{"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":"resolucion-n-o-4966-de-la-cmn-de-brasil-sobre-la-niif-9-su-modelo-distingue-entre-los-distintos-tipos-de-riesgo-o-simplemente-calcula-correctamente-la-media","status":"publish","type":"blog","link":"https:\/\/www.artefact.com\/es\/blog\/brazilian-cmn-resolution-4966-ifrs-9-does-your-model-differentiate-risk-or-just-get-the-average-right\/","title":{"rendered":"Resoluci\u00f3n n.\u00ba 4.966 de la CMN de Brasil (NIIF 9): \u00bfSu modelo distingue los riesgos o simplemente calcula correctamente la media?"},"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>La paradoja financiera: \u00bfPuede un modelo de p\u00e9rdidas crediticias esperadas estar bien calibrado y, aun as\u00ed, resultar poco \u00fatil a la hora de respaldar la toma de decisiones?<\/p>\n<p>En proyectos recientes con entidades financieras brasile\u00f1as, hemos observado modelos que generaban estimaciones agregadas razonables, pero que ten\u00edan dificultades para distinguir entre pr\u00e9stamos de mayor riesgo y aquellos de menor riesgo. En un caso, una regla identific\u00f3 al 80 % de los futuros morosos, pero tambi\u00e9n se\u00f1al\u00f3 como problem\u00e1ticos al 73 % de los clientes que seguir\u00edan al corriente de pago. En otro caso, la correlaci\u00f3n entre la LGD prevista y la real fue pr\u00e1cticamente nula, lo que indica que el modelo apenas era capaz de clasificar los pr\u00e9stamos seg\u00fan su riesgo.<\/p>\n<p>Esto resulta relevante a la hora de analizar los modelos aplicados en virtud de resoluciones como la Resoluci\u00f3n n.\u00ba 4.966\/2021 del CMN de Brasil, que se ajusta a la NIIF 9. Antes de abordar los algoritmos, debemos determinar si el resultado econ\u00f3mico subyacente se defini\u00f3 adecuadamente, si los data nos permiten reconstruirlo y, sobre todo, si el modelo es capaz de diferenciar el riesgo a nivel de cada pr\u00e9stamo individual.<\/p>\n<p>Eso es lo que puede convertir un modelo desarrollado para cumplir un requisito normativo en una herramienta eficaz para la toma de decisiones.<\/p>\n<p><strong>Antes de mejorar el modelo, tuvimos que replantearnos el problema.<\/strong><\/p>\n<p>La LGD mide la proporci\u00f3n de la exposici\u00f3n crediticia que se pierde cuando un pr\u00e9stamo entra en mora. En uno de estos proyectos, esper\u00e1bamos encontrar oportunidades para mejorar el modelo existente. En cambio, descubrimos que el problema m\u00e1s importante radicaba en la propia forma de calcular la LGD.<\/p>\n<p>El modelo anterior realizaba un seguimiento de las recuperaciones durante poco m\u00e1s de un a\u00f1o y aplicaba reglas de tratamiento que afectaban precisamente a la LGD que se supon\u00eda que deb\u00eda estimar. Por lo tanto, nuestra primera decisi\u00f3n fue dejar de debatir sobre algoritmos y reconstruir la variable objetivo.<\/p>\n<p>Analizamos cu\u00e1ndo se produc\u00edan realmente las recuperaciones, el beneficio marginal de ampliar el plazo de renegociaci\u00f3n, cu\u00e1les eran los costes de recuperaci\u00f3n y c\u00f3mo deb\u00eda tenerse en cuenta el valor temporal del dinero en el c\u00e1lculo. Ampliamos el plazo de renegociaci\u00f3n a 72 meses.<\/p>\n<p>Ese cambio resolvi\u00f3 un problema, pero gener\u00f3 otro: los impagos m\u00e1s recientes a\u00fan no contaban con seis a\u00f1os de historial. En lugar de limitarnos a excluirlos, abordamos de forma expl\u00edcita las recuperaciones que a\u00fan no se hab\u00edan observado antes de volver a la modelizaci\u00f3n.<\/p>\n<p>En un segmento minorista, el MAE descendi\u00f3 del 37 % al 20 %, lo que supone una reducci\u00f3n del 48 %. Y lo que es m\u00e1s importante para la diferenciaci\u00f3n del riesgo, la correlaci\u00f3n de Spearman entre la LGD prevista y la LGD observada aument\u00f3 de pr\u00e1cticamente cero a 0,94.<\/p>\n<p>La lecci\u00f3n que se desprende de este proyecto es clara: un algoritmo mejor no puede solucionar un objetivo mal dise\u00f1ado.<\/p>\n<p><strong>La complejidad solo merece la pena cuando aporta resultados.<\/strong><\/p>\n<p>La explicabilidad surge en casi todas las conversaciones que mantenemos con los equipos de gesti\u00f3n de riesgos. Por eso no seleccionamos autom\u00e1ticamente el algoritmo m\u00e1s complejo.<\/p>\n<p>Probamos diferentes enfoques y nos planteamos una pregunta concreta: \u00bfqu\u00e9 ganamos con esa complejidad adicional?<\/p>\n<p>Podr\u00eda tratarse de una reducci\u00f3n significativa del error fuera de la muestra, de una mejor diferenciaci\u00f3n entre los pr\u00e9stamos o de cualquier otra mejora cuantificable. Si la mejora es escasa, la explicabilidad, la estabilidad y la facilidad de mantenimiento cobran mayor importancia.<\/p>\n<p><strong>Esto tambi\u00e9n modifica la forma en que elaboramos los modelos.<\/strong><\/p>\n<p>Trabajamos codo con codo con los equipos de cada instituci\u00f3n desde las primeras decisiones estructurales: definiciones de impago y regularizaci\u00f3n, segmentaci\u00f3n, selecci\u00f3n de variables, plazos de renegociaci\u00f3n y estrategia de validaci\u00f3n. Esto aporta conocimientos del negocio que quiz\u00e1 no queden reflejados en los data, al tiempo que permite al equipo responsable comprender por qu\u00e9 el modelo genera una estimaci\u00f3n determinada.<\/p>\n<p>No queremos entregar una \u00abcaja negra\u00bb que solo el equipo de consultor\u00eda pueda explicar.<\/p>\n<p><strong>Lo que descubrimos y lo que cambi\u00f3:<\/strong><\/p>\n<ul>\n<li><strong>LGD con capacidad limitada para diferenciar entre pr\u00e9stamos<\/strong><br \/>\nHemos revisado el objetivo, el periodo de entrenamiento, la segmentaci\u00f3n y los modelos. El error medio absoluto (MAE) se redujo del 37 % al 20 %, mientras que la correlaci\u00f3n de Spearman aument\u00f3 de pr\u00e1cticamente cero a 0,94.<\/li>\n<li><strong>Regla de decisi\u00f3n crediticia que rechaza a demasiados clientes solventes<br \/>\n<\/strong>Hemos elaborado estimaciones de la probabilidad de impago (PD) a nivel de pr\u00e9stamo y hemos revisado el umbral de decisi\u00f3n. Aunque seguimos identificando al 80 % de los futuros morosos, la tasa de falsos positivos se redujo del 73 % al 31 %.<\/li>\n<li><strong>La complejidad del modelo dificulta su explicaci\u00f3n y mantenimiento<br \/>\n<\/strong>Exigimos beneficios cuantificables para justificar la mayor complejidad y desarrollamos los modelos junto con el equipo interno. El resultado fue un modelo que las personas encargadas de utilizarlo y defenderlo pod\u00edan comprender.<\/li>\n<\/ul>\n<p>Un modelo de riesgo m\u00e1s eficaz puede suponer la concesi\u00f3n de m\u00e1s cr\u00e9dito<\/p>\n<p>Ese fue el hallazgo, contrario a lo que cabr\u00eda esperar, al que se lleg\u00f3 en otro proyecto.<\/p>\n<p>La norma vigente de la entidad identificaba al 80 % de los futuros morosos. El problema era que, al hacerlo, tambi\u00e9n se\u00f1alaba como problem\u00e1ticos al 73 % de los clientes que seguir\u00edan al corriente de pago.<\/p>\n<p>Nuestro modelo de PD alcanz\u00f3 un AUC de 0,82. Manteniendo la tasa de recuperaci\u00f3n en el 80 %, la tasa de falsos positivos podr\u00eda reducirse hasta el 31 %, lo que supone una reducci\u00f3n de 42 puntos porcentuales.<\/p>\n<p>Con un umbral diferente, manteniendo el mismo volumen de rechazos, el modelo podr\u00eda aumentar hasta el 98 % la proporci\u00f3n de futuros morosos identificados.<\/p>\n<p>Cuando presentamos los resultados a la direcci\u00f3n de la instituci\u00f3n, la conversaci\u00f3n fue m\u00e1s all\u00e1 del AUC y la calibraci\u00f3n.<\/p>\n<p>El propio cliente identific\u00f3 otros usos para el PD: hacer que las decisiones del comit\u00e9 de cr\u00e9dito fueran m\u00e1s objetivas, ayudar a justificar las aprobaciones y denegaciones, reducir la influencia de la discrecionalidad personal y ofrecer a los clientes una explicaci\u00f3n m\u00e1s detallada cuando se denegaba un cr\u00e9dito.<\/p>\n<p>Es en este punto donde un proyecto de cumplimiento normativo comienza a generar valor empresarial.<\/p>\n<p>Los bancos ya han realizado importantes inversiones para cumplir con la Resoluci\u00f3n 4.966 de la CMN. Los mismos data, modelos e infraestructura desarrollados para el cumplimiento normativo pueden servir de apoyo en la concesi\u00f3n de cr\u00e9ditos, los l\u00edmites de cr\u00e9dito, la fijaci\u00f3n de precios, el cobro de deudas y la gesti\u00f3n de carteras.<\/p>\n<p>Pero hay una condici\u00f3n: el modelo debe diferenciar el riesgo, no limitarse a reproducir la p\u00e9rdida media.<\/p>\n<p>En el caso de una entidad que ya cuente con modelos de riesgo de cr\u00e9dito en funcionamiento, recomendamos comenzar la revisi\u00f3n con una pregunta sencilla:<\/p>\n<p>Cuando clasificamos los pr\u00e9stamos de menor a mayor PD o LGD previstas, \u00bfaumentan las p\u00e9rdidas observadas tal y como cabr\u00eda esperar?<\/p>\n<p>Si el modelo calcula correctamente la media, pero no es capaz de clasificar el riesgo, la revisi\u00f3n no se da por concluida.<\/p>\n<p><span style=\"text-decoration: underline;\">Glosario<\/span>:<\/p>\n<ul>\n<li><strong>Resoluci\u00f3n n.\u00ba 4.966\/2021 de la CMN<\/strong>: una normativa promulgada por el Consejo Monetario Nacional de Brasil que armoniza la contabilidad de los instrumentos financieros en Brasil con la NIIF 9 y exige la constituci\u00f3n de provisiones basadas en las p\u00e9rdidas crediticias esperadas.<\/li>\n<li><strong>P\u00e9rdida crediticia esperada (ECL)<\/strong>: una estimaci\u00f3n del importe que una entidad financiera prev\u00e9 perder en un pr\u00e9stamo, calculada a partir de la probabilidad de impago (PD), la p\u00e9rdida en caso de impago (LGD) y la exposici\u00f3n al riesgo (EAD).<\/li>\n<li><strong>PD (Probabilidad de impago)<\/strong>: la probabilidad de que un prestatario o un pr\u00e9stamo <strong>por defecto<\/strong> durante un horizonte temporal determinado.<\/li>\n<li><strong>LGD (p\u00e9rdida en caso de impago)<\/strong>: la parte de una exposici\u00f3n crediticia que una entidad financiera acaba perdiendo tras un impago, una vez deducidas las recuperaciones.<\/li>\n<li><strong>EAD (Exposici\u00f3n en caso de impago)<\/strong>: el importe expuesto al riesgo de cr\u00e9dito en el momento del impago.<\/li>\n<li><strong>Por defecto<\/strong>: el momento en el que un pr\u00e9stamo se clasifica como moroso con arreglo a los criterios de la entidad y a la normativa aplicable.<\/li>\n<li><strong>Cura<\/strong>: el restablecimiento de la situaci\u00f3n de un pr\u00e9stamo en mora a la de pr\u00e9stamo al corriente.<\/li>\n<li><strong>Entrenamiento<\/strong>: el per\u00edodo durante el cual una entidad financiera realiza un seguimiento de las recuperaciones tras el impago para calcular las p\u00e9rdidas efectivas.<\/li>\n<li><strong>Calibraci\u00f3n<\/strong>: la capacidad de un modelo para estimar con precisi\u00f3n el nivel medio de riesgo o de p\u00e9rdida de la cartera.<\/li>\n<li><strong>Discriminaci\u00f3n<\/strong>: la capacidad de un modelo para distinguir entre pr\u00e9stamos de mayor riesgo y pr\u00e9stamos de menor riesgo.<\/li>\n<li><strong>AUC (\u00e1rea bajo la curva)<\/strong>: un indicador de discriminaci\u00f3n que oscila entre 0,5 (clasificaci\u00f3n aleatoria) y 1 (separaci\u00f3n perfecta) entre los prestatarios que cumplen con sus obligaciones y los que incumplen.<\/li>\n<li><strong>Correlaci\u00f3n de Spearman<\/strong>: mide si la clasificaci\u00f3n de las predicciones del modelo coincide con la clasificaci\u00f3n de los resultados observados; los valores m\u00e1s cercanos a 1 indican una mejor clasificaci\u00f3n del riesgo.<\/li>\n<li><strong>MAE (error absoluto medio)<\/strong>: la diferencia absoluta media entre los valores previstos y los valores observados.<\/li>\n<li><strong>Recuperaci\u00f3n (sensibilidad)<\/strong>: el porcentaje de futuros morosos que el modelo identifica correctamente.<\/li>\n<li><strong>Falso positivo<\/strong>: un cliente clasificado como de alto riesgo que, de hecho, se mantiene al corriente de pago.<\/li>\n<\/ul>\n<\/div><\/div><\/div><\/div><\/div>","protected":false},"excerpt":{"rendered":"<p>En proyectos recientes con entidades financieras brasile\u00f1as, hemos observado modelos que generaban estimaciones agregadas razonables, pero que ten\u00edan dificultades para distinguir entre pr\u00e9stamos de mayor riesgo y aquellos de menor riesgo. En un caso, una regla identific\u00f3 al 80 % de los futuros morosos, pero tambi\u00e9n se\u00f1al\u00f3 como problem\u00e1ticos al 73 % de los clientes que seguir\u00edan al corriente de pago. En otro caso, la correlaci\u00f3n entre la LGD prevista y la real fue pr\u00e1cticamente nula, lo que indica que el modelo apenas era capaz de clasificar los pr\u00e9stamos seg\u00fan su riesgo.<\/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\/es\/wp-json\/wp\/v2\/blog\/1408670","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.artefact.com\/es\/wp-json\/wp\/v2\/blog"}],"about":[{"href":"https:\/\/www.artefact.com\/es\/wp-json\/wp\/v2\/types\/blog"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.artefact.com\/es\/wp-json\/wp\/v2\/media\/1408671"}],"wp:attachment":[{"href":"https:\/\/www.artefact.com\/es\/wp-json\/wp\/v2\/media?parent=1408670"}],"wp:term":[{"taxonomy":"blog-category","embeddable":true,"href":"https:\/\/www.artefact.com\/es\/wp-json\/wp\/v2\/blog-category?post=1408670"},{"taxonomy":"blog-language","embeddable":true,"href":"https:\/\/www.artefact.com\/es\/wp-json\/wp\/v2\/blog-language?post=1408670"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}