Economía (Mag.)

Permanent URI for this collectionhttp://54.81.141.168/handle/123456789/9070

Browse

Filters

2022 - 20233

Settings

Start date: 2022Subject: search.filters.subject.Crédito--Perú

Search Results

Now showing 1 - 3 of 3
  • No Thumbnail Available
    ItemMetadata only
    Estudio del comportamiento del crédito microempresa en Perú (2011 – 2021)
    (Pontificia Universidad Católica del Perú, 2023-09-04) Antunez Irgoin, Cesar Humberto; Caceres Valderrama, Armando Luis Augusto
    El presente documento analiza el comportamiento del crédito y el grado de concentración que tiene el crédito microempresa en la industria financiera peruana, para el periodo 2011 - 2021. Como marco teórico se analizan los trabajos de Kala (2008) y Morón et al. (2010). La hipótesis considera la conducta oligopólica en el crédito microempresa utilizando los modelos de variación conjetural y de la demanda residual, que tienen como variables el saldo de crédito y la tasa de interés. Como resultado, el primer modelo mostró que, el mercado de crédito microempresa presenta un comportamiento oligopólico, y el segundo modelo muestra que no existe evidencia de un aumento de la competencia en la industria financiera. Así es como se ve el comportamiento oligopólico.
  • No Thumbnail Available
    ItemMetadata only
    Efectividad de la tasa de encaje sobre los créditos en Perú en los últimos 20 años
    (Pontificia Universidad Católica del Perú, 2022-09-02) Chávez Martinez, Joselin Alexandra; Vega De La Cruz, Marco Antonio
    Este documento tiene como objetivo identi car el impacto de un choque de requerimientos de encaje en moneda nacional sobre el crecimiento de los cr editos agregados en soles. Asimismo, se busca analizar el impacto de tal choque sobre los cr editos en moneda nacional de cada entidad bancaria perteneciente al sistema nanciero peruano que cuenta con datos disponibles. Para ello, se analiza una ventana de datos desde 2003 a 2019 dividido en dos muestras con un total de nueve bancos, para lo cual se emplea el modelo de Vectores Autorregresivos Globales que permite realizar una comparaci on a nivel agregado de sistema y a nivel de cada entidad bancaria. Por ultimo, el efecto de un choque contractivo de tasa de encaje en 1% produce una ca da en los saldos de cr edito agregado en moneda nacional para ambas muestras; sin embargo, el impacto del choque es de mayor magnitud y llega m as r apido a su punto m nimo en la primera muestra (periodo entre 2003 al 2010). Mientras que, a nivel idiosincr asico el choque de tasa de encaje en 1% produce una ca da de los saldos de cr editos para todos los bancos solo en la primera muestra; no obstante, el efecto sobre la segunda muestra presenta resultados at picos que son asociados al efecto de la pol tica de desdolarizaci on del Banco Central de Reserva, la cual estuvo acompa~nada de mayor liquidez en moneda nacional y al cambio en la respuesta idiosincr asica por parte de cada entidad bancaria.
  • No Thumbnail Available
    ItemMetadata only
    Comparación de modelos scoring para la estimación de probabilidad de default
    (Pontificia Universidad Católica del Perú, 2022-01-11) Bravo Castro, Gerson Enrique; Paiva Ramos, Walter Junior
    El presente trabajo propone el desarrollo de modelos machine learning para la estimación de la probabilidad de default, que ayuden a reducir los niveles de deterioro de las carteras de créditos de consumo de las instituciones financieras de Perú, las cuales basan sus políticas de créditos en los modelos econométricos tradicionales como la regresión logística. Las variables que mejor explican la probabilidad de default están relacionadas a la evolución de niveles de endeudamiento y la historia de comportamiento de pago en el sistema financiero. Los modelos Random Forest (Bagging) y XGBoost (Boosting) presentan mejores niveles de discriminación y predictibilidad que el modelo tradicional, asimismo, se demuestra que estos modelos machine learning se complementan muy bien con el modelo tradicional dado que permiten identificar conjuntos de intercambio de deudores con menor riesgo por deudores de mayor riesgo calificados por el modelo tradicional. Adicionalmente, estos modelos machine learning permiten una vista complementaria al momento de identificar los perfiles con mayor riesgo ya que metodológicamente no se basan en la identificación de patrones promedio como la regresión logística tradicional.