Los bancos y las entidades financieras del panorama actual afrontan un reto que, debido a la pandemia, se ha visto exacerbado: la calibración precisa de modelos de riesgo tradicionales para series temporales de corta o media duración. Ante la tesitura, donde las series de tiempo son demasiado cortas para obtener confianza estadística en algunas estimaciones, es especialmente relevante disponer de suficientes datos en todo el rango y combinarlos de forma organizada y validada.
Los algoritmos y el machine learning son una nueva tecnología transformadora que tocará todos los aspectos del front, middle y back office de muchos sectores; y de entre ellos, el financiero ha sido uno de los más vanguardistas. A lo largo de esta década, se convertirán en un nuevo estándar del mercado, incluyendo la valoración de productos financieros y la gestión de riesgos; más resiliente también frente a agitaciones sin precedentes como una pandemia.
El transfondo, en plena transformación digital
A medida que crece la complejidad de la banca y los servicios financieros, los modelos se vuelven cada vez más prominentes en la toma de decisiones. Los modelos se utilizan para medir los riesgos que asumen los bancos, cuánto capital deben tener y cómo esto podría variar en diferentes escenarios. En áreas como la calificación crediticia, los modelos incluso están tomando sus propias decisiones.
Esto sitúa la información en el ojo del huracán. Abordar los modelos de riesgo y la información que los nutre –así como su pre-validación y organización– no es tarea fácil. Para empezar, la definición de un modelo nunca ha sido clara. El rápido avance de la inteligencia artificial (IA) y el machine learning (ML) amenaza con complicar el panorama. Por ahora, es más probable que la IA o el ML se utilicen como herramientas de validación que como herramientas principales. Ahí es donde se encuentran los aspectos más interesantes de la evolución de los modelos de riesgo.
En la realidad, el software actúa con un sentido más mundano, aplicando procesos a tareas como extracción y organización de datos, validaciones estructurales o incluso validaciones cruzadas entre fuentes o conceptos, incluyendo fuentes externas confiables. Por otro lado, también tienen una aplicación indudable vinculada a la detección del fraude y al reporting o cumplimiento normativo. La capacidad de los algoritmos para detectar señales útiles de grandes volúmenes de datos no estructurados tienen muchos beneficios para los bancos y las entidades financieras: permite a los analistas y cargos ejecutivos concentrarse en cuestiones más estratégicas. También puede desvincular los sesgos humanos que impulsan muchos modelos y procesos manifiestos y generar nuevos conocimientos a partir de los datos existentes.
Modelización, reporting y toma de decisiones
Como en otros procesos de transformación operativa, la digitalización puede desagregarse en un conjunto de iteraciones en las cuales la organización y ahora también el propio software, aprenden cómo mantenerse al corriente en datos, situaciones y modelos emergentes o nuevos. A ello se suman las expectativas supervisoras del Banco Central Europeo (algunas establecidas en la guía para Targeted Review of Internal Models de 2018).
Mediante el uso de la automatización y un código no supervisado, hoy en día es posible construir un modelo bancario que agregue rigurosamente datos estadísticos y genere muestras o informes. Esto reduce la incertidumbre inherente para períodos cortos, pero también conserva e incorpora la información para la comparación externa y la toma de decisiones. Algunas de las claves de este planteamiento son:
- A medida que los algoritmos están cada vez más representados e influyentes en las finanzas, es importante reconocer sus ventajas y desventajas para evaluar su desempeño con prudencia. Los modelos tienen el potencial de descubrir relaciones sutiles, capturar variables no lineales y procesar datos no estructurados.
- Es necesario un proceso unificado y armonizado a través de todas las plataformas de la entidad para garantizar la calidad de los datos y la disponibilidad de las fuentes de los modelos e informes.
- Se debe aplicar un proceso de validación regular a todos los modelos. Si el modelo es de una complejidad considerable, donde actualmente falta experiencia, los bancos deben considerar iniciativas de mejora de las habilidades o diferentes formas de trabajo que garanticen también la independencia adecuada de la unidad de validación, o que combinen adecuadamente controles y validaciones.
Que los datos y los informes se conviertan en un proceso activo requiere esfuerzo y responsabilidad por parte del banco o entidad financiera, por lo que es igualmente clave incorporar una cultura de riesgo sólida a través de una herramienta adaptada a este cambio, cuyos impactos y potencialidades sólo se empiezan a vislumbrar. A medida que los modelos se vuelven cada vez más complejos, los niveles de control y comprensión de las entidades deben adaptarse en consecuencia y requerir soluciones innovadoras a la altura del desafío.
