En el dinámico entorno financiero, uno de los mayores desafíos a los que se enfrentan las entidades bancarias es la adecuada gestión de riesgos de modelos con modelos estadísticos para la predicción de la morosidad crediticia. En particular, la morosidad de los clientes se ha convertido en un fenómeno recurrente que impacta directamente en la rentabilidad y estabilidad de las instituciones. Identificar de manera oportuna a los clientes con mayor propensión a incumplir sus obligaciones de pago no solo permite una mejor asignación de recursos, sino también la implementación de estrategias preventivas más efectivas, tomar decisiones informadas y cumplir con la regulación de la gestión de riesgos de modelo.

Este libro se presenta como una contribución rigurosa y aplicada al campo de la gestión del riesgo, enfocándose en el uso de modelos estadísticos avanzados para la clasificación de clientes morosos. Específicamente, se analiza la efectividad de los modelos de regresión binaria bayesiana con enlaces asimétricos —cloglog, power logit y scobit— en la predicción de la morosidad crediticia en una Entidad Bancaria. A través de un enfoque comparativo y basado en evidencia empírica, se demuestra que el modelo cloglog supera significativamente a los demás en términos de sensibilidad, consolidándose como la opción más adecuada para este tipo de clasificación.

El lector encontrará en estas páginas no solo una sólida base teórica, sino también una aplicación práctica respaldada por datos reales, que permite comprender el valor que ofrecen estos modelos en la toma de decisiones estratégicas. Este trabajo aspira a ser útil tanto para profesionales del sector financiero, como para investigadores y estudiantes interesados en la estadística aplicada, la econometría y la ciencia de datos.

Que este libro sirva como una invitación a explorar nuevas herramientas analíticas en un entorno cada vez más cambiante.