¿Cómo optimizar una cartera de préstamos?

El año 2020 ha traído consigo altos costos operativos y crecientes fluctuaciones en la demanda. Estos son algunos de los desafíos extremos que enfrentan las empresas cuando se trata de recaudar capital, un elemento crucial de su crecimiento. Los bancos a menudo pasan por alto estos, y como resultado, esto ha abierto la puerta para que crezca el mercado de préstamos P2P (conocido como préstamo de persona a persona). Presentaremos un resumen del modelo predictivo que actuará como una herramienta prescriptiva que retrata directamente el impacto en el inversor y el negocio.

Toma de decisiones del inversor

Se requieren dos pasos fundamentales para que un inversor comprenda mejor en qué préstamo invertir:

  1. Los inversores tendrán que decidir cuánto dinero invertir (considerando el posible retorno) y asignarlo a otras opciones de inversión.
  2. Los inversores deberán decidir elegir préstamos “buenos” (es decir, préstamos que terminarán siendo totalmente cancelados) en los que invertirán su dinero.

Conjunto de datos

Predictores

El conjunto de datos contiene información exhaustiva sobre todos los préstamos publicados anualmente por el ente financiero y un conjunto de variables que cubren los diferentes atributos de un préstamo individual. Estos incluyen , entre otros, el monto del préstamo, la cantidad de intereses y cargos pagados, la duración del préstamo, un puntaje de calificación crediticia y el estado del préstamo con el motivo si se completó o incumplió.

¿Cómo podemos identificar un préstamo “bueno”?

Para adquirir la intuición de identificar buenos préstamos, es importante darse cuenta de la correlación e interacción entre todas las variables. Sin embargo, la definición de un buen préstamo sigue siendo bastante ambigua, por lo que es vital que la predicción se base en uno de estos objetivos: si un préstamo cae en default, se pagará anticipadamente, el tiempo de morosidad o el tiempo de recupero en caso de pago anticipado.

Exploración de datos

Análisis de los términos de los préstamos

Para el análisis tomaremos en cuenta lo siguiente: Préstamo completado frente a préstamos en mora: 0 frente a 1, pueden existir diferentes categorías en las empresas como por ejemplo: préstamos completados, cargados, corriente e incumplido.

Para simplificar el análisis de datos se le puede asignar un valor de 0 a los préstamos completados y un valor de 1 a los 3 tipos restantes de estados de préstamos (cargados/corriente/incumplido) que se refieren a préstamos que no se han completado.

Gráfico de violín (Monto del préstamo por plazo)

El gráfico de violín nos muestra en comportamiento de los diferentes tipos de préstamos (el color naranja nos indica préstamos a 60 meses y el azul préstamos a 36 meses). Algunos aspectos interesantes se pueden interpretar en el plazo de 60 meses (el plazo más largo), ejemplo: que el monto más alto del préstamo es de aproximadamente $ 15,000 tanto para préstamos completados como para préstamos no completados. Como era de esperar, los prestatarios tienden a tomar préstamos por montos más altos para pagar los préstamos a más largo plazo. Mientras que los préstamos en los términos de 36 meses (el plazo más corto) tienden a ser de montos mucho más pequeños y se distribuyen de manera más consistente tanto para préstamos completados como incompletos.

Análisis de la distribución de la tasa de interés por estado de préstamo

Con la construcción de otro diagrama de violín se pueden observar los diferentes niveles de tasas de interés para cada estado de préstamo por tipo de grado (que van desde AA – HR: grado más alto a más bajo), la definición de estos grados varían de acuerdo a la empresa.

Gráfico de violín (tasa de interés para cada estado de préstamo por grado)

Del siguiente gráfico se puede interpretar que los préstamos de mayor grado (color marrón:AA) tanto para completar (0) como para no completar (1) tienen tasas de interés más bajas, y esta tendencia es consistente para ambos estados de préstamos.

Fuga de datos

Este fenómeno ocurre cuando se construye un modelo utilizando predictores que no estarán disponibles en el momento de las predicciones futuras. 

Hay dos casos principales sobre cómo se pueden identificar las fugas:

  1. Un predictor que está altamente correlacionado con la variable objetivo. Lo cual se puede comprobar utilizando un mapa de calor o una matriz de correlación entre todas las variables.
  2. La información del predictor no está disponible durante la predicción del rendimiento total, por ejemplo, la variable “pagos atrasados”.

Rentabilidad del inversor

Para construir una estrategia de inversión efectiva, necesitamos construir una variable indicadora sólida sobre el monto de retorno de cada préstamo. Es vital que la devolución considere tanto los préstamos en mora parcialmente cancelados como los préstamos que se han cancelado antes de la fecha de vencimiento.

En general, hay tres medidas de retorno efectivas que se pueden crear usando las siguientes variables:

1. Cuenta de pago total denotada por la variable p

2. Monto total invertido en el préstamo (monto prestado por el prestatario) denotado por la variable f

3. Duración nominal del préstamo en meses ( plazo del préstamo ) denotado por la variable t

4. Duración real del préstamo en meses ( duración del préstamo ) denotada por la variable m

Estrategias de inversión

Se debe calcular los rendimientos esperados mediante pruebas de escenarios bajo 3 estrategias diferentes:

Fórmula de enfoque pesimista
Fórmula de enfoque optimista
Fórmula de enfoque de horizonte fijo

Luego se debe realizar una inmersión más profunda en la variable de calificación crediticia de prosperidad (“grado”) para explorar cualquier tendencia significativa con cada uno de los tipos de retorno (M1-M3).

Estadísticas de resumen de acuerdo al enfoque

De lo anterior se puede interpretar, cuanto mayor sea la calificación, menor será el porcentaje de incumplimiento y menores serán las tasas de interés.

Abordar la opción de conjunto de datos equilibrado

En los análisis un recuento rápido del número de préstamos para cada tipo, puede mostrar un número significativamente mayor de préstamos completados en comparación con préstamos incompletos, lo que puede indicar un desequilibrio de clase en el conjunto de datos.

Por lo tanto, la opción más probable es tratar de equilibrar el conjunto de datos para que consista en el 50% de los préstamos completados y el 50% de los préstamos incompletos. Lo cual se utilizará una medida de curva de calibración en la fase de construcción del modelo para verificar si un modelo construido está sesgado por el desequilibrio de datos o no.

Análisis predictivo del modelo

El modelo predictivo tiene un enfoque de dos etapas:

Modelo de clasificación binaria

Este modelo se utiliza para predecir la probabilidad de incumplimiento del préstamo utilizando una variedad de algoritmos estándar de la industria y evaluando el rendimiento para el modelo óptimo y más preciso.

Modelo de regresión

Utilizando una variedad de regresores estándar de la industria para predecir la cantidad de rendimiento que un préstamo puede generar a un inversor para cada uno de los enfoques de rendimiento (M1-M3).

Comparaciones del modelo de regresión

En conclusión la aplicación de los diferentes modelos nos permiten:

Optimización

1) Maximizar directamente el beneficio total

Se agrega la restricción de número de préstamos (según el número máximo de préstamos en nuestro conjunto de datos) y se define la función objetivo (maximizar el beneficio total).

2) Maximice las ganancias con restricciones presupuestarias

El segundo modelo de optimización considera la restricción presupuestaria de un inversor potencial. 

3) Maximice las ganancias con una compensación riesgo-retorno

La tercera estrategia de optimización implica incorporar el factor de riesgo de la cartera al considerar la varianza de los rendimientos.

Queda clara la importancia de utilizar la información de diferentes atributos para crear nuevos predictores que pueden terminar aumentando la importancia estadística de nuestro modelo en comparación con las contrapartes originales. Si quiere conocer la data que fue utilizada para el estudio puede visitar: https://towardsdatascience.com/optimizing-a-loan-portfolio-using-a-data-driven-strategy-92e46b790bf0

Noah Mukhtar , Shaan Kohli , Shaher yar Jahangir y Ramy Hammam (19 de Julio de 2020). towards Data Science Recuperado de https://towardsdatascience.com/optimizing-a-loan-portfolio-using-a-data-driven-strategy-92e46b790bf0

SobreMaría Alexandra Lizardo

Agregar un comentario

Su dirección de correo no se hará público. Los campos requeridos están marcados *