Modelagem do risco de crédito: Um estudo do
segmento de pessoas físicas em um banco de
varejo.
Charles Carmona e Antônio Amorim Neto
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
Evolução do Crédito Pessoal
Operações de Crédito Jan/99
Pessoa Física
24%
Pessoa Jurídica
76%
Operações de Crédito Ago/2002
Pessoa Física
37%
Pessoa Jurídica
63%
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?
REFERENCIAL TEÓRICO
Risco de Crédito - Modelos
Saunders (2000) divide as abordagens de medição do risco de
crédito em tradicionais e novas:
Abordagens Tradicionais:
1) Sistemas Especialistas;
2) Credit Scoring – Sistemas de pontuação de crédito;
3) Rating – Sistemas de classificação.
Novas Abordagens = Modelos de gestão de carteiras
(Teoria da diversificação de Markowitz).
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.
Processo de concessão de crédito através do uso
de modelos de credit scoring.
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.
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
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
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.
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”
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.
5 – RESULTADOS
Modelos de Concessão de Crédito
VARIÁVEIS
Taxa de Acertos:
COEFICIENTES
73,3%
72,4%
5 – RESULTADOS
Modelos de escoragem comportamental
VARIÁVEIS
Taxa de Acertos:
COEFICIENTES
81,4%
81,7%
6 – CONCLUSÕES
Variáveis - Modelos de Concessão de Crédito
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.
6 – CONCLUSÕES
Técnicas Estatísticas
Análise Discriminante
Modelo 1 = 73,3%
Regressão Logística
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
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
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 Capital
Colateral
No Brasil, Silva (2000) incorporou o 6° C do crédito:
Conglomerado
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.
3) Rating – Classificação Res. 2.682/99 - BACEN
Classificam os empréstimos de acordo com a probab. de perda.
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).
Variáveis do modelo de concessão ou aprovação de crédito
VARIÁVEL
FORMATO/VALORES
1 = Recife - Capital
A naturalidade ( origem de 2 = Pernambuco NATURAL nascimento) do tomador de Interior 3 = Outro
crédito.
Estado da Federação.
4 = Outro País.
IDADE
A idade do tomador de crédito.
Números inteiros (anos)
ESCOLAR
SEXO
ESTCIVIL
LRESID
NOCUP
NATOCUP
RENDA
DEFINIÇÃO
1
2
3
1
Sexo do tomador de crédito. 2
Grau de escolaridade.
Estado Civil.
=
=
=
=
=
Nível Fundamental
Nível Médio
Nível Superior.
Masculino
Feminino.
1 = Solteiro
2 = Casado + União
estável
3 = Separado ou
divorciado
4 = Viúvo
Local
onde
reside 1 = Recife - Capital
atualmente o tomador de 2 = Pernambuco Interior 3 = Outro
crédito.
Estado da Federação.
Quantidade de ocupações
(ou
fontes
de
renda) Números inteiros (anos)
declaradas.
Natureza
principal.
da
Renda mensal
pelo proponente.
1 = Funcionário de
empresa privada ou
ocupação autônomo
2 = Funcionário de
empresa de economia
mista
3 = Funcionário Público
declarada Números inteiros. Valor
em Reais (R$)
Tempo
de
posse
na
ocupação
principa,
ou
TPOSSE
Números inteiros (anos)
desde quando o indivíduo
recebe a renda principal.
Variáveis do modelo de escoragem comportamental
VARIÁVEL
DEFINIÇÃO
TCADAST Tempo de cadastro no banco.
FORMATO/VALORES
Anos
RESTBX
Já possui restrição de crédito em seu
tempo de cadastro no banco.
0 = Não
1 = Sim
ENDIVIDA
Dívida total no banco, em julho/2001,
dividida pela renda mensal.
Percentual
CARTAO
Dívida total oriunda de cartão de crádito
no banco, em julho/2001, dividida pela
renda mensal.
Percentual
CHEQUE
Dívida total oriunda de cheque especial
no banco, em julho/2001, dividida pela
renda mensal.
Percentual
Dívida total oriunda de empréstimos
pessoais
sem garantias
reais no
PESSOAL
banco, em julho/2001, dividida pela
renda mensal.
Percentual
Dívida oriunda de empréstimos para
financiamento de veículos no banco
(julho/2001 dividida pela renda mensal).
Garantia = Alienação do Bem.
Percentual
VEICULO