Maestría en Administración Financiera · 2026
Modelos de riesgo crediticio para reducir el riesgo de crédito en la cartera hipotecaria del Banco Unión
Banco Unión’s mortgage portfolio has increased its exposure to risk as a result of post-pandemic economic uncertainty, evidenced by higher unemployment levels, inflationary pressures, and sustained increases in interest rates. Within this context, the study examines credit risk models designed to enhance the predictive capacity of portfolio deterioration and to support decision-making in the management of mortgage portfolios. The analysis relies on a historical database provided by Banco Unión, which contains information on performing and impaired mortgage loans. This dataset includes macroeconomic variables, credit-specific attributes, and the sociodemographic and financial characteristics of borrowers. From a methodological perspective, a binary Logit model was estimated to assess the probability of default, analyzing the marginal impact of key factors such as income level, interest rate, macroeconomic conditions, and loan maturity. In addition, a Decision Tree model was implemented on the KNIME platform using AutoML techniques, following sample balancing procedures. The predictive performance of the models was evaluated using standard metrics in the financial sector: the area under the ROC curve (AUC), sensitivity (recall), and precision. The results show that the Logit model provides a strong explanatory framework for the determinants of credit risk, while the Decision Tree exhibits greater sensitivity in identifying impaired borrowers while maintaining high levels of precision. By combining both perspectives, Banco Unión gains a more robust analytical tool to anticipate portfolio deterioration, improve customer segmentation, and strengthen credit risk monitoring and mitigation strategies in a changing economic environment, thereby aligning statistical standards with operational and regulatory criteria.
Texto completo 95 páginas con texto
Leer la tesis completa Ficha en el repositorio
Contenido
- INTRODUCCIÓNp. 9
- Datos utilizadosp. 11
- Esquemas investigativosp. 11
- Técnicas matemáticas y estadísticasp. 12
- PLANTEAMIENTO DEL PROBLEMAp. 14
- JUSTIFICACIÓNp. 17
- OBJETIVOSp. 18
- Generalp. 18
- Específicosp. 7
- MARCO TEÓRICO Y MARCO CONCEPTUALp. 19
- Riesgo de crédito en la cartera hipotecariap. 19
- Gestión de provisionesp. 20
- Cómo se evalúa el riesgo crediticiop. 21
- Modelos de riesgo crediticio como herramientas de clasificaciónp. 23
- Modelos estadísticos para la clasificación del incumplimientop. 24
- Enfoques no lineales y técnicas de minería de datosp. 24
- DISEÑO METODOLÓGICOp. 26
- Enfoque y diseño de la investigaciónp. 26
- Fuente de datos y población de estudiop. 26
- Modelación y definición de variablesp. 27
- Plataforma tecnológica y entorno de análisisp. 30
- Preparación y limpieza de los datosp. 30
- Depuración inicial del conjunto de datosp. 30
- Iteraciones de especificación (proceso de búsqueda)p. 34
- riesgo de defaultp. 36
- Definición de la variable objetivop. 39
- Tratamiento del desbalance de clasesp. 39
- Balanceo de la muestrap. 40
- Estrategia de modelamiento y selección de algoritmosp. 40
- Modelos de clasificación evaluadosp. 41
- Criterios de evaluación del desempeño de los modelosp. 42
- Elección de métricas de evaluaciónp. 42
- Desbalanceo de clasesp. 43
- Supuestos del modelo Logit y riesgos de multicolinealidadp. 44
- DESARROLLO DEL TRABAJOp. 46
- Revisión de la literatura sobre los modelos de riesgo crediticiop. 46
- Selección de los modelos aptos para el Banco Uniónp. 49
- Modelo de Green y Hendershott - Análisis de regresión múltiplep. 50
- Identificación de las variables relevantesp. 50
- Exploración de variables propias del mercado hipotecario colombianop. 57
- Variables de la cartera de crédito hipotecario del Banco Uniónp. 61
- RESULTADOSp. 67
- Resultados de los modelos estimadosp. 67
- Comparación y selección del modelop. 69
- Selección final del modelo y consideraciones operativasp. 69
- Resultados del modelo Logitp. 70
- Resultados de la modelación en KNIME mediante AutoMLp. 71
- Comparación integrada de resultadosp. 72
- Validez y capacidad predictiva del modelop. 74
- Interpretación de los efectos marginalesp. 74
- CONCLUSIONESp. 80
- RECOMENDACIONESp. 82
- REFERENCIASp. 83
- ANEXOSp. 87
- Anexo A. Estimación modelo Logitp. 87
- Anexo B. Resultados detallados de la estimación del modelo Logitp. 88
- Anexo D. Capacidad predictiva del modelop. 90
- Anexo E. Cálculos AIC y BICp. 91
- Anexo F. Resultados del modelo Random Forestp. 92
- Anexo G. Modelo logístico por defaultp. 93
- defaultp. 28
- Anexo I. Efectos marginales para diferentes valores de edadp. 95
- Figura 1. Categorías de referenciap. 33
- Figura 2. Categoría nivel de estudiosp. 33
- Figura 3. Categoría tipo de viviendap. 34
- Figura 4. Categoría Proyecto VISp. 34
- Figura 5. Conjunto final de covariables utilizadas en el modelop. 36
- Figura 6. Flujo de preparación y balanceo de datos en KNIMEp. 40
- Figura 7. Selección de modelos para entrenarp. 41
- Figura 8. Variación trimestral del PIBp. 51
- Figura 9. IPC Colombia 2015-2025p. 53
- Figura 10. Tasa efectiva anual. Comportamiento histórico (2015-2025)p. 56
- Figura 11. Comportamiento del IPVN (2015-2025)p. 59
- Figura 14. Modelos de clasificación ranqueados por la métrica de precisiónp. 67
- Figura 15. Resultados detallados de la estimación del modelo Logitp. 70
- Figura 17. Efectos marginales para diferentes valores de edadp. 77
- Figura 18. Márgenes predictivos con intervalos de confianza del 95 %p. 77
- Figura 19. Muestra del área bajo la curva ROC del modelo logístico finalp. 78
- Tabla 1. Variables que serán utilizadasp. 27
- Banco Uniónp. 63
- Tabla 4. Descripción de la calificación del riesgop. 65