes que pagaron su crédito y un 30% de clientes que cayeron en default.
En promedio se le prestan 2,985 USD a los clientes que pagaron su crédito y 3,938 USD a los que cayeron en impago. La cantidad prestada tienen una desviación de 2,401 USD y de 3,535 USD respectivamente.
En total el banco prestó 3,271,258 USD de los cuáles solo recuperó el 63.88%, esto representa una pérdida de 1,181,438 USD.
La estrategia actual no es la adecuada al momento de otorgar créditos ya que los clientes que caen en default se llevan consigo el 36.12% del capital, además de que se les presta más dinero en promedio.
Lo esperado sin ningún modelo sería perder la misma proporción como hay de clientes en default, es decir perder a lo más el 30% del capital.
Consideramos un modelo logístico para modelar la probabilidad de default, dentro de nuestras consideraciones está que si la probabilidad de caer en impago es mayor al 50% entonces se considerará como default.
Basándonos en los datos que tenemos, este modelo nos da una precisión del 74.2% globalmente, ya que dentro de los que pagaron su crédito el modelo predijo que el 91.42% lo haría. En otras palabras, el modelo hubiera predecido 173 defaults de los 300 que hubo.
Tomemos como cliente promedio de los que caen en default a los que tienen el siguiente crédito:
Este cliente promedio tiene una probabilidad de default del 50.08% que bajo nuestros criterios, es seguro que caerá en impago. Si variamos la cantidad prestada, la probabilidad de default irá aumentando.
Podemos ver que si prestamos 10,000 USD la probabilidad de default aumenta hasta un 68.28%, esto es importante dado que de los 40 clientes a los cuales se les presto esta suma o más, 26 cayeron en default.
Si el cliente promedio usará el crédito para la educación la probabilidad de default sube ligeramente a 51.86%.
Por otro lado si al cliente promedio se le otorga el mismo crédito pero con menor duración, por ejemplo que sea de 10 meses, la probabilidad de default baja hasta un 41.30%. Esto se aprecia mejor en la siguiente gráfica.
Esto nos indica que a este tipo de cliente hay que otorgarle créditos de menor duración y de menor cantidad.
Ahora si mantenemos las misma características promedio excepto el estado personal y tomamos a mujeres divorciadas o casadas la probabilidad de impago aumenta a 62.61%
Si variamos la edad de este tipo de cliente, podremos ver que la probabilidad de caer en default irá disminuyendo.
Habría que procurar prestarle dinero a clientes de mayor edad para aumentar las probabilidades de recuperar la inversión.
Nuestro cliente promedio que paga a tiempo tiene las siguientes características:
Nuestro cliente promedio tiene una probabilidad de default de 21.30%. Si aumentamos la cantidad del crédito a este tipo de cliente a 4,000 USD la probabilidad de default aumenta a 23.42%, mientras que si les prestamos 10,000 la probabilidad aumenta a 38.74%.
También podemos ver el efecto de la edad.
Donde ocurre lo mismo que con el otro tipo de cliente, a mayor edad, menor es la probabilidad de impago.
Del lado de la duración también hay un comportamiento similar al de los clientes con default, a mayor duración aumenta su probabilidad de default. Por ejemplo si dura 24 meses, la probabilidad aumenta a 23.51% y si fueran por 40 meses la probabilidad aumenta a 31.65%.
Si en lugar de tener un crédito existente ya pagado se tiene otro crédito vigente, manteniendo las demás condiciones promedio la probabilidad baja hasta el 11.01%. Dada las cantidades pequeñas que usualmente se prestan esto tiene sentido ya que los créditos que otorgamos pueden ser complementarios a uno más grande. Es más fácil pagar créditos pequeños que grandes.
Si este cliente sin riesgo quisiera usar su crédito para educación la probabilidad aumenta a 26.71%. Manteniendo este propósito y bajando la edad a 25 la probabilidad de default aumenta a 30.46%.
Finalmente si el cliente quisiera comprar un nuevo coche con el crédito la probabilidad aumenta drásticamente a 43.30%. Esto tiene sentido considerando que ese es el propósito más común de entre los clientes que no pagaron su crédito.
Uno de los claros problemas en como se otorgan los créditos es que a los clientes que son más propensos a caer en default se les otorga en promedio más dinero. Si quisieran seguir prestando dichas cantidades a gente que quiere comprarse un auto nuevo deberían otorgarlo a gente de mayor edad y por una duración menor.
Si se quisiera mitigar el riesgo de impago en gran parte, los créditos para nuevos coches no deberían de darse o darse en mínimas cantidades. Parece que de los propósitos más comunes lo que presentan menos riesgo son los que son para comprar artículos de radio o TV o si son para pagar una colegiatura.
La base de la clientela del banco son trabajadores extranjeros, por lo que no sería ideal reducir la tasa de personas de este tipo a la que les otorgamos créditos ya que perderíamos a la clientela objetivo.
Y se deben evitar créditos por encima de los 12,000 USD o que tengan más de 40 meses de duración. Además de mantener los préstamos a gente con casa propia.
mydata<-read_csv("C:/Users/LuisAlberto/Downloads/Default.csv")
reg <- glm(default~., data = mydata, family = "binomial")
stepAIC(reg, direction = "both")
default <- glm(formula = default ~ duration + credit_history + purpose +
credit_amount + installment_commitment + personal_status +
age + other_payment_plans + housing + own_telephone + foreign_worker,
family = "binomial", data = mydata)
fit <- predict(default,newdata=mydata,type='response')
fit <- ifelse(fit > 0.51,1,0)
#Accuracy
1-mean(fit != mydata$default)