Modelos de machine learning en la administración de riesgos

El uso de modelos y técnicas de machine learning (o aprendizaje automático) en el sistema bancario está cada vez más extendido, sobre todo en la administración de riesgos y la regulación de las instituciones financieras, en especial las de crédito.

Si bien el machine learning incrementa el poder predictivo del riesgo crediticio y financiero, también hace estos modelos más complejos. Se vuelve fundamental saber explicar su rol, direccionalidad y el peso de las variables que intervienen en los resultados de estos modelos, así como su sensibilidad a cada una de las variables que utiliza. Por ello, se han desarrollado y se siguen desarrollando diferentes técnicas para afrontar este reto. Pero, ¿cómo llegamos hasta aquí?

La regulación de Basilea

El uso de modelos internos (como los que habilita el machine learning) para la administración de riesgos financieros fue ampliamente promovido en la etapa inicial de la regulación de Basilea (Basilea II), lo cual incentivó la sensibilidad al riesgo en la asignación del requerimiento de capital regulatorio en cada uno de los portafolios. veamos.

En 1988, el BIS o Banco de Pagos Internacionales (el “regulador” de los reguladores financieros) definió los requerimientos mínimos de capital para los bancos en su primera etapa, Basilea I. Estableció ponderadores estándar de riesgo para las principales contrapartes de crédito (soberanos, entidades financieras, corporativos, hipotecas etc.). No obstante, la sensibilidad al riesgo de este enfoque era baja. En 2004, Basilea II incorporó el uso de modelos internos para mejorar la sensibilidad a riesgo en la asignación de capital, principalmente en la determinación de parámetros que inciden en usar más o menos capital. En 2010, Basilea III se enfocó en los problemas revelados por la crisis de 2008- 2009: liquidez; suplementos de capital para amortiguar crisis y para efectos contracíclicos –según la importancia sistémica de cada entidad—, además de otros elementos como grandes exposiciones, razón de apalancamiento, riesgo de contraparte, Ccpital total para absorción de pérdidas, etc.

Machine learning y la complejidad

Uno de los focos principales de Basilea II fue que el capital necesario fuera sensible al cálculo de variables críticas de los portafolios de crédito. Entre estas variables, se encuentran la probabilidad de impago (incumplimiento), la severidad de pérdida en caso de incumplimiento y la exposición en caso de incumplimiento. Para captar las variables clave que intervienen en los parámetros de riesgo y definen el tamaño del capital necesario para hacer frente a este riesgo, los modelos se vuelven más complejos. De hecho, la complejidad puede ser tal que se vuelve indeseable ("indebida”, según los documentos de Basilea), debido a que se reduce la comparabilidad del riesgo entre los diferentes bancos, no solo en un país, sino a nivel global. Justamente, buscar una métrica homogénea para asignar el capital era una de las intenciones del Comité de Basilea.

La comparabilidad de las métricas de riesgo (y también del capital) se reduce por la diferente velocidad con la que se implementa la regulación en los distintos países. Por ejemplo, los componentes de Basilea III se han implementado con calendarios distintos y a discrecionalidad, ya que los países pueden hacer versiones locales de la norma (la llamada “discrecionalidad nacional”).

¿Qué nos deparará Basilea IV?

Con Basilea IV, que se implementará a partir de 2023, observamos una vuelta de timón regulatoria, así como una invitación a reducir la complejidad de los modelos justo cuando el uso de modelos de alta complejidad (machine learning) deviene un estándar.

El paquete regulatorio de Basilea IV es la respuesta al incremento de la complejidad. Uno de sus objetivos es  desincentivar el uso de modelos internos para reducir complejidad indebida y mejorar la comparabilidad del capital regulatorio asignado por el sistema bancario global.

Así pues, este es el ambiente que deben afrontar los modelos de administración de riesgos financieros desarrollados con metodologías de aprendizaje automático para cumplir la regulación.

No obstante, terminemos con una nota positiva. Cuando el Comité de Basilea propuso los modelos internos, los modelos internos ya eran una práctica común en las entidades financieras y solo se reguló cómo incorporarlos en la regulación. El avance de los modelos de machine learning continuará en los procesos internos porque son una poderosa palanca. Su reconocimiento regulatorio seguirá en la agenda.

* El contenido de este artículo se basa en un capítulo de nuestra autoría incluido en el libro Data Analytics Applications in Emerging Markets (Springer 2022).

Los autores son profesores investigadores de EGADE Business School.