F. Mallo Fernández, P. Galindo Villardón

Se presenta un marco general unificado de la mayoría de los modelos más actuales utilizados en credit scoring, LOGIT, PROBIT, TREE, MARS, ANN, K-NN, SVM, etc., formalizando sus estructuras funcionales como expansión de base de las variables explicativas del riesgo de crédito. Se presentan los Modelos Logísticos Lineales Híbridos, HLLM, que permiten caracterizar la no linealidad de las variables explicativas, expandiendo la componente no lineal de Modelos Logísticos Parcialmente Lineales, LPLM, a través de combinaciones lineales de funciones de base especificas, para cada variable no lineal. Se prueba que estos modelos presentan mejor rendimiento discriminante, curvas ROC y áreas bajo la curva, AUC, y menor tasa de clasificación incorrecta, desde la óptica IRB de Basilea II, que las técnicas más utilizadas en los sistemas de calificación del riesgo de crédito, que contemplan la no linealidad, TREE, ANN, k-NN y SVM.

Palabras clave: credit scoring probabilidad de default modelos logísticos lineales híbridos

J. Daunis-i-Estadella, J. A. Martín Fernández, G. Mateu-Figueras

J. A. Martín Fernández, J. Palarea Albaladejo, J. A. Soto

J. M. Gutierrez Pérez, A. Jimenez Jimenez, F. Alvarez Gonzalez

Fichero del trabajo completo: