Probabilitats d'icompliment en el món del risc de crèdit

Abstract

En un món financer en constant evolució, comprendre i anticipar el risc de crèdit és més crucial que mai. Aquest treball pretén construir una bona base teòrica del risc de crèdit per, tot seguit, explorar el repte de predir la probabilitat d’incompliment (PD) amb el paper de les matemàtiques com a protagonista. A partir d’una base de dades real, s’han comparat models tradicionals, com la Regressió Logı́stica, amb mètodes avançats, com el Random Forest, per determinar quin ofereix les millors garanties en un context tan delicat com el de la concessió de crèdits. Els resultats mostren com la integració entre l’estadı́stica clàssica i tècniques modernes de Machine Learning pot oferir solucions innovadores, complint alhora amb les exigències reguladores i millorant la presa de decisions en la concessió de crèdits.

In a constantly evolving financial world, understanding and anticipating credit risk is more crucial than ever. The aim of this paper is to establish a solid theoretical foundation for credit risk and to explore the challenge of predicting the probability of default (PD), with mathematics playing a central role. Using a real-world dataset, we compare traditional models, such as Logistic Regression, with advanced methods like Random Forest, to determine which one provides the best guarantees in the delicate context of credit lending. The results highlight how the integration of classical statistics and modern machine learning techniques can offer innovative solutions, while also complying with regulatory requirements and enhancing credit decision-making.