Crédito hipotecario: un modelo predictivo de discriminación de riesgo

• Carlos González-Rossano https://orcid.org/0000-0003-2558-157X
• Lorena De la Torre-Díaz https://orcid.org/0000-0001-9297-4758
• Antonia Terán-Bustamante https://orcid.org/0000-0002-0240-5234

DOI: https://doi.org/10.52080/rvgluz.28.104.12

Palabras clave: aprendizaje automático, criterios de selección de riesgo, movilidad social, vivienda digna

Resumen

Diversos estudios demuestran la relación entre el acceso a la vivienda y la superación de la pobreza. Sin embargo, existe un rezago en el acceso a la vivienda digna en México y la falta de historial crediticio es una limitante para el acceso a créditos bancarios. El objetivo de la presente investigación es analizar los criterios de selección de crédito hipotecario y proponer un modelo de gestión de riesgos que permita a la banca financiar a un mayor número de personas en la adquisición o mejora de su vivienda. La estrategia metodológica se basa en técnicas de aprendizaje automático apoyadas en la ciencia de datos para crear un modelo predictivo del cumplimiento del crédito basado en características individuales. Los resultados muestran un modelo predictivo de discriminación de riesgo con una confiabilidad del 85% para créditos a la vivienda, lo cual permite ampliar la base potencial de personas susceptibles de acceder a financiamiento hipotecario. El derecho a una vivienda digna presenta un rezago importante en el país y hasta ahora los bancos al proponer un modelo predictivo de selección de riesgo hipotecario se da respuesta a la pregunta de investigación que refiere a las acciones que puede ejecutar la banca para resolver el problema de falta de acceso a vivienda digna. Los bancos pueden establecer sus criterios de selección de riesgo apoyados en la ciencia y analítica de datos y la aplicación de modelos predictivos de aprendizaje automático utilizando su amplia base de datos histórica.

Citas

Addo, P. M., Guegan, D., & Hassani, B. (2018). Credit risk analysis using machine and deep learning models. Risks,6(2), 38.

Baiden, J. (2011). The 5c’s of credit in the lending industry. http://ssrn.com/abstract=1872804 https://doi.org/10.2139/ssrn.1872804

Bazarbash, M. (2019). Fintech in financial inclusion: machine learning applications in assessing credit risk. International Monetary Fund. https://doi.org/10.5089/9781498314428.001

Blavy, R., & Souto, M. R. (2009). Estimating Default Frequencies and Macrofinancial Linkages in the Mexican Banking Sector, IMF Working Papers, (109). https://doi.org/10.2139/ssrn.1413001

Centro de Estudios Espinosa Yglesias. (2017). El Sistema Financiero Mexicano . Diagnóstico y recomendaciones. Ciudad de México.

Chen, Y., & Wang, T. (2019). Credit scoring based on artificial intelligence and deep learning. Journal of Business Research, 98, 365-380. https://doi.org/10.1016/j.jbusres.2018.12.010

Comisión Nacional Bancaria y de Valores. (10 de marzo de 2020). CNBV. https://portafolioinfdoctos.cnbv.gob.mx

Conavi (2016). Sistema nacional de información e indicadores de vivienda. Conavi. http://sniiv.conavi.gob.mx/

Conavi (2021). Nota Metodológica. Cuantificación de la Población potencial y objetivo, Programa de Vivienda Social Clave presupuestaria S177

CONAVI. (2021). Precios de la vivienda en México. https://www.gob.mx/conavi/articulos/precios-de-la-vivienda-en-mexico

Consejo Nacional de Evaluación de la Política de Desarrollo Social (CONEVAL) (2018). Principales retos en el ejercicio del derecho a la vivienda digna y decorosa. Ciudad de México: CONEVAL.

Consejo Nacional de Evaluación de la Política de Desarrollo Social (CONEVAL) (2020). Índice de Rezago Social 2020: CONEVAL

Cortez, P., & Rocha, M. (2010). Credit scoring for loan granting: A case study. Expert Systems with Applications, 37(1), 144-154. https://doi.org/10.1016/j.eswa.2009.03.009

Creswell, J. W. (2014). Research design: Qualitative, quantitative, and mixed methods approaches. Sage publications.

Díaz, S., González D., Borja, M.F., Puga, D. (2021). Actualización del Rezago habitacional. Censo de Población y Vivienda 2020. https://sniiv.conavi.gob.mx/doc/analisis/2021/Calculo_Rezago_Habitacional_2020.pdf

Eloy, C. M. (2017). News from Latin America and the Caribbean; some facts and figures on the mortgage banking sector. Housing Finance International, 14–15.

Esperón-Moreno, M. F., & García-Sánchez, T. (2019). The impact of machine learning on credit risk management. European Journal of Management and Business Economics, 28(3), 292-303. https://doi.org/10.1108/EJMBE-03-2019-0037

García-Solarte, J. A., Muñoz, L. A., & Sánchez, G. M. (2017). Credit risk evaluation using machine learning methods: A review. Journal of Business Research, 77, 246-257. https://doi.org/10.1016/j.jbusres.2017.03.005

Guedea-Noriega, H. H., & García-Sánchez, F. (2019). Semantic (Big) data analysis: An extensive literature review. IEEE Latin America Transactions, 17(05), 796-806. https://doi.org/10.1109/TLA.2019.8891948

Huang, Y., Wu, H., Xu, G., & Zhang, J. (2019). Bank credit risk assessment based on convolutional neural networks. Journal of Computational and Applied Mathematics, 356, 227-235. dhttps://doi.org/10.1016/j.cam.2018.11.008

Imilan, W., Olivera, P., & Beswick, J. (2016). Acceso a la vivienda en tiempos neoliberales: un análisis comparativo de los efectos e impactos de la neoliberalización en las ciudades de Santiago México y Londres. Revista INVI, 31(88), 163–195. https://doi.org/10.4067/S0718-83582016000300006

Instituto Nacional de Estadística y Geografía- INEGI. (2021). Encuesta Nacional de Ingreso y Gasto de los Hogares. https://www.inegi.org.mx/programas/enigh/nc/2020/

Khandani, A. E., Kim, A. J., & Lo, A. W. (2010). Consumer credit-risk models via machine-learning algorithms. Journal of Banking & Finance, 34(11), 2767-2787. https://doi.org/10.1016/j.jbankfin.2010.06.001

Li, J., & Zhang, G. (2020). An empirical study on credit risk evaluation of SMEs based on machine learning algorithm. International Journal of Machine Learning and Cybernetics, 11(2), 317-326. https://doi.org/10.1007/s13042-019-01011-8

Li, L., & Zhao, Z. (2020). Credit risk evaluation model based on machine learning. Journal of Physics: Conference Series, 1637(1), 012153. https://doi.org/10.1088/1742-6596/1637/1/012153

Miao, R., & Huang, L. (2020). A deep learning approach to credit scoring with imbalanced data. Journal of Business Research, 114, 124-136. https://doi.org/10.1016/j.jbusres.2020.04.016

Mundra, S., Mundra, A., Sharma, A., Mohini, A., & Yadav, A. (2019). Analyzing Credit Defaulter Behavior for Precise Credit Scoring. Int. J. Adv. Sci. Technol, 28(12), 247-255.

Olivares-Aguayo, H. A., Méndez-Molina, M., & Madrigal-Castillo, E. (2021). Salud financiera en créditos hipotecarios mexicanos. Revista CEA, 7(13), 1–31. https://doi.org/10.22430/24223182.1530

ONU-Habitat (2018). Vivienda y ODS en México. Programa de las Naciones Unidas para los Asentamientos Humanos.

Organización de las Naciones Unidas (2015). Transformar nuestro mundo: la Agenda 2030 para el Desarrollo Sostenible. https://www.un.org/ga/search/view_doc.asp?symbol=A/70/L.1&Lang=S

Organización de las Naciones Unidas-ONU (1948). Declaración Universal de Derechos Humanos. https://www.ohchr.org/EN/UDHR/Pages/Language.aspx?LangID=spn.

Organización de las Naciones Unidas-ONU (1966). Pacto Internacional de Derechos Económicos, Sociales y Culturales. https://www.ohchr.org/SP/ProfessionalInterest/Pages/CESCR.aspx

Papadopoulos, T., Martakos, D., & Goudas, T. (2015). Credit scoring using data mining for the Cyprus banking sector. Journal of Systems and Information Technology, 17(4), 332-347. https://doi.org/10.1108/JSIT-09-2014-0053

Peprah, W. K., Agyei, A., & Oteng, E. (2017). Ranking The 5C’s of credit analysis: Evidence from Ghana banking industry. International Journal of Innovative Research and Advanced Studies, 9, 78-80. https://www.ijiras.com/2017/Vol_4-Issue_9/paper_17.pdf

Programa Nacional de Vivienda 2021-2024 (2021) Diario Oficial de la Federación (DOF). http://www.dof.gob.mx/nota_detalle.php?codigo=5620388&fecha=04/06/2022

Rodríguez Zamora, C., & Morales Ramírez, A. (2021). La duración en el mercado de vivienda nueva construida por desarrolladores en México. Trimestre Económico, 88(350), 551–582. https://doi.org/10.20430/ete.v88i350.700

Secretaría de Desarrollo Agrario, Territorial y Urbano- SEDATU. (2018). Diagnóstico Nacional de Vivienda. Secretaría de Desarrollo Agrario, Territorial y Urbano. https://www.gob.mx/cms/uploads/attachment/file/373425/Diagn_stico_Nacional_de_Vivienda.pdf

Sociedad Hipotecaria Federal (2016). Dirección de Estudios Económicos de la Vivienda. Demanda de la vivienda 2016. https://doc.shf.gob.mx/estadisticas/EstudiosVivienda/Documents/demanda%202016%20vimpresa.pd

Song, X. (2019). Re: Credit Card Approval Prediction [Publicación en webpage de Kaggle, sitio de data analysis]. Kaggle. https://www.kaggle.com/datasets/rikdifos/credit-card-approval-prediction

Treece, K., & Tarver J. (24 de mayo 2022). Understand The 5 Cs of Credit Before Applying for A Loan. Forbes Advisory. https://www.forbes.com/advisor/credit-score/5-cs-of-credi