Artículo - Riesgo Financiero Basado en Modelos de Calificación Difusa
Modelos de Riesgo
-
Upload
enrique-garcia -
Category
Documents
-
view
28 -
download
4
description
Transcript of 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
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.
Que es Basilea 2? (cont)
Pilar 1: Requerimiento mínimo de capital
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.
Que es Basilea 2? (cont)
Pilar 2: Proceso del Examen Supervisor
Que es Basilea 2? (cont)
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
ii) Metodología de Construcción
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
ii) Metodología de Construcción
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
ii) Metodología de Construcción
b) Ventanas de Observación y Desempeño
• 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
ii) Metodología de Construcción
b) Ventanas de Desempeño y Default
Modelos de Riesgo
ii) Metodología de Construcción
b) Ventanas de Observación y Desempeño
Modelos de Riesgo
ii) Metodología de Construcción
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
ii) Metodología de Construcción
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
ii) Metodología de Construcción
d) Selección Variables
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
ii) Metodología de Construcción
d) Selección Variables
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
ii) Metodología de Construcción
d) Selección Variables
c) Análisis de Características inicial:
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
ii) Metodología de Construcción
d) Selección Variables
c) Análisis de Características inicial:
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) Metodología de Construcción
d) Selección Variables
c) Análisis de Características inicial:
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
ii) Metodología de Construcción
d) Selección Variables
c) Análisis de Características inicial:
Modelos de Riesgo
ii) Metodología de Construcción
d) Selección Variables
c) Análisis de Características inicial:
iii) Tendencia Ilógica?
Modelos de Riesgo
ii) Metodología de Construcción
d) Selección Variables
c) Análisis de Características inicial:
iii) Tendencia Lógica?
Modelos de Riesgo
ii) Metodología de Construcción
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
ii) Metodología de Construcción
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
ii) Metodología de Construcción
f) Escalamiento
Modelos de Riesgo
ii) Metodología de Construcción
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
ii) Metodología de Construcción
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
ii) Metodología de Construcción
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
ii) Metodología de Construcción
g) Validación
Modelos de Riesgo
ii) Metodología de Construcción
g) Validación
iii) Calculo de Matrices de Confusión
Modelos de Riesgo
ii) Metodología de Construcción
h) Selección punto de corte
Modelos de Riesgo
ii) Metodología de Construcción
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
ii) Metodología de Construcción
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
ii) Metodología de Construcción
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
ii) Metodología de Construcción
i) Seguimiento Modelos
2. Indicadores Poblacionales:
i) Análisis de características
Modelos de Riesgo
ii) Metodología de Construcción
i) Seguimiento Modelos
2. Indicadores Poblacionales:
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
ii) Metodología de Construcción
i) Seguimiento Modelos
2. Indicadores Poblacionales:
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?