Modelos de Riesgo - Analytics Cono Sur
Transcripción
Modelos de Riesgo - Analytics Cono Sur
Buenos Aires, Septiembre 2010 Modelos de Riesgo ESQUEMA PRESENTACION 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 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 Gran volumen de clientes. Decisiones automatizadas. Métodos objetivos y aplicables. Maximizar la calidad de las decisiones. Beneficios / Limitaciones • • • • • • • • • Decisiones consistentes / Criterio uniforme Manejo del % aceptación acorde a las necesidades del negocio Desempeño cuantificable Reacciona rápidamente 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 sólo al segmento para el cual fue desarrollado Rigidez en la evaluación, dado que no evalúa aspectos cualitativos del cliente Que son los modelos de Scoring? Son modelos estadísticos que asignan un puntaje a los clientes de acuerdo a sus características. Demográficas Deudas Externas Información Veraz Comportamiento Interno Deudas Internas Que es Score? 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. Puntaje = f (a Edad + b Sexo + ....…) = 530 Distintos Perfiles de Clientes Malo Regular ? Bueno Muy Buenos Análisis del Score 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. Buenos Malos B u e n o s M a l o s Distribución del Puntaje 8° Solicitud Las puntuaciones de las cuentas malas son peores que las buenas. CARTERA DE CLIE8TES BUE8OS CLIE8TES 8° Solicitudes MODELO MALOS CLIE8TES 150 250 350 450 550 650 150 250 350 450 550 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. 650 Score Modelos de Puntuación – Realidad La gran hipótesis: “El futuro es como el pasado” La realidad: “Un modelo de puntuación es, a lo sumo, tan bueno como los datos sobre los cuales de construyó” Modelos de Puntuación – Aplicación 61 Modelos de Puntuación – Interpretación Probabilidad (Bueno) 75% Razón Chances (Odds) 3:1 61 Modelos de Riesgo ii) Metodología de Construcción a) Definición de Default • 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 Modelos de Riesgo • Enfoque de Matriz de Transición Establecer un default de 90 días, se ajusta a la definición del Sector Financiero. La matriz de transición muestra la factibilidad de trabajar con un default de 90 días. 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 9 Cosechas Ene/08 Feb/08 Jul/08 Sep/08 Ene/09 Feb/09 Ago/09 Sep/09 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) “Ventana de Desempeño” Ene’09 Nuevo Producto Bueno/ Malo? 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 Población 80% Desarrollo 20% Validación 100% • 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 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 predictivo : La variable no tiene poder 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 poder predictivo alto. : La variable tiene un 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 • Poderes predictivos medianamente altos • Regresión Logística • Alta Interpretabilidad de parámetros • Redes Neuronales • Altos poderes predictivos • Support Vector Machine (SVM) • Robustos matemáticamente • Poca 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) Validación i) 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 80% de Aprobados TABLA DE PUNTO DE CORTE Punto de Corte % Buenos % Malos %Cobertura 300 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% Modelos de Riesgo ii) Metodología de Construcción Enfoques de selección de punto de corte real\predicha Bad Good Total Bad Good 0 3 3 Total 2 0 2 • Enfoque Matriz de Costos TABLA DE PUNTO DE CORTE COSTOS Punto de Corte % Buenos % Malos %Cobertura Costos Buenos Costos Malos Costo Total 300 0,00% 100,00% 0,00% 2,00 0,00 2,00 320 1,76% 100,00% 1,05% 1,96 0,00 1,96 340 2,72% 100,00% 1,63% 1,95 0,00 1,95 360 6,85% 100,00% 4,09% 1,86 0,00 1,86 380 7,29% 100,00% 4,35% 1,85 0,00 1,85 400 10,27% 100,00% 6,14% 1,79 0,00 1,79 420 19,32% 100,00% 11,54% 1,61 0,00 1,61 440 26,34% 100,00% 15,73% 1,47 0,00 1,47 460 30,99% 100,00% 18,51% 1,38 0,00 1,38 480 41,70% 99,87% 24,96% 1,17 0,00 1,17 500 43,99% 99,87% 26,32% 1,12 0,00 1,12 520 47,76% 99,87% 28,58% 1,04 0,00 1,05 540 48,81% 99,87% 29,21% 1,02 0,00 1,03 560 72,26% 98,44% 43,79% 0,55 0,05 0,60 580 73,75% 98,05% 44,83% 0,53 0,06 0,58 600 87,97% 94,01% 54,96% 0,24 0,18 0,42 620 90,43% 91,54% 57,42% 0,19 0,25 0,45 640 95,35% 85,94% 62,61% 0,09 0,42 0,51 660 96,75% 80,34% 65,71% 0,06 0,59 0,65 680 98,24% 73,96% 69,17% 0,04 0,78 0,82 700 99,03% 64,97% 73,26% 0,02 1,05 1,07 720 99,39% 55,86% 77,14% 0,01 1,32 1,34 740 99,65% 50,91% 79,29% 0,01 1,47 1,48 760 99,74% 41,54% 83,11% 0,01 1,75 1,76 780 99,82% 30,08% 87,78% 0,00 2,10 2,10 800 99,91% 22,79% 90,77% 0,00 2,32 2,32 820 99,91% 16,15% 93,45% 0,00 2,52 2,52 840 99,91% 10,81% 95,60% 0,00 2,68 2,68 860 100,00% 7,94% 96,80% 0,00 2,76 2,76 880 100,00% 5,86% 97,64% 0,00 2,82 2,82 900 100,00% 0,00% 100,00% 0,00 3,00 3,00 2 3 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 K-S 45,3 41,8 49,7 ROC 81,4 76,1 87,2 GINI 62,3 58,5 67,4 ene-10 44,8 80,6 61,7 feb-10 44,4 79,8 61,1 mar-10 44,0 79,0 60,4 abr-10 43,5 78,2 59,8 may-10 43,1 77,4 59,2 jun-10 42,6 76,6 58,7 jul-10 42,2 75,9 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 < cambios 0.10: No 0.10< P.S.I < Pequeño cambio hay 0.25: 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 Modelo / Ciclo a la observación Respuestas posibles Ciclo 0 0–1 Ciclo 1 0–1–2 Ciclo 2 0–1–2–3 Ciclo 3 0–1–2–3–4 Ciclo 4 0–1–2–3–4–5 Ciclo 5 0–1–2–3–4–5–6 Ciclo 6 0–1–2–3–4–5–6–7 Otras aplicaciones • Modelos de Cobranza Observación (Ciclo en mes t) Respuesta (Ciclo en mes t+1) Abril ’07 (200704) Mayo ’07 (200705) Mayo ’07 (200705) Junio ’07 (200706) Junio ’07 (200706) Julio ’07 (200707) Julio ’07 (200707) Agosto ’07 (200708) Agosto ’07 (200708) Septiembre ’07 (200709) 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 Modelo Score Perfil/Tramo 1 2 3 Al día 0% 0% 0% 1-30 5% 3% 1% 31-60 12% 9% 6% 61-90 40% 32% 25% 91-120 60% 50% 40% 120-150 90% 90% 90% 150 + 100% 100% 100% - 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: Perfil 2: Perfil 3: Perfil 4: Perfil 5: Perfil 6: Perfil 7: 30.48% 21.72% 14.91% 12.35% 8.91% 5.73% 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% Otras aplicaciones • Esquema general de funcionamiento Matriz Mora/Perfil Mora Cliente Cliente Tasa Tasa Provisión Provisión Perfil Perfil de de Riesgo Riesgo Perfil Mora Datos Datos Cliente Cliente Matriz Matriz oo Modelo Modelo Provisión = Tasa x Deuda Otras aplicaciones • Modelos Perfil Cliente Cliente Matriz Matriz oo Modelo Modelo Perfil Perfil de de Riesgo Riesgo X Crédito=$10.000 Tasa Tasa Provisión Provisión Perfil 5 2,72 % Provisión Provisión $272 •Modelos Mora/Perfil Cliente Cliente Z Crédito=$150.000 Saldo=M$125.000 Matriz Matriz oo Modelo Modelo Perfil Perfil de de Riesgo Riesgo Tramo Tramo de de Mora Mora Perfil 2 1-30 días Tasa Tasa Provisión Provisión 1,5 % Provisión Provisión $1.875 PREGUNTAS?