{"id":1408670,"date":"2026-11-17T14:02:53","date_gmt":"2026-11-17T14:02:53","guid":{"rendered":"https:\/\/www.artefact.com\/?post_type=blog&#038;p=1408670"},"modified":"2026-11-17T14:02:53","modified_gmt":"2026-11-17T14:02:53","slug":"resolucao-no-4-966-da-cmn-do-brasil-ifrs-9-o-seu-modelo-diferencia-os-riscos-ou-apenas-calcula-corretamente-a-media","status":"publish","type":"blog","link":"https:\/\/www.artefact.com\/br\/blog\/brazilian-cmn-resolution-4966-ifrs-9-does-your-model-differentiate-risk-or-just-get-the-average-right\/","title":{"rendered":"Resolu\u00e7\u00e3o n\u00ba 4.966 da CMN (IFRS 9): O seu modelo diferencia os riscos ou apenas calcula corretamente a m\u00e9dia?"},"content":{"rendered":"<div class=\"fusion-fullwidth fullwidth-box fusion-builder-row-1 fusion-flex-container nonhundred-percent-fullwidth non-hundred-percent-height-scrolling\" style=\"--awb-border-radius-top-left:0px;--awb-border-radius-top-right:0px;--awb-border-radius-bottom-right:0px;--awb-border-radius-bottom-left:0px;--awb-flex-wrap:wrap;\" ><div class=\"fusion-builder-row fusion-row fusion-flex-align-items-flex-start fusion-flex-content-wrap\" style=\"max-width:calc( 1440px + 20px );margin-left: calc(-20px \/ 2 );margin-right: calc(-20px \/ 2 );\"><div class=\"fusion-layout-column fusion_builder_column fusion-builder-column-0 fusion_builder_column_1_1 1_1 fusion-flex-column\" style=\"--awb-bg-blend:overlay;--awb-bg-size:cover;--awb-width-large:100%;--awb-margin-top-large:0px;--awb-spacing-right-large:10px;--awb-margin-bottom-large:0px;--awb-spacing-left-large:10px;--awb-width-medium:100%;--awb-spacing-right-medium:10px;--awb-spacing-left-medium:10px;--awb-width-small:100%;--awb-spacing-right-small:10px;--awb-spacing-left-small:10px;\"><div class=\"fusion-column-wrapper fusion-flex-justify-content-flex-start fusion-content-layout-column\"><div class=\"fusion-text fusion-text-1\"><p>O paradoxo financeiro: ser\u00e1 que um modelo de perda de cr\u00e9dito esperada pode estar bem calibrado e, mesmo assim, ser ineficaz no apoio \u00e0 tomada de decis\u00f5es?<\/p>\n<p>Em projetos recentes com institui\u00e7\u00f5es financeiras brasileiras, constatamos que os modelos produziam estimativas agregadas razo\u00e1veis, mas apresentavam dificuldades para distinguir empr\u00e9stimos de maior risco daqueles de menor risco. Em um caso, uma regra identificou 80% dos futuros inadimplentes, mas tamb\u00e9m sinalizou como problem\u00e1ticos 73% dos clientes que permaneceriam em dia com os pagamentos. Em outro caso, a correla\u00e7\u00e3o entre a LGD prevista e a efetiva foi praticamente nula, indicando que o modelo mal conseguia classificar os empr\u00e9stimos por n\u00edvel de risco.<\/p>\n<p>Isso \u00e9 relevante ao analisar modelos implementados de acordo com resolu\u00e7\u00f5es como a Resolu\u00e7\u00e3o n\u00ba 4.966\/2021 do CMN, que est\u00e1 alinhada com a IFRS 9. Antes de discutirmos os algoritmos, precisamos determinar se o resultado econ\u00f4mico subjacente foi devidamente definido, se os data nos permitem reconstru\u00ed-lo e, acima de tudo, se o modelo \u00e9 capaz de diferenciar o risco no n\u00edvel de cada empr\u00e9stimo individual.<\/p>\n<p>\u00c9 isso que pode transformar um modelo desenvolvido para atender a uma exig\u00eancia regulat\u00f3ria em uma ferramenta eficaz de tomada de decis\u00e3o.<\/p>\n<p><strong>Antes de aprimorar o modelo, tivemos que reformular o problema.<\/strong><\/p>\n<p>A LGD mede a parcela da exposi\u00e7\u00e3o de cr\u00e9dito perdida quando um empr\u00e9stimo entra em inadimpl\u00eancia. Em um desses projetos, esper\u00e1vamos encontrar oportunidades para aprimorar o modelo existente. Em vez disso, descobrimos que o problema mais significativo residia na pr\u00f3pria forma como a LGD era calculada.<\/p>\n<p>O modelo anterior acompanhava as recupera\u00e7\u00f5es por pouco mais de um ano e aplicava regras de tratamento que afetavam justamente a LGD que deveria estimar. Nossa primeira decis\u00e3o, portanto, foi deixar de debater algoritmos e reconstruir a vari\u00e1vel-alvo.<\/p>\n<p>Analisamos quando as recupera\u00e7\u00f5es realmente ocorreram, o benef\u00edcio marginal de prolongar o per\u00edodo de renegocia\u00e7\u00e3o, quais foram os custos de recupera\u00e7\u00e3o e como o valor temporal do dinheiro deveria ser considerado no c\u00e1lculo. Prolongamos o per\u00edodo de renegocia\u00e7\u00e3o para 72 meses.<\/p>\n<p>Essa mudan\u00e7a resolveu um problema, mas criou outro: os casos de inadimpl\u00eancia mais recentes ainda n\u00e3o tinham seis anos de hist\u00f3rico. Em vez de simplesmente exclu\u00ed-los, abordamos explicitamente as recupera\u00e7\u00f5es que ainda n\u00e3o haviam sido observadas antes de retomarmos a modelagem.<\/p>\n<p>Em um segmento do varejo, o MAE caiu de 37% para 20%, o que representa uma redu\u00e7\u00e3o de 48%. Mais importante ainda para a diferencia\u00e7\u00e3o de riscos, a correla\u00e7\u00e3o de Spearman entre a LGD prevista e a LGD efetiva aumentou de praticamente zero para 0,94.<\/p>\n<p>A li\u00e7\u00e3o a ser tirada deste projeto \u00e9 clara: um algoritmo melhor n\u00e3o consegue corrigir um alvo mal elaborado.<\/p>\n<p><strong>A complexidade s\u00f3 vale a pena quando traz resultados.<\/strong><\/p>\n<p>A explicabilidade surge em praticamente todas as conversas que temos com as equipes de risco. \u00c9 por isso que n\u00e3o selecionamos automaticamente o algoritmo mais complexo.<\/p>\n<p>Testamos diferentes abordagens e fazemos uma pergunta espec\u00edfica: o que ganhamos com essa complexidade adicional?<\/p>\n<p>Pode ser uma redu\u00e7\u00e3o significativa no erro fora da amostra, uma melhor diferencia\u00e7\u00e3o entre os empr\u00e9stimos ou outra melhoria mensur\u00e1vel. Se o ganho for pequeno, a explicabilidade, a estabilidade e a facilidade de manuten\u00e7\u00e3o t\u00eam maior peso.<\/p>\n<p><strong>Isso tamb\u00e9m altera a forma como constru\u00edmos modelos.<\/strong><\/p>\n<p>Trabalhamos em conjunto com as equipes de cada institui\u00e7\u00e3o desde as primeiras decis\u00f5es estruturais: defini\u00e7\u00f5es de inadimpl\u00eancia e regulariza\u00e7\u00e3o, segmenta\u00e7\u00e3o, sele\u00e7\u00e3o de vari\u00e1veis, prazos de renegocia\u00e7\u00e3o e estrat\u00e9gia de valida\u00e7\u00e3o. Isso traz um conhecimento de neg\u00f3cios que pode n\u00e3o estar refletido nos data, ao mesmo tempo em que permite que a equipe respons\u00e1vel compreenda por que o modelo produz uma determinada estimativa.<\/p>\n<p>N\u00e3o queremos entregar uma \u201ccaixa preta\u201d cujo funcionamento apenas a equipe de consultoria seja capaz de explicar.<\/p>\n<p><strong>O que constatamos e o que mudou:<\/strong><\/p>\n<ul>\n<li><strong>LGD com capacidade limitada de diferenciar entre empr\u00e9stimos<\/strong><br \/>\nRevisamos a meta, o per\u00edodo de treinamento, a segmenta\u00e7\u00e3o e os modelos. O MAE caiu de 37% para 20%, enquanto a correla\u00e7\u00e3o de Spearman subiu de praticamente zero para 0,94.<\/li>\n<li><strong>Regra de decis\u00e3o de cr\u00e9dito que rejeita um n\u00famero excessivo de clientes com boa capacidade de cr\u00e9dito<br \/>\n<\/strong>Desenvolvemos estimativas de PD no n\u00edvel do empr\u00e9stimo e revisamos o limite de decis\u00e3o. Embora continu\u00e1ssemos a identificar 80% dos futuros inadimplentes, a taxa de falsos positivos caiu de 73% para 31%.<\/li>\n<li><strong>A complexidade do modelo dificulta a explica\u00e7\u00e3o e a manuten\u00e7\u00e3o<br \/>\n<\/strong>Exigimos ganhos mensur\u00e1veis para justificar a complexidade adicional e desenvolvemos os modelos em conjunto com a equipe interna. O resultado foi um modelo que as pessoas respons\u00e1veis por utiliz\u00e1-lo e defend\u00ea-lo pudessem compreender.<\/li>\n<\/ul>\n<p>Um modelo de risco mais eficaz pode significar a concess\u00e3o de mais cr\u00e9dito<\/p>\n<p>Essa foi a descoberta contr\u00e1ria ao que se esperaria, resultante de outro projeto.<\/p>\n<p>A regra vigente da institui\u00e7\u00e3o identificava 80% dos futuros inadimplentes. O problema era que, para isso, ela tamb\u00e9m classificava como problem\u00e1ticos 73% dos clientes que permaneceriam em dia com seus pagamentos.<\/p>\n<p>Nosso modelo de PD alcan\u00e7ou uma AUC de 0,82. Mantendo o recall em 80%, a taxa de falsos positivos poderia cair para 31%, o que representa uma redu\u00e7\u00e3o de 42 pontos percentuais.<\/p>\n<p>Com um limite de classifica\u00e7\u00e3o diferente, mantendo o mesmo volume de rejei\u00e7\u00f5es, o modelo poderia elevar a propor\u00e7\u00e3o de futuros inadimplentes identificados para 98%.<\/p>\n<p>Quando apresentamos os resultados \u00e0 dire\u00e7\u00e3o da institui\u00e7\u00e3o, a conversa foi al\u00e9m do AUC e da calibra\u00e7\u00e3o.<\/p>\n<p>O pr\u00f3prio cliente identificou outros usos para a PD: tornar as decis\u00f5es do comit\u00ea de cr\u00e9dito mais objetivas, ajudar a justificar aprova\u00e7\u00f5es e recusas, reduzir a influ\u00eancia do crit\u00e9rio pessoal e fornecer aos clientes uma explica\u00e7\u00e3o mais informativa quando o cr\u00e9dito fosse negado.<\/p>\n<p>\u00c9 nesse ponto que um projeto de conformidade come\u00e7a a gerar valor para a empresa.<\/p>\n<p>Os bancos j\u00e1 realizaram investimentos substanciais para atender \u00e0 Resolu\u00e7\u00e3o n\u00ba 4.966 da CMN. Os mesmos data, modelos e infraestrutura desenvolvidos para fins de conformidade regulat\u00f3ria podem servir de base para aprova\u00e7\u00f5es de cr\u00e9dito, limites de cr\u00e9dito, defini\u00e7\u00e3o de pre\u00e7os, cobran\u00e7as e gest\u00e3o de carteiras.<\/p>\n<p>Mas h\u00e1 uma condi\u00e7\u00e3o: o modelo deve diferenciar os riscos, e n\u00e3o se limitar a reproduzir a perda m\u00e9dia.<\/p>\n<p>Para uma institui\u00e7\u00e3o que j\u00e1 possui seus modelos de risco de cr\u00e9dito em opera\u00e7\u00e3o, recomendamos iniciar a an\u00e1lise com uma pergunta simples:<\/p>\n<p>Quando classificamos os empr\u00e9stimos do menor para o maior valor previsto de PD ou LGD, as perdas observadas aumentam como deveriam?<\/p>\n<p>Se o modelo acertar a m\u00e9dia, mas n\u00e3o conseguir classificar os riscos, a an\u00e1lise n\u00e3o estar\u00e1 conclu\u00edda.<\/p>\n<p><span style=\"text-decoration: underline;\">Gloss\u00e1rio<\/span>:<\/p>\n<ul>\n<li><strong>Resolu\u00e7\u00e3o CMN n\u00ba 4.966\/2021<\/strong>: um regulamento emitido pelo Conselho Monet\u00e1rio Nacional do Brasil que alinha a contabiliza\u00e7\u00e3o de instrumentos financeiros no Brasil com a IFRS 9 e exige provis\u00f5es com base na perda de cr\u00e9dito esperada.<\/li>\n<li><strong>Perda de cr\u00e9dito esperada (ECL)<\/strong>: uma estimativa do valor que uma institui\u00e7\u00e3o financeira espera perder com um empr\u00e9stimo, calculada com base na PD, na LGD e na EAD.<\/li>\n<li><strong>PD (Probabilidade de Inadimpl\u00eancia)<\/strong>: a probabilidade de que um tomador de empr\u00e9stimo ou um empr\u00e9stimo venha a <strong>padr\u00e3o<\/strong> ao longo de um horizonte temporal definido.<\/li>\n<li><strong>LGD (Perda em caso de inadimpl\u00eancia)<\/strong>: a parcela de uma exposi\u00e7\u00e3o de cr\u00e9dito que uma institui\u00e7\u00e3o financeira acaba perdendo ap\u00f3s uma inadimpl\u00eancia, l\u00edquida de recupera\u00e7\u00f5es.<\/li>\n<li><strong>EAD (Exposi\u00e7\u00e3o em caso de inadimpl\u00eancia)<\/strong>: o valor exposto ao risco de cr\u00e9dito no momento da inadimpl\u00eancia.<\/li>\n<li><strong>Padr\u00e3o<\/strong>: o momento em que um empr\u00e9stimo \u00e9 classificado como inadimplente, de acordo com os crit\u00e9rios da institui\u00e7\u00e3o e os crit\u00e9rios regulat\u00f3rios aplic\u00e1veis.<\/li>\n<li><strong>Cura<\/strong>: o retorno de um empr\u00e9stimo inadimplente ao status de em dia.<\/li>\n<li><strong>Treino<\/strong>: o per\u00edodo durante o qual uma institui\u00e7\u00e3o financeira acompanha as recupera\u00e7\u00f5es ap\u00f3s a inadimpl\u00eancia para calcular as perdas efetivas.<\/li>\n<li><strong>Calibra\u00e7\u00e3o<\/strong>: a capacidade de um modelo de estimar com precis\u00e3o o n\u00edvel m\u00e9dio de risco ou perda da carteira.<\/li>\n<li><strong>Discrimina\u00e7\u00e3o<\/strong>: a capacidade de um modelo de distinguir empr\u00e9stimos de maior risco daqueles de menor risco.<\/li>\n<li><strong>AUC (\u00c1rea sob a curva)<\/strong>: uma m\u00e9trica de discrimina\u00e7\u00e3o que varia de 0,5 (classifica\u00e7\u00e3o aleat\u00f3ria) a 1 (separa\u00e7\u00e3o perfeita) entre mutu\u00e1rios em dia e inadimplentes.<\/li>\n<li><strong>Correla\u00e7\u00e3o de Spearman<\/strong>: avalia se a classifica\u00e7\u00e3o das previs\u00f5es do modelo est\u00e1 alinhada com a classifica\u00e7\u00e3o dos resultados observados; valores mais pr\u00f3ximos de 1 indicam uma melhor classifica\u00e7\u00e3o de risco.<\/li>\n<li><strong>MAE (Erro Absoluto M\u00e9dio)<\/strong>: a diferen\u00e7a absoluta m\u00e9dia entre os valores previstos e os valores observados.<\/li>\n<li><strong>Recupera\u00e7\u00e3o (Sensibilidade)<\/strong>: a porcentagem de futuros inadimplentes que o modelo identifica corretamente.<\/li>\n<li><strong>Falso positivo<\/strong>: um cliente classificado como de alto risco que, na verdade, continua em dia com seus pagamentos.<\/li>\n<\/ul>\n<\/div><\/div><\/div><\/div><\/div>","protected":false},"excerpt":{"rendered":"<p>Em projetos recentes com institui\u00e7\u00f5es financeiras brasileiras, constatamos que os modelos produziam estimativas agregadas razo\u00e1veis, mas apresentavam dificuldades para distinguir empr\u00e9stimos de maior risco daqueles de menor risco. Em um caso, uma regra identificou 80% dos futuros inadimplentes, mas tamb\u00e9m sinalizou como problem\u00e1ticos 73% dos clientes que permaneceriam em dia com os pagamentos. Em outro caso, a correla\u00e7\u00e3o entre a LGD prevista e a efetiva foi praticamente nula, indicando que o modelo mal conseguia classificar os empr\u00e9stimos por n\u00edvel de risco.<\/p>","protected":false},"featured_media":1408671,"parent":0,"template":"","meta":{"_acf_changed":false,"ep_exclude_from_search":false},"blog-category":[2995],"blog-language":[2991],"class_list":["post-1408670","blog","type-blog","status-publish","has-post-thumbnail","hentry","blog-category-ai-technology","blog-language-en"],"acf":[],"_links":{"self":[{"href":"https:\/\/www.artefact.com\/br\/wp-json\/wp\/v2\/blog\/1408670","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.artefact.com\/br\/wp-json\/wp\/v2\/blog"}],"about":[{"href":"https:\/\/www.artefact.com\/br\/wp-json\/wp\/v2\/types\/blog"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.artefact.com\/br\/wp-json\/wp\/v2\/media\/1408671"}],"wp:attachment":[{"href":"https:\/\/www.artefact.com\/br\/wp-json\/wp\/v2\/media?parent=1408670"}],"wp:term":[{"taxonomy":"blog-category","embeddable":true,"href":"https:\/\/www.artefact.com\/br\/wp-json\/wp\/v2\/blog-category?post=1408670"},{"taxonomy":"blog-language","embeddable":true,"href":"https:\/\/www.artefact.com\/br\/wp-json\/wp\/v2\/blog-language?post=1408670"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}