Uso de cookies

Este sitio web solo utiliza cookies técnicas propias obligatorias con la finalidad de hacer que su navegación sea segura.
Asimismo, utiliza cookies de terceros opcionales para hacer análisis estadístico de las visitas a la web y conocer su usabilidad.
Si desea más información o cambiar la configuración de su navegador, puede visitar nuestra Política de Cookies.
Pulse el botón "Rechazar cookies opcionales" o "Aceptar todas las cookies" para confirmar que ha leído y aceptado la información aquí presentada.

Modelización del riesgo de crédito

Abril de 2023
En el mundo de la banca la evaluación del riesgo de crédito es una de las principales preocupaciones de las instituciones financieras. Los bancos otorgan préstamos a los clientes y, como resultado, asumen el riesgo de que los prestatarios no paguen su deuda. Este impago da lugar a dos mediciones que se llevan a cabo en las entidades financieras de manera recurrente: la pérdida esperada (PE) y la pérdida inesperada (PI).

La pérdida esperada se refiere al montante de pérdida que se espera que ocurra durante un periodo de tiempo determinado y que es cubierta por las provisiones que se dotan anualmente, con impacto directo en la cuenta de resultados de las instituciones financieras. Por otra parte, la pérdida inesperada ocurre de manera excepcional y se debe a eventos imprevistos e inusuales, como una recesión económica o una crisis financiera que no se preveían y no se tuvieron en cuenta en la estimación de la pérdida esperada. Estas pérdidas inesperadas consumen el capital de las entidades, cifra que debiera ser estable y que afecta directamente a la solvencia de estas.

En ambos casos, ya sea la pérdida esperada o inesperada, nos referimos a un suceso no acontecido en el que entra en juego la incertidumbre. Y es en esta medición de la incertidumbre donde entran los modelos matemáticos que tratan de estimar ambas pérdidas.

Existen varias tipologías de modelos de crédito según el enfoque y la finalidad que se persiga en su construcción. A continuación, se presentan los más comunes utilizados en la industria bancaria:

Los modelos de scoring de crédito evalúan el riesgo crediticio de cada tipo de operación (hipotecaria, de consumo, tarjeta de crédito...) de la entidad financiera con personas físicas. Para ello se utilizan una serie de variables y ponderaciones que resultan en una puntuación que permite la ordenación de las operaciones de mayor a menor riesgo crediticio.

Por otro lado, tenemos los modelos de rating que se encargan de evaluar el riesgo crediticio de las personas jurídicas. Son modelos que, a diferencia de los de scoring que se centran en ordenar, según el comportamiento crediticio, las operaciones individuales de personas físicas, valoran el comportamiento global del cliente considerando todas sus operaciones con la entidad.

En ambos modelos (de scoring de operaciones de personas físicas o de rating de personas jurídicas) necesitamos cuantificar la probabilidad de incumplimiento (probability of default o PD) de las mismas. Esta tarea se realiza a través de la calibración del modelo que supone la asignación de una probabilidad de incumplimiento a las operaciones/clientes.

Ambos modelos se construyen tanto para la aprobación de operaciones como, a posteriori, para el seguimiento del perfil de riesgo de las operaciones/clientes. En este último caso se deberá tener en cuenta variables que incorporan información del comportamiento del cliente tomador del riesgo con la entidad tales como el saldo medio de las cuentas, recibos domiciliados, impagos, utilización del disponible, etc.

Adicionalmente, existen los modelos capaces de estimar, una vez se ha producido el incumplimiento, la pérdida producida, es decir, el montante total del préstamo que no se va a poder recuperar de la operación/cliente, término conocido como Severidad (loss given default o LGD) en la regulación bancaria.

Ahora bien, el paso previo a la modelización es conocer la filosofía del modelo de crédito entendida como la metodología elegida en la cuantificación de los principales parámetros de riesgo antes indicados (PD y LGD). Dicha filosofía debe contemplar los objetivos y usos que la entidad quiere dar a los resultados del modelo. Así pues, dependiendo de la filosofía del modelo seleccionado obtendremos, por ejemplo, ya bien probabilidades de incumplimiento sensibles a las variables macroeconómicas actuales y a sus previsiones para el próximo año que estimarán mejor el incumplimiento a un año vista, o probabilidades de incumplimiento más cercanas a la PD media de un ciclo económico completo, si consideramos una filosofía de modelo no afectada por los factores macroeconómicos del momento.

Si relacionamos dicha filosofía con las pérdidas esperadas e inesperadas que comentábamos al inicio, se podría contemplar que las estimaciones sensibles a los factores macroeconómicos estarían más cercanas a modelizar las pérdidas que espero obtener el próximo año, y los parámetros de riesgo obtenidos con información histórica de un ciclo completo que abarca periodos de bonaza y crisis económica formarían parte del modelo que diseñaría las pérdidas inesperadas de la entidad. Este ejemplo no es sino el de una entidad que ha utilizado un modelo de PI y a continuación le incorpora las variables macroeconómicas para conocer también la PE. En el caso contrario de que se inicie la modelización con el modelo de pérdida esperada es previsible se obtenga el modelo de pérdida inesperada a partir de un ajuste del primero, lo que podría dar lugar a un modelo de capital que incluya con bajo peso variables macroeconómicas, dando lugar a otros modelos de pérdidas coherentes y basados en una filosofía diferente.

Una vez decidida la filosofía del modelo con sus objetivos y usos claramente definidos, se comienza con la modelización. Ésta consistirá en la definición de la variable target a modelizar y la selección de los factores que permitan explicar dicha variable objetivo.

Elegidos los factores, la fase siguiente es la selección del modelo que mejor se adapte a las necesidades de la entidad financiera, lo que implica la elección de la técnica de modelización más adecuada. Existen diversas técnicas de modelización como la regresión logística, árboles de decisión, pasando por modelos más complejos como el machine learning o las redes neuronales. En cualquier caso, . Uso que ayudará a la mejora del modelo en base a la experiencia acumulada y a su ajuste a las tendencias actuales del mercado.

Es importante destacar que los modelos de riesgo de crédito son una simplificación de la realidad y que, por tanto, no están exentos de riesgos. Por ello, se abre un nuevo riesgo a gestionar por las instituciones financieras que es el riesgo de modelo, de manera que los mismos deben ser continuamente revisados y actualizados para garantizar su fiabilidad y precisión en la predicción del riesgo de crédito.

Una vez identificados los puntos más relevantes a considerar en la modelización del riesgo de crédito podemos concluir que son muchos los aspectos cruciales a considerar en la construcción de éste destacando la necesidad de una "coherencia" entre el objetivo del modelo, el uso que se quiere dar al mismo y la manera de integrarlo en la gestión acorde a las políticas existentes en la entidad. Para lograr esta coherencia es necesaria la implicación del usuario en la construcción, así como la realización de un seguimiento continuo del modelo que permita reducir el riesgo de modelo inherente del mismo.

Cristina Soto es consultora de Afi