Nesse vídeo nós vamos falar um pouco sobre os modelos de rating score. Mas não vamos entrar no detalhe desses modelos. Não vamos entrar em cálculo porque esse não é um curso de modelagem, mas importante a gente falar um pouquinho sobre esses modelos e. Qual a relação deles com o IFRS 9? Então, nesse primeiro slide, esses modelos estão classificados em 3 categorias, os modelos de pontuação, nos quais informações disponibilizadas pelo tomador ou pela própria operação são utilizados para criar. Uma classificação de risco. Temos os modelos de descumprimento, os quais utilizam a inadimplência histórica. E os modelos de réplica que utilizam informações divulgadas por agências de rating externas. Importante a gente pontuar aqui um rating interno. Ele vai ser obtido a partir desses modelos e esses ratings eles vão ser utilizados como input, né? Como entrada, quando a instituição calcular o raro que é o retorno ajustado ao risco ou quando ela for calcular o capital regulatório de acordo com o enfoque de modelos internos, né? Os internautas AIRDE também quando a gente? For calcular as perdas esperadas de acordo com o IFRS 9. Primeiro, então vamos falar sobre modelos de pontuação, os modelos de pontuação importante, a gente anotar o seguinte, eles são utilizados na análise do crédito lá no momento da concessão, mas não para os cálculos de probabilidade de default. Tá? Então, dentro dos modelos de pontuação, nós temos os modelos de admissão aí o Credit scoring. Não sei. Utiliza informações do tomador, como a renda, no caso de pessoa física, é bastante comum a gente se resumir AA renda. É no caso de pessoas jurídicas. A gente já pode utilizar, é outras informações aí. Dados de de Balanço dessas dessas instituições, tá? A gente pode utilizar é. É informações de renda, informações de património, informações sobre o eventualmente uma análise de caráter dessas dessas. Entidades? Tá? Então a gente está aí falando de um modelo de Credit scoring. Quando o tomador já tem um histórico dentro da instituição, aí a gente pode utilizar um modelo de comportamento, um behaviour scoring. Então você vai complementar as informações cadastrais utilizando o histórico do cliente. E os modelos de pontuação a gente também pode ter modelos proativos. Aqueles que utilizam é dados de de dos modelos de comportamento pra identificar riscos na carteira. Por isso, eles são chamados de proativos. Bom, de novo. Eu vou chamar atenção que esses modelos, eles são utilizados na análise da concessão de crédito na. Cálculo de probabilidade de default. Um modelo de risco de crédito. Ele precisa ter um bom poder discriminante que é isso? A gente é é com esses modelos, a gente discrimina operações boas e operações ruins entre as boas e as ruins. Você tem um ponto de corte. Pode acontecer o seguinte, a gente ter operações que não são não se tornaram inadimplentes. Mas, inicialmente, elas tinham sido classificadas como o índice. A gente tem 11 erro aí, né? Tem uma área de erro. Foram clientes bons, classificados como ruins, e pode ter algo ainda pior. Eu posso ter clientes que se tornaram inadimplentes, mas tinham sido classificados como clientes bons. Então, sobrepondo aí as 2 curvas de crédito inadimplentes e não inadimplentes, a gente nota que existe um erro. Nesse corte que a gente fez, entre operações boas e operações ruins, então poder discriminante do modelo. Ele vai ser melhor. Quanto mais a gente conseguir separar essas curvas, quanto mais a gente conseguir minimizar esses erros, tá? Então o modelo ele é melhor? Quanto mais você conseguir é, é me. Esse poder discriminante. Os modelos de cumprimento, esses, sim, são bastante utilizados para o cálculo da probabilidade de default ou como é que a gente faz isso? Se pega uma amostra de clientes e de operações e se analisa o histórico. Aí você tem uma série de zeros e uns. Bom, vamos considerar que um seria a ocorrência do evento de default. Como a gente está falando, de probabilidade de default. Então a gente tem o valor zero, que é não aconteceu o default para determinado cliente para determinada operação e a gente tem o valor um que é, aconteceu o default. Ah, então, comparando o número total de de observações com a ocorrência de default histórica, a gente pode chegar a uma probabilidade de default. Esse tipo de modelo ele é bastante utilizado pra varejo, né? Então, pra operações com crédito imobiliário, cartões de crédito, operações feitas com microempresas, com autônomos. Tá? Então é bastante comum o uso dos modelos de descumprimento. Para operações maiores para os clientes de atacado, às vezes é não é possível utilizar esse tipo de modelo. Apesar dele parecer uma coisa infalível, né? Já que a gente está observando histórico de clientes parecidos, operações similares, tal, às vezes a gente não consegue utilizar Oo modelo de descumprimento, porque simplesmente a gente não tem descumprimento naquela amostra. Imagina, isso é o que a gente chama. De low the for o portfólio, imagina você pega para analisar uma carteira de crédito de grandes clientes, de grandes empresas ou mesmo quando você está fazendo uma análise individual, né? De de um cliente específico, você faz uma observação histórica e. Percebe que não existem? Perdas dentro desse desse período analisado. Não tem como você calcular uma probabilidade. Tá? Então, nesse caso, a gente pode utilizar os modelos de réplica. Modelos de réplica a gente vai fazer o quê? A gente vai pegar uma. Amostra de empresas que são avaliadas por agências externas. Vamos pegar lá. Por exemplo, a Ambev, a. Votorantim a Suzano. Celulose, vamos pegar 11 grupo de de empresas que são avaliadas por agências de rating, aí a gente avalia os dados financeiros, os dados de negócio dessas instituições. Para quê? Pra a partir de 11 algoritmo de um modelo matemático a gente é criar padrões, né? A gente reconhecer os padrões utilizados pelas agências de rating e a gente criar um modelo baseado nessa avaliação das agências de rating. Ah, então é, é uma vez que a gente criou de. A gente criou um relacionamento de dados financeiros e de dados de negócio. Para as avaliações que são feitas por agências externas, a gente criou um modelo. Tendo esse modelo aí a gente vai partir de dados de negócio, dados financeiros, né? Essas variáveis de um cliente que não é avaliado por uma agência de rating. Tá, mas a gente vai utilizar essas variáveis, vai aplicar nesse modelo que foi criado e vai atribuir um rating a esse cliente, tá? Então, a gente replicou o modelo de uma agência externa. E tá criando um? 111, modelo próprio. Replicando esses parâmetros. Os modelos de réplica, o que a gente faz a gente associa uma probabilidade de default. As classificações? Das agências de rating, né? O rating propriamente dito. Tá? Então aqui a gente está considerando que o default é um atraso superior a 90 dias ou se for uma, é uma carteira de de hipoteca aí, carteira de residenciais, um atraso superior a 180 dias, que seria considerado como default. Tá EE. Aí a gente criou 11. Relacionamento entre probabilidade de default e. Rating? Porque pra quantificar o risco, é necessário calibrar o modelo de qualificação, atribuindo uma PDA cada rating.