Apresenta

1
Modelagem do risco de crédito Um estudo do
segmento de pessoas físicas em um banco de varejo.
Charles Carmona e Antônio Amorim Neto
2
1 - INTRODUÇÃO

• Apresentação do tema
• Saunders (2000) apresenta sete motivos para o
  súbito interesse na gestão do risco de crédito
  observado na última década
• Aumento estrutural de falências
• Desintermediação
• Margens mais competitivas
• Valores declinantes e voláteis de garantias reais
  
• O crescimento de derivativos extrabalanço
• Tecnologia
• As exigências para capital baseado no risco pelo
  BIS

3
Evolução do Crédito Pessoal
4
Problema de Pesquisa

• Nas últimas décadas diversos modelos estatísticos
  de probabilidade foram desenvolvidos pelas
  instituições financeiras, especialmente aplicados
  para pessoas jurídicas.
• O segmento de pessoas físicas, ao contrário do
  segmento de pessoas jurídicas, é bastante
  homogêneo sob a ótica financeira.

É possível através de modelagem estatística fazer
a previsão da inadimplência para pessoas físicas
em operações de crédito em um banco de varejo
brasileiro?
5
REFERENCIAL TEÓRICO Risco de Crédito - Modelos
Saunders (2000) divide as abordagens de medição
do risco de crédito em tradicionais e novas

• Abordagens Tradicionais
• Sistemas Especialistas
• Credit Scoring Sistemas de pontuação de
  crédito
• Rating Sistemas de classificação.

Novas Abordagens Modelos de gestão de
carteiras (Teoria da diversificação de
Markowitz).
6
Modelos de Credit Scoring
Se dividem em duas categorias
1) Modelos de aprovação ou concessão de crédito
2) Modelos de escoragem comportamental ou
behavioural scoring.
A principal diferença entre as duas categorias é
que nos modelos de escoragem comportamental, a
instituição financeira já conhece o cliente. A
informação adicional no behavioural scoring é o
histórico de compras e pagamentos do cliente.
7
Processo de concessão de crédito através do uso
de modelos de credit scoring.
8
Histórico dos Modelos de Credit Scoring
1941 - David Durand pesquisador do National
Bureau of Economic Research (N.Y. EUA) foi o
primeiro a apresentar um modelo que atribuía
pesos para cada uma das variáveis utilizando
análise discriminante.
1968 - A popularização dos sistemas de credit
scoring, aconteceu após a publicação do modelo Z
de Altman.
Técnicas Estatísticas Para analisar os modelos
utilizam-se técnicas distintas e independentes
Análise Discriminante e Regressão Logística,
entre outras.
9
Vantagens dos modelos de credit scoring
A principal vantagem do uso dos modelos de credit
scoring é a agilidade adquirida pela instituição
que concede o crédito.

• Revisão de crédito mais consistente

• Informações organizadas

• Eficiência no trato de dados fornecidos por
  terceiros

• Diminuição da metodologia subjetiva

• Compreensão do processo

• Maior eficiência do processo

10
Limitações e desvantagens dos modelos de credit
scoring

• Custo de Desenvolvimento

• Modelos com excesso de confiança

• Problemas com valores não preenchidos no cadastro

• Interpretação equivocada dos escores

• Limitações geográficas e temporais

11
4 METODOLOGIA

• FINALIDADE

Desenvolvimento de dois modelos de credit scoring
para uma mesma amostra
Modelo 1 Modelo de concessão ou aprovação de
crédito.
Modelo 2 Modelo de escoragem comportamental ou
behavioural scoring.
BASE DE DADOS
344 clientes tomadores de empréstimo do segmento
de pessoas físicas das agência de um banco de
varejo localizadas na cidade de Recife.
12
4 METODOLOGIA

• Composição

A amostra é formada por dois grupos de indivíduos

• Grupo A- 172 clientes sem atraso no pagamento
  de suas operações.

• Grupo H- 172 Clientes inadimplentes

• Parâmetros para seleção da amostra
• Clientes que possuam operações a mais de 12
  meses.
• Clientes que permaneceram 12 meses no mesmo
  status

13
4 METODOLOGIA

• Hipótese de Avaliação dos modelos

Assumindo que consideramos um modelo funcional
quando este apresenta uma taxa de sucesso (número
de acertos por casos totais) superior a 80
pode-se considerar válida para o objetivo
proposto.
14
5 RESULTADOS

• Modelos de Concessão de Crédito

VARIÁVEIS
COEFICIENTES
73,3
72,4
Taxa de Acertos
15
5 RESULTADOS
Modelos de escoragem comportamental
VARIÁVEIS
COEFICIENTES
81,4
81,7
Taxa de Acertos
16
6 CONCLUSÕES

• Variáveis - Modelos de Concessão de Crédito

17
6 CONCLUSÕES
Os modelos mostraram ser conservadores, isto é,
são melhores na identificação de indivíduos
inadimplentes do que de indivíduos adimplentes
(Erro Tipo 2). Isso é positivo porque permite a
redução do risco das operações.
18
6 CONCLUSÕES

• Técnicas Estatísticas

Análise Discriminante Regressão Logística Modelo
1 73,3 Modelo 1 72,4 H0 Rejeitada Taxas
de acertos menores que 80 Modelo 2 81,4
Modelo 2 81,7 H0 Não foi Rejeitada Taxas
de acertos maiores que 80
Taxas de acertos semelhantes
Ausência de uma técnica dominante
19
Núcleo de Estudos em Finanças e Investimentos do
Programa de Pós-graduação em Administração da
UFPE (NEFI/PROPAD/UFPE)www.dca.ufpe.br/nefi
Fones (81) 3271-8368 / 8370 Coordenador
Charles Carmona
20
1) Sistemas Especialistas
A análise clássica do crédito é um sistema
especializado que depende, acima de tudo, do
julgamento subjetivo de profissionais treinados
(Caouette, Altman e Narayanan, 1998)
Os chamados Cs do crédito (Weston e Brigham,
1972) são representados por (5 Cs)
Caráter
Capacidade
Condições
Colateral
Capital
No Brasil, Silva (2000) incorporou o 6 C do
crédito
Conglomerado
21
2) Credit Scoring
Os modelos tradicionais de credit scoring
atribuem pesos estatisticamente predeterminados a
alguns dos atributos ou variáveis dos
solicitantes, para gerar um escore de crédito.
Os sistemas de credit scoring definem a
probabilidade de um cliente vir a ser bom
pagador ou mau pagador com base em suas
características.
22
3) Rating Classificação Res. 2.682/99 - BACEN
Classificam os empréstimos de acordo com a
probab. de perda.
23
A abordagem da carteira
As novas abordagens de gestão do risco de crédito
estão intimamente ligadas aos modelos de
carteira.
Um exemplo é o Creditmetrics procura identificar
o Value-at-Risk (VaR) da carteira de empréstimos
em um horizonte de risco que além da
probabilidade de inadimplência inclui
valorizações e desvalorizações da qualidade de
crédito, as possíveis migrações de classificação
(Rating).
24
Variáveis do modelo de concessão ou aprovação de
crédito
25
Variáveis do modelo de escoragem
comportamental