The financial crisis that began in late 2007 has raised awareness on the need to properly measure credit risk, placing a significant focus on the accuracy of public credit ratings. The objective of this paper is to present an automated credit rating model that dispenses with the excessive qualitative input that, during the years leading to the 2007 crisis, may have yielded results inconsistent with true counterparty risk levels. Our model is based on a mix of relevant credit ratios, historical data on a corporate universe comprising the global pharmaceutical, chemicals and Oil & Gas industries and a powerful clustering mathematical algorithm, Self-Organising Maps, a type of neural network.
La crisis financiera que comenzó a finales de 2007 ha incrementado la concienciación
sobre la necesidad de medir adecuadamente el riesgo del crédito, haciendo mayor
hincapié en la precisión de las calificaciones públicas. El objetivo de este trabajo es
presentar un modelo automatizado de calificación crediticia que prescinda del exceso de lo cualitativo, habitual durante los años previos a la crisis de 2007, y que pudo haber provocado resultados inconsistentes con los niveles reales del riesgo de crédito. Nuestro modelo se basa en una combinación de las ratios crediticias relevantes, los datos históricos relativos a un universo empresarial que incluye a las industrias farmacéuticas, químicas y petrolíferas, y un potente algoritmo matemático de agrupación, SOM, que constituye un tipo de red neuronal.
Save this on Delicious