El riesgo de crédito o de contraparte se define como la pérdida potencial, desde una perspectiva individual y de cartera, a la que se enfrenta la empresa, originada por el incumplimiento de las obligaciones contractuales de sus contrapartes.
La magnitud del riesgo viene determinada por la pérdida máxima en caso de incumplimiento, junto con la probabilidad de incumplimiento de la contraparte, y con la tasa de recuperación de dicha pérdida máxima para cada contraparte.
La perspectiva de cartera permite reflejar a través de las medidas y métricas de riesgo los efectos de concentración y diversificación que las distintas contrapartes del portfolio pueden tener entre sí.
Definir e implementar las medidas de riesgo que mejor representan la exposición de la empresa en cada momento, facilitará la toma de acciones correctivas para llevar las medidas de riesgo a los límites/niveles definidos por la Empresa.
Para una mejor comprensión, las medidas de riesgo tanto individuales como globales se calculan tanto para la cartera global como para sub-carteras por país, por sector, por tipo de negocio, por tipo de rating, etc.
Para el caso de empresas pertenecientes a los sectores energético e industrial, se adapta convenientemente la metodología más utilizada en banca a las peculiaridades y productos, tanto físicos como financieros, negociados en los mercados de commodities y de materias primas.
La exposición, la pérdida esperada, la pérdida inesperada, así como el resto de las medidas de riesgo junto con los efectos concentración y diversificación, se obtienen a partir de la distribución de pérdidas y ganancias de la cartera obtenida mediante simulación avanzada de Monte Carlo con el uso de cópulas.
Anterior a la búsqueda de los mejores modelos de machine learning que calculen la probabilidad de incumplimiento para cada uno de los clientes en la cartera, hay que llevar a cabo una segmentación exhaustiva, ya que diferentes segmentos pueden requerir distingos tipos de modelos en función de la información disponible.
Para ello, seguimos las mejores prácticas para una correcta segmentación de las contrapartes:
Con las técnicas más avanzadas de machine learning desarrollamos los mejores modelos para el cálculo de la probabilidad de default y del rating. Sin embargo, estos modelos pueden combinarse con el conocimiento experto del analista de riesgos, que también puede sistematizarse parcialmente.
Lo anterior se termina definiendo e implementando los informes de reporting más adecuados que con todas las métricas de riesgo que permitirán ir “aguas arriba” para detectar los principales causantes del riesgo y ayudará a tomar las mejores acciones de cobertura y correctivas.
Opens in new window