Las técnicas de desarrollo de modelos avanzados para el control y gestión de riesgos siempre han sido un elemento crítico en las entidades financieras, y con mayor énfasis durante las dos últimas décadas. Las entidades financieras utilizan métodos de cuantificación del riesgo en ámbitos como el cálculo del capital, la dotación de provisiones, la previsión y las pruebas de resistencia, la fijación de precios y la toma de decisiones.
La significativa mejora en el procesamiento de datos, las capacidades computacionales, la disponibilidad y oportunidad del dato entre otros, han dado lugar a una creciente tendencia del sector a utilizar técnicas más avanzadas en la identificación y cuantificación del riesgo. La tendencia ha sido más marcada en el ámbito de los modelos de toma de decisiones (no regulatorio).
Sin embargo, las recientes publicaciones sobre modelos regulatorios de la EBA (European Banking Authority) y la PRA (Prudential Risk Authority ) están desarrollando casos de uso de métodos avanzados. Una mayor atención a los métodos de Inteligencia Artificial (IA) y aprendizaje automático (ML) pone de relieve la necesidad de que la gestión del riesgo en la industria bancaria comprenda las capacidades de las técnicas avanzadas de modelización.
Dentro del riesgo de crédito, el papel de los modelos de ML es cada vez más importante en varias áreas. Algunos ejemplos son:
Tener la capacidad de procesar los datos con eficacia y ayudar a las instituciones a tomar decisiones mejor informadas en el momento oportuno representa algunas de las ventajas de las técnicas avanzadas de modelización.
En este artículo nos centramos en desarrollar modelos de toma de decisiones utilizando una serie de técnicas avanzadas de ML. Exploramos tres metodologías diferentes para medir el poder discriminatorio entre buenos y malos prestatarios utilizando un conjunto de datos de carteras de tarjetas de crédito. La hipótesis principal es que las técnicas avanzadas de modelización conducen a estimaciones más eficientes y a un mayor poder discriminatorio.
En la primera sección se examina la regulación aplicable. Las recientes publicaciones e iniciativas reguladoras reconocen la necesidad de abordar casos de uso de técnicas avanzadas de modelización en la gestión del riesgo bancario. Si nos centramos en los modelos de capital regulatorio, se observa una posición relativamente conservadora. La segunda sección ofrece las definiciones sobre la toma de decisiones y los principios de ML.
En la tercera sección, se aplican tres modelos con distintos niveles de complejidad al conjunto de datos de tarjetas de crédito. Se evalúa la capacidad de discriminar el estado de reembolso de los prestatarios entre buenos (performing) y malos (nonperforming). Los resultados del modelo confirman la hipótesis de que la aplicación de técnicas de ML más avanzadas mejora significativamente el poder discriminatorio del modelo, lo que conduce a una ordenación por rango más eficiente. La sección final presenta un análisis de los beneficios (pros y contras) de la utilización de técnicas de ML en este ámbito.
Exploramos tres metodologías para medir el poder discriminatorio entre buenos y malos prestatarios en datos de tarjetas de crédito.
