Modelo predictivo de riesgo de morosidad para crédito bancario a partir de datos simulados de la Caja Rural de Ahorro y Crédito Los Andes - Puno, 2019

• Autor: Mamani Choque, Grober
• Formato: tesis de grado
• Fecha de Publicación: 2020
• Institución: Universidad Nacional Del Altiplano
• Repositorio: UNAP-Institucional
• Lenguaje: español
• OAI Identifier: oai:https://repositorio.unap.edu.pe:20.500.14082/14496
• Enlace del recurso: http://repositorio.unap.edu.pe/handle/20.500.14082/14496
• Nivel de acceso: acceso abierto
• Materia: Morosidad; Riesgo de crédito; Regresión; Modelo logístico; https://purl.org/pe-repo/ocde/ford#1.01.03

La morosidad se ha constituido en la principal causa de las dificultades que han sufrido algunos sistemas financieros y ciertas entidades de tamaño considerable. Así, una elevada cartera morosa es un serio problema que compromete tanto la viabilidad de la institución a largo plazo como la del propio sistema. En respuesta a lo mencionado, se estudió el riesgo de morosidad para crediticio en los clientes de la Caja de Ahorro y Crédito “Los Andes” agencia Puno en el periodo 2019, haciendo uso de técnicas estadísticas como son los modelos de regresión logística y la simulación. El objetivo de esta investigación es predecir el riesgo de morosidad para crédito bancario, para lograr el objetivo se estimó un modelo de regresión logístico para la predicción de la probabilidad de no recuperar un crédito a partir de la generación de una Base de Datos mediante simulación con un proceso adecuado de entrenamiento y prueba del modelo usando para ello el programa SPSS 24.0. Los resultados fueron: El modelo de regresión logístico en general es significativo como modelo predictor, y este modelo planteado logra predecir una tasa de clasificación de verdaderos negativos (no morosos pronosticados como no morosos) que fue del 97.2%; mientras que la tasa más relevante en este caso, clasificar correctamente a los clientes morosos (verdaderos positivos) fue de 45%, demostrando gran capacidad predictiva del modelo, el modelo fue contrastado con los datos simulados, la metodología aquí presentada se puede ver como referencia para un trabajo futuro más realista, en tal caso, se debe tener cuidado en validar primero la base de datos mediante el estudio de las distribuciones adecuadas, así como validación final del modelo, o mejor aún, usar una base de datos reales.