Seguimiento del modelo interno de riesgo

G r o u p

Seguimiento del Modelo Interno de Riesgos

G r o u p

© AIS© AIS

Andreu MiróDirector Área de [email protected] Santo Domingo

14 de Septiembre de 2011

G r o u pAgenda

� Introducción

� Resumen de objetivos

� Modelo de otorgamiento

© AIS© AIS


� Seguimiento de cartera

� Modelo de seguimiento

G r o u p

Creación de la unidad de control de riesgo de crédito: Responsable del diseño o selección de los sistemas de calificación, así como su puesta en práctica, supervisión y funcionamiento. Elaborará periódicamente informes sobre los resultados de los sistemas de calificación.

Las mejores prácticas internacionales de gestión del riesgo

ylas transposiciones nacionales del Acuerdo de Capital de

Introducción

Gestión de la cartera crediticia

© AIS© AIS

Entre sus funciones más concretas está la derevisar de manera continua y modificar losmodelos utilizados en los procesos de calificación.

También la auditoría interna tiene un papelimportante en el control del riesgo, que deberáexaminar periódicamente los sistemas decalificación de la entidad de crédito y sufuncionamiento.

Acuerdo de Capital de Basilea en nuevas regulaciones

instan a las entidades a

mejorar la gestión de los riesgos

G r o u p

Introducción

Regulación

La nueva regulación de recursos propios establece unos requisitosmínimos muy estrictos para poder acceder a la utilización de losenfoques avanzados para el riesgo de crédito. Como aspectos críticoscabe destacar:

© AIS© AIS

- Implantación y uso efectivo de los sistemas avanzados: Test de uso .

- Documentación exhaustiva y precisa.

- Bases de datos completas, coherentes y “trazables”.

- Realizar validación interna y seguimiento de los modelos de maneraindependiente de quien usa los modelos, los desarrolla o adquiere.

- Evaluación de suficiencia de capital con el cálculo del capital económico ysu stress testing .

G r o u pAgenda

� Introducción



© AIS© AIS




G r o u p

Objetivos de los modelos

Modelo de otorgamiento

1. Discriminar entre clientes morosos y clientes no morosos

Modelo de seguimiento

1. Cuantificar la PE y sus componentes (PD/ LGD /EAD) mediante su calibración

© AIS© AIS

2. Fijar los puntos de corte por cartera y subcartera de forma que tengamos el volumen de negocio y de riesgo deseado

3. Emitir un dictamen que discrimine entre clientes potencialmente morosos y no morosos, a partir de los elementos de otorgamiento: algoritmo, capacidad de pago, filtros, capacidad de pago secundaria

G r o u p

Objetivos del seguimiento (I)


Objetivos :Poder de predicción1. Medir el grado de discriminación del

modelo2. Detectar la variación de poder de

Sistema de otorgamiento6. Análisis de overrides producidos por el

analista7. Análisis de morosidad en overrides

producidos por el analista

© AIS© AIS

2. Detectar la variación de poder depredicción del modelo en el tiempo

3. Detectar la variación de poder depredicción de las variables y suscategorías

Estabilidad de población4. Revisar la distribución de puntuaciones del

scoring/rating5. Revisar la distribución de las variables del

algoritmo

Indicadores :- Índice de Gini, Mora, Índice de Overrides

Relativo (IOR), Diferencial Absoluto delRiesgo (DAR), Odds Ratio (OR), Test K-S,Cramer’s V i Chi-square.

G r o u p

Objetivos del seguimiento (II)

Seguimiento de cartera

Objetivos :

1. Medir los niveles de morosidad de losgrupos de riesgo a lo largo del tiempo


Objetivos :

1. Backtesting de los ‘outputs’ intermedios(PD, EAD, LGD) y finales (capital,RAROC).

© AIS© AIS

Indicadores :- Vintage analysis- Roll Rates

RAROC).

Indicadores :- Test chi-square y test binomial- Matriz de transición- Tests de Mann-Whitney U, Kruskal-Wallis

H y de Wilcoxon

G r o u pAgenda

� Introducción



- Poder predictivo

© AIS© AIS

- Poder predictivo

- Estabilidad de población

- Sistema de otorgamiento



G r o u p

(1) Medir el grado de discriminación del modelo

� Un estadístico que permite medir el grado de concentración de perfilesmorosos en los grupos de mayor riesgo gracias al modelo es el coeficientede Gini (alternativamente Powerstat, K-S, Entropia).

� Junto con el coeficiente de Gini, se utiliza la Curva de Lorenz , que es larepresentación gráfica del coeficiente de Gini.


Poder predictivo

© AIS© AIS

� Analizamos carteras y subcarteras

� Usamos operaciones formalizadas , o bien, formalizadas y denegadas

� El coeficiente de Gininos informa del poder de predicción. Se puede contrastar con valores obtenidos en el pasado

Consideraciones

5.0

sTotalBueno

Buenos

t

t

jj

AcB∑== 1_%

Gini

Mora Buenos / Buenos/MalosProb. # % Acum # % Acum # % Acum Acum. Malos Acum.

1% 100 11% 11% 0 0% 0% 100 10% 10% 0.0% 0.0% 0.0 0.02% 99 11% 23% 1 1% 1% 100 10% 20% 1.0% 0.1% 99.0 199.03% 97 11% 34% 3 2% 3% 100 10% 30% 3.0% 0.4% 32.3 74.04% 93 11% 44% 7 6% 9% 100 10% 40% 7.0% 1.1% 13.3 35.45% 91 10% 55% 9 7% 16% 100 10% 50% 9.0% 2.0% 10.1 24.06% 89 10% 65% 11 9% 25% 100 10% 60% 11.0% 3.1% 8.1 18.47% 85 10% 75% 15 12% 37% 100 10% 70% 15.0% 4.6% 5.7 14.28% 83 9% 84% 17 14% 51% 100 10% 80% 17.0% 6.3% 4.9 11.79% 75 9% 93% 25 20% 72% 100 10% 90% 25.0% 8.8% 3.0 9.210% 65 7% 100% 35 28% 100% 100 10% 100% 35.0% 12.3% 1.9 7.1Total 877 123 1000 24.6%

Buenos Malos TotalMora

osTotalMoros

Morosos

t

t

jj

AcM∑== 1_%

2

)_%_(%)_%_(%5.0

1

11∑=

−− +⋅−−

=

N

j

jjjj AcMAcMAcBAcB

5.0

sTotalBueno

Buenos

t

t

jj

AcB∑== 1_%

Gini


1% 100 11% 11% 0 0% 0% 100 10% 10% 0.0% 0.0% 0.0 0.02% 99 11% 23% 1 1% 1% 100 10% 20% 1.0% 0.1% 99.0 199.03% 97 11% 34% 3 2% 3% 100 10% 30% 3.0% 0.4% 32.3 74.04% 93 11% 44% 7 6% 9% 100 10% 40% 7.0% 1.1% 13.3 35.45% 91 10% 55% 9 7% 16% 100 10% 50% 9.0% 2.0% 10.1 24.06% 89 10% 65% 11 9% 25% 100 10% 60% 11.0% 3.1% 8.1 18.47% 85 10% 75% 15 12% 37% 100 10% 70% 15.0% 4.6% 5.7 14.28% 83 9% 84% 17 14% 51% 100 10% 80% 17.0% 6.3% 4.9 11.79% 75 9% 93% 25 20% 72% 100 10% 90% 25.0% 8.8% 3.0 9.210% 65 7% 100% 35 28% 100% 100 10% 100% 35.0% 12.3% 1.9 7.1Total 877 123 1000 24.6%


osTotalMoros

Morosos

t

t

jj

AcM∑== 1_%

2

)_%_(%)_%_(%5.0

1

11∑=

−− +⋅−−

=

N

j

jjjj AcMAcMAcBAcB

sTotalBueno

Buenos

t

t

jj

AcB∑== 1_%

Gini


1% 100 11% 11% 0 0% 0% 100 10% 10% 0.0% 0.0% 0.0 0.02% 99 11% 23% 1 1% 1% 100 10% 20% 1.0% 0.1% 99.0 199.03% 97 11% 34% 3 2% 3% 100 10% 30% 3.0% 0.4% 32.3 74.04% 93 11% 44% 7 6% 9% 100 10% 40% 7.0% 1.1% 13.3 35.45% 91 10% 55% 9 7% 16% 100 10% 50% 9.0% 2.0% 10.1 24.06% 89 10% 65% 11 9% 25% 100 10% 60% 11.0% 3.1% 8.1 18.47% 85 10% 75% 15 12% 37% 100 10% 70% 15.0% 4.6% 5.7 14.28% 83 9% 84% 17 14% 51% 100 10% 80% 17.0% 6.3% 4.9 11.79% 75 9% 93% 25 20% 72% 100 10% 90% 25.0% 8.8% 3.0 9.210% 65 7% 100% 35 28% 100% 100 10% 100% 35.0% 12.3% 1.9 7.1Total 877 123 1000 24.6%


osTotalMoros

Morosos

t

t

jj

AcM∑== 1_%

2

)_%_(%)_%_(%5.0

1

11∑=

−− +⋅−−

=

N

j

jjjj AcMAcMAcBAcB


1% 100 11% 11% 0 0% 0% 100 10% 10% 0.0% 0.0% 0.0 0.02% 99 11% 23% 1 1% 1% 100 10% 20% 1.0% 0.1% 99.0 199.03% 97 11% 34% 3 2% 3% 100 10% 30% 3.0% 0.4% 32.3 74.04% 93 11% 44% 7 6% 9% 100 10% 40% 7.0% 1.1% 13.3 35.45% 91 10% 55% 9 7% 16% 100 10% 50% 9.0% 2.0% 10.1 24.06% 89 10% 65% 11 9% 25% 100 10% 60% 11.0% 3.1% 8.1 18.47% 85 10% 75% 15 12% 37% 100 10% 70% 15.0% 4.6% 5.7 14.28% 83 9% 84% 17 14% 51% 100 10% 80% 17.0% 6.3% 4.9 11.79% 75 9% 93% 25 20% 72% 100 10% 90% 25.0% 8.8% 3.0 9.210% 65 7% 100% 35 28% 100% 100 10% 100% 35.0% 12.3% 1.9 7.1Total 877 123 1000 24.6%


osTotalMoros

Morosos

t

t

jj

AcM∑== 1_%

2

)_%_(%)_%_(%5.0

1

11∑=

−− +⋅−−

=

N

j

jjjj AcMAcMAcBAcB

Gini

0,0%

10,0%

20,0%

30,0%

40,0%

50,0%

60,0%

70,0%

80,0%

90,0%

100,0%

0,0% 10,0% 20,0% 30,0% 40,0% 50,0% 60,0% 70,0% 80,0% 90,0% 100,0%

% No Morosos Acumulados

% M

oros

os A

cum

ulad

os

Discriminación aleatoria

Curva modelo

Como más grande es el area entre las dos curvas mejor es el modelo obtenido

G r o u p


Poder predictivo

(2) Detectar la variación de poder de predicción del modelo e n eltiempo

� Es recomendable analizar la evolución del poder de predicción del modelo,con periodicidad trimestral, evaluando si ha sufrido un empeoramientosignificativo.

� Analizamos carteras y subcarterasGini inicial – Gini actual

Consideraciones

© AIS© AIS

� Analizamos carteras y subcarteras

� Sólo se utilizan las operaciones formalizadas

� El coeficiente de Gini puede verse afectado por:

� cambios poblacionales , o bíen� cambios de poder de predicción de las variables del modelo

� El test U de Mann-Whitney para 2 modelos nos informa de una perdida definitiva del poder de predicción.0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

100%

0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100%

% goods

% b

ads

Curva inicialCurva actual

Contrastamos que la variación del

coeficiente de Gini no sea significativa

G r o u p


Poder predictivo

(3) Detectar la variación de poder de predicción de cada vari able ysus categorías

� El poder de predicción de las categorías se puede medir fácilmente conOR (Odds Ratio) y DAR (Diferencial Absoluto del Riesgo).

c / d

a / b= 4 =: OR

Sí No

MorosoRatio de morosos 4 veces superior

Antecedentes

Negativos

© AIS© AIS

a+ba

= 11% =: DARc+dc

-

Sí No

Sí 20 57

No 160 4.000

Moroso

Antecedentes

Negativos

Sí No

Sí 18 49

No 250 3920

Moroso

Antecedentes

Negativos

La morosidad en AntecedentesNegativos ha aumentadosignificativamente

En este nuevo escenario con más morosidad debemos ser en general más estrictos.

Valores año A

Odds Ratio (OR): 8,7DAR: 22%Mora: 4%

Sí No

Sí 10 =:a 57 =:b

No 170 =:c 4.000 =:d

Diferencial de riesgo de mora

Valores año B

Odds Ratio (OR): 5,8DAR: 21%Mora: 6%

Diferenciassignificativas A

ntecedentes

Negativos

4% =: Mora

Posibles acciones: Estimar el modelo de nuevo

G r o u pAgenda

� Introducción



- Poder predictivo

© AIS© AIS

- Poder predictivo





G r o u pModelo de otorgamiento

Estabilidad de población

(4) Distribución de las puntuaciones

� Una modificación en la calidad crediticia de la cartera (ya sea a nivelproducto o a nivel perfil) puede producir la necesidad de realizar algúnreajuste en los puntos de corte del modelo de otorgamiento.

ModeloAcumulado � Analizamos carteras y

subcarteras

Consideraciones

© AIS© AIS

Posibles acciones: Modificación de los puntos de co rte

PuntuaciónModeloconstrucción

Acumuladohasta 1r trim.2007

Diferencia

< 0,1 50% 48% 2%

< 0,2 70% 64% 4%

< 0,4 95% 88% 7%

< 0,6 97% 87% K-S := 10%

< 0,8 99% 91% 8%

< 1 100% 100% 0%

subcarteras� Usamos operaciones formalizadas , o bien, formalizadas y denegadas� Modelo de construcción contra la cartera actual acumulada y la trimestral� El coeficiente de K-S nos informa de un cambio significativo en las puntuaciones


Estabilidad de población

(5) Distribución de las variables del algoritmo

- Este análisis pretende identificar alteraciones poblacionales a nivel devariable (p.e. “estado civil”,...)

- Nuestro interés se centrará en detectar qué variables han sufrido uncambio significativo en la distribución de sus categorías (“% solteros”, “%casados”,...)

© AIS© AIS

casados”,...)

- Para medir el tamaño de la variación usaremos 2 contrastes dependiendode la naturaleza de la variable:

� Variable ordenadas : Test K-S.

� Variables categóricas no ordenadas: El grado de asociación dado por elestadístico Cramer’s V (Chi-cuadrado normalizada) y el test de la Chi-cuadradopara testar diferencias.

Posibles acciones: Son necesarias otras informacion es para actuar. Si hay una alta morosidad en variables con mucha di spersión,

podemos definir nuevos filtros para casos extremos.

G r o u pAgenda

� Introducción



- Poder predictivo

© AIS© AIS

- Poder predictivo






Sistema de otorgamiento

(6) Análisis de overrides producidos por el analista

AlgoritmoAlgoritmo Cap. PagoCap. Pago FiltrosFiltros F.Sec. Pago

1 2 3 4

© AIS© AIS

Dictamen Herramientas

Dictamen Entidad

Objeto de Análisis

G r o u p

(6) Análisis de overrides producidos por el analista

� Para el nivel de vinculación de la entidad a la herramienta tenemos elIndicador de Overrides Relativo (IOR). Este indicador nos informa decuanto más probable es una aprobación NO vinculada (override) que unaaprobación vinculada a la herramienta.

� Este indicador nos permite definir alarmas sobre el aumento significativo de



© AIS© AIS

los overrides por cartera, oficina, ...

Aprobado Denegado

Denegar 300 =: a 2.700 =: b

Aprobado/

duda16.670 =: c 330 =: d

Dictamen entidad

Dictamen

herramienta

Riesgo de aprobar

a / (a + b) = 10% =: Aprobados(denegar)

c / (c + d) = 98% =: Aprobados (aprobado/duda)

= 0,102 := IORAprobados(aprobado/duda)

Aprobados(denegar)

Es 0,1 veces menos probable una aprobación no vinculada a la

herramienta que una aprobación vinculada a la herramienta



(7) Análisis de MOROSIDAD en overrides producidos por el ana lista

AlgoritmoAlgoritmo Cap. PagoCap. Pago FiltrosFiltros F.Sec. Pago

1 2 3 4

© AIS© AIS

Dictamen Herramientas

Entradas en mora

Objeto de Análisis

Dictamen Entidad/analista



(7) Análisis de MOROSIDAD en overrides producidos por el ana lista

Valores predeterminados

Odds Ratio (OR): 4 Int. Conf.=(2 , 8)

Sí No

Override 10 57

No override 170 4.000

Moroso

Dictamen

herramienta/

entidad

Diferenciassignificativas

© AIS© AIS

Sí No

Override 20 57

No override 160 4.000

Moroso

Dictamen

herramienta/

entidad

Sí No

Override 18 49

No override 250 3920

Moroso

Dictamen

herramienta/

entidad

Valores año B

Odds Ratio (OR): 5,8

Debemos restringir los overrides ya que ha aumentado significativamente su morosidad

En este nuevo escenario con más morosidad el DAR nos ayuda a prevenir mejor a los morosos

Valores año A

Odds Ratio (OR): 8,7

Posibles acciones: 1 – Revisar los OR de los distint os elementos de otorgamiento (reglas e.,...). / 2 - Modificar los criterios de lo s analistas (scoring vinculante,...)


Resumen del modelo de otorgamiento

Esquema de posibles acciones:

Revisar el poder de predicción

del modelo (Gini)

Distribución de laspuntuaciones (K-S)

Revisar la morosidad en overrides (OR, DAR)

Poder de predicción Estabilidad poblacional Sistema de otorgamiento

¿Ha disminuido? ¿Hay cambios?

No. Revisar cadatrimestre

¿Ha aumentado?

© AIS© AIS

Revisar el poder de predicción de

las variables (OR, DAR)

Distribución variables(Cramer’s V, K-S)

Revisar el volumen de overrides (IOR)

Revisión de los puntos de corte

?Sí

trimestre

?¿Hay cambios?

?

Definición de nuevas

reglas elicitadas

“Pocos” cambios

Estimar un nuevo modelo

“Muchos” cambios

Variables con alta dispersión

¿Hay cambios?

No hay cambios

?No

Sí

Estudiar dónde hay cambios

?Información útil para diagnóstico

No

Revisar otros elementos de otorgamiento (reglas el., capacidad de pago,...). Modificar los criterios

de los analistas (s. vinculante)

¿Han aumentado?

?Información útil para diagnóstico

else

Sí

No

Sí

G r o u pAgenda

� Introducción



© AIS© AIS



G r o u pSeguimiento de cartera

(1) Vintage Analysis

© AIS© AIS

- Este tipo de análisis permite detectar tempranamente la morosidad, y/oidentificar carteras o subcarteras con diferentes tasas medias demorosidad.

- Tiene especial interés en el seguimiento de campañas y/o accionesespecíficas, y en la fijación de estrategias de pricing para determinadassubcarteras incorporando niveles de riesgo más afinados.

G r o u pSeguimiento de cartera

(2) Roll Rates

© AIS© AIS

- Este tipo de estudio permite analizar la evolución del stock (Cartera Viva)de un intervalo temporal a otro (por ejemplo mes a mes, trimestre atrimestre,...) y la dinámica de entrada en mora.

- Tiene especial interés en el seguimiento y desarrollo del proceso deRecuperación de la entidad.

G r o u pModelo de seguimiento

Probabilidad de mora (PD)

Seguimiento de los componentes que derivan en la Probabilidad de Incumplimiento

© AIS© AIS

Probability of Default ( PD)

Exposure at Default ( EAD)

Losses Given Default ( LGD)

Expected Losses(EL)



(1) Backtesting

� El objetivo de este análisis es comparar la PD estimada, una vezcalificada la cartera en los niveles de Rating/Scoring del modelo,con la PD observada.

� Analizamos diferencias de PD a nivel global (en el conjunto detodos los grupos) y por grupo de riesgo:

© AIS© AIS

todos los grupos) y por grupo de riesgo:(a).- Los valores reales muestran diferencias globales (en elconjunto de grupos) con las estimaciones de la cartera: Eneste caso debemos reestimar el modelo con una muestramás amplia.(b).- Existencia de diferencias por grupo de riesgo uno auno: Revisar el modelo de calificación subyacente, ya que elmodelo no está cuantificando correctamente la PD paraalgunos niveles de rating/scoring

� Este análisis es muy sensible al momento del ciclo económicoactual y debemos tomar con precauciones su resultado.

Test chi-square

Test binomial



(2) Análisis de migraciones de PD – Matrices de transición

- Las matrices de transición son herramientas estadísticas que miden lasmigraciones de calidad crediticia de una cartera de crédito. Permitencuantificar la importancia de los flujos entre categorías de crédito en unperiodo de tiempo, típicamente un año.

- Se debe observar la estabilidad de dichas matrices de transición y analizar

© AIS© AIS

- Se debe observar la estabilidad de dichas matrices de transición y analizarlas causas de las migraciones significativas entre niveles de calificación.

G r o u p


Severidad (LGD)

Seguimiento de los componentes que derivan en la Pérdida si incumplimiento

© AIS© AIS

Probability of Default ( PD)



Expected Losses(EL)

G r o u p


Severidad (LGD)

(1) Validación del tiempo de recuperación

- Contrastamos la distribución de recuperaciones por trimestre del últimoaño con la de la muestra de referencia:

(2) Backtesting

Test K-S

© AIS© AIS

- El objetivo de este análisis es comparar la LGD estimada para cadauno de los grupos del modelo con la LGD observada .

- Analizamos diferencias de LGD a nivel global (en el conjunto de todoslos grupos) y por grupo:

(a).- Los valores reales muestran diferencias globales (en el conjunto degrupos) con las estimaciones de la cartera: En este caso debemos reestimarla LGD con una muestra más amplia.

(b).- Existencia de diferencias por grupo uno a uno: Revisar lasegmentación de la LGD, ya que no se está cuantificando correctamentepara algunos grupos.

Test Kendall’s W (ANOVA noPara)

Test de Wilcoxon(t-test noPara)

G r o u p


Exposición (EAD)

Seguimiento de los componentes que derivan en la Exposición en el incumplimiento

© AIS© AIS

Probability of Default (PD)



Expected Losses(EL)

G r o u p


Exposición (EAD)

(1) Backtesting

- El único componente que implica una estimación es el CCF (CreditConversion Factor): Coeficiente para estimar el posible incremento de laexposición en el momento de caída en mora

- El objetivo de este análisis es comparar la CCF estimada para cada uno delos grupos del modelo con la CCF observada.

© AIS© AIS

- Analizamos los aumentos o disminuciones reales con el CCF estimado, anivel global (en el conjunto de todos los grupos) y por grupo:

(a).- Los valores reales muestran diferencias globales (en el conjunto de grupos)con las estimaciones de la cartera: En este caso debemos reestimar el CCF conuna muestra más amplia.

(b).- Existencia de diferencias por grupo uno a uno: Revisar la segmentación dela CCF ya que no está cuantificando correctamente la CCF para algunos grupos

Test Kendall’s W (ANOVA noPara)

Test de Wilcoxon(t-test noPara)

GraciasDecisiones Inteligentes

AIS-MéxicoInsurgentes sur 568, piso 5

Del Valle03100, México D.F.

Andreu Miró[email protected]

© AIS

03100, México D.F.Tel: +52 55 5543-8031 / 5536-2858

[email protected]

www.ais-int.com

[email protected]

Riesgo de Crédito (grupo)

http://www.linkedin.com/company/ais

@GrupoAIS

Seguimiento del modelo interno de riesgo

Documents

Transcript of Seguimiento del modelo interno de riesgo