Modelagem de Risco de Crédito

Transcrição

1 Modelagem de Risco de Crédito Douglas Beserra Pinheiro 23/02/2017

2 Agenda Papel da Área de Risco de Crédito Exemplo de desenvolvimento de um modelo de previsão de inadimplência Perfil dos profissionais da área Referências

3 Papel da Área de Risco de Crédito Modelagem de Risco de Crédito Estimar os parâmetros de risco que compõem a perda esperada (PD, EAD, LGD) Acompanhar a performance dos modelos Sugerir ações que mantenham o risco dentro dos limites definidos pela instituição Políticas de Crédito Determina os limites de exposição nos diferentes produtos e acompanha tanto a inadimplência como a rentabilidade dos mesmos

4 Modelo de PD O objetivo do modelo de PD (Probability of Default) é o de estimar a probabilidade de um cliente não pagar a dívida, ou seja, inadimplir O modelo pode ser apresentado na forma de classificação de risco (rating) ou pontuação (score) As metodologias são classificadas em: Massificado Julgamental

5 Modelo de PD Modelo de Concessão de Cartão de Crédito PF Base de Dados - Períodos Tratamento das Variáveis Definição de Performance Análise Descritiva Estimação dos Modelos Verificação da Qualidade dos Modelos Segmentação Resultados Finais Amostras de Desenvolvimento e Validação Aplicação dos Modelos

6 Modelo de PD Base de Dados-Períodos com base em informações do perfil do cliente na contratação, prever o comportamento futuro utilizando o Escore Mês 0 Mês 12 informações cadastrais e de restrições na data da contratação do produto para caracterizar o PERFIL DO CLIENTE informações de utilização após a contratação do produto para classificar o cliente em BOM ou RUIM Modelos Concessão vs Manutenção

7 Modelo de PD Definição de Performance Exclusões Cartão Fraudado, Roubado/Perdido, Não ativado, Desistente Ruins Cartão com mais de 90 dias de atraso Indeterminados Cartão com atraso entre 31 e 90 dias Experiência Insuficiente Menos de 6 meses de ativação na janela, inativo posteriormente Bons Cartão sem atraso acima de 31 dias

8 Modelo de PD Análise Descritiva Balanceamento da amostra Análise de observações sem informação (missing) Quantidade de Dependentes Menores Número de Dependentes Ruins Bons %B ons /% Ruins , , , , , ,0 0 miss ing ,96 Total Número de Dependentes Ruins Bons %Bons /% Ruins ,94 maior ,69 m is s ing ,96 Tot al Quantidade de Dependentes Maiores Número de Dependentes Ruins Bons % Bons/% Ruins , , , , , ,0 0 M i ssin g ,9 6 Total Número de D ependentes Ruins Bons % Bons/% Ruins ,9 1 maior ,71 M i ss in g ,9 6 Total

9 Modelo de PD Segmentação Técnicas: CHAID, Árvore de decisão S E G M E N T A Ç Ã O

10 Modelo de PD Segmentação Exemplo de Variáveis Candidatas Número de Dependentes Porcentagem Nenhum 20,3 Um ou mais 5,1 Missing 74,7 Estado Civil Porcentagem Casado 34,2 Outros 28,5 Missing 37,2 Escolaridade Porcentagem 1º grau (incompleto/completo) 20,1 2º grau, superior ou pós (incompleto/completo) 37,8 Missing 42,1 Telefone próprio Porcentagem Não 6,7 Sim 14,1 Missing 79,2 Residência própria Porcentagem Não 10,2 Sim 15,2 Missing 74,6 Segmentação de Variáveis vs Modelo Ex Região Geográfica, Produto por Faixa de Renda

11 Modelo de PD Amostra de Desenvolvimento e Validação População Total 50% de Ruins Tempo ou aleatória Amostra de Exploração para definição da performance e segmentação 50 % de Bons Amostra de Desenvolvimento para construção do modelo Amostra de Validação para validação dos passos de desenvolvimento do modelo

12 Modelo de PD Tratamento das variáveis Categorização Estabilidade Tratamento das Variáveis Conceitos Dummy Dummy: Variáveis binárias (categóricas), eficientes nos casos de falta de preenchimento, outliers, não linearidade com a resposta

13 Modelo de PD Tratamento das variáveis Information Value : Medida usada pela Fair Isaac (FICO) para determinar a importância da variável Quanto maior o Information Value, maior é o poder de discriminação e a importância da variável para o modelo Ele também dá um indicativo da segmentação ótima da variável Idade Bons Ruins % Bons % Ruins % Bons/%Ruins WoE IV (a) (b) (c) (d)=ln (c) (a-b)*d % 5% 0,46-0,786 0, % 5% 0,65-0,436 0, % 7% 0,73-0,313 0, % 7% 0,94-0,066 0, % 8% 1,01 0,005 0, % 9% 0,96-0,043 0, % 12% 1,09 0,087 0, % 14% 1,05 0,048 0, % 13% 1,28 0,250 0,010 > % 19% 1,09 0,088 0,002 Total % 100% 0,049

14 Modelo de PD Tratamento das variáveis IDADE BONS %B RUINS %R %B - %R (a) %B / %R (b) log(b) (c) (a) * (c) Até 35 anos % % 0,00 1,00 0,00 0,00 35 anos ou mais % % 0,00 1,00 0,00 0,00 Total % % IDADE BONS %B RUINS %R %B - %R (a) %B / %R (b) log(b) (c) (a) * (c) Até 35 anos % % -0,20 0,67-0,41 0,08 35 anos ou mais % % 0,20 1,50 0,41 0,08 Total % % IDADE BONS %B RUINS %R %B - %R (a) %B / %R (b) log(b) (c) (a) * (c) Até 35 anos % % -0,40 0,50-0,69 0,28 35 anos ou mais % % 0,40 3,00 1,10 0,44 Total % % Information Value: 0,00 + 0,00 = 0,00 Information Value: 0,08 + 0,08 = 0,16 Information Value: 0,28 + 0,44 = 0, Poder de Discriminação

15 Modelo de PD Tratamento das variáveis Exemplo de construção de variáveis binárias Idade Idade (Categorizada) Categ1-21 a 25 Categ2-26 a 30 Categ3-31 a 35 Categ n - 61 a 65 Categ n+1-66 a 70 Categ n+2-70 a 75 Idade (Dummy) Dummy1 = 1 se idade está em (21 a 25) Dummy1 = 0 Caso Contrário Dummy2 = 1 se idade está em (26 a 30) Dummy2 = 0 Caso Contrário Dummy n = 1 se idade está em (61 a 65) Dummy n = 0 Caso Contrário

16 Modelo de PD Estimação dos modelos Todas as variáveis disponíveis para o estudo que não foram excluídas na análise descritiva Variáveis Estáveis e com Alto Poder Preditivo (escolhidas a priori) Variáveis Selecionadas via procedimento estatístico (Stepwise) Variáveis Não Selecionadas via procedimento estatístico M o d e l o F i n a l Técnicas estatísticas Regressão Logística, árvore de decisão, redes neurais, etc

17 Modelo de PD Verificação da qualidade dos modelos No exemplo: Média Bons = 635 Variância Bons = 2885 e Média Ruins = 530 Variância Ruins = 3530 Portanto, IV = 3,44

18 Modelo de PD Verificação da qualidade dos modelos O valor do K-S é obtido a partir da distância máxima entre as curvas dos Clientes Bons e dos Clientes Ruins 100% Gráfico da Distribuição Acumulada de Bons e Ruins 90% 80% 70% 60% 50% K-S=64,6% 40% 30% 20% 10% 0% %Bons %Ruins

19 Modelo de PD Resultados Finais SITUAÇÃO ATUAL: 80% de aprovação 4,2% de inadimplência Estratégias: manter aprovação e aumentar qualidade manter qualidade e aumentar aprovação Faixa Número Taxa Bad Bad Bons Ruins Clientes Aprovação Rate Acum Rate Marg < % 8,1% 100,0% % 8,1% 39,8% % 4,4% 15,6% % 3,0% 10,9% % 1,8% 5,6% % 1,2% 2,7% % 0,8% 1,6% % 0,6% 1,1% % 0,5% 0,8% % 0,4% 0,5% % 0,2% 0,2% > % 0,0% 0,0% Total Bad Rate: Taxa de Ruins entre os aprovados pelo modelo

20 Modelo de PD Aplicação dos Modelos Concessão de Crédito Cobrança Fraude Renovação de limites Segmentação de produtos e canais de atendimento Sinistralidade de seguros

21 Perfil dos profissionais da área Críticos e curiosos Habilidade com ferramentas de programação e estatística Mão na massa Provenientes de diversas áreas, do conhecimento, entre elas, Matemática, Estatística, Administração, Economia, Física, Contabilidade, Engenharia

22 Perfil dos profissionais da área Big Data Localização Mobile Informações Públicas Softwares SAS, SPSS, R, Stata, Orange, Matlab, etc

23 Referências Lima, Jorge Claudio CO Importância de Conhecer a Perda Esperada Revista do BNDES, Rio de Janeiro, V 15, N 30, P , dez 2008 Apesar de focar em modelagem corporate, apresenta de forma simples os conceitos relacionados à perda esperada The Credit Scoring Toolkit: Theory and Practice for Retail Credit Risk Management and Decision Automation Raymond Anderson Ótimo curso online, apesar do conteúdo resumido, detalha bem a parte de tratamento de dados e validação de modelos

24 Obrigado!