Outro dia escrevi um texto sobre a Gestão de Riscos de Modelos, tema que cada vez mais tem me chamado atenção, e merecido um tempo para entender mais a respeito, por isto queria comentar sobre uma pesquisa que vi sobre o tema feita pela PwC, que mostrou bem através dos resultados alguns pontos que acho relevantes como a complexidade dos modelos, os benefícios de um framework robusto, a classificação dos riscos, a integração de tecnologias emergentes como IA e Machine Learning, as metodologias de avaliação de riscos, principais tipos de risco considerados, e as tendências emergentes que impactam a gestão de riscos de modelos.
Vamos aos pontos que quero detalhar mais abaixo que merecem sua atenção, tais como:
O Cenário Atual e os Desafios na Gestão de Riscos de Modelos
A gestão de riscos de modelos tem se tornado cada vez mais uma função importante, em especial nas instituições financeiras, provavelmente devido à crescente complexidade dos ambientes econômicos e regulatórios, com um cenário marcado por alta volatilidade, inflação global elevada e tensões geopolíticas, especialmente a guerra na Ucrânia ou no Oriente Médio com Israel no centro, o que apresenta desafios substanciais para os gestores de risco.
Esses fatores exercem uma pressão intensa sobre as práticas da gestão de riscos de modelos, exigindo que as instituições se adaptem rapidamente às mudanças e mitiguem riscos emergentes de maneira eficaz.
A importância da gestão de riscos de modelos está na capacidade de garantir que os modelos utilizados para projeções financeiras, avaliação de crédito e gestão de portfólio sejam precisos, transparentes e robustos o suficiente para lidar com eventos extremos.
Alguns pontos se destacam aqui, como:
- Complexidade dos Modelos de Risco: O cenário de incerteza exige que modelos sejam constantemente atualizados para capturar novas dinâmicas de risco, incluindo variáveis econômicas e políticas. Modelos que antes eram considerados robustos podem, sob condições extremas, apresentar desvios significativos em suas projeções, comprometendo a capacidade das instituições de gerenciar riscos adequadamente. A complexidade crescente dos modelos demanda não apenas uma atualização frequente, mas também uma validação contínua, o que implica na necessidade de recursos técnicos e tecnológicos de alto nível.
- Requisitos Regulatórios Rígidos e Diversificados: Com a escalada das incertezas, os reguladores têm exigido maior transparência e controles mais rigorosos sobre os modelos. Órgãos reguladores como o Banco Central do Brasil, ou o Banco Central Europeu (BCE) e a Autoridade de Regulação Prudencial (PRA) têm estabelecido diretrizes que exigem das instituições financeiras um aumento na resiliência operacional de seus modelos, com foco em governança, documentação e auditoria contínua, com objetivo de evitar falhas sistêmicas que possam comprometer a integridade do sistema financeiro, então seguir essas exigências não é apenas uma questão de conformidade regulatória, mas também um diferencial competitivo no mercado.
Esses fatores colocam os gestores de risco sob pressão constante para reforçar suas práticas de gestão de riscos de modelos, o que pode demandar um redirecionamento significativo de recursos e investimentos em tecnologias de ponta e em pessoal altamente qualificado.
Pesquisa e Metodologia
A pesquisa da PwC sobre Gestão de Riscos de Modelos foi criada para dar uma visão abrangente sobre o estado atual das práticas de gestão de riscos de modelos em instituições financeiras de diferentes portes e regiões. O objetivo principal foi entender como as instituições estão estruturando seus frameworks de gestão de riscos de modelos para enfrentar os desafios mencionados e identificar tendências emergentes no setor.
Para isso a PwC reuniu nesta versão do ano passado dados de 26 instituições financeiras, incluindo bancos e seguradoras, usando uma abordagem metodológica rigorosa, que envolve:
- Estratificação dos Participantes: As instituições foram segmentadas por fatores como número de modelos relevantes para o risco (variando de menos de 20 a mais de 100). Essa estratificação é importante para compreender como o volume e a complexidade dos modelos afetam a abordagem de gestão de riscos de modelos. Por exemplo, organizações com um grande número de modelos precisam de práticas de gestão de riscos de modelos mais sofisticadas e automatizadas para garantir a eficácia e a conformidade regulatória.
- Diversidade Geográfica e de Mercado: A pesquisa incluiu instituições de diversas regiões, o que permitiu uma análise das diferenças regionais na adoção de frameworks de gestão de riscos de modelos e nas práticas de governança. Isso é particularmente importante, pois diferentes mercados têm graus variados de maturidade regulatória e complexidade dos riscos enfrentados. Com isso, a pesquisa conseguiu destacar as melhores práticas regionais e possíveis áreas de aprimoramento.
- Plataforma de Coleta de Dados e Anonimato: Os dados foram coletados por meio da plataforma Qualtrics, garantindo anonimato e voluntariedade nas respostas. Isso aumentou a confiabilidade dos dados, reduzindo vieses de resposta e permitindo uma avaliação mais honesta das práticas institucionais.
Esse rigor metodológico mostra bem a intenção da PwC de fornecer um panorama detalhado e confiável sobre o estado da gestão de riscos de modelos em diferentes regiões e tipos de instituições, identificando tanto as práticas bem-sucedidas quanto os principais desafios que ainda precisam ser enfrentados.
Principais Resultados e Conclusões da Pesquisa
As descobertas da pesquisa da PwC dão uma visão ampla sobre a maturidade das práticas de gestão de riscos de modelos, bem como os desafios que as instituições financeiras continuam a enfrentar, onde cada um dos pontos destacados abaixo mostra bem os aspectos críticos que impactam diretamente a resiliência e a eficácia das estratégias de gestão de riscos:
- Prontidão do Mercado Financeiro: A maioria dos entrevistados (88%) considera sua função de gestão de riscos de modelos robusta e adequada para atender às necessidades regulatórias e operacionais, o que mostra a maturidade das práticas de gerenciamento de risco em muitas instituições, refletindo investimentos consistentes em frameworks de governança e processos de controle. A prontidão na gestão de riscos de modelos não é apenas uma exigência regulatória, mas um fator que pode diferenciar uma instituição no mercado competitivo.
- Adoção de Soluções Tecnológicas: O uso de tecnologia na gestão de riscos de modelos é fundamental para aumentar a eficiência, a precisão e a agilidade das análises. A pesquisa revelou que, embora muitas instituições tenham adotado soluções tecnológicas, 54% ainda não o fizeram, indicando um grande espaço para aprimoramento. A tecnologia pode facilitar a integração de dados, a automação de processos de validação e a análise contínua dos modelos. No entanto, fatores como custo elevado, complexidade de integração com sistemas legados e falta de pessoal qualificado continuam sendo barreiras importantes.
- Eficiência Operacional e Cumprimento Regulatório: Um dos principais benefícios de uma gestão de riscos de modelos robusto é a melhoria da eficiência operacional, citada por 65% dos participantes. Isso inclui a capacidade de gerenciar modelos de maneira mais eficaz, economizando recursos e garantindo que os modelos estejam sempre em conformidade com as normas vigentes. Além disso, o cumprimento das regulamentações continua sendo uma prioridade absoluta para evitar sanções financeiras e proteger a reputação institucional.
- Classificação de Risco: A classificação dos modelos em diferentes níveis de risco, ou "tiering", é uma prática que permite priorizar esforços e alocar recursos de maneira estratégica. Modelos que apresentam um risco maior demandam validações mais frequentes e rigorosas, enquanto modelos de risco mais baixo podem ser auditados com menor frequência. Essa abordagem ajuda as instituições a manter um foco eficiente nos modelos que apresentam o maior impacto potencial, tanto financeiro quanto reputacional.
- Adoção Limitada de Machine Learning (ML) e Inteligência Artificial (IA): Apesar do potencial de ML e IA para aprimorar a eficiência e a acurácia dos modelos, sua adoção ainda é limitada. Isso se deve em parte à complexidade dos algoritmos e à falta de transparência (o problema da “caixa-preta”). No entanto, o interesse em IA permanece forte, pois essas tecnologias oferecem vantagens substanciais na análise preditiva e na automação de tarefas, o que pode trazer ganhos significativos para as instituições que conseguirem superar as barreiras de implementação.
Complexidade dos Modelos e Digitalização:
À medida que a quantidade e a complexidade dos modelos aumentam, as instituições enfrentam desafios para equilibrar precisão e eficiência no gerenciamento de riscos. A digitalização da gestão de riscos de modelos surge como uma solução promissora para enfrentar esses desafios. As instituições financeiras precisam cada vez mais de ferramentas que automatizem processos e proporcionem uma visão holística dos riscos envolvidos:
- Automação e Integração de Dados: A digitalização dos processos da gestão de riscos de modelos permite que as instituições realizem o inventário dos modelos, a validação e o monitoramento contínuo de forma automatizada. Isso facilita a integração de dados de diferentes origens, proporcionando uma visão consolidada dos riscos. A digitalização também ajuda a reduzir erros humanos e aumentar a velocidade de resposta às mudanças nas condições de mercado.
- Monitoramento em Tempo Real: O monitoramento contínuo, possibilitado por ferramentas digitais, é essencial para que as instituições financeiras possam responder rapidamente a eventos de risco emergentes. Esse tipo de monitoramento permite ajustes ágeis, recalibração de modelos e, eventualmente, a substituição de modelos que se tornem obsoletos em um ambiente de mudanças rápidas.
- Eficiência em Escala: A digitalização da gestão de riscos de modelos também permite que as instituições gerenciem um grande número de modelos de maneira mais eficiente. Instituições com mais de 50 modelos em seu portfólio precisam dessa automação para evitar sobrecarga nas equipes de gestão de risco e garantir que os modelos estejam sempre em conformidade com os padrões regulatórios.
Benefícios de um Framework de Gestão de Riscos de Modelos:
Implementar um framework robusto de Gestão de Riscos de Modelos traz diversas vantagens estratégicas e operacionais, não apenas para a mitigação de riscos, mas também para fortalecer a resiliência da instituição como um todo, tais como:
- Cumprimento e Conformidade Regulamentar: Garantir que os modelos estejam em conformidade com as regulamentações evita penalidades e reforça a credibilidade da instituição junto a reguladores e stakeholders. Um framework bem estruturado é essencial para responder às auditorias regulatórias de forma eficaz.
- Redução de Erros e Custos: A padronização de processos de gestão de riscos de modelos reduz significativamente a possibilidade de erros humanos e ajuda a otimizar custos. O uso de técnicas consistentes para a validação e revisão dos modelos resulta em menos falhas e, consequentemente, menores custos com retrabalho ou sanções regulatórias.
- Facilidade nas Auditorias e Validações: Um framework robusto facilita o processo de auditoria, garantindo que todas as informações necessárias estejam disponíveis de forma estruturada. Isso não só reduz o tempo e o esforço necessários para auditorias, mas também melhora a transparência e a confiabilidade das práticas de MRM.
- Governança e Responsabilidade: Estabelecer papéis e responsabilidades claras dentro do framework de gestão de riscos de modelos promove uma cultura de accountability, em que cada colaborador sabe exatamente qual é a sua função e responsabilidade na gestão de modelos. Isso é fundamental para a eficácia geral do processo de gestão de riscos de modelos e para garantir que os modelos sejam usados de maneira apropriada.
Esses benefícios demonstram que um framework de MRM bem implementado não se limita apenas ao cumprimento regulatório, mas também contribui para a melhoria da eficiência operacional e para a construção de uma base sólida de apoio à tomada de decisões estratégicas.
Classificação de Risco na Gestão de Riscos de Modelos:
A classificação dos risco é uma ferramenta fundamental para o sucesso de um framework de gestão de riscos de modelos, pois permite que as instituições ajustem o nível de controle aplicado aos modelos de acordo com o risco que eles representam. Esta abordagem garante um uso eficiente dos recursos e a mitigação proporcional dos riscos:
- Classificação Baseada em Uso e Impacto: Modelos de alto risco, que influenciam diretamente decisões estratégicas ou relatórios regulatórios, recebem classificação prioritária. Isso significa que esses modelos exigem validações mais rigorosas e monitoramento contínuo para garantir sua eficácia e precisão.
- Avaliação de Materialidade e Complexidade: A materialidade e a complexidade dos modelos também são parâmetros importantes para a classificação de risco. Modelos mais complexos ou de maior relevância financeira são considerados de risco elevado, o que determina uma necessidade de controles adicionais, tais como auditorias externas e revisões mais frequentes.
- Mitigação e Alocação de Recursos: Esta classificação ajuda os gestores a alocar recursos de forma eficiente, concentrando os esforços e a expertise nas áreas que apresentam os maiores riscos potenciais. Isso permite que a instituição otimize seus processos de validação e reduza o risco de falhas graves.
Essas práticas são essenciais para garantir que os recursos e o tempo investidos estejam alinhados com a criticidade dos modelos, evitando desperdício de esforços e priorizando a mitigação dos riscos mais impactantes.
Integração de Inteligência Artificial e Machine Learning:
A integração de Inteligência Artificial (IA) e Machine Learning (ML) na gestão de riscos de modelos traz consigo grandes oportunidades, mas também desafios significativos. A adoção dessas tecnologias ainda está em uma fase inicial na maioria das instituições financeiras, mas as expectativas em torno de seus benefícios são altas:
- Eficiência e Precisão: Modelos de ML oferecem uma oportunidade única de melhorar a precisão das previsões ao captar padrões complexos em grandes volumes de dados. Além disso, a automação de processos repetitivos aumenta a eficiência e permite que as equipes de gestão de risco se concentrem em análises mais estratégicas.
- Transparência e Interpretação: Um dos maiores desafios da IA é a falta de transparência. Modelos complexos, conhecidos como “caixas-pretas”, podem ser difíceis de interpretar e justificar, especialmente para reguladores e stakeholders. Ferramentas de explicabilidade, como SHAP, ajudam a entender melhor o funcionamento desses modelos, mas a transparência completa ainda é um obstáculo a ser superado.
- Treinamento e Capacidade Técnica: A implementação eficaz de IA e ML requer uma equipe altamente qualificada, capaz de desenvolver, calibrar e validar esses modelos complexos. Além disso, a colaboração entre especialistas em risco, desenvolvedores de modelos e auditores é essencial para garantir que as práticas de gestão de riscos de modelos sejam aderentes às melhores práticas e regulamentações vigentes.
O sucesso da integração de IA e ML na gestão de riscos de modelos depende de um planejamento cuidadoso que leve em consideração tanto os benefícios quanto os riscos, buscando sempre equilibrar inovação com uma governança sólida.
Metodologias para Avaliação e Quantificação de Riscos de Modelos:
Avaliar e quantificar os riscos de modelos é uma atividade essencial para garantir que as instituições financeiras possam identificar pontos fracos e agir proativamente. As metodologias utilizadas incluem uma série de abordagens que asseguram um controle rigoroso sobre os modelos utilizados:
- Materialidade do Uso: Avaliar a materialidade envolve entender o impacto potencial do modelo nos resultados financeiros, especialmente quando os modelos são usados para decisões críticas, como crédito ou precificação de ativos. Modelos com maior materialidade requerem um nível de validação mais alto, devido ao impacto direto que têm sobre o desempenho financeiro da instituição.
- Complexidade e Incerteza dos Insumos: Modelos que utilizam variáveis com alta incerteza estão mais propensos a falhas se não forem devidamente monitorados. A complexidade dos insumos aumenta a necessidade de uma revisão meticulosa e de controles rigorosos de qualidade dos dados.
- Uso em P&L e Relatórios Regulamentares: Modelos que influenciam diretamente as perdas e ganhos no resultado (P&L) ou que são utilizados em relatórios regulatórios precisam de um nível adicional de escrutínio, pois qualquer falha nesses modelos pode levar a resultados financeiros errôneos ou a violações regulatórias.
Essas metodologias de avaliação são fundamentais para garantir que os riscos associados aos modelos sejam devidamente controlados e que as instituições possam confiar nos resultados gerados, promovendo a segurança e a transparência necessárias no setor financeiro.
Principais Tipos de Risco Considerados:
Os riscos associados aos modelos são diversos e complexos, sendo que cada tipo de risco exige abordagens específicas para sua mitigação. Entre os principais tipos de risco considerados na gestão de modelos estão:
- Qualidade dos Dados: A qualidade dos dados utilizados é um dos pilares para a eficácia dos modelos. Dados incompletos, incorretos ou desatualizados representam a principal fonte de risco, pois comprometem a precisão dos modelos e podem levar a decisões erradas. A garantia de qualidade dos dados envolve não apenas processos rigorosos de coleta, mas também auditorias regulares para validar a integridade dos dados utilizados.
- Calibração e Implementação: A calibração correta dos modelos é essencial para garantir que eles estejam ajustados para refletir as realidades do mercado. Falhas na calibração, bem como problemas na implementação dos modelos em sistemas de produção, são causas comuns de falhas que podem comprometer a eficácia da gestão de riscos de modelos.
- Interpretação de Resultados e Dependência de Modelos: A interpretação inadequada dos resultados pode levar a decisões incorretas. Além disso, muitos modelos dependem dos outputs de outros modelos, o que cria uma cadeia de dependência que aumenta o risco geral. Garantir que todos os modelos da cadeia sejam robustos e estejam bem calibrados é essencial para mitigar esse risco.
Para mitigar esses riscos, as instituições precisam adotar uma abordagem ampla que envolva verificações periódicas, revisões de implementação e um foco contínuo na melhoria da qualidade dos dados e dos processos de calibração.
Tendências Emergentes e Foco Futuro da Gestão de Riscos de Modelos:
Além dos desafios já discutidos, as instituições financeiras precisam estar preparadas para lidar com tendências emergentes que moldarão o futuro da gestão de riscos de modelos. Entre essas tendências destacam-se:
- Riscos Cibernéticos e Mudanças Climáticas: os riscos cibernéticos e riscos relacionados às mudanças climáticas são desafios cada vez mais relevantes. Ataques cibernéticos podem comprometer a integridade dos modelos, enquanto mudanças climáticas trazem novos parâmetros e variáveis que precisam ser incorporados aos modelos existentes. Esses riscos requerem uma adaptação contínua e estratégias de mitigação que garantam a resiliência dos modelos frente a novas ameaças.
- Automação e Inventário de Modelos: A automação no inventário e gestão dos modelos se torna uma necessidade crítica à medida que a quantidade de modelos aumenta. Ferramentas automatizadas facilitam o gerenciamento e a governança, permitindo um melhor acompanhamento do ciclo de vida dos modelos e garantindo que as atualizações sejam realizadas de forma eficaz.
- Integração com Programas de ESG: Com a crescente pressão por práticas de responsabilidade socioambiental, as instituições financeiras estão cada vez mais incorporando critérios de ESG (Ambiental, Social e Governança) aos frameworks de risco. A integração de ESG na gestão de riscos de modelos ajuda a garantir que os modelos considerem não apenas riscos financeiros, mas também riscos reputacionais e de sustentabilidade, que são cruciais para a perenidade das instituições.
Estas tendências indicam que a gestão de riscos de modelos deve evoluir continuamente para incorporar novas fontes de risco e responder rapidamente às mudanças nas demandas regulatórias e do mercado, mantendo sempre a resiliência e a relevância estratégica dos modelos.
Em última análise, a Gestão de Riscos de Modelos não é apenas uma exigência regulatória, mas também um componente estratégico que pode oferecer vantagens competitivas. Instituições que implementam frameworks da gestão de riscos de modelos robustas e flexíveis estão melhor posicionadas para navegar pelas incertezas do mercado, tomar decisões informadas e sustentar um crescimento sustentável a longo prazo.
Aos que se interessaram pela pesquisa e querem ver mais detalhes dos números e respostas para todos estes pontos podem acessá-la no seguinte link:
https://www.pwc.com/cz/cs/assets/MRM-Survey_Report_2023.pdf
No mais, estão iniciando a pesquisa deste ano de 2024 e pode participar em:
https://survey.pwc.com/jfe/form/SV_1XLbwcRNVQjfrVQ
Organização documental: Okai.
