Una serie de tiempo o serie temporal es una colección de observaciones tomadas a lo largo del tiempo cuyo objetivo principal es describir, explicar, predecir y controlar algún proceso. Las observaciones están ordenadas respecto al tiempo y sucesivas observaciones son generalmente dependientes. De hecho esta dependencia entre las observaciones jugará un papel importante en el análisis de la serie.

Las series pueden ser utilizadas en diversos campos como por ejemplo:

Economía

Precios de venta en días sucesivos.

Exportaciones totales en sucesivos años.

Beneficios de una empresa en sucesivos años

Física (Meteorología, Geofísica, etc...)

Lluvias en sucesivos días.

Temperatura en sucesivas horas.

Presión atmosférica en diversos días.

Demografía

Población de un país medida anualmente.

Procesos de control

El problema consiste en detectar cambios en la ejecución de un proceso de manufactura. Para ello se considera una variable que nos muestra la calidad del proceso. Esta medida se representa frente al tiempo y cuando se aleja de un determinado valor límite, entonces hemos de efectuar las correcciones oportunas sobre el proceso.

Procesos binarios

Son unas series temporales especiales, en las que las observaciones, sólo toman dos valores (que usualmente se representan por 0 y 1), suelen darse en teoría de la comunicación. Por ejemplo la posición de un enchufe, bien apagado o encendido puede ser represetado como 0 y 1, respectivamente.

Dependiendo del campo en el cual se utilizará esta metodología, las series se pueden clasificar en:

Serie Continua.

Una serie de tiempo es continua cuando las observaciones son tomadas continuamente en el tiempo, aun cuando la variable medida sólo tome un número de valores finitos.

Serie Discreta

Una serie temporal es discreta cuando las observaciones son tomadas en tiempos específicos, normalmente igualmente espaciados. Se supondrán los datos en intervalos regulares de tiempo (horas, días, meses, años,..). El término discreto es usado aun cuando la variable medida sea continua. Las series discretas pueden surgir de varias maneras:

Muestral

Dada una serie de tipo continua es posible construir una serie de tipo discreta, tomando los valores en intervalos de tiempo de igual longitud. Un ejemplo de serie temporal de tipo continua es la temperatura en un lugar dado, considerando la temperatura diaria a las tres de la tarde, obtenemos una serie temporal discreta muestral.

Agregada o Acumulada

Este tipo de series ocurre cuando una variable no tiene valor en un instante (sólo tiene sentido en algunos instantes de tiempo) pero se pueden acumular los valores en intervalos de tiempo igualmente espaciados. Ejemplos: las lluvias torrenciales, los accidentes de tráfico mensualmente, el número de pasajeros mensuales en las líneas aéreas españolas. De hecho los accidentes de tráfico mensuales son una agregación de sucesos discretos. Los valores tomados no se observan en cada instante sino que se vanacumulando en intervalos de tiempo.

Inherentes o Discretas

Las que realmente los datos se obtienen en momentos discretos. Por ejemplo el salario mensual.

Teniendo en cuenta el número de variables que observamos en cada tiempo se pueden diferenciar:

Series Temporales univariantes: Cuando interviene una sola variable.

Series Temporales multivariantes: Cuando intervienen varias variables.

El primer paso a llevar a cabo en cualquier análisis de una serie de tiempo es realizar la representación gráfica de la serie. En el eje horizontal se representa la escala del tiempo, y en el eje vertical, los valores asignados a los tiempos. Es habitual observar que los datos aparentemente fluctúan a lo largo del tiempo en torno a algún patrón.

Desde un punto de vista formal, este hecho responde al concepto de proceso estocástico, concepto matemático que hay subyacente en una serie temporal.

La representación gráfica de una serie de tiempo es la representación de una trayectoria del proceso estocástico subyacente. En dicha representación, podemos observar las principales fuentes de variación.

Enfoques en Análisis de Series de Tiempo

Existen básicamente tres enfoques para analizar series de tiempo los cuales son:

1. Enfoque Clásico.
2. Enfoque Box-Jenkins.
3. Enfoque ingenieril o Analisis Espectral.

El primer enfoque corresponde a realizar un análisis descripotivo de la serie y consiste en realizar una descomposición de la serie en componentes de tendencia, estacional y aleatorio. El enfoque box-Jenkins se basa en obtener una serie estacionaria, a partir de una que no lo es y el enfoque Espectral consiste en descomponer la serie en distintas frecuencias permitiendo aislar aquellas que más contribuyan a la variabilidad de la serie.

Hoy en día se ha comprobado que es fundamental el análisis de la información para el desarrollo y expansión de una empresa, por lo cual se han implementado diferentes metodologías para acercarse a un público adecuado o bien al sector económico deseado.

La naturaleza y las aspiraciones de adquisiciones del cliente no son elementos fijos, por ende sus cambios de conducta, deben ser advertidos, ya que influyen directamente en la estrategia de negocios de una empresa.

Las instituciones financieras otorgantes de crédito, con el fin de disminuir sus tasas de riesgo han tenido que implementar diferentes medidas con el fin de poder evaluar las pérdidas esperadas frente al incumplimiento de pago por parte del cliente. La medida más utilizada hoy en día es el scoring de créditos o credit scoring , el cual es un sistema de evaluación automático, más rápido, más seguro y consistente para determinar el otorgamiento de créditos, que, en función de toda la información disponible, es capaz de predecir la probabilidad de no pago, asociada a una operación crediticia. Ayuda en el proceso de evaluación, comportamiento y cobranza, siendo capaz de analizar en un tiempo mínimo, gran cantidad de información, en forma homogénea. Los primeros sistemas de “scoring” se desarrollaron en la década de los cincuenta mediante la implementación de “scores" internos de comportamiento por parte de bancos pioneros en Estados Unidos, los cuales eran utilizados para la gestión de las cuentas de dichos bancos en base a la propia información que manejaban.

Posteriormente surgieron los “scorings” de aceptación conforme a los cuales se ranqueaba a los solicitantes de crédito según la propia calificación de buenos o malos que efectuaba una determinada institución bancaria.

Por su parte, numerosas entidades e instituciones distintas de las entidades bancarias, requerían gran cantidad de información en sus procesos de análisis de solicitudes de créditos de nivel retail, para los cuales resultaban insuficientes los modelos de scoring ya existentes. Ello dió lugar a la creación de los “Sistemas Nacionales de Calificación Crediticia de Consumidores de Crédito'' denominados como Scorings de “Credit Bureau''.

Mientras que un sistema interno de scoring de un banco se alimenta conforme a su propias bases de datos, un scoring de credit bureau requiere el aporte centralizado de información pertinente entregada por la totalidad de las instituciones comerciales otorgantes de crédito de un país.

La realidad de nuestro país se caracteriza por la amplia difusión y utilización de los servicios de información de riesgo crediticio, mayormente conocidos como servicios de información comercial en rubros como el comercio detallista, la industria de tarjetas de crédito, industria aseguradora, empresas de factoring y cobranzas, como también por parte de las instituciones bancarias tradicionales y emergentes.

Existen diferentes categorías de modelos de calificación crediticia, donde la distinción obedece a factores externos múltiples relacionados con aspectos tales como el rubro de la industria en que operan, el tipo de usuarios, la envergadura, calidad de las bases de datos utilizadas, etc.

La industria bancaria es la que presenta la más amplia variedad en la utilización de estos modelos, siendo pionera en la creación de los modelos de scoring crediticio con el desarrollo de los primeros sistemas de calificación del comportamiento de su base de clientes, a los que siguieron los scorings de aceptación para evaluar a nuevos postulantes a crédito.

De esta manera, en la industria bancaria se identifican los siguientes modelos

• Scoring de comportamiento, utilizados para la gestión de cuentas, incluyendo actividades tales como aumento y disminuciones de líneas de crédito, y sobregiros convenidos.
• Los tradicionales scorings de aceptación, mediante los cuales un banco aplica su propia definición de lo que para él son buenas y malas operaciones crediticias, a fin de identificar y ranquear a los solicitantes de crédito.
• Scoring de cobranza, cuyo objeto es determinar con mayor precisión las cuentas que pueden resultar mayormente cobrables.
• Scoring de rentabilidad, utilizados para identificar los segmentos de mercado más rentables.

Fuente: Tesis: Métodos de Divergencia y Entropía para mejorar la predicción en Modelos de Clasificación. Trabajo presentado por Maximiliano Silva Quiroz para optar al titulo de Ingeniero Estadístico

Generación Muestra

Consiste en la obtención de los sistemas informáticos de la información necesaria para el desarrollo de los modelos. El desarrollo de los diferentes procesos de extracción de información ha sido, y sigue siendo aún en muchas entidades, la etapa más crítica y costosa de todo el ciclo. La no existencia de unos procesos y de unas estructuras de información diseñadas y preparadas para estas necesidades obliga a un desarrollo importante por parte de los departamentos de informática de las entidades y que provoca errores que no siempre son detectados en las tareas previas de validación de información.

Estudio Modelo

Consiste en el desarrollo del modelo de Scoring, Rating, Severidad, etc. a partir de la información obtenida en la etapa anterior. Estos modelos son desarrollados a través de paquetes estadísticos como SPSS, SAS o R por la entidad, por consultoras o en proyectos conjuntos.


Diseño y Configuración

Ya desarrollado el modelo y comprobada su robustez y fiabilidad estadística debemos implementarlo, es decir, desarrollar el programa el informático que permita la automatización de los cálculos. Aunque es cierto que la mayoría de técnicas de desarrollo de modelos no implican gran complejidad en la programación, esta implementación es extraordinariamente crítica por las consecuencias que los errores pueden provocar. Es fundamental la existencia de unos procesos de pruebas claramente definidos contrastando los resultados de los procesos estadísticos con los obtenidos tras la programación.


Simulación

El siguiente paso consiste en la definición de todas las políticas asociadas a la subcartera y modelo que se está implementando. Básicamente se deberán definir los diferentes parámetros del modelo como los puntos de corte, la definición de reglas elicitadas que corrijan los sesgos detectados en las muestras de aprendizaje, la definición de las políticas de precios y límites asociados a las calidades de riesgo, etc.

Para ello deberán las realizarse las simulaciones ‘out of time' y ‘out of sample' que sean necesarias y que nos permitirán definir reglas o excepciones específicas a determinadas subcarteras. Es importante considerar en este sentido análisis específicos por zonas geográficas (zonas de expansión), por canal de acceso al crédito (internet, prescriptor, etc.), por tipo de vinculación (no clientes), por finalidad del crédito (LTV > 80%, segundas residencias, vehículos usados, etc.) o por características sociodemográficas (jóvenes, temporales, etc.)

Despliegue a producción

Tras un proceso iterativo de simulación y configuración del modelo se debe pasar a producción. Es fundamental que los programas sobre los cuales se han realizado todas las validaciones de la etapa anterior sean los que pasan a producción y de esta manera evitar una reprogramación del modelo (para adecuarlo al entorno de producción) que se convertiría en una posible fuente adicional de errores.

Seguimiento

Como última etapa del ciclo de modelos tenemos todas las tareas relacionadas con el seguimiento. Para ello deberemos disponer de toda la información referente a los créditos y clientes evaluados, las calificaciones obtenidas por el modelo y el comportamiento de pago real observado.

Se deberán realizar para cada subcartera y de manera periódica los diferentes análisis que permitan garantizar el correcto funcionamiento del modelo: análisis de distribución poblacional, de overrides, de poder discriminante, backtesting de los parámetros intermedios y outputs finales, etc.

Las validaciones cuantitativas no deberían hacernos olvidar el realizar el seguimiento del principal factor de éxito en el uso de los modelos internos: la correcta utilización. Los errores en la calidad de la información que se utiliza como input de los modelos, sea por inapropiados sistemas de expediente electrónico y workflow de propuestas, por falta de formación a la red en la captura de información o por picaresca para evitar calificaciones negativas de los modelos que complican los procesos de aprobación es la principal causa de fracaso en la utilización de modelos de riesgo.

Este proceso de seguimiento y validación continuo es el detonante para el desarrollo de nuevos modelos o la reestimación de los ya existentes, con lo que se cierra el ‘ciclo de modelo' con una nueva generación de muestra.

Estos procesos, tan reducidamente descritos pero tan complejos, deben aplicarse a cada una de las subcarteras de la entidad por lo que es imprescindible que las áreas de Control Global del Riesgo se doten de herramientas que estandaricen y automaticen todas estas tareas.

Pero si se es organizado con el dinero, si tiene al día sus cuentas y sabe cuanto dinero puede gastar, no debería tener problemas.

Las claves:

• Compare, respecto a la competencia, el valor de cuota final que cancelará por el crédito y si este cumple con sus necesidades, como la fecha de pago y el monto total a pagar.
• Pida que le expliquen claramente los productos y costos asociados al crédito, seguros, impuestos, gasto notarial, etc.
• Fijese en la rápidez que tenga el banco para otorgar el crédito, así como los requisitos para postular. La asesoría que pueda prestar el ejecutivo que lo atienda es importante, porque puede guiarlo para rentabilizar la inversión que hará con el dinero del crédito.

• Considere la cercanía de la sucursal respecto de su domicilio o trabajo, ya sea para una nueva atención y/o el pago de cuotas.

Fuente:Bancoestado.