Modelos de Riesgo - Analytics Cono Sur

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?