Modelos, Gestão de Risco e Inteligência de Crédito

No mundo corporativo, modelos possuem um longo histórico de uso para suporte em termos de tomada de decisões importantes no negócio, por serem ferramentas flexíveis e que podem apresentar um elevado grau de precisão em resultados para gestores e analistas em diversas áreas. Atualmente, a modelagem preditiva, aprendizado de máquina e métodos de ciência de dados estão no centro do gerenciamento de risco de crédito e tendem a ser usados intensamente nas mais diversas formas e desenhos de estrutura nas instituições financeiras e empresas, no que diz respeito à análise de risco quantitativa.

Dentre à grande variedade de modelos, existem os modelos de Credit Scoring (Scorecards). Em 1956, a Fair & Isaac Company (FICO) foi pioneira no desenvolvimento desta classe de modelos – o FICO® Score – para gerenciar o risco de crédito. O FICO® Score, uma pontuação genérica, foi projetado para classificar o risco do cliente potencial ou do cliente com base nas informações em seu arquivo de crédito no bureau de crédito ou agências de relatórios de crédito como Experian, Equifax ou TransUnion (nos EUA).

Embora existam várias classes de modelos de pontuações de risco destinadas às mais diversas finalidades, há inúmeros fatores que ainda impulsionam e, cada vez mais, o desenvolvimento de modelos de pontuações de risco internas. No Brasil, na década passada, certamente, um dos maiores destes incentivos foi o estabelecimento de normas do BACEN que remetem ao conceito do segundo acordo de Basileia. Recentemente, as novas resoluções CMN nº 4.966/21, BCB nº 309/23 e BCB nº 219/22 (as quais representam uma convergência parcial ao contexto da norma internacional IFRS9), as instituições financeiras em território nacional ganharam um novo incentivo para o desenvolvimento de seus próprios modelos de crédito.

A resolução CMN nº 4.966/21 requer, dentre outros temas, que as instituições mensurem suas provisões para créditos de liquidação duvidosa com base em conceito de perda esperada. Ou seja, no caso da opção pela abordagem completa, trata-se de modelagem de risco que necessariamente exige algum método de mensuração dos parâmetros da PD¹ , EAD² LGD³ , além do próprio modelo de perda esperada (ECL)⁴ .

Contudo, o leitor pode estar questionando: “O que isso tem a ver com Credit Scoring? Como estas coisas se relacionam? Não seriam estes modelos para finalidades distintas e, portanto, independentes?” Para responder estas perguntas perfeitamente legítimas, vamos tecer algumas considerações a respeito dos modelos de Credit Scoring.

Como extrair o máximo do potencial de integração de modelos? Credit Scoring, Risk Rating e Expected Credit Loss

Em primeiro lugar, modelos Scorecard são úteis para tornar todo o processo de concessão de crédito, análise e gestão de risco de crédito mais eficientes, sustentáveis e transparentes, ou seja, são úteis no contexto das resoluções acima.

Especificamente, as informações obtidas por um modelo Scorecard interno bem calibrado e corretamente implementado – diga-se, apropriadamente ajustado à instituição e às necessidades do negócio – podem revelar valiosas informações referentes ao desempenho e tendências do comportamento dos clientes no tempo, as quais seriam muito difíceis de se obter sem um modelo interno. Dadas estas condições, esta classe de modelos empiricamente tem-se demonstrado em diversas instituições (financeiras ou não) como um mecanismo eficiente para análise dos dados internos. Ou seja, modelos que ainda permanecem como uma poderosa ferramenta para solução das necessidades do negócio, avaliação da performance da carteira, e outros objetivos não menos importantes para gestão do portfólio dentre os quais está a meta da correta mensuração de riscos sob a égide das novas resoluções CMN nº 4.966/21, BCB nº 309/23 e BCB nº 219/22.

Embora algumas instituições optem por desenvolver separadamente seus modelos de Perda Esperada, independentes de um Credit Scoring / Risk Rating, tanto na literatura especializada quanto pela experiência prática, a conexão de ambos os modelos resulta em potenciais grandes fontes de insights de negócio os quais incrementam sobremaneira a qualidade de gestão de risco. Contudo, como isto se dá na prática?

Modelos e Inteligência de Crédito

Isto se dá na medida em que seja possível realizar um “fine tuning” na avaliação de grupos de clientes ou eventualmente, caso a caso, no resultado final da provisão estimada – pela conexão direta ou indireta dos modelos de (1) Risk Rating aos (2) modelos de provisão no contexto IFRS9. Os modelos de Risk Rating são aqueles derivados ou que têm como base os modelos de Credit Scoring. Como exemplo, pode-se conceber tão simplesmente o mapeamento das faixas de Score para escalas e réguas de rating. Uma vez isto efetuado (e implementado em produção), é possível associar (1) à (2), ou seja, estabelecer uma integração dos modelos em termos da classificação de risco de uma determinada carteira com a provisão associada.

Quais seriam as consequências práticas desse processo? Imagine o leitor a imensa variedade de visões avançadas de gestão e monitoramento de carteira que é possível obter ao adotar a abordagem da modelagem completa (CMN nº 4.966/21 e BCB nº 219/22) neste contexto (integração de modelos): pode-se realizar o mapeamento direto dos clientes com suas respectivas probabilidades de default (PDs), as quais constituem um dos parâmetros para cálculo da perda esperada. Uma vez que cada cliente possua um rating (determinado pelo modelo de Credit Scoring / Risk Rating), necessariamente deverá ter uma PD associada, a qual é um dos determinantes da provisão proveniente do resultado do modelo ECL (Expected Credit Loss). Logo, é perfeitamente plausível realizar a “engenharia reversa do processo”, isto é: uma vez obtida a provisão de determinado período, mapeia-se a distribuição de clientes associados à parcela de interesse da ECL e, desta forma, tem-se uma ferramenta para inferir os mais diversos diagnósticos, como por exemplo:

• Qual segmento da carteira responsável pelo acréscimo ou decréscimo da provisão de determinado período?
• Quais foram os clientes que mais contribuíram para esta variação?
• A causa da variação deveu-se à flutuação na exposição (EAD) ou em alguma alteração na composição de garantias ou no valor das garantias (LGD) associadas à uma determinada concessão?
• Qual a concentração de clientes ou distribuição da carteira em termos de provisão segmentada por estágios?
• Se a causa de um eventual aumento da provisão estiver vinculado à uma deteriora da qualidade de crédito na carteira, isto deve-se refletir em PDs maiores que podem ser ou decorrentes de downgrades ou decorrentes de piora nas perspectivas de cenário (macroeconômico) futuro da carteira – no caso em função da implementação das PDs Forward Looking.
• Dado um conjunto de clientes; e, se a variação da provisão está relacionada à downgrades, quais seriam as variáveis / ratios do modelo de Credit Scoring destes clientes que mais influenciaram na ECL? Por exemplo, é possível nas carteiras de atacado, até estabelecer o vínculo com a performance do balanço da empresa com a provisão, uma vez que em geral, variáveis de balanço (ou ratios) estão correntemente presentes nos modelos de Risk Rating. Empiricamente, este é um fator muito relevante para explicar flutuações na provisão.
• Neste caso acima, em simulações de Stress Testing, pode-se estressar a carteira realizando choques tanto nos ratios dos balanços quanto nos cenários macroeconômicos para se obter o tamanho da deteriora da carteira e o consequente impacto em provisionamento.
• Qual o impacto dos overrides⁵ no modelo Risk Rating para a provisão final? Estariam estes overrides corretos ou podem estar distorcendo a mensuração correta do risco?

Nota-se, portanto, a ampla variedade de possibilidades de monitoramento, simulações, análises de performance do portfólio, enfim, todo um vasto espectro de visões que a integração bem realizada de modelos podem proporcionar – não apenas em uma melhor gestão de riscos, mas também em termos de conhecimento muito mais profundo da sua própria carteira, em suma, do seu próprio modelo de negócio.

Fontes:
Resolução CMN n° 4.966, de 25 de novembro de 2021
Resolução BCB n° 219, de 30 de março de 2022
Resolução BCB nº 309, de 28 de março de 2023

¹ Probabilidade de Default
² Exposure at Default ou Exposição no momento do inadimplemento
³ Loss Given Default ou Perda dada a inadimplência
⁴ Expected Credit Loss
⁵ Overrides são um termo comum e importante em Modelagem Aplicada, uma vez que os modelos já estejam implementados em produção. Referem-se a uma decisão, automática ou manual tomada pelo usuário do modelo (neste caso, efetuada pela gestão da instituição ou pelo analista responsável) na qual alguns dos resultados finais dados pelo modelo são substituídos por uma análise julgamental de experts. No caso mais geral, em Credit Scoring é comum a tolerância de uma porcentagem da carteira que sofra overrides de Ratings. Os overrides, assim como regras de políticas, são uma estratégia corrente e prudente das instituições para correta gestão de risco, desde que estes overrides estejam bem justificados e usados com parcimônia para evitar riscos de viés do analista / instituição, os quais podem distorcer a adequada mensuração do risco. A regra geral para o uso desta estratégia é haver um consenso que em determinados casos, o modelo em questão não possui toda a informação necessária para prover o resultado mais preciso. Contudo, urge observar no contexto acima, que estes overrides (downgrades ou upgrades de Ratings) alteram as PDs associadas e, portanto, têm impacto em mudança da perda esperada final, logo, na provisão total. Por esta razão, uma gestão de risco experiente deve ser capaz de discernir um bom equilíbrio entre o risco de modelo e o risco de viés da análise julgamental dada pelos overrides.