Decisiones de crédito con inteligencia artificial y el riesgo de modelo

De qué trata

Cómo la inteligencia artificial está transformando la gestión del riesgo de crédito con modelos y analítica avanzada que fortalecen la toma de decisiones, y cuáles son los retos clave y las buenas prácticas del riesgo de modelo para un uso responsable y confiable de estas tecnologías.

Resumen de la sesión

La primera parte repasa cómo el aprendizaje automático se aplica al ciclo de vida del crédito: modelos de originación, de seguimiento, de mora temprana y de recuperación, todos construidos para estimar una probabilidad ligada a un objetivo, como el impago en los doce meses siguientes. Recuerda la fórmula base de la pérdida esperada (probabilidad de incumplimiento, pérdida dado el incumplimiento y exposición) y resume una revisión de literatura según la cual los modelos de aprendizaje automático predicen mejor que la regresión logística tradicional, con mejores resultados en los basados en árboles de decisión que en las redes neuronales. También advierte de los retos: estabilidad del modelo, sobreajuste, gobierno de los datos, sesgos, privacidad y la dificultad de explicar los modelos de ‘caja negra’, para lo que menciona técnicas de interpretación posteriores como SHAP.

La segunda parte define el riesgo de modelo como un riesgo transversal, con tres fuentes: los datos, la metodología y el uso que se le da al modelo. Propone un marco de gobierno con inventario de modelos aprobado por la junta, validación independiente, documentación, funciones de las tres líneas de defensa, clasificación de los modelos por niveles de riesgo y seguimiento del desempeño durante todo su ciclo de vida. Cierra con los riesgos que añade la inteligencia artificial y cinco conclusiones: gestionar el riesgo de modelo es condición para escalar su uso, y los datos son el principal determinante de la calidad. En las preguntas se habló de sesgos, variables prohibidas, comités de modelos, el perfil de quienes desarrollan y validan, y la inclusión del riesgo de modelo en el apetito de riesgo y en la autoevaluación de capital.

Temas tratados

• Modelos de aprendizaje automático en el ciclo de vida del crédito
• Pérdida esperada y probabilidad de incumplimiento: comparación con la regresión logística
• Explicabilidad de los modelos de caja negra y sesgos
• Riesgo de modelo: fuentes, ciclo de vida y gobierno
• Inventario, clasificación por niveles y validación independiente de modelos
• Riesgos que añade la inteligencia artificial y calidad de los datos
• Preguntas: variables prohibidas, comités de modelos, apetito de riesgo y capital