Risco Quantitativo - Modelos para tomada de decisão e utilização de técnicas avançadas de estimativa

O progresso significativo na capacidade para processamento de dados trouxe uma forte tendência na utilização de técnicas avançadas na identificação e quantificação de riscos. Entretanto, a utilização de Inteligência Artificial e Machine Learning, em modelos de tomada de decisão, requer um entendimento sobre a capacidade e as limitações dessas técnicas, principalmente quando aplicadas para modelos regulatórios, como alocação de capital de risco, por exemplo.

Uma das aplicações mais intuitivas, na utilização de modelos de Machine Learning, é na gestão do risco de crédito, de onde podemos destacar algumas aplicações bastante consagradas:

• Decisão sobre como estruturar Cluster e Ranking de empréstimos e/ou tomadores de crédito;
• Identificação de categoria, dentro de uma carteira de crédito, mais suscetível à inadimplência;
• Identificação de riscos emergentes, que possam afetar a saúde de uma carteira de crédito, como projeção de desemprego e desempenho econômico, pandemia, fatores relacionados a ESG.
• Estratégia eficiente de cobrança, considerando maior ou menor propensão à recuperabilidade de crédito inadimplente.

Quando se trata de modelos regulatórios que impactam o capital alocado das Instituições Financeiras ou modelos de provisionamento de perdas, ainda se tem certo conservadorismo. Apesar dos modelos de Machine Learning serem utilizados em larga escala, para gestão de risco de crédito, em modelos de concessão e behaviour, monitoramento e cobrança, ainda são pouco utilizados para modelos de requerimento de capital e análises de estresse, por exemplo, devido à sua alta complexidade e os desafios na interpretação e explicação de seus resultados.

À medida que a disponibilidade de informações aumenta de forma exponencial, as Instituições Financeiras podem lançar mão de modelos mais avançados para esta finalidade. Claro que isso requer um processo de maturação, onde os próprios reguladores devem ser inseridos em discussões para adoção desses modelos.

Os modelos de tomada de decisão para risco de crédito permitem avaliar os riscos associados à concessão ou aumento de crédito para os tomadores, trazendo às Instituições Financeiras maior segurança quanto à aprovação de crédito, definição de limites e precificação.

A utilização de Machine Learning traz uma capacidade de sofisticação sem precedentes, ao analisar dados complexos, prever múltiplos cenários, identificar padrões, trazendo diversos elementos, por meio de inteligência artificial, que apenas um olhar humano não seria capaz de capturar.

Os modelos com Machine Learning embarcada em seu motor de decisão, possuem uma adaptabilidade muito maior, em relação aos modelos convencionais. Ao aprender com novas informações e experiências, esta tecnologia pode, de forma bastante dinâmica, realizar previsões e fazer recomendações, garantindo decisões relevantes e atualizadas com as constantes mudanças que compõem o mundo real.

O constante crescimento do Big Data incentiva a utilização responsável desses recursos. Diferentes algoritmos podem ajudar a trazer análises mais consistentes, gerando resultados cada vez mais precisos, com menores margens de erro.

Dentro os diversos recursos de aprendizagem (Machine Learning) nos modelos, destacamos a seguir os mais utilizados, variando de acordo com sua complexidade.

Regressão Logística

A regressão logística é um algoritmo de classificação linear e análises preditivas, que possui variável resultado dicotômica, isto é, ter dois resultados excludentes, como bom/ruim, sim/não. É um dos modelos mais populares da ciência de dados e que possui resultados consistentes. Ela serve para estimar a relação da variável resposta às variáveis independentes. Para modelar o risco de crédito, ou clientes potenciais, o algoritmo minimiza o risco empírico (mínimo quadrado), maximizando as chances de aprendizagem do conjunto de dados.

Floresta Aleatória (Random Forest)

Algoritmos simples de Machine Learning tendem a se ajustar demais ao conjunto de dados, o que pode impactar as métricas de desempenho do modelo, daí a necessidade de incluir métodos de aprendizagem conjuntos. Esta abordagem envolve a combinação de diferentes algoritmos para fazer previsões. O algoritmo de floresta aleatória é composto por uma coleção de árvores de decisão, e cada árvore do conjunto é composta por uma amostra de dados extraída de um conjunto de treinamento com reposição, chamada de amostra bootstrap, atestando, assim, um risco de sobreajuste nos dados de treinamento e fácil determinação de resultados para classificações, o que permite a flexibilização para dados ausentes, o que é um desafio nas bases de dados atuais.

Extreme Gradient Boosting (XGBoost)

Extreme Gradient Boosting, ou simplesmente XGBoost, é uma técnica amplamente reconhecida entre os algoritmos de aumento de gradiente. Ganhou destaque devido à sua execução rápida, integração direta e recursos impressionantes, ao lidar com vastos bancos de dados. Nos algoritmos de gradiente, as grandes vantagens ficam por conta da melhora da precisão dos modelos já existentes nas companhias e a possibilidade de otimizar os cálculos e parâmetros relacionados aos resultados. Trata-se de mais um machine learning amplamente utilizado para previsões de risco, devido a sua alta capacidade preditiva e consequentemente nos resultados, visto que ele utiliza hiperparâmetros não lineares em algumas construções.

A utilização de técnicas de Machine Learning traz diversos benefícios, tais como ganho de eficiência no processamento de bases de dados para avaliação de crédito, reduzindo interações manuais; auxílio no processo de tomada de decisão, trazendo elementos importantes na avaliação de risco de crédito e; ganho de vantagem competitiva, podendo customizar produtos de crédito a seus clientes, com uma análise robusta e tempestiva.

Entretando, ainda há desafios a serem superados, como a obtenção de bases de informações íntegras e de alta qualidade pode ser uma barreira; dificuldade de interpretação dos resultados e consequentemente explicação do modelo e; desafios em adequar esses modelos aos requisitos regulatórios aplicáveis.