Modelagem de Risco de Crédito de Atacado: Probabilidade de Inadimplência (PD) X Exposição na Inadimplência (EAD) X Perda Dada a Inadimplência (LGD)

O caso Americanas trouxe à tona e foco uma série de assuntos, entre os quais o que queria destacar hoje é a modelagem de risco de crédito de atacado.

Trata-se de um processo de análise estatística que tem como objetivo estimar o risco de crédito associado a um empréstimo ou a uma carteira de empréstimos no mercado de grandes empresas. Esse tipo de modelagem é utilizado pelas instituições financeiras para avaliar e gerenciar o risco de crédito, a fim de evitar prejuízos financeiros decorrentes de inadimplência dos clientes.

A Modelagem de Risco de Crédito de atacado leva em consideração diversos fatores, como a qualidade do crédito do cliente, a capacidade de pagamento, a garantia oferecida, a situação econômica do setor e do mercado em que o cliente atua, entre outros.

A partir dessas informações, são desenvolvidos modelos estatísticos que permitem avaliar o risco de crédito de um empréstimo ou de uma carteira de empréstimos, levando em consideração diferentes cenários de mercado.

A Modelagem de Risco de Crédito de atacado é importante porque permite às instituições financeiras quantificar e gerenciar adequadamente o risco de crédito associado a seus empréstimos, de forma a evitar prejuízos financeiros decorrentes de inadimplência ou perda de capital. Além disso, é uma ferramenta importante para o cumprimento dos requisitos regulatórios, como os estabelecidos pelo regulador Bacen e o Comitê de Basileia, que determinam os níveis mínimos de capital que as instituições financeiras devem manter para fazer frente aos riscos associados a seus empréstimos.

Quando uma instituição financeira empresta dinheiro a um cliente, ela assume um risco de crédito, ou seja, o risco de que o cliente não pague o empréstimo de volta. Para gerenciar então esse risco, a instituição financeira precisa estabelecer parâmetros de risco de crédito, que são medidas que ajudam a quantificar o risco de crédito de cada empréstimo.

Os parâmetros de risco de crédito no atacado são especialmente importantes, pois se referem a empréstimos de grande valor, geralmente feitos para empresas e outras instituições. Assumindo um grande risco de crédito, a instituição precisa determinar a probabilidade de que o cliente não pague o empréstimo de volta, a exposição financeira que ela terá se o cliente não pagar e a perda que ela poderá sofrer em caso de inadimplência.

Mas quais são estes tais parâmetros?

1) Probabilidade de Inadimplência (PD):

É a probabilidade de que o tomador de crédito não pague uma parcela ou o valor total do empréstimo. A PD é baseada em uma análise da capacidade financeira do tomador de crédito e na qualidade de sua garantia, quando esta estiver disponível.

A PD é calculada com base em dados históricos de inadimplência de clientes semelhantes e em informações específicas sobre o tomador de crédito, tais como sua capacidade financeira, histórico de crédito, situação econômica e setor em que atua, entre outros.

Existem diversas técnicas estatísticas que podem ser utilizadas para calcular a PD, sendo a mais comum o uso de modelos estatísticos de regressão logística ou de redes neurais artificiais. Esses modelos utilizam dados históricos de inadimplência de clientes semelhantes ao tomador de crédito em questão, bem como outras variáveis explicativas relevantes, para prever a probabilidade de inadimplência do tomador de crédito.

A PD é geralmente expressa como uma porcentagem e é usada para determinar a taxa de juros e outras condições do empréstimo, bem como para avaliar o risco de crédito associado ao tomador de crédito.

Detalhando mais estas técnicas, começando pela regressão logística, ela é uma técnica estatística que é frequentemente usada para modelar a relação entre uma variável dependente binária (ou seja, inadimplente ou não) e um conjunto de variáveis independentes que explicam essa variável. É comum que a regressão logística seja usada para prever a PD com base em variáveis como histórico de crédito, indicadores financeiros e informações demográficas do tomador de crédito.

Já a análise discriminante é uma técnica estatística que é usada para classificar observações em grupos mutuamente exclusivos com base em variáveis independentes, que pode ser usada para determinar as características que são mais comuns entre tomadores de crédito inadimplentes em comparação com os que são adimplentes.

Pode-se usar algo mais sofisticado como as redes neurais artificiais, que são modelos estatísticos que se inspiram no funcionamento do cérebro humano. Elas são particularmente úteis quando os dados têm padrões complexos e não lineares, que podem ser usadas para identificar as variáveis independentes que mais influenciam a PD.

Por fim, a análise de sobrevivência é outra técnica estatística usada para analisar o tempo até a ocorrência de um evento, como a inadimplência. Ela pode ser usada para determinar a probabilidade de um tomador de crédito se tornar inadimplente em um período específico, com base em variáveis como histórico de crédito e informações financeiras.

Mas qual delas usar?

A regressão logística é, por exemplo, amplamente utilizada e bem conhecida, tanto pelos bancos quanto pelos reguladores, e permite a interpretação dos resultados e a identificação das variáveis mais relevantes, além de ser flexível e pode ser usada para modelar diferentes tipos de dados.

Já as redes neurais são capazes de modelar relações complexas e não-lineares entre as variáveis explicativas, e assim podem ser usadas para modelar dados não estruturados. Além de ser menos sensíveis a problemas de overfitting do que outras técnicas de modelagem.

Independentemente da técnica escolhida, é importante que o modelo seja validado para garantir que ele seja preciso e confiável. Isso geralmente envolve testar o modelo com dados históricos e comparar as previsões do modelo com os resultados reais. A validação do modelo é um passo crítico na Modelagem de Risco de Crédito, pois garante que as previsões da PD sejam confiáveis e úteis para a tomada de decisões financeiras.

2) Exposição na Inadimplência (EAD):

É o valor total que a instituição financeira empresta ao tomador de crédito. A EAD é calculada considerando o valor emprestado, juros, taxas, prazos e possíveis limites de crédito.

Para calcular a EAD, geralmente são utilizadas duas abordagens principais: a abordagem padronizada e a abordagem baseada no modelo.

A abordagem padronizada é uma técnica de cálculo da EAD que é baseada em regras prescritas pelas autoridades regulatórias. Essas regras estabelecem um conjunto de percentuais padrão que são aplicados ao valor nominal do empréstimo para determinar a EAD. Esses percentuais são estabelecidos com base em diferentes categorias de ativos, como hipotecas residenciais, empréstimos corporativos, empréstimos ao consumidor e outros tipos de empréstimos. A abordagem padronizada pode ser mais simples e menos onerosa em termos de recursos, mas pode não refletir precisamente o risco de crédito de um tomador específico.

Já a abordagem baseada no modelo é uma técnica de cálculo da EAD que é mais personalizada e precisa do que a abordagem padronizada. Essa técnica envolve o uso de um modelo de risco de crédito personalizado para cada tomador de crédito. O modelo considera vários fatores, como histórico de crédito, indicadores financeiros e informações demográficas do tomador de crédito, para determinar a probabilidade de inadimplência do tomador de crédito e a magnitude da perda em caso de inadimplência. Com base nesses fatores, o modelo estima a EAD para cada tomador de crédito.

Se caminhar para a abordagem baseada em modelos, as técnicas mais comuns são, primeiro o chamado: Modelo linear, que é um modelo que usa uma equação linear para estimar a EAD com base em uma série de fatores que afetam o risco de crédito. Esses fatores podem incluir o valor do empréstimo, o tipo de ativo, o prazo do empréstimo, a qualidade do crédito do tomador de empréstimo, entre outros. O modelo linear é relativamente simples, mas pode não ser tão preciso quanto outras técnicas mais avançadas.

Já o modelo de regressão logística usa uma regressão logística para prever a probabilidade de inadimplência do tomador de empréstimo, com base em um conjunto de variáveis explicativas, como histórico de crédito, indicadores financeiros e informações demográficas. A EAD é calculada multiplicando o valor do empréstimo pela probabilidade de inadimplência prevista.

Se desejar sofisticar então pode ainda caminhar para o modelo de rede neural, que usa uma rede neural artificial para prever a EAD com base em um conjunto de entradas, como a qualidade do crédito do tomador de empréstimo, o histórico de pagamento, entre outros. O modelo de rede neural pode ser mais preciso do que outros modelos, mas também pode ser mais complexo e exigir mais recursos computacionais.

Por fim também existe o modelo de simulação de Monte Carlo, que usa simulação de Monte Carlo para gerar uma distribuição de probabilidade para a EAD com base em um conjunto de fatores de risco de crédito, como a probabilidade de inadimplência, a recuperação esperada em caso de inadimplência, entre outros.

Mas qual deles usar?

Não há um modelo único de cálculo da Exposição na Inadimplência (EAD) que seja universalmente aceito como o melhor ou mais amplamente utilizado. Cada modelo tem suas próprias vantagens e desvantagens, e a escolha do modelo a ser usado dependerá do contexto específico em que está sendo aplicado.

Por exemplo, o modelo linear pode ser mais apropriado para portfólios menores, onde a complexidade computacional não é um problema. Já o modelo de regressão logística pode ser mais adequado para portfólios maiores e mais complexos, onde é importante capturar as nuances da probabilidade de inadimplência dos tomadores de crédito. O modelo de simulação de Monte Carlo pode ser mais útil para avaliar a exposição a eventos extremos ou cenários de estresse.

Portanto, é importante considerar vários modelos de cálculo da EAD e escolher o mais apropriado para o contexto específico, levando em conta as limitações e vantagens de cada um. Além disso, é essencial realizar testes de estresse e validação regular do modelo escolhido para garantir sua precisão e relevância contínuas.

Mais uma vez assim como a PD, é importante também que a EAD seja validada e atualizada regularmente para garantir que ela reflita adequadamente o risco de crédito atual, afinal o mundo é dinâmico e as variáveis estão em constante mudança.

3) Perda Dada a Inadimplência (LGD):

É a perda esperada em caso de inadimplência do tomador de crédito. A LGD é calculada como a diferença entre a EAD e o valor recuperado da garantia, quando estiver disponível.

Existem duas abordagens principais para o cálculo da LGD:

A abordagem histórica, que utiliza dados históricos de perda e recuperação de empréstimos semelhantes para estimar a perda esperada em um empréstimo específico. Ela envolve o cálculo da média e do desvio padrão das perdas e a aplicação desses valores para calcular a perda esperada.

Aqui se utiliza modelos estatísticos de regressão para estimar a relação entre a recuperação e fatores relevantes, como o valor do empréstimo, a natureza do colateral e a duração da inadimplência. Essa abordagem é vantajosa porque é baseada em dados históricos e pode ser aplicada a uma ampla gama de situações.

Já a abordagem estrutural, se concentra na estrutura da dívida do mutuário e em fatores econômicos que afetam a capacidade de pagamento do mutuário. Ela usa modelos que consideram variáveis como a qualidade de crédito do mutuário, a taxa de juros, o valor do imóvel em garantia, entre outros fatores para estimar a LGD.

Aqui a análise do rating utiliza a classificação de risco de crédito (rating) da contraparte para estimar a LGD. Essa abordagem é vantajosa porque é fácil de implementar e requer poucos dados adicionais.

Pode-se ainda usar a abordagem de análise do colateral e garantias que considera o valor e a liquidez do colateral e garantias como uma forma de mitigar a perda em caso de inadimplência. Essa abordagem é vantajosa porque também pode ser aplicada a uma ampla variedade de instrumentos financeiros que possuem colateral.

Enquanto que a abordagem de benchmarking utiliza dados de perdas de empréstimos semelhantes para estimar a LGD. Essa abordagem é vantajosa porque é baseada em dados de mercado e pode fornecer estimativas mais precisas para empréstimos com características incomuns.

Cada abordagem tem suas próprias vantagens e desvantagens, e o método escolhido depende das características do portfólio de empréstimos e das informações disponíveis, ainda que os bancos normalmente utilizem uma combinação de todas estas abordagens acima para calcular a LGD. A abordagem histórica é geralmente usada como ponto de partida, enquanto a abordagem estrutural pode ser utilizada para ajustar as estimativas da LGD com base em fatores específicos do mutuário ou da situação econômica.

Esses três parâmetros acima são essenciais para o cálculo do risco de crédito no atacado e ajudam as instituições financeiras a quantificar e gerenciar adequadamente esse risco. Eles são usados para determinar os requisitos de capital de Basileia e para fins de análise de crédito, tomada de decisões de investimento, alocação de recursos e definição de políticas de gerenciamento de risco.