En los últimos años se ha observado una tendencia en las entidades financieras hacia un mayor uso de modelos para la toma de decisiones, que ha venido impulsada en parte por la regulación, pero que se manifiesta en todos los ámbitos de la gestión.

 


Model Risk Management

Ver vídeo

En este sentido, se constata que una elevada proporción de las decisiones de las entidades se toman de forma automatizada mediante modelos de decisión (ya sean algoritmos estadísticos o baterías de reglas).

Por un lado, en los últimos años se ha extendido el uso de plataformas electrónicas que ejecutan de forma automática órdenes de trading programadas según tiempo, precio o volumen, y que pueden iniciarse sin intervención manual, lo que se conoce como algorithmic trading. Como ejemplo, al ejecutar una orden automática de trading, el 6 de mayo de 2010 se produjo un «flash crash» de 4.100 millones de dólares en la Bolsa de Nueva York, que cayó más de 1.000 puntos y se recuperó al mismo valor en tan solo 15 minutos.

Por otro lado, y en parte alentadas por la regulación de Basilea, las entidades emplean cada vez más modelos de decisión (formados por algoritmos estadísticos y reglas de decisión) en sus procesos de admisión, seguimiento y recuperación del crédito. Así, se determina de forma automática si un crédito es viable o no a través de la estimación de la probabilidad de impago (PD) del cliente. Del mismo modo, las entidades observan la evolución de sus clientes y anticipan el deterioro crediticio mediante modelos automáticos de alertas, preclasifican a los clientes y les fijan límites de crédito; y, en el ámbito de las recuperaciones, determinan perfiles estadísticos de clientes morosos para aplicarles diferentes estrategias de recobro.

En el ámbito comercial, se permite al cliente seleccionar las características de un producto (importe, plazo y finalidad de un préstamo, coberturas de un seguro, etc.) y el sistema determina en tiempo real la viabilidad de la oferta y el precio. En muchos casos, el modelo hace una serie de preguntas al cliente y le ofrece proactivamente la mejor configuración para sus características (lo que manualmente sería lento y complejo de hacer).

Los modelos de valoración de productos o instrumentos financieros, tanto en el ámbito de mercado como de ALM, están muy extendidos en las entidades. Ejemplos clásicos de estos modelos son el de Black-Scholes, el CAPM o los modelos de Monte Carlo para valoración.

Otro ámbito donde el uso de modelos es cada vez más frecuente es la detección del fraude y del blanqueo de capitales. Tanto las entidades como los reguladores emplean modelos de identificación de transacciones fraudulentas u orientadas al blanqueo, para lo cual se utiliza una combinación de modelos estadísticos de identificación de perfiles de cliente (know your customer, KYC), reglas de monitorización de transacciones y listas negras.

Por otra parte, se extiende el uso de los modelos de onboarding, vinculación y campañas comerciales. Con ellos se determinan de forma automática las acciones de fidelización y vinculación de clientes tanto en la primera etapa de su relación con la entidad como en cualquier momento de su ciclo de vida, lo que incluye la venta cruzada de productos y servicios personalizados a las necesidades del cliente, dentro del marco del CRM5.

Otros ejemplos incluyen la estimación del consumo de capital en todas sus acepciones (crédito, mercado, operacional, ALM, etc.) a través de sus componentes; la cuantificación de la posición de liquidez actual y proyectada bajo diferentes escenarios; la proyección del balance, la cuenta de resultados y la utilización de modelos de stress test6; o la modelización de numerosos componentes clave para la planificación y el desarrollo de negocio: cesta óptima, renta de clientes y no clientes, o abandono, entre otros.

La utilización de modelos aporta indudables beneficios, entre los que se pueden contar:

  • La automatización de la toma de decisiones, que a su vez facilita la mejora de la eficiencia a través de la reducción de los costes asociados al análisis y la decisión manual.
  • La objetividad en la toma de decisiones, garantizando que el resultado de las estimaciones sea el mismo ante idénticas circunstancias y el reaprovechamiento de la información interna y externa, poniendo en valor la experiencia histórica.
  • La capacidad de sintetizar cuestiones complejas, como el perfil de riesgo agregado de una entidad.

No obstante, la utilización de modelos también conlleva costes y riesgos, entre los que cabe mencionar:

  • El coste directo en recursos (económicos y humanos) y tiempo para su desarrollo e implantación.
  • El riesgo de confiar en los resultados de un modelo incorrecto o mal aplicado. De esto se han dado ejemplos concretos y recientes que han producido cuantiosas pérdidas.

En este sentido, se puede definir el riesgo de modelo como «el conjunto de posibles consecuencias adversas derivadas de decisiones basadas en resultados e informes incorrectos de modelos, o de su uso inapropiado».

Los errores en un modelo pueden incluir simplificaciones, aproximaciones, hipótesis erróneas o un proceso de diseño incorrecto; mientras que el uso inapropiado de los modelos incluye su aplicación fuera del uso para el que fueron concebidos.

El riesgo de modelo así definido, muy relevante en potencia, ha captado la atención de reguladores y entidades, que oscilan desde su mitigación a través de la validación de los modelos hasta el establecimiento de un marco integral para su gestión activa.

En los casos más avanzados, esta gestión activa se ha materializado en un marco de gestión de riesgo de modelo (model risk management, MRM), que establece las directrices sobre todo el proceso de planificación, desarrollo, implantación, validación, inventariado y uso de los modelos.

Esto viene refrendado por el hecho de que los reguladores, especialmente en Estados Unidos, comienzan a exigir este tipo de marcos, como se recoge en las directrices del Federal Reserve System (Fed) y la Office of the Comptroller of the Currency (OCC), que están sirviendo como punto de partida para el sector.

La normativa no profundiza en aspectos relativos a la cuantificación del riesgo de modelo, excepto para casos muy concretos de la valoración de ciertos productos, donde llega a exigir una estimación del riesgo de modelo a través de ajustes a la valoración (model risk AVAs) que derivan en una mayor necesidad de capital, o también en la posible utilización como mitigante de un buffer de capital por riesgo de modelo en un sentido más amplio, pero sin llegar a concretar su cálculo.

En este contexto, el presente estudio pretende proporcionar una visión amplia sobre la gestión del riesgo de modelo, su definición, naturaleza y fuentes, la normativa asociada, y sus implicaciones prácticas. Para ello, el documento se estructura en tres secciones, que responden a tres objetivos:

  • Introducir el riesgo de modelo a través de su definición, el análisis de sus fuentes y un breve resumen de la normativa más relevante al respecto.
  • Describir un marco objetivo de gestión de riesgo de modelo de una manera práctica y basada en ejemplos observados en entidades financieras.
  • Avanzar en la cuantificación del riesgo de modelo (y sus posibles aplicaciones prácticas) a través de un ejercicio cuantitativo que ilustre el impacto de este riesgo.


Para más información, accede al documento completo en PDF haciendo clic aquí. Documento también disponible en inglés y portugués.