La gestión de riesgos en las entidades financieras

En la actualidad, los mercados se encuentran en una constante evolución, donde el componente de la transformación digital y la regulación están teniendo un fuerte impacto en el modelo de negocio de las entidades.

En Chile, la evolución de la normativa prudencial no ha seguido un camino paralelo a los estándares internacionales, y la adopción de la Ley 21.130 supone un cambio muy ambicioso al pasar, de golpe, de Basilea I a Basilea III.

Desde 2020 la Comisión para el Mercado Financiero (CMF) ha estado trabajando en una serie de objetivos, que marcarán el roadmap de las entidades financieras para los próximos años.

En este contexto, desde Minsait, una compañía de Indra, ha nacido la necesidad de poder abordar esta temática en el encuentro "Jornada de Riesgo y Regulación", donde se abordaron los nuevos desafíos y oportunidades en el ámbito de la gestión de riesgos, con el propósito de compartir una visión global sobre: prioridades de regulación y supervisión para el 2023 en Chile, la innovación en los modelos de riesgo de crédito, novedades en la gestión del riesgo de mercado y la gestión integrada de riesgos no financieros.

Existen tres elementos clave que bien combinados garantizarán el éxito en la mejora de los modelos y los procesos donde estos participan, los que se centran en: fuentes de información, metodología y sistemas.

Las nuevas fuentes de información

Respecto a las nuevas fuentes de información, estas representan un activo muy valioso a la hora de mejorar la medición de la calidad crediticia, por el enriquecimiento con fuentes externas, que, en combinación con la información interna, permite obtener muy buenos resultados.

En particular, el acceso a la información bancaria que brinda el Open Banking es la materia prima para desarrollar modelos de riesgos con información veraz e instantánea, con información tanto del cliente como de consumo.

Desde Minsait, este proceso de extracción se realiza a través de Afterbanks, su fintech de tecnología financiera, que captura credenciales de acceso a la banca móvil.

De igual manera, existe un listado de variables de Open Banking, donde se realizan modelos propios de negocios según la categorización y requerimientos del mercado.  Ya con el acceso a esta información, la entidad puede mejorar sus procesos de admisión de riesgo, gestión comercial, fraude y recuperaciones de una forma excepcional.

Técnicas avanzadas de modelización

Fuera del ámbito regulatorio, por el momento, existe una multitud de técnicas de modelización que están proporcionando mejoras en la bondad de los modelos. Bajo la experiencia de Minsait, se recomiendan las siguientes metodologías de modelización:

• Máquinas Vector Soporte: Campo de estudio continuo y de evolución constante, de manera paralela a las mejoras computacionales, que facilitan la aplicación de este método.
• Bosques aleatorios: Uno de los algoritmos de aprendizaje más precisos, el cual mejora la precisión de las predicciones de los árboles de decisión únicos, además de ofrecer un método experimental de detectar interacciones entre variables.
• Gradient Boosting Machine: Una de las técnicas de Big Data más eficaces en predictividad y discriminación, para problemas de regresión no paramétrica y clasificación.