Oportunidades Y Riesgos De Las Plataformas De Financiación En Internet

Oportunidades y riesgos de las plataformas de financiación en Internet

Carlos Serrano-Cinca1, Begoña Gutiérrez-Nieto

Resumen

Las FinTech, empresas que utilizan las tecnologías de la información y comunicación para ofrecer productos y servicios financieros disruptivos tradicionalmente reservados a las entidades financieras clásicas, surgen en el marco de la economía colaborativa. Un inversor particular puede prestar dinero a otro particular o a una empresa, en cualquier lugar del mundo, en cuestión de minutos y sin que participe un banco. Muchas empresas jóvenes e innovadoras, las start-ups, financian su crecimiento e internacionalización mediante inversores particulares utilizando estas plataformas colaborativas de préstamos en Internet. Pero no todo son ventajas, porque en estos préstamos son los inversores particulares los que asumen el riesgo de crédito y muchos carecen de formación en gestión de riesgos financieros. Los inversores particulares sufren un severo problema de información asimétrica porque tienen una desventaja informativa frente a los deudores, situados a miles de kilómetros. Por ello, las plataformas electrónicas tratan de ofrecer a los inversores potenciales información sobre los solicitantes de préstamos y califican el préstamo con un grado, en función del riesgo de crédito. Pero no solo es importante determinar la probabilidad de quiebra y sus factores explicativos, sino ser capaces de predecir la rentabilidad de cada préstamo, ya que, los prestatarios más rentables no siempre son los más solventes sino a veces aquellos que pagan intereses elevados, abonan descubiertos y pagan elevadas comisiones. Este trabajo estudia los préstamos de este tipo de plataformas y los factores que explican su rentabilidad. El estudio empírico utiliza datos de Lending Club, la plataforma líder en Estados Unidos. El trabajo compara la capacidad predictiva de ocho técnicas estadísticas de minería de datos. La técnica con mejor capacidad predictiva es support vector regression seguida de un modelo de red neuronal. Se recomienda el uso de sistemas decisionales para seleccionar los mejores préstamos.

1 Departamento de Contabilidad y Finanzas, Universidad de Zaragoza, Zaragoza, España E-mail: [email protected] 1

Palabras clave: Financiación internacional, préstamos colaborativos, riesgo de crédito.

Abstract

FinTech, companies that use information and communication technologies to offer disruptive financial products and services traditionally reserved for classical financial institutions, arise within the framework of the collaborative economy. A private investor can lend money to another individual or to a company, anywhere in the world, in a matter of minutes and without a bank. Many young and innovative start-ups fund their growth and internationalization through private investors using these collaborative Internet lending platforms. But not all are advantages, because in these loans the private investors assume the credit risk, and many of them lack training in financial risk management. Private investors suffer a severe problem of asymmetric information because they have an informational disadvantage against the debtors, who are thousands of kilometers away. Therefore, electronic platforms try to offer potential investors with information on loan applicants and they also rate the loan, depending on credit risk. But it is not only important to determine the probability of bankruptcy and its explanatory factors, but to be able to predict the profitability of each loan, since the most profitable borrowers are not always the most solvent, but sometimes those who pay high interest, pay overdrafts and pay high commissions. This paper studies the loans of this type of platforms and the factors that explain their profitability. The empirical study uses data from Lending Club, the leading platform in the United States. The paper compares the predictive capacity of eight statistical techniques of data mining. The technique with better predictive capacity is support vector regression followed by a neural network model. The use of decision-making systems to select the best loans is recommended.

Keywords: International finance, collaborative loans, credit risk.

1. Introducción

Los préstamos colaborativos son realizados por individuos que prestan dinero a otros individuos o empresas sin que intermedie una entidad financiera. Un inversor particular puede prestar dinero a otro particular o a una empresa, en cualquier lugar del mundo, en cuestión de minutos y sin que participe un banco. Muchas empresas jóvenes e innovadoras, las start-ups, financian su crecimiento e internacionalización mediante inversores particulares utilizando estas plataformas colaborativas de préstamos en Internet. Estos préstamos pueden analizarse desde diversa ópticas. Pueden verse como un fenómeno de desintermediación financiera (Lee and Lee, 2012); como otra disrupción tecnológica originada por Internet (Stalnaker, 2008); como un ejemplo de funcionamiento de economía colaborativa (Belk, 2014) o incluso como una plataforma para prestar dinero a personas excluidas de la financiación bancaria tradicional (Yum et al, 2012). Aunque no existen bancos, sí existe una empresa que mediante una plataforma electrónica pone en contacto los prestamistas y los prestatarios y cobra una comisión por este servicio. Empresas como las estadounidenses Prosper o Lending Club, la alemana Lendico, la española Circulantis, la argentina BancaClub, la británica Zopa o la china Lufax canalizan este tipo de préstamos, y muchas de ellas no solo se limitan a sus países de origen sino que han internacionalizado sus préstamos. Otras plataformas como Kiva se centran en financiar a personas en situación de exclusión financiera en todo el mundo, mediante donaciones o préstamos sin intereses. Su crecimiento está siendo espectacular.

Estos préstamos colaborativos, llamados P2B si se trata de financiar a una empresa o P2P si se financia a un particular, son una actividad arriesgada para los inversores particulares, porque los préstamos no los concede la plataforma sino los inversores, quienes asumen el riesgo de crédito, es decir el riesgo de que el prestatario no devuelva el préstamo. En general, los préstamos no tienen colateral ni están garantizados por algún fondo de garantía, como sucede en los depósitos bancarios, aunque algunas plataformas ofrecen garantías de recompra. Cada vez es más frecuente que una pequeña empresa de un país cualquiera, solicite un préstamo en una de estas plataformas y obtenga financiación de inversores de otro país. Además en muchas de estas plataformas es posible revender el préstamo, es decir, disponen de un verdadero mercado secundario en los que se comercializan los préstamos, lo que aumenta la liquidez e incluso atrae a especuladores que detectan los mejores préstamos no para invertir sino para volver a venderlos a un mayor precio. La creciente popularización de estas plataformas hace que muchos inversores particulares estén destinando parte de sus ahorros a realizar préstamos, algunos de ellos sin conocimiento suficiente sobre gestión de riesgos financieros. De hecho, en muchos países estas plataformas de préstamos tienen muchas limitaciones legales o incluso no pueden operar. Pero en otros países no existen restricciones, incluidas plataformas que operan desde paraísos fiscales o desde países con mercados financieros muy abiertos, sin apenas supervisión gubernamental. Por ello es importante conocer los factores que explican la probabilidad de quiebra y la rentabilidad de estos préstamos, y desarrollar sistemas decisionales capaces de seleccionar los mejores préstamos, que es el objetivo de este trabajo.

El problema del riesgo de crédito se acentúa con la información asimétrica. La información asimétrica consiste en que los prestamistas tienen menos información que los prestatarios y es uno de los problemas graves de los mercados de crédito (Stiglitz y Weiss, 1981). Pero en el caso de los préstamos colaborativos el problema se acentúa porque al menos el banco tiene acceso a información histórica de los clientes e incluso a veces los conoce en persona, mientras que un inversor particular escrutando préstamos en su ordenador apenas tiene acceso a una ficha con unos pocos datos del cliente, que puede estar a mucha distancia. La información asimétrica conduce a la selección adversa (Akerlof, 1970), situación que surge porque los inversores no pueden diferenciar entre prestatarios buenos, que devuelven el préstamo, de los malos, con alta probabilidad de no devolverlo. La selección adversa se mitiga con información de calidad. Por eso las plataformas electrónicas de préstamos colaborativos hacen esfuerzos por dotar de transparencia al proceso de prestar; no solo está disponible la información de cada prestatario sino que cualquiera puede descargar información histórica con todos los préstamos concedidos, sus características y su estado como solvente o quebrado. Esto contrasta con la práctica habitual utilizada en la banca, cuyas bases de datos de clientes permanecen ocultas.

El riesgo de crédito, la asimetría de la información y la selección adversa son problemas a los que deben hacer frente las plataformas P2P/P2B, pero estos préstamos también ofrecen soluciones a otros problemas habituales de los mercados de crédito, lo que explica su crecimiento. Los préstamos colaborativos pueden minimizar el racionamiento del crédito (Lin at al, 2013) que consiste en que no todas las personas o empresas que precisan un préstamo lo obtienen, aunque estuvieran dispuestas a pagar intereses elevados, lo que no sucedería si el mercado del crédito fuera perfecto (Stiglitz y Weiss, 1981). Pero los bancos tratan de buscar los mejores clientes, aquellos que manejan muchas inversiones o préstamos y existe una larga cola de créditos de pequeño tamaño que quedan sin financiación bancaria, aunque este nicho se viene cubriendo con instituciones de microfinanzas o con mercados de crédito informales, como los usureros. Allí los prestatarios pagan tasas de interés muy elevadas, pero al menos tienen crédito. Este nicho puede ser ocupado también por plataformas de préstamos colaborativos. También existen plataformas como Kiva.org donde los particulares encuentran crédito que deben devolver pero sin intereses, pues en ella participan inversores socialmente responsables o donantes.

2. Marco teórico

Numerosos estudios investigan los préstamos colaborativos desde distintas ópticas. Especialmente se han estudiado los factores que explican que unos créditos logren captar financiación y otros no. Lin at al (2013) estudian los préstamos que funcionan en modo subasta encontrado que el factor que más se fijan los inversores es la calificación o rating que proporciona la plataforma electrónica y también la fotografía (González y Loureiro, 2014). Lee and Lee (2012) analizan el comportamiento de los inversores encontrando comportamiento gregario. Se han desarrollado sistemas de credit scoring que tratan de estimar la probabilidad de devolución del préstamo (Serrano Cinca et al, 2015), pero los clientes más rentables para una entidad financiera no siempre son los más solventes sino aquellos que contratan muchos productos, hacen uso frecuente de las tarjetas, pagan descubiertos y

elevadas comisiones, aunque sean clientes de alto riesgo (Stewart 2011). Además, los préstamos más arriesgados pagan tipos de interés elevados. Incluso si el prestatario deja de pagar a veces se puede recuperar parte de lo prestado, litigando. Por este motivo se desarrollan los sistemas llamados de profit scoring, que no solo tratan de predecir la probabilidad de quiebra sino van más allá y tratan de predecir la rentabilidad de la inversión, para lo que emplean diversas técnicas de minería de datos (Thomas 2000).

Hay numerosos trabajos sobre credit scoring orientados a predecir la probabilidad de que el deudor devuelva o no el préstamo: Abdou and Pointon (2011) y Lessmann et al (2015) revisan la literatura reciente. En contraste, hay muy pocos trabajos que desarrollan sistemas de profit scoring, orientados a predecir la rentabilidad del préstamo, siendo la causa la dificultad para obtener datos (Lessmann et al 2015, Serrano-Cinca y Gutiérrez-Nieto, 2016). El credit scoring es matemáticamente un problema de clasificación cuya variable dependiente es 0-1, “devuelve el préstamo” o “no devuelve el préstamo”, dato que es sencillo de obtener. Pero el profit scoring es un problema de regresión cuya variable dependiente es continua, la rentabilidad del cliente, dato más difícil de obtener, que exige disponer de un sistema de información adecuado (Ngai et al 2009). En nuestro estudio empírico utilizamos como variable dependiente la tasa interna de retorno (TIR) de cada préstamo. Que sepamos es el primer trabajo de profit scoring aplicado al caso de los préstamos colaborativos, que compara los resultados de varias técnicas de minería de datos. Concretamente se comparan ocho técnicas: regresión multivariante (MLR), support vector regression (SVR), partial least squares regression (PLS), el modelo de red neuronal multilayer perceptron (MLP), árboles de decisión CHAID, radial basis function (RBF), regression tree (RT) y el algoritmo del vecino más cercano o K-Nearest Neighbors (KNN). Hemos encontrado que los resultados del profit scoring mejoran a los obtenidos mediante credit scoring. Las ocho técnicas mejoran el rendimiento promedio de este tipo de préstamos, pero support vector regression SVR destaca claramente por encima de todas.

3. Metodología del estudio.

El estudio empírico se ha realizado con datos de la plataforma Lending Club. Lending Club permite descargar de su web http://www.lendingclub.com los datos de todos los préstamos realizados. En total analizamos en nuestro trabajo 40,901 préstamos. La muestra de entrenamiento incluye 26,971 préstamos y el test incluye 13,930 préstamos. La Tabla 1 muestra las variables utilizadas. Como variables independientes se han utilizado todas las disponibles, que coinciden con las empleadas en el estudio de credit scoring de Emekter et al (2015) y Serrano-Cinca et al (2015). Son 19 variables que miden características del préstamo como el destino del mismo, características del prestatario como sus ingresos anuales, el historial crediticio, como el número de incidencias que ha tenido en los dos últimos años y el endeudamiento medido por el ratio de deudas dividido entre ingresos. Una variable muy importante es el subgrado que otorga Lending Club, que dispone de un algoritmo que categoriza los préstamos en función del riesgo y asigna un rating con 35 categorías, siendo la mejor A1 y la peor G5. A partir de ahí Lending Club fija el tipo de interés que paga el prestatario. En la actualidad el tipo de interés oscila entre el 5.32% de la A1 a 28.99% de G5.

La variable dependiente es la tasa interna de retorno (TIR). La TIR es una medida de la rentabilidad de una inversión, ampliamente utiliza en Finanzas. En el contexto de préstamos, la TIR es el tipo de interés efectivo que recibe el inversor. Por ejemplo, un inversor presta $1,000 y dentro de un año recibe $1,100. La TIR es del 10%. En otro préstamo de $1,000 recibe $400 un mes más tarde, $350 al mes siguiente, después el prestatario se declara moroso, a los 15 días decidimos contratar a un abogado, que tras pagarle $100 consigue recuperar $375 tres meses más tarde. La TIR de la operación es 11.14%, como puede comprobarse utilizando una simple hoja de cálculo.

Un aspecto importante en este tipo de estudios es elegir la medida para valorar el acierto de las técnicas. Ferri et al (2009) identifican 18 medidas, siendo las más utilizadas aquellas que miden el error de la predicción, como el error cuadrático medio (RMSE). Sin embargo, algunos autores cuestionan para qué utilizar un proxy cuando se puede medir directamente el beneficio obtenido (Leitch y Tanner 1991). Nosotros hemos actuado como lo haría un inversor. Primero, el inversor aplica una de las técnicas de minería de datos a los préstamos usando como muestra de entrenamiento y obtiene unos valores de rentabilidad esperada (TIR) para cada préstamo del test. Segundo, el inversor ordena los préstamos del test de mayor a menor rentabilidad esperada. Tercero, el inversor elige los n-mejores préstamos del test, de acuerdo con esa técnica. Cuarto, se repite el proceso con todas las técnicas, comparando la rentabilidad que hubiera obtenido el inversor con cada una de ellas.

4. Resultados.

La tabla 2 muestra el resultado de comparar las ocho técnicas de minería de datos, tanto a la muestra de entrenamiento como a la del test. SVR presenta el error menor en MAPE y MAE y la regresión PLS presenta el menor RMSE. Pero el mejor criterio es la utilidad para la toma de decisiones (Armstrong and Collopy, 1992). En el caso analizado lo que le importa al inversor es ganar dinero. La tabla muestra la TIR promedio de cada técnica si el número de préstamos n es 100 (columna “TIR- mejor-100”) y si n es 1,000 (columna “TIR-mejor-1,000”). También es importante conocer la capacidad de cada técnica para identificar los prestamos menos rentables; el procedimiento se ha repetido para seleccionar los 100 préstamos menos rentables (“columna TIR-peor-100”) y los 1,000 menos rentables (columna “TIR-peor-1,000”).

La TIR promedio en el test es 3.92%. Los 100 préstamos más rentables del test obtienen en promedio el 24.15% por tanto eso es lo máximo que podría ganar un inversor habilidoso que seleccionara solo dichos préstamos. Si se tomaran los 1,000 préstamos más rentables el promedio de TIR es 20.49%. La tabla 2 muestra que todas las técnicas permiten superar el 3.92% de TIR promedio. Un analista que hubiera utilizado support vector regression SVR para seleccionar 100 préstamos en los que invertir obtendría un 19.35% de TIR, no tan alejado del 24.15% de máximo al que puede aspirar. La siguiente técnica en performance es la red neuronal MLP con un 13.01%, seguido de la regresión multivariante MLR, con un 11.92%. Las ocho técnicas también sirven para identificar los, a priori, peores préstamos.

Realizamos otra prueba. A partir de las variables de la tabla 1 se ha modelado un sistema de credit scoring, usando una regresión logística (LR). El objetivo es estimar la probabilidad de quiebra, pero para ganar dinero. La regresión logística precisa como variable dependiente una variable dicotómica, que asigna un 1 a los préstamos devueltos y un 0 a los morosos. El porcentaje de aciertos en la muestra de entrenamiento fue del 89.21% y en el test de un 86.43%. Pero el dato que nos interesa no es la capacidad para discriminar a los préstamos morosos sino que queremos predecir la TIR y la regresión logística también proporciona una puntuación o score para cada préstamo. La última fila de la tabla 2 muestra los resultados. Al elegir los 100 préstamos con mayor puntuación, el inversor hubiera obtenido una TIR del 5.98%. Cuando n es igual a 1,000 la TIR es 5.71%. En resumen, el empleo de un credit scoring basado en regresión logística mejora el 3.92% de TIR promedio, pero no alcanza la rentabilidad de cualquiera de los modelos de profit scoring. La conclusión es clara y no es sorprendente: si lo que quieres es ganar dinero, es mejor usar un sistema diseñado para predecir la rentabilidad de una inversión y no uno orientado a predecir la probabilidad de quiebra.

5. Conclusiones.

Las plataformas de préstamos colaborativos pueden soportar menos costes de transferencia que las entidades financieras tradicionales porque su modelo de negocio es más sencillo: no captan depósitos, no padecen las regulaciones de las entidades financieras, no tienen que mantener capitales ociosos, solo ponen en contacto prestatarios con inversores. Además se utiliza una plataforma electrónica online en la que la mayor parte de los procesos están automatizados. Ello puede repercutir favorablemente en una mayor eficiencia, lo que es muy importante en un mercado que compra y vende dinero, un producto estándar sin diferenciación, en lo que lo importante es el precio, que es el tipo de interés. Los préstamos colaborativos pueden aliviar el racionamiento del crédito, financiando a prestatarios excluidos del sistema financiero tradicional y a las empresas jóvenes e innovadoras que precisan internacionalizarse y ven en estas plataformas una buena oportunidad para captar recursos de inversores internacionales dispuestos a asumir los riesgos. Estas ventajas explican su crecimiento pero los préstamos colaborativos no están exentos de problemas. En primer lugar se transfiere el riesgo de crédito de una entidad financiera, que tiene en plantilla analistas expertos en análisis de riesgos, a particulares que arriesgan su dinero. El problema que supone la información asimétrica es muy importante. Por eso es fundamental que la plataforma electrónica de préstamos ofrezca información de calidad sobre el préstamo.

El trabajo presenta varios modelos de profit scoring. El estudio empírico se ha realizado utilizando datos de la plataforma de préstamos Lending Club. Como variable dependiente se ha tomado la tasa interna de retorno (TIR), que es el tipo de interés real que recibe el inversor o rentabilidad de la inversión. Se han comparado ocho técnicas de minería de datos. El uso de estas técnicas permite obtener rendimientos por encima del promedio, que es un 3.92%. En el caso concreto, las técnicas que se han revelado con mejor capacidad predictiva son Support Vector Regression (SVR) y una red neuronal (MLP). Un inversor que hubiera seleccionado los 100 préstamos con mayores expectativas de rentabilidad de acuerdo con SVR, hubiera obtenido una rentabilidad del 19.35%.

6. Recomendaciones y agradecimientos.

Los préstamos colaborativos pueden ser una alternativa a la banca tradicional, tanto para los particulares que invierten como para los prestatarios, que pueden ser individuos, emprendedores o empresas. Para las empresas suponen una oportunidad para financiarse, especialmente en las fases de crecimiento y expansión internacional. Al acceder a estas plataformas las empresas pueden recibir financiación internacional, en forma de capital o en forma de préstamos, de particulares situados en cualquier lugar que tenga conexión a Internet. Para los particulares pueden suponer una forma de diversificar su cartera de inversiones. Pero es necesario conocer bien los riesgos de invertir en estas plataformas, adquirir conocimiento en gestión de riesgos, especialmente de riesgo de crédito y utilizar la abundante información que ponen a disposición las plataformas electrónicas y que permite crear modelos decisionales.

El trabajo ha sido financiado por el proyecto ECO2013-45568-R del Ministerio de Economía, Industria y Competitividad de España y por el Gobierno de Aragón, mediante el proyecto Ref. S-14/2, que tiene financiación de los fondos FEDER de la Unión Europea.

Referencias bibliográficas

Abdou, H. A., & Pointon, J. (2011). Credit scoring, statistical techniques and evaluation criteria: A review of the literature. Intelligent Systems in Accounting, Finance & Management, 18(2-3), 59-88. Akerlof GA (1970) “The Market for ‘Lemons': Qualitative Uncertainty and the Market Mechanism,” Quarterly Journal of Economics, 89 (August), 488–500. Armstrong, J. S., & Collopy, F. (1992). Error measures for generalizing about forecasting methods: Empirical comparisons. International journal of forecasting, 8(1), 69-80. Belk, R. (2014). You are what you can access: Sharing and collaborative consumption online. Journal of Business Research, 67(8), 1595-1600. Berger, S. C., & Gleisner, F. (2009). Emergence of financial intermediaries in electronic markets: The case of online P2P lending. BuR-Business Res., 2(1), 39-65. Emekter, R., Tu, Y., Jirasakuldech, B., & Lu, M. (2015). Evaluating credit risk and loan performance in online Peer-to-Peer (P2P) lending. Appl. Economics, 47(1), 54-70. Ferri, C., Hernández-Orallo, J., & Modroiu, R. (2009). An experimental comparison of performance measures for classification. Pattern Recognition Letters, 30(1), 27-38. González, L., & Loureiro, Y. K. (2014). When can a photo increase credit? The impact of lender and borrower profiles on online peer-to-peer loans. Journal of Behavioral and Experimental Finance, 2, 44-58. Lee, E., & Lee, B. (2012). Herding behavior in online P2P lending: An empirical investigation. Electronic Commerce Research and Applications, 11(5), 495-503.

Leitch, G., & Tanner, J. E. (1991). Economic forecast evaluation: profits versus the conventional error measures. The American Economic Review, 580-590. Lessmann, S., Baesens, B., Seow, H. V., & Thomas, L. C. (2015). Benchmarking state-of-the-art classification algorithms for credit scoring: An update of research. European Journal of Operational Research. Lin, M., Prabhala, N. R., & Viswanathan, S. (2013). Judging borrowers by the company they keep: friendship networks and information asymmetry in online peer-to-peer lending. Management Science, 59(1), 17-35. Ngai, E. W., Xiu, L., & Chau, D. C. (2009). Application of data mining techniques in customer relationship management: A literature review and classification. Expert systems with applications, 36(2), 2592-2602. Serrano-Cinca, C., Gutiérrez-Nieto, B., and López-Palacios, L. (2015). Determinants of Default in P2P Lending. PloS one, 10(10), e0139427. Serrano-Cinca, C., and Gutiérrez-Nieto, B. (2016). The use of profit scoring as an alternative to credit scoring systems in peer-to-peer (P2P) lending. Decision Support Systems, 89, 113-122. Stalnaker, S. (2008). Here comes the P2P Economy. Harvard Business Review, 86(2), 17-45. Stewart, R. T. (2011). A profit-based scoring system in consumer credit: making acquisition decisions for credit cards. J. of the Operational Res. Society, 62(9), 1719-1725. Stiglitz, J. E., & Weiss, A. (1981). Credit rationing in markets with imperfect information. The American economic review, 393-410. Thomas, L. C. (2000). A survey of credit and behavioural scoring: forecasting financial risk of lending to consumers. International journal of forecasting, 16(2), 149-172. Yum, H., Lee, B., & Chae, M. (2012). From the wisdom of crowds to my own judgment in microfinance through online peer-to-peer lending platforms. Electronic Commerce Research and Applications, 11(5), 469-483.

Rentabilidad de la inversión (TIR) La TIR es la variable dependiente y se define como el tasa interna de retorno que obtiene el inversor por ese préstamo. Calificación del prestatario El grado asignado por Lending Club, que categoriza a los prestatarios en siete categorías, de la A a la G, siendo el grado A el más solvente El grado asignado por Lending Club; hay 35 categorías de préstamos desde A1 a G5, siendo A1 el más solvente FICO®, es una medida de riesgo crediticio desarrollada por la empresa Fair Isaac Corporation (NYSE: FICO) El tipo de interés pagado por el prestatario Características del préstamo Los 14 destinos del préstamo: boda, tarjeta de crédito, compra de un automóvil, compra, mejora de la vivienda, consolidación de deudas, vacación, gastos médicos, mudanza, energías renovables, préstamo educativo, pequeño negocio y otros. La cantidad solicitada por el prestatario Características del prestatario Los ingresos anuales La situación del prestatario con respecto a la vivienda, que puede ser propia, alquilada o con una hipoteca Número de años que el prestatario lleva trabajando en el empleo actual Historial crediticio Número de días de historial crediticio disponible Número de incidencias crediticias, en mora de más de 30 días, en los últimos dos años Número de veces que los prestamistas han consultado los ficheros del historial crediticio en los últimos 6 meses Número de registros públicos derogatorios Tasa de utilización de la línea de restitución, o la cantidad de crédito que el prestatario está utilizando en relación con todo el crédito disponible. El número de líneas de crédito abiertas en el historial crediticio del prestatario El número de meses transcurridos desde la última morosidad del prestatario Endeudamiento del prestatario La cantidad solicitada por el prestatario dividido por los ingresos anuales del prestatario La suma de las doce mensualidades que hay que devolver por los intereses y la amortización del préstamo, dividido por los ingresos anuales del prestatario La deuda total del prestatario en proporción a los ingresos anuales

Tabla 1. Variables empleadas en el estudio.

Muestra de entrenamiento Muestra de test

(N=26,971) (N=13,930) TIR- TIR-mejor- TIR-peor- TIR-peor- MAPE MAE RMSE MAPE MAE RMSE mejor-100 1000 100 1,000 Regresión Lineal Multivariante 70.32 0.130 0.245 69.30 0.146 0.271 11.92% 8.62% -11.73% -5.27% (MLR) Support Vector Regression (SVR) 45.59 0.092 0.250 46.56 0.110 0.279 19.35% 10.62% -40.23% -1.72% Multilayer Perceptron (MLP) 81.39 0.141 0.248 80.94 0.158 0.271 13.01% 6.56% -5.01% 0.06% PLS regression (PLS) 73.01 0.133 0.245 73.76 0.152 0.268 10.19% 8.84% -12.71% -6.34% Radial Basis Function (RBF) 71.85 0.132 0.246 71.18 0.150 0.270 8.96% 6.94% -1.42% 0.21% Decision Tree (CHAID) 68.74 0.128 0.242 70.81 0.148 0.271 8.57% 6.52% 0.09% -2.98% Regression-Tree (RT) 52.21 0.080 0.178 86.00 0.157 0.327 7.86% 5.90% -3.12% 0.68% k-Nearest Neighbors (KNN) 376.06 0.393 0.528 370.30 0.433 0.563 7.39% 1.75% 13.66% 5.61% Ganancias máximas posibles 24.15% 20.49% -23.62% -4.37% Regresión Logística (LR) 860.15 0.850 0.886 765.83 0.848 0.891 5.98% 5.71% -11.16% -3.64%

Tabla 2. Resultados obtenidos por cada una de las ocho técnicas utilizadas en el profit scoring, mostrando el porcentaje de error promedio absoluto (MAPE), el error promedio absoluto (MAE) y el error cuadrático medio (RMSE). La TIR-mejor-n muestra la rentabilidad promedio de los n préstamos más rentables para cada una de las técnicas. La TIR promedio en la muestra de test es el 3.92%. La última fila muestra los resultados de un credit scoring tradicional, utilizando como técnica una regresión logística.