Professional Documents
Culture Documents
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) Metodologa de Construccin 5. Otras Aplicaciones
Que es riesgo?
La palabra riesgo proviene del latn risicare que significa atreverse. El concepto de riesgo est relacionado con la posibilidad de que ocurra un evento que se traduzca en prdidas 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 ms comunes y a los cuales hace referencia Basilea 2: 1. Riesgo de Crdito 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 contradas, haciendo que la otra parte del contrato incurra en una prdida. 2. Riesgo Financiero o de Mercado: Es la prdida 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 prdidas 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 legislacin y regulacin bancaria y son emitidos por el Comit de supervisin bancaria de Basilea.
2.- El propsito de Basilea II, es la creacin de un estndar internacional que sirva de referencia a los reguladores bancarios, con objeto de establecer los requerimientos de capital necesarios, para asegurar la proteccin de las entidades frente a los riesgos financieros y operativos.
Probabilidad de incumplimiento (PD): Mide la probabilidad que el prestatario incumpla el pago de su crdito durante un horizonte temporal determinado. Prdida en caso de incumplimiento (LGD): Calcula la proporcin de la exposicin que se perdera si se produjera el incumplimiento.
Modelos de Riesgo
i) Que es un Modelo de Score - Desafos de un modelos de Score
Decisiones automatizadas.
Beneficios / Limitaciones
Decisiones consistentes / Criterio uniforme Manejo del % aceptacin acorde a las necesidades del negocio Desempeo cuantificable Reacciona rpidamente 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 slo al segmento para el cual fue desarrollado Rigidez en la evaluacin, dado que no evala aspectos cualitativos del cliente
Demogrficas
Deudas Externas
Que es Score?
Un Score o Puntaje es una funcin matemtica compuesta por determinadas variables y est 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.
Malo
Regular
Bueno
Muy Buenos
Buenos Malos
B u e n o s
M a l o s
MODELO
150
250
350
450
550
650
150
250
350
450
550
650
Score
Mientras ms separadas estn las curvas, el conjunto de interseccin tender a cero. En un modelo ideal no se cruzan las curvas de buenos y malos.
61
61
Razn Chances (Odds)
3:1
Modelos de Riesgo
ii) Metodologa de Construccin
a) Definicin de Default Enfoque Basilea 2 Cliente cae en Default a los 90 das Enfoque Matriz de Transicin Se escoge un Default coherente a lo observado en la matriz de transicin
Modelos de Riesgo
Enfoque de Matriz de Transicin
Establecer un default de 90 das, se ajusta a la definicin del Sector Financiero. La matriz de transicin muestra la factibilidad de trabajar con un default de 90 das.
Modelos de Riesgo
ii) Metodologa de Construccin
b) Ventanas de Observacin y Desempeo La Ventana de Observacin corresponde al periodo de tiempo o nmero de meses los cuales posteriormente se seguirn para evaluar el desempeo
9 Cosechas
Ene/08 Feb/08 Jul/08 Sep/08 Ene/09 Feb/09 Ago/09 Sep/09
Modelos de Riesgo
ii) Metodologa de Construccin
b) Ventanas de Observacin y Desempeo
La Ventana de Desempeo corresponde al periodo por el que se monitorea la cuenta para asignarle un target (Bueno/Malo)
Ventana de Desempeo
Bueno/ Malo?
Modelos de Riesgo
ii) Metodologa de Construccin
b) Ventanas de Desempeo y Default
Modelos de Riesgo
ii) Metodologa de Construccin
b) Ventanas de Observacin y Desempeo
Modelos de Riesgo
ii) Metodologa de Construccin
c) Seleccin Muestra
Poblacin
80%
Desarrollo
Muestreo Aleatorio Simple (MAS) sin reposicin por mes Muestreo Estratificado por variables que indiquen comportamiento de pago homogneo por mes (region, antigedad cliente, etc). Estas variables suelen usarse para segmentar a los clientes
Modelos de Riesgo
ii) Metodologa de Construccin
d) Seleccin Variables
a) Exploracin preliminar de la Data: i) Estadsticas simple univariadas y multivariadas para cada variable ii) Proporcin de Missings, outliers y valores fuera de rango iii) Correccin Missings y outliers
Modelos de Riesgo
ii) Metodologa de Construccin
d) Seleccin Variables
b) Anlisis de Correlaciones: i) Calcular Correlacin 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 hiptesis), ya que pueden generar multicolinealidad (supuesto de metodologas paramtricas)
Modelos de Riesgo
ii) Metodologa de Construccin
d) Seleccin Variables
c) Anlisis de Caractersticas inicial: i) Determinar poder predictivo de cada caracterstica individualmente respecto al default (Bueno/Malo). ii) Excluir de la Data aquellas variables con poder predictivo dbil y con poco sentido lgico iii) Agrupar y rankear las variables de acuerdo a su poder predictivo
Modelos de Riesgo
ii) Metodologa de Construccin
d) Seleccin Variables
c) Anlisis de Caractersticas inicial: i) Se pueden usas tanto variables continuas o discretas, aunque se recomienda categorizar las variables continuas debido a: - Ms fcil tratar a outliers. - Ms fcil entender las relaciones lo que implica ganar conocimiento de la cartera. - Mayor control del desarrollo, ya que formando grupos se obtiene una scorecard ms entendible. - Permite al usuario entender el comportamiento del riesgo lo que puede ayudar en el desarrollo de mejores estrategias.
Modelos de Riesgo
ii) Metodologa de Construccin
d) Seleccin Variables
c) Anlisis de Caractersticas inicial: i) El poder predictivo de una caracterstica 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 caracterstica. - El poder predictivo de la caracterstica para esto se usa la medida Information Value (IV). - Consideraciones operacionales y de negocio.
Modelos de Riesgo
ii) Metodologa de Construccin
d) Seleccin Variables
c) Anlisis de Caractersticas inicial: ii) Definiciones
I.V < 0.02 predictivo : La variable no tiene poder
0.02< I.V < 0.1: La variable posee un poder predictivo dbil. 0.1 < I.V < 0.3 : La variable posee un poder predictivo medio. I.V>0.3 poder predictivo alto. : La variable tiene un
Odds WOE
Modelos de Riesgo
ii) Metodologa de Construccin
d) Seleccin Variables
c) Anlisis de Caractersticas inicial:
Modelos de Riesgo
ii) Metodologa de Construccin
d) Seleccin Variables
c) Anlisis de Caractersticas inicial: iii) Tendencia Ilgica?
Modelos de Riesgo
ii) Metodologa de Construccin
d) Seleccin Variables
c) Anlisis de Caractersticas inicial: iii) Tendencia Lgica?
Modelos de Riesgo
ii) Metodologa de Construccin
e) Metodologa
rbol de decisin Regresin Logstica Redes Neuronales Support Vector Machine (SVM) Poderes predictivos medianamente altos Alta Interpretabilidad de parmetros Altos poderes predictivos Robustos matemticamente Poca Interpretabilidad de parmetros
Modelos de Riesgo
ii) Metodologa de Construccin
f) Escalamiento Definicines 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 relacin de buenos/malos (p e.j odds 5:1 a 500 puntos y doblando la probabilidad cada 50 puntos)
Modelos de Riesgo
ii) Metodologa de Construccin
f) Escalamiento
Modelos de Riesgo
ii) Metodologa de Construccin
f) Escalamiento
Entonces
Por ejemplo, si se quiere escalar un modelo con una relacin 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) Metodologa de Construccin
g) Validacin i) El primer mtodo de validacin consiste en observar grficamente la distribucin de buenos y malos clientes en las muestras de desarrollo (80%) y validacin (20%).
Modelos de Riesgo
ii) Metodologa de Construccin
g) Validacin ii) El segundo mtodo consiste en comparar medidas estadsticas obtenidas en ambas muestras como el Indice Gini, ROC, K-S, Divergencia, etc.
Modelos de Riesgo
ii) Metodologa de Construccin
g) Validacin
Modelos de Riesgo
ii) Metodologa de Construccin
g) Validacin
iii) Calculo de Matrices de Confusin
Modelos de Riesgo
ii) Metodologa de Construccin
h) Seleccin punto de corte
Modelos de Riesgo
ii) Metodologa de Construccin
Enfoques de seleccin de punto de corte
Enfoque distribucin de clientes
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%
80% de Aprobados
Modelos de Riesgo
ii) Metodologa de Construccin
Enfoques de seleccin de punto de corte
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
Bad 0 3 3
Good 2 0 2
Total 2 3 5
Modelos de Riesgo
ii) Metodologa de Construccin
i) Seguimiento Modelos
Dos tipos de seguimientos:
Indicadores Estadsticos
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
Modelos de Riesgo
ii) Metodologa de Construccin
i) Seguimiento Modelos
2. Indicadores Poblacionales: i) Anlisis de caractersticas
Modelos de Riesgo
ii) Metodologa de Construccin
i) Seguimiento Modelos
2. Indicadores Poblacionales: ii) ndice de estabilidad del score
0.10:
No
hay 0.25:
Modelos de Riesgo
ii) Metodologa de Construccin
i) Seguimiento Modelos
2. Indicadores Poblacionales: iii) MPD (Mean Point Difference)
Otras aplicaciones
Aplicaciones: Modelos de Fraude
- Determinacin de clientes con mayor probabilidad de fraude lo que implica una perdida a la empresa. - Variables Demogrficas - Default (Fraude, No Fraude) - Permiten disminuir las perdidas generadas por esta situacin
Modelos de Fuga
- Determinacin de clientes con mayor probabilidad a irse de la empresa - Variables de comportamiento de pago histrico - Implica mayor proactividad, pronosticar con anticipacin - Default (Fuga, No Fuga) - Permiten generar distintas campaas de retencin
Otras aplicaciones
Aplicaciones:
Modelos
de Cobranzas
- Determinacin de clientes con mayor probabilidad de seguir avanzando en estado de morosidad. - Variables Demogrficas, comportamiento, cobranzas, externas - Default (Mejora/mantiene, Empeora) - Permiten optimizar campaas de cobranza
Modelo / Ciclo a la observacin Ciclo 0 Ciclo 1 Ciclo 2 Ciclo 3 Ciclo 4 Ciclo 5 Ciclo 6
Otras aplicaciones
Modelos de Cobranza
Observacin (Ciclo en mes t) Abril 07 (200704) Mayo 07 (200705) Junio 07 (200706) Julio 07 (200707) Agosto 07 (200708) Respuesta (Ciclo en mes t+1) Mayo 07 (200705) Junio 07 (200706) Julio 07 (200707) Agosto 07 (200708) Septiembre 07 (200709)
La metodologa utilizada es la regresin logstica politmica (modelo multinomial). La variable respuesta es categrica con respuesta ordinal.
Otras aplicaciones
Modelos de Provisiones
-Riesgo de crdito uno de los principales riesgos que enfrenta la industria bancaria. -Las prdidas originadas por la materializacin de este tipo de riesgo tienen efectos negativos sobre la rentabilidad. - Las provisiones por riesgo de crdito se constituyen, en teora, con el objeto de cubrir precisamente las prdidas esperadas originadas en la cartera de colocaciones.
Dos enfoques: 1.- Matriz Mora/Perfil Modelo Score
Perfil/Tramo 1 2 3 Al da 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 das 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 Perfil Perfil de de Riesgo Riesgo Tasa Tasa Provisin Provisin
Perfil Mora Datos Datos Cliente Cliente Matriz Matriz o o Modelo Modelo Provisin = Tasa x Deuda
Otras aplicaciones
Modelos Perfil
Cliente Cliente Matriz Matriz o o Modelo Modelo Perfil Perfil de de Riesgo Riesgo Tasa Tasa Provisin Provisin Provisin Provisin
X Crdito=$10.000
Perfil 5
2,72 %
$272
Modelos Mora/Perfil
Cliente Cliente Matriz Matriz o o Modelo Modelo Perfil Perfil de de Riesgo Riesgo Tramo Tramo de de Mora Mora Tasa Tasa Provisin Provisin Provisin Provisin
Z Crdito=$150.000 Saldo=M$125.000
Perfil 2
1-30 das
1,5 %
$1.875
PREGUNTAS?