evento gestão do risco de crédito e a resolução 3721 as ... · período de recuperação...
TRANSCRIPT
Evento Gestão do Risco de Crédito e a Resolução 3721
As oportunidades em Analytics com Basiléia
22/03/2012
Julio Guedes
Experian Head of Analytics for Latin America
2
Agenda
Visão geral do Controle de Risco
Desafios na modelagem de LGD
Oportunidades criadas atravésde um approach avançado
Benchmarking
Stress Testing
Alguns cases e oportunidades
3
Visão geral do Controle do Risco
Mensurar de forma padronizada os riscos financeiros implícitos na atividade das
instituições financeiras
Estabelecer e construir benchmark de medidas de risco, possibilitando os bancos
centrais de cada país controlar e monitorar o capital exigido para cobrir potenciais
crises financeiras
Estruturar e condicionar as instituições
financeiras para construir e utilizar
modelos de precificação baseados e
alinhados ao risco da operação, e com
isto minimizando o risco de perdas
financeiras causadas por precificação e
alocação inadequada.
4
Abordagens que os bancos podem adotar na Basiléia
Básico Intermediário Avançado
“Standardized”
Foundation Internal
Ratings-Based (F-IRB)
Advanced Internal
Ratings-Based
Approach (A-IRB)
Os bancos podem utilizar
diretamente as agências
de Rating externas para
quantificar o risco
Bancos podem
desenvolver internamente
os modelos de PD,
podendo utilizar
informações de Bureau
Deve-se usar modelos
pré-definidos de LGD
Bancos desenvolvem
modelos internos de PD,
LGD e EAD, utilizando
dados de Bureau
Grandes diferenças nas
implementações por parte
dos bancos
5
Complexidade nem sempre significa melhoria
Dados
Diferentes fontes Processo manual
Infra-estrutura de dados existente
Automação parcial
Solução de dados centralizada
Processo totalmente integrado
Drivers de
Risco
Apenas comosugestão
Drivers de Riscolimitados
Segmentação típica e drivers de Risco
Níveis variados
Segmentação alinhadacom a gestão
Multiplos drivers de Risco
PD Médias históricas Árvores básicas
Modelos de Regressão Modelos complexos
LGD Médias históricas Modelos de Regressão Modelos de Regressão
Outros modelos maiscomplexos
EAD Médias históricas
A complexidade crescente de acordo com a abordagem
Modelos complexos
6
BASILEIA II
PD - Probabilidade de Default
Conceitos associados a PD (probabilidade de default)
Default
IF considera que contraparte não apresenta condições de honrar o contrato
Crédito Imobiliário em atraso de 180 dias
Demais operações que apresentam atraso superior a 90 dias.
Quando ocorrer renegociação ou repactuação da operação de crédito
Janela de previsão
Os modelos de PD ( Basiléia II) se propõem a fazer estimação para os
próximos 12 meses
Histórico de dados
Varejo: 5 anos
Atacado: 5 anos
Covariáveis Carteiras Performance Work out
Técnicasutilizadas
Regressão Logística
Arvores de decisão - CHAID
Regressão Linear com calibração
Calibração de rating externo ou score julgamental
7
BASILEIA II
EAD – Exposure at Default
Conceitos associados ao EAD
EAD Valor da exposição ou do saldo devedor do ativo de crédito no momento do Default
CCF
Para alguns produtos de crédito o saldo devedor no momento do default pode ser
maior do que no momento de contratação do produto. Esta medida representa o
fator de conversão de crédito, ou seja, o percentual do limite não utilizado que se
transformará em saldo devedor no momento do evento de default
Histórico de dados
Varejo: 5 anos
Atacado: 7 anos
(ciclo econômico)
Técnicasutilizadas
Regressão Logística
Arvores de decisão - CHAID
Regressão Linear com calibração
Covariáveis Carteiras Performance Work out
8
BASILEIA II
LGD - Loss Given Default
Conceitos associados ao LGD
LGD Valor financeiro que não será recuperado após o evento de default
Market LGD A diferença no valor de mercado dos ativos que entraram em default. Ex: Diferença
do preço de um título após default do preço no momento anterior ao default.
Histórico de dados
Varejo: 5 anos
Atacado: 7 anos
(ciclo econômico)
Técnicasutilizadas
Regressão Beta e Beta Inflada
Regressão Tobit, Gama e Gama Inflada
Dicotomização e Regressão logística
LGD workout Calculado através do valor
presente dos fluxos de
pagamento do contrato
após o evento de default.Default 1 2 3 4
Tempo
Valo r
EAD
Va
lor
pre
se
nte
=(Recuperação – Custos)
LGD
9
Agenda
Visão geral do Controle de Risco
Desafios na modelagem de LGD
Oportunidades criadas atravésde um approach avançado
Benchmarking
Stress Testing
Alguns cases e oportunidades
10
Desafios na Modelagem de LGD
Realizar Validação de Dados e
definir o espaço amostral do
desenvolvimento do modeloEta
pa
1 Definir a Perda efetiva e
derivar LGD real para cada
conta em default dentro da
amostraEta
pa
2
Definir a amostra de
desenvolvimento e a análise
de segmentaçãoEta
pa
3
Estimar LGD no nível de conta
/ segmento e realizar as
análises de Pool do LGDEta
pa
4
Eta
pa
sC
ha
ve
s
Limitação de dados, Estimação, Validação, …
Long-run average, downturn
adjustment, …E
tap
a6
Realizar a validação inicial
(estabilidade, performance,
calibração e concentração)Eta
pa
5
11
Limitação de dadosDisponibilidade e Integridade
Disponibilidade
• Histórico de 5 anos
• Fonte de dados que possam retroagir
• Poucos clientes/carteira com baixo risco(Low Default)
Integridade
► Definição de métricas
► Análise de Outliers e missing data (info com baixo preenchimento)
► Estabilidade dos atributos
Step 1
12
Componentes do LGD
• Pagamentos e Recuperações
• Custos Diretos e Indiretos
• NPV e taxa de desconto
• Curvas de Perda criadas para cada carteira
EAD
LGD% =EAD + NPV(custos) - NPV(recuperação)
Step 2
EAD
Amount
NPV
T 1 T 2 T 3 T 4
Período de Recuperação
Recuperação – CustosLoss
given
default
Default Time
13
Parâmetros de estimação do LGDPontos de observação
• Impactos da sazonalidade
• Considerações de robustez e estabilidade
• Atenção para as exclusões necessárias (contas que precisam ser excluidas)
Mudança do KS a partir do modelo construído em quatro
trimestres de observação versus o construído apenas com
dados do 1º tri
Periodo ∆ KS
Q1 0.9%
Q2 -2.5%
Q3 -3.4%
Q4 -3.0%
Overall -1.9%
Step 3
14
• Segmentação inicial definida pela estrutura de dados da Basiléia
• Modelos adicionais seriam necessários ?
Total number
of models = 7
Parâmetros de estimação do LGDSegmentação da Carteira
CarteiraVarejo
Step 3
Opções de metodologias de estimação do LGD
• Estimação no nível da carteira
• Modelo de Regressão
15
Estimação de LGDPool
• Score LGD e todas as variáveis relevantes
• Tomador do empréstimo
• Transação
• Inadimplência
• Diferenciação do LGD
• Homogeneidade
• Heterogeneidade
• Estabilidade
Step 4
16
Validação
Validações iniciais
• Validações do Modelo
• Integridade dos dados e estabilidade
• Discriminação
• Validação do Pool
• Análises de calibração
• Estabilidade
• Discriminação
• Homogeneidade
• Concentração no Pool
Steps 3-4
17
Long-run e Downturn
Step 6
Estimativa de longo prazo x Estimativa em períodos de baixa atividade econômica
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
LGD
Wo
rko
ut
Tempo
LGDLR: LGD de longo prazo
LGDLR = LGD médio ponderado
pela # defaults Ápice do LGD
Engloba maior tempo de crise
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
LGD
Wor
kout
Tempo
D
Wk
Recessão
- Média do LGD em tempos
de perdas elevadas
- Previsões baseadas em
premissas conservadoras
- Outros métodos similares
18
Agenda
Visão geral do Controle de Risco
Desafios na modelagem de LGD
Oportunidades criadas atravésde um approach avançado
Benchmarking
Stress Testing
Alguns cases e oportunidades
19
Fluxo de informação de medição e gestão de crédito a exposição a
outras funções da organização.
Atividades relacionadas aos objetivos do banco, desenvolvimento de
suas políticas e os planos para alcançá-las, e alocação de recursos
para implementar esses planos. Ex:
• avaliação e alocação de capital econômico
• estratégia de risco de crédito / apetite pelo risco de crédito
• aquisição, novas linhas de negócios / produtos, capacidade,...
Uso dos componentes de IRB
Estratégia e
Processo de
Planejamento
Relatório
20
Oportunidades criadas com a adoção do padrão avançado
1. Aquisição
• Modelos de Basiléia podem ser utilizados para avaliar o impacto financeiro no processo
decisório – Ponto de Corte, RAROC, ...
• Também pode ser utilizado na Precificação ajustada ao Risco visando maximizar a
rentabilidade.
• Otimização do processo de decisão baseada no lucro econômico.
2. Gestão de clientes
• Controle de gestão de limites e exposição da carteira.
• Assegurar controle – altas exposições não utilizadas em contas de baixo risco
• Programas de retenção de clientes, a fim de proteger os relacionamentos com os clientes
mais valiosos do Banco.
• Estratégias de preços para garantir retorno positivo sobre o capital econômico.
• Modelos de Provisões e projeções de fluxo de caixa
21
3. Cobrança
• Em cobrança, um modelo robusto de LGD pode ser utilizado para otimizar as
atividades.
• Cobranças no estágio inicial podem ser priorizadas por Perda Esperada.
• Focar mais recursos sobre os clientes com uma melhor probabilidade de
pagamento
• Acelerar os menos propensos a responder em atividades litigiosas
Oportunidades criadas com a adoção do padrão avançado
22
Agenda
Visão geral do Controle de Risco
Desafios na modelagem de LGD
Oportunidades criadas atravésde um approach avançado
Benchmarking
Stress Testing
Alguns cases e oportunidades
23
Tal atividade é prevista pelo acordo. As regras que a IF deverá obedecer para efetuar tal
benchmarking são as seguintes:
As Instituições financeiras podem associar as classificações internas de risco de crédito à
estrutura de classificação adotada por agência de classificação de risco (agências de
rating), comparando suas classificações internas às classificações externas de
contrapartes comuns.
A análise da agência de classificação de risco deve ser feita em relação ao tomador ou
contraparte, desconsiderando-se as informações tipicamente relacionadas à operação
realizada.
Benchmarking de Modelos
24
Pool data
Banco A Banco B
Banco C Banco D
Serasa Experian
Cliente
Tipo de pessoa
Segmento
Banco de origem
Modalidade de crédito
Saldo tomado
Tipo de garantia
Atraso atual
PD interna
LGD interna
Informações
Pool data para carteiras de crédito
25
Resultados do Pool data
Indicadores têm conceitos diferentes entre bancos
Serasa Experian fornece indicadores a partir dos dados analíticos:
Indicador de impacto macro econômico no crédito por banco
Qualidade de concessão
Desempenho de cobrança
Indicadores sob o mesmo conceito (default, LGD, KPI’s de qualidade de carteira)
Relatório comparativo de KPI de risco do banco com o mercado
Alerta de classificações de risco subestimadas em determinado banco
Expertise e Capacidade de processamento
Serasa Experian
26
Indicadores comparativos dos modelos internos
Cliente
Tipo de pessoa
Segmento
Banco de origem
Modalidade de crédito
Saldo tomado
Tipo de garantia
Atraso atual
PD interna
Informações Serasa Experian
Alinhamento de
critério de default
(Basel II compliant)
Calibragem dos
modelos e ajuste
para escala
mestre (G1...G6)
Compatibilização
das definições
de LGD
Cálculo do LGD
de forma
comparável0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 1.1 1.2 1.3 1.4 1.5
LGD
...
Banco A (Ratings de A1 a A6)
Banco B (Ratings de B1 a B9)
A1 A2 A3 A6 D
G1 G2 G3 G6 D
B1 B4 B6 B9 DB2 B3 B5
27
Agenda
Visão geral do Controle de Risco
Desafios na modelagem de LGD
Oportunidades criadas atravésde um approach avançado
Benchmarking
Stress Testing
Alguns cases e oportunidades
28
GLOBALIZAÇÃO
Relações entre países e
empresas mais inter relacionadas
Mudanças repentinas nas
conjunturas econômica e
financeira das empresas
RATING
Necessidade de avaliar a variação
sob diferentes cenários
Necessidade de projetar dados
financeiros
Necessidade de antever as tendências de performance das empresas ou consumidores
29
Atender a BASILÉIA II
Parágrafo 415 - Rating deve considerar habilidade do devedor honrar o
compromisso em condições econômicas adversas
Parágrafo 434 – Necessidade de Stress Test em cenários econômicos adversos
Atender regulações do BACEN
“A estrutura de gerenciamento do risco de crédito deve prever: (...); avaliação
das operações sujeitas a risco de crédito, que leve em conta as condições de
mercado, as perspectivas macroeconômicas, (...) ; realização de simulações de
condições extremas (testes de estresse), englobando ciclos econômicos, (...)”
art4o. , Resolução 3721
Ratings em cenários simulados
30
Qual será o Rating de uma empresa diante
uma nova instabilidade econômica?
A mudança do câmbio favorece
ou desfavorece sua atuação?
Que riscos oferece a partir de mudanças
de mercados correlatos?
Possibilidade de Ajuste da Probabilidade de Default (PD)
em cenários traçados mediante a utilização de técnicas estatísticas
Necessidade de antever as tendências de performance das empresas ou consumidores
31
Inserção das expectativas futuras sobre a atividade
econômica expressas pelas combinações de diferentes
variáveis macroeconômicas
Taxa de Desemprego (IBGE)
Indicador de Produção (IBGE)
Índice de Atividade Econômica (com e sem ajuste sazonal) (Bacen)
Índice de Confiança do Consumidor (Fecomercio)
Índice de Condições Econômicas Atuais (Fecomercio)
Índice de Expectativas Futuras (Fecomercio)
Concessão de Crédito (Bacen)
IPCA (IBGE)
Prazo das operações de crédito (PF/PJ/Total) (Bacen)
Rendimento Médio (IBGE)
Saldo de Crédito (PF/PJ/Total) (Bacen)
Selic (Bacen)
32
Probabilidades de default (PDs)
Até um passado recente o maior objetivo de modelos de classificação de
risco era ranquear clientes/proponentes pelo seu risco
Domínio de técnicas julgamentais na análise do risco de empresas
Pouca atenção era dada à estimação precisa de probabilidades de default
Estratégias simplistas de pontos de corte
Foco no processo de aceitação/rejeição de operações
33
Esta situação mudou:
Necessidade de estimativas de PD ou perda para fins regulatórios
Provisionamento e cálculo de Capital Econômico
Políticas de decisão com maior foco na rentabilidade de clientes
Métodos quantitativos ganharam espaço na classificação do risco de empresas
Estimativa de probabilidades de default deixou de ser um alvo
secundário dos modelos de classificação de risco
Estimativas de PDs
34
Modelos PD condicionais e não condicionais
Estão atrelados às condições de um
determinado cenário econômico
Produzem estimativas enviesadas de
PD se o cenário econômico se alterar
Maioria dos modelos atualmente em uso
em instituições financeiras e bureaus
são condicionais
Capturam as relações de risco médias ao
longo de diferentes cenários econômicos
Condicionais Não condicionais
35
Estimativa mais precisa da probabilidade de default
Possibilitar a execução de Stress Test de PDs em diferentes cenários
econômicos
Gera modelos mais robustos que necessitam de revisões menos
freqüentes frente às mudanças da economia
Pode aumentar o poder preditivo dos modelos
Explora as diferentes sensibilidades a fatores econômicos dos
clientes/proponentes
Ratings em cenários simulados
36
Agenda
Visão geral do Controle de Risco
Desafios na modelagem de LGD
Oportunidades criadas atravésde um approach avançado
Benchmarking
Stress Testing
Alguns cases e oportunidades
37
Benefícios operacionais
• Redução dos custos operacionais com a
automatização de mais de 80% das decisões
• Redução da inadimplência em 30% no primeiro ano
• Maior precisão e consistência das decisões com
estratégias de crédito centralizadas
• Melhor atendimento ao cliente com decisões mais
rápidas, reduzindo o processo manual e com gerentes
de negócios podendo se concentrar mais no
atendimento ao cliente ao invés de avaliação.
O cliente
• Líder no país com mais de 10 milhões de clientes
• Market share de 20%
1o Case – IRB para uma carteira de PME
O desafio do negócio
• Estar em conformidade com a regulamentação
• Rever e melhorar o processo de tecnologia e
metodologia para avaliação de risco de crédito
38
Benefícios operacionais
• Infra-estrutura de dados comum em todos os
países
• Definição de um roadmap com ações faseadas para
a implementação completa do sistema de BII
• Aprimoramento dos instrumentos de avaliação de
risco com o desenvolvimento de originação e modelos
de gerenciamento de conta de PD
• Abordagens unificadas em áreas como processos
operacionais e gestão de riscos em cada um dos
países
• Novas ferramentas utilizadas também para cross-sell
e up-sell, visando aumentar o tamanho da carteira
O cliente• Um dos maiores grupos bancários da Europa, com operações em 16 países
• Mais de 12 milhões de clientes e três mil agências
• Rápida expansão na região ainda em curso
2o Case – Banco de Varejo
O desafio do negócio
• Adotação da abordagem IRB de forma consistente em toda a rede
• Infra-estrutura limitada e diversificada nos países
• Permitir um crescimento rentável e sustentável
• Construir uma cultura de gestão de risco única
39
Nossos padrões de controle e monitoramento
Documentação técnica
•Histórico da classificação de risco dos tomadores e garantidores, com possibilidade de obter classificação retroativa em caso de alteração de modelo
Acompanhamento permanente
Transparência
•Melhoria contínua das bases – Consultas, Negativos (SPC) e Cadastrais (idade, escolaridade, profissão)
•Compartilhamento dos impactos nos modelos
Agilidade no atendimento
•100 milhões de CPF/escores calculados em um dia
•Rápido desenvolvimento de scores
•Manipulação de grande volume de dados
Padrões Basiléia
e Resolução 3721
40
BOOKS DE VARIÁVEIS
Criação de variáveis
Expertise global da Experian em usar informações nos modelos e
decisões estratégicas
Implementação dos programas em ambiente de produção
Desenvolvimento de um conjunto de
variáveis que podem ser usadas nos modelos
e em decisões estratégicas
41
CONSULTORIA ANALYTICS & DATA INTELLIGENCE
O uso da expertise local e mundial da
Experian para agregar valor ao
processo de Analytics e Data
Intelligence para nosso clientes
Desenvolvimento de modelos
Transferência de Know-how
Treinamento e workshop
Data Review
Analytics Review
Validação de modelos
42
Considerações finais
O foco não pode ser em apenas cumprir as exigências legais, mas em fazer deste
processo o melhor para maximizar os retornos financeiros das carteiras.
Para tanto, ter Analytics como grande aliado na busca do estado da arte da
mensuração do Risco de Crédito, será um diferencial, aumentando a Precisão e a
Previsibilidade...
... e informações adicionais serão cada vez mais necessárias.