Pérdidas esperadas y no esperadas: distribución de pérdidas por riesgo de crédito

De qué trata

Fundamentos conceptuales y metodológicos para medir el riesgo de crédito, con la diferencia entre las pérdidas esperadas, las previstas en condiciones normales, y las no esperadas, asociadas a escenarios adversos y eventos extremos.

Analiza también la distribución estadística de las pérdidas en portafolios de crédito, con conceptos como la probabilidad de incumplimiento, la severidad de la pérdida y los factores de conversión crediticia, su relevancia para la gestión integral de riesgos y la solvencia de las entidades, y los retos para una implementación adecuada.

Resumen de la sesión

El expositor, de la Superintendencia de Bancos, Seguros y AFP de Perú, explica que el riesgo de crédito sigue siendo el principal de los sistemas bancarios de la región y que sus carteras son muy heterogéneas, por lo que cada tipo de crédito y cada segmento exige su propio modelo. Muestra por qué las tablas de provisiones por días de atraso no son prospectivas ni sensibles al riesgo, y por qué un modelo de pérdidas esperadas ajusta mejor lo que realmente ocurre. Presenta la distribución de pérdidas como una sola curva: la media son las pérdidas esperadas, que se cubren con provisiones, y la cola son las no esperadas, que se cubren con capital. La pérdida esperada resulta de multiplicar la probabilidad de incumplimiento, la severidad de la pérdida y la exposición al momento del incumplimiento.

Cuenta cómo calibraron los parámetros con datos locales: calificaciones internas para las grandes empresas, modelos estadísticos para el crédito minorista, la metodología de flujos de recuperación para la severidad y los factores de conversión para las líneas no utilizadas. Los retos que identifica son la calidad de los datos, sobre todo los de la severidad, el capital humano, la necesidad de usar información local y no promedios regionales, la formación de los supervisores y los incentivos distintos de supervisores y entidades. En las preguntas se habló de la tasa para descontar los flujos de recuperación, de los sistemas con datos deficientes, de cómo reconocer las garantías, de cómo segmentar una cartera y del uso de la inteligencia artificial generativa en los modelos.

Temas tratados

• Heterogeneidad de las carteras y necesidad de segmentar
• Límites de las provisiones por días de atraso frente a modelos de pérdida esperada
• Pérdida esperada y no esperada en una sola distribución: provisiones y capital
• Probabilidad de incumplimiento, severidad de la pérdida, exposición y factores de conversión
• Calibración con datos locales y calificaciones internas del supervisor
• Retos: datos, capital humano, capacitación de supervisores e incentivos
• Preguntas: tasa de descuento, garantías, segmentación e inteligencia artificial