modelos de riesgo

Modelos de Riesgo

Buenos Aires, Septiembre 2010

1. Que es Riesgo?

2. Tipos de Riesgo?

3. Que es Basilea 2?

4. Modelos de Riesgo

i) Que es un score?

ii) Metodología de Construcción

5. Otras Aplicaciones

ESQUEMA PRESENTACION

Que es riesgo?

� La palabra riesgo proviene del latín “risicare” que significa “atreverse”.

� El concepto de riesgo está relacionado con la posibilidad de que ocurra un evento que se traduzca en pérdidas para los participantes en los mercados financieros, como pueden ser inversionistas, deudores o entidades financieras.

� El riesgo es producto de la incertidumbre que existe sobre el valor de los activos financieros.

Tipos de Riesgo

Tipos de Riesgo

Los tipos de riesgos más comunes y a los cuales hace referencia Basilea 2:

1. Riesgo de Crédito y Contraparte : Existe cuando se da la posibilidad de que una de las partes de un contrato financiero sea incapaz de cumplir con las obligaciones financieras contraídas, haciendo que la otra parte del contrato incurra en una pérdida.

2. Riesgo Financiero o de Mercado: Es la pérdida potencial en el valor de los activos financieros debido a movimientos adversos en los factores que determinan su precio.

3. Riesgo Operacional: Se refiere a las pérdidas potenciales resultantes de sistemas inadecuados, fallas administrativas, controles defectuosos, fraude, o error humano

Que es Basilea 2?

1.- Basilea II es el segundo de los Acuerdos de Basilea. Dichos acuerdos consisten en recomendaciones sobre la legislación y regulación bancaria y son emitidos por el Comité de supervisión bancaria de Basilea.

2.- El propósito de Basilea II, es la creación de un estándar internacional que sirva de referencia a los reguladores bancarios, con objeto de establecer los requerimientos de capital necesarios, para asegurar la protección de las entidades frente a los riesgos financieros y operativos.

Que es Basilea 2? (cont)Basilea I (1988) , establecía un requerimiento mínimo de capital basado únicamente en el riesgo de crédito. En términos simples, Basilea I establece que el capital mínimo debe ser al menos el 8% de los activos ponderados por su riesgo, tanto los registrados en el balance como la exposición de la entidad reflejada en cuentas fuera de balance.

El Nuevo enfoque propuesto en Basilea II se basa en los siguientes tres pilares:

• Requerimiento mínimo de capital.• Proceso de supervisión bancaria.• Disciplina de mercado.

La propuesta se orienta a la aplicación de modelos más sofisticados de medición del riesgo, para riesgo de crédito los bancos pueden elegir entre tres métodos alternativos proponiéndose incentivos para que avancen hacia la aplicación del método más avanzado.

Que es Basilea 2? (cont)

Pilar 1: Requerimiento mínimo de capital



Riesgo de Crédito: Los bancos podrán optar por dos tipos de metodologías diferentes: la estandarizada y la basada en calificaciones internas (IRB)

i) Método Estándar: Bajo el método estándar se establecen ponderaciones fijas según las categorías establecidas, a aplicar a las exposiciones, cuyo riesgo es evaluado por calificadoras de riesgo externas admitidos por el supervisor.ii) Métodos Basados en Calificaciones Internas (IRB): La principal diferencia entre el IRB y el método estándar radica en que las evaluaciones internas de los principales factores de riesgo estimadas por los bancos actúan como argumentos determinantes para el cálculo de la exigencia de capital mínimo.



Probabilidad de incumplimiento (PD): Mide la probabilidad que el prestatario incumpla el pago de su crédito durante un horizonte temporal determinado.Pérdida en caso de incumplimiento (LGD): Calcula la proporción de la exposición que se perdería si se produjera el incumplimiento.


Pilar 2: Proceso del Examen Supervisor


Pilar 3: Disciplina de Mercado

Modelos de Riesgo

i) Que es un Modelo de Score

- Desafíos de un modelos de Score

Decisiones

automatizadas.

Métodos objetivos

y aplicables.

Gran volumen

de clientes.

Maximizar la

calidad de las

decisiones.

• Decisiones consistentes / Criterio uniforme• Manejo del % aceptaci ón acorde a las necesidades del

negocio• Desempe ño cuantificable• Reacciona r ápidamente frente a cambios• Permite mayor conocimiento de las carteras• Pronostica con exactitud el nivel de riesgo futuro de las

carteras de clientes

• Se deterioran con el tiempo• Aplicable s ólo al segmento para el cual fue desarrollado• Rigidez en la evaluaci ón, dado que no eval úa aspectos

cualitativos del cliente

Beneficios / Limitaciones

Son modelos estadísticos que asignan un puntaje a los clientes de acuerdo a sus

características.

Demográficas Deudas Externas

Deudas Internas

Comportamiento Interno

Que son los modelos de Scoring?

Información Veraz

Puntaje = f (a Edad + b Sexo + ....…) = 530

Un Score o Puntaje es una función matemática compuesta por determinadas variables

y está asociado a la probabilidad de que el solicitante sea un Buen Cliente, es decir, a

mayor puntaje, mayor probabilidad de cumplimiento en sus compromisos crediticios.

Que es Score?

MuyMuy BuenosBuenosMaloMalo ? BuenoBuenoRegular

Distintos Perfiles de Clientes

Buenos

Malos

B

u

e

n

o

s

M

a

l

o

s

Su construcción está basada en el análisis estadístico de clientes Buenos (clientes con

baja probabilidad de caer en castigos) y Malos (clientes propensos al castigo), cuyas

características son determinantes en el proceso de análisis de discriminación.

Análisis del Score

MALOS

CLIE8TES

BUE8OS

CLIE8TESCARTERA DE

CLIE8TES

MODELO

Score150 250 350 450 550 650

8° Solicitudes

150 250 350 450 550 650

8° Solicitud

Las puntuaciones de las cuentas

malas son peores que las buenas.

Mientras más separadas estén las curvas, el conjunto de intersección tenderá a cero. En un modelo

“ideal” no se cruzan las curvas de buenos y malos.

Distribución del Puntaje

“Un modelo de puntuación es, a lo sumo, tan bueno como los datos

sobre los cuales de construyó”

“El futuro es como el pasado”

La gran hipótesis:

La realidad:

Modelos de Puntuación – Realidad

61

Modelos de Puntuación – Aplicación

61

Probabilidad (Bueno)

Razón Chances (Odds)

75%

3:1

Modelos de Puntuación – Interpretación


a) Definición de Default

Modelos de Riesgo

• Enfoque Basilea 2

Cliente cae en Default a los 90 días

• Enfoque Matriz de Transición

Se escoge un Default coherente a lo observado en la matriz de transición

La matriz de transición muestra la factibilidad de trabajar con un

default de 90 días.

Establecer un default de 90 días, se ajusta a la definición

del Sector Financiero.

Modelos de Riesgo

• Enfoque de Matriz de Transición

Modelos de Riesgo


b) Ventanas de Observación y Desempeño

• La Ventana de Observación corresponde al periodo de tiempo o número de meses los cuales posteriormente se seguirán para evaluar el desempeño

Ene/08 Sep/08Feb/08 Sep/09Jul/08 Ene/09 Feb/09 Ago/09

9 Cosechas

Modelos de Riesgo



• La Ventana de Desempeño corresponde al periodo por el que se monitorea la cuenta para asignarle un target (Bueno/Malo)

Ene’09

Nuevo Producto

Bueno/ Malo?

“Ventana de Desempeño”

Modelos de Riesgo


b) Ventanas de Desempeño y Default

Modelos de Riesgo



Modelos de Riesgo


c) Selección Muestra

• Número de clientes disponibles? N +∞

• Muestreo Aleatorio Simple (MAS) sin reposición por mes

• Muestreo Estratificado por variables que indiquen comportamiento de pago homogéneo por mes (region, antigüedad cliente, etc). Estas variables suelen usarse para segmentar a los clientes

100%

80%

20%

Población Desarrollo

Validación

Desarrollo

Validación

Desarrollo

Validación

Desarrollo

Validación

Desarrollo

Validación

Desarrollo

Validación

Desarrollo

Validación

Desarrollo

Validación

Desarrollo

Validación

Modelos de Riesgo


d) Selección Variables

a) Exploración preliminar de la Data:

i) Estadísticas simple univariadas y multivariadas para cada variable

ii) Proporción de Missings, outliers y valores fuera de rango

iii) Corrección Missings y outliers

Modelos de Riesgo



b) Análisis de Correlaciones:

i) Calcular Correlación entre variables independientes

ii) Tener en cuenta la naturaleza de la variable para dicho calculo

iii) Eliminar variables con altas correlaciones (de acuerdo a test de hipótesis), ya que pueden generar multicolinealidad (supuesto de metodologías paramétricas)

Modelos de Riesgo



c) Análisis de Características inicial:

i) Determinar poder predictivo de cada característica individualmente respecto al default (Bueno/Malo).

ii) Excluir de la Data aquellas variables con poder predictivo débil y con poco sentido lógico

iii) Agrupar y rankear las variables de acuerdo a su poder predictivo

Modelos de Riesgo




i) Se pueden usas tanto variables continuas o discretas, aunque se recomienda categorizar las variables continuas debido a:

- Más fácil tratar a outliers.

- Más fácil entender las relaciones lo que implica ganar conocimiento de la cartera.

- Mayor control del desarrollo, ya que formando grupos se obtiene una scorecard más entendible.

- Permite al usuario entender el comportamiento del riesgo lo que puede ayudar en el desarrollo de mejores estrategias.

Modelos de Riesgo




i) El poder predictivo de una característica se mide de acuerdo a 4 criterios:

- El poder predictivo de cada atributo, para esto se usa el peso de la evidencia (WOE).

- El rango y tendencia del WOE dentro de cada característica.

- El poder predictivo de la característica para esto se usa la medida Information Value (IV).

- Consideraciones operacionales y de negocio.

Modelos de Riesgo




ii) Definiciones

Odds

WOE

Information Value (IV)

I.V < 0.02 : La variable no tiene poder predictivo

0.02< I.V < 0.1: La variable posee un poder predictivo débil.

0.1 < I.V < 0.3 : La variable posee un poder predictivo medio.

I.V>0.3 : La variable tiene un poder predictivo alto.

Modelos de Riesgo




Modelos de Riesgo




iii) Tendencia Ilógica?

Modelos de Riesgo




iii) Tendencia Lógica?

Modelos de Riesgo


e) Metodología

• Árbol de decisión

• Regresión Logística

• Redes Neuronales

• Support Vector Machine (SVM)

• Altos poderes predictivos

• Robustos matemáticamente

• Poca Interpretabilidad de parámetros

• Poderes predictivos medianamente altos

• Alta Interpretabilidad de parámetros

Modelos de Riesgo


f) Escalamiento

Definiciónes Preeliminares:

i) Definir odds (bueno/malo) o probabilidad de caer en default (p e.j 5:1 o 0.05 probabilidad de caer en default).

ii) Definir amplitud score o score promedio (p e.j odds 5:1 a 500 puntos).

iii) Definir cada cuantos puntos espero doblar la relación de buenos/malos (p e.j odds 5:1 a 500 puntos y doblando la probabilidad cada 50 puntos)

Modelos de Riesgo


f) Escalamiento

Modelos de Riesgo


f) Escalamiento

Entonces

Por ejemplo, si se quiere escalar un modelo con una relación de 50:1 a 600 puntos y doblando el odds cada 20 puntos (pdo=20) el factor y el offset serian:

Modelos de Riesgo


g) Validacióni) El primer método de validación consiste en observar gráficamente la distribución de buenos y malos clientes en las muestras de desarrollo (80%) y validación (20%).

Modelos de Riesgo


g) Validación

ii) El segundo método consiste en comparar medidas estadísticas obtenidas en ambas muestras como el Indice Gini, ROC, K-S, Divergencia, etc.

Modelos de Riesgo


g) Validación

Modelos de Riesgo


g) Validación

iii) Calculo de Matrices de Confusión

Modelos de Riesgo


h) Selección punto de corte

Modelos de Riesgo


Enfoques de selección de punto de corte• Enfoque distribución de clientes

Punto de Corte % Buenos % Malos %Cobertura300 0,00% 100,00% 0,00%320 1,76% 100,00% 1,05%340 2,72% 100,00% 1,63%360 6,85% 100,00% 4,09%380 7,29% 100,00% 4,35%400 10,27% 100,00% 6,14%420 19,32% 100,00% 11,54%440 26,34% 100,00% 15,73%460 30,99% 100,00% 18,51%480 41,70% 99,87% 24,96%500 43,99% 99,87% 26,32%520 47,76% 99,87% 28,58%540 48,81% 99,87% 29,21%560 72,26% 98,44% 43,79%580 73,75% 98,05% 44,83%600 87,97% 94,01% 54,96%620 90,43% 91,54% 57,42%640 95,35% 85,94% 62,61%660 96,75% 80,34% 65,71%680 98,24% 73,96% 69,17%700 99,03% 64,97% 73,26%720 99,39% 55,86% 77,14%740 99,65% 50,91% 79,29%760 99,74% 41,54% 83,11%780 99,82% 30,08% 87,78%800 99,91% 22,79% 90,77%820 99,91% 16,15% 93,45%840 99,91% 10,81% 95,60%860 100,00% 7,94% 96,80%880 100,00% 5,86% 97,64%900 100,00% 0,00% 100,00%

TABLA DE PUNTO DE CORTE

80% de Aprobados

Modelos de Riesgo


Enfoques de selección de punto de corte• Enfoque Matriz de Costos

Punto de Corte % Buenos % Malos %Cobertura Costos Buenos Costos Malos Costo Total300 0,00% 100,00% 0,00% 2,00 0,00 2,00320 1,76% 100,00% 1,05% 1,96 0,00 1,96340 2,72% 100,00% 1,63% 1,95 0,00 1,95360 6,85% 100,00% 4,09% 1,86 0,00 1,86380 7,29% 100,00% 4,35% 1,85 0,00 1,85400 10,27% 100,00% 6,14% 1,79 0,00 1,79420 19,32% 100,00% 11,54% 1,61 0,00 1,61440 26,34% 100,00% 15,73% 1,47 0,00 1,47460 30,99% 100,00% 18,51% 1,38 0,00 1,38480 41,70% 99,87% 24,96% 1,17 0,00 1,17500 43,99% 99,87% 26,32% 1,12 0,00 1,12520 47,76% 99,87% 28,58% 1,04 0,00 1,05540 48,81% 99,87% 29,21% 1,02 0,00 1,03560 72,26% 98,44% 43,79% 0,55 0,05 0,60580 73,75% 98,05% 44,83% 0,53 0,06 0,58600 87,97% 94,01% 54,96% 0,24 0,18 0,42620 90,43% 91,54% 57,42% 0,19 0,25 0,45640 95,35% 85,94% 62,61% 0,09 0,42 0,51660 96,75% 80,34% 65,71% 0,06 0,59 0,65680 98,24% 73,96% 69,17% 0,04 0,78 0,82700 99,03% 64,97% 73,26% 0,02 1,05 1,07720 99,39% 55,86% 77,14% 0,01 1,32 1,34740 99,65% 50,91% 79,29% 0,01 1,47 1,48760 99,74% 41,54% 83,11% 0,01 1,75 1,76780 99,82% 30,08% 87,78% 0,00 2,10 2,10800 99,91% 22,79% 90,77% 0,00 2,32 2,32820 99,91% 16,15% 93,45% 0,00 2,52 2,52840 99,91% 10,81% 95,60% 0,00 2,68 2,68860 100,00% 7,94% 96,80% 0,00 2,76 2,76880 100,00% 5,86% 97,64% 0,00 2,82 2,82900 100,00% 0,00% 100,00% 0,00 3,00 3,00

COSTOSTABLA DE PUNTO DE CORTE

real\predicha Bad Good Total

Bad 0 2 2Good 3 0 3Total 3 2 5

Modelos de Riesgo


i) Seguimiento Modelos

Dos tipos de seguimientos:

• Indicadores Estadísticos

Indicadores Desarrollo IC low Desarrollo IC up Desarrollo ene-10 feb-10 mar-10 abr-10 may-10 jun-10 jul-10K-S 45,3 41,8 49,7 44,8 44,4 44,0 43,5 43,1 42,6 42,2ROC 81,4 76,1 87,2 80,6 79,8 79,0 78,2 77,4 76,6 75,9GINI 62,3 58,5 67,4 61,7 61,1 60,4 59,8 59,2 58,7 58,1

Modelos de Riesgo



2. Indicadores Poblacionales:

i) Análisis de características

Modelos de Riesgo




ii) Índice de estabilidad del score

P.S.I < 0.10: No hay cambios

0.10< P.S.I < 0.25: Pequeño cambio

P.S.I > 0.25 : Cambio en la población

Modelos de Riesgo




iii) MPD (Mean Point Difference)

-4 < MPD <4

Otras aplicaciones

Aplicaciones:

• Modelos de Fraude

- Determinación de clientes con mayor probabilidad de fraude lo que implica una perdida a la empresa.

- Variables Demográficas

- Default (Fraude, No Fraude)

- Permiten disminuir las perdidas generadas por esta situación

• Modelos de Fuga- Determinación de clientes con mayor probabilidad a irse de la empresa- Variables de comportamiento de pago histórico

- Implica mayor proactividad, pronosticar con anticipación

- Default (Fuga, No Fuga)

- Permiten generar distintas campañas de retención

Otras aplicaciones

Aplicaciones:

• Modelos de Cobranzas

- Determinación de clientes con mayor probabilidad de seguir avanzando en estado de morosidad.

- Variables Demográficas, comportamiento, cobranzas, externas

- Default (Mejora/mantiene, Empeora)

- Permiten optimizar campañas de cobranza

0 – 1 – 2 – 3Ciclo 2

0 – 1 – 2 – 3 – 4Ciclo 3

0 – 1 – 2 – 3 – 4 – 5Ciclo 4

0 – 1 – 2 – 3 – 4 – 5 – 6 Ciclo 5

0 – 1 – 2 – 3 – 4 – 5 – 6 – 7Ciclo 6

0 – 1 – 2Ciclo 1

0 – 1Ciclo 0

Respuestas posiblesModelo / Ciclo a la observación

0 – 1 – 2 – 3Ciclo 2

0 – 1 – 2 – 3 – 4Ciclo 3

0 – 1 – 2 – 3 – 4 – 5Ciclo 4

0 – 1 – 2 – 3 – 4 – 5 – 6 Ciclo 5

0 – 1 – 2 – 3 – 4 – 5 – 6 – 7Ciclo 6

0 – 1 – 2Ciclo 1

0 – 1Ciclo 0

Respuestas posiblesModelo / Ciclo a la observación

Otras aplicaciones

Observación (Ciclo en mes t)

Abril ’07 (200704)

Mayo ’07 (200705)

Junio ’07 (200706)

Julio ’07 (200707)

Agosto ’07 (200708) Septiembre ’07 (200709)

Mayo ’07 (200705)

Junio ’07 (200706)

Julio ’07 (200707)

Agosto ’07 (200708)

Respuesta (Ciclo en mes t+1)

• Modelos de Cobranza

La metodología utilizada es la regresión logística politómica (modelo

multinomial). La variable respuesta es categórica con respuesta ordinal.

Otras aplicaciones

• Modelos de Provisiones

-Riesgo de crédito uno de los principales riesgos que enfrenta la industria bancaria.

-Las pérdidas originadas por la materialización de este tipo de riesgo tienen efectos

negativos sobre la rentabilidad.

- Las provisiones por riesgo de crédito se constituyen, en teoría, con el objeto de

cubrir precisamente las pérdidas esperadas originadas en la cartera de colocaciones.

Dos enfoques:

1.- Matriz Mora/Perfil

Perfil/Tramo Al día 1-30 31-60 61-90 91-120 120-150 150 +1 0% 5% 12% 40% 60% 90% 100%2 0% 3% 9% 32% 50% 90% 100%3 0% 1% 6% 25% 40% 90% 100%

Modelo Score

- Es decir si un cliente tiene una deuda de 5000 pesos con un atraso de 95 días y el modelo de score le asigna un perfil 2 el cliente provisiona 2.500 pesos

Otras aplicaciones

• Modelos de Provisiones

2.- Perfil

• En este enfoque la morosidad es un input del modelo de score

• Todos los clientes provisionan

Perfil 1: 30.48%Perfil 2: 21.72%Perfil 3: 14.91%Perfil 4: 12.35%Perfil 5: 8.91%Perfil 6: 5.73%Perfil 7: 2.72%

Perfil 1: 31.347%Perfil 2: 21.225%Perfil 3: 6.058%

Perfil 1: 38.352%Perfil 2: 26.427%Perfil 3: 22.073%Perfil 4: 8.873%Perfil 5: 2.144%

Datos

Cliente

Datos

ClienteMatriz

o Modelo

Matriz

o Modelo

ClienteCliente Perfil de

Riesgo

Perfil de

RiesgoTasa

Provisión

Tasa

Provisión

• Esquema general de funcionamiento

Mora

Matriz Mora/Perfil

Mora

Perfil

Provisión = Tasa x Deuda

Otras aplicaciones

ClienteCliente Tasa

Provisión

Tasa

Provisión

• Modelos Perfil

•Modelos Mora/Perfil

ProvisiónProvisión

X Crédito=$10.000

Perfil 5 2,72 % $272

ClienteCliente Perfil de

Riesgo

Perfil de

RiesgoTasa

Provisión

Tasa

Provisión ProvisiónProvisión

Z

Crédito=$150.000

Saldo=M$125.000

Perfil 2 1,5 % $1.875

Tramo

de Mora

Tramo

de Mora

1-30 días

Perfil de

Riesgo

Perfil de

RiesgoMatriz

o Modelo

Matriz

o Modelo

Matriz

o Modelo

Matriz

o Modelo

Otras aplicaciones

PREGUNTAS?

modelos de riesgo

Documents