El Banco de España ha publicado recientemente un artículo sobre la revisión del colchón de capital anticíclico (CCA), una herramienta vital para garantizar la estabilidad financiera y la solvencia bancaria frente a los riesgos sistémicos derivados del ciclo macrofinanciero.
El CCA ajusta los requisitos de capital en función de los riesgos cíclicos, aumentando en tiempos de expansión y reduciendo en periodos de crisis. Este enfoque permite a los bancos absorber pérdidas y mantener un flujo estable de crédito, contribuyendo a una economía más robusta y resiliente.
Mientras leía este artículo, no pude evitar pensar en cómo la inteligencia artificial (IA) puede potenciar aún más la capacidad de los bancos para gestionar el riesgo de crédito y adaptarse a las variaciones del CCA. Aquí hay sólo algunas formas en que la IA puede marcar la diferencia:
- Predicción y simulación de escenarios de estrés: modelos predictivos avanzados para anticipar incumplimientos y cambios económicos. Esto no solo mejora la capacidad de respuesta ante riesgos emergentes, sino que también optimiza la asignación de capital, asegurando que los bancos mantengan la solvencia requerida por el CCA.
- Evaluación en tiempo real: análisis continuo del riesgo para una respuesta rápida y precisa, lo que permite a los bancos ajustar sus estrategias de crédito de manera dinámica, respondiendo de forma inmediata a las variaciones en los riesgos sistémicos.
- Optimización del capital: Los modelos de ML permiten una asignación más eficiente del capital, ayudando a los bancos a maximizar la rentabilidad mientras se mantienen dentro de los límites regulatorios.
- Automatización: La IA puede automatizar procesos complejos de evaluación de crédito, reduciendo significativamente los costos operativos y mejorando la precisión. Esto no solo acelera los procesos de adjudicación de crédito, sino que también mejora la gestión de las carteras de crédito, minimizando las pérdidas y optimizando la rentabilidad.
Al ir enumerándolas es fácil ver una constante: la eficiencia.
Los modelos de IA, concretamente los modelos machine learning (ML) -que son los más adecuados para gestionar el riesgo de crédito-, son altamente eficientes. Su desempeño frente a modelos desarrollados con metodologías estadísticas más tradicionales es notablemente mejor. Usando terminología más técnica, su nivel de Gini es más alto.
Esto, que podría parecer una curiosidad solo comprensible para los perfiles más técnicos, tiene una importancia crucial en el negocio de las entidades financieras, pues cada punto de Gini de más, supone una gran diferencia en los resultados relativos, por ejemplo, al volumen de admisión, a la colocación de tarjetas, al tiempo de recuperación de impagados, etc.
Cuantificación del impacto
Para sustentar la eficiencia de los modelos de ML, en AIS hemos desarrollado cuatro innovadoras calculadoras que cuantifican el impacto en el negocio bancario del aumento de cada punto de Gini en los modelos de IA. Estas calculadoras aplican a distintos tipos de modelos como los reactivos de admisión, los comportamentales, los de alertas tempranas o los de collection. Toman como referencia una serie de KPIs específicos según el tipo de modelo y traducen la eficiencia en indicadores de negocio tangibles. Por ejemplo, en los scorings proactivos y reactivos, los KPIs pueden reflejar el incremento en la aprobación de créditos por cada punto extra de Gini, manteniendo el apetito al riesgo. Para los modelos de recobro, un KPI clave es la reducción de las provisiones necesarias.
La conclusión para mí es que la integración de la IA no sólo ayuda a cumplir con los requisitos regulatorios como el CCA, sino que también fortalece la resiliencia de las entidades, del sistema financiero, asegurando un futuro más estable para todos.
Pere-Joan Ventura, Director Área de Modelos de AIS Group
Descubre más sobre nuestros modelos machine learning
