Scorings & Ra6ngs I CONGRESO LATINOAMERICANO SOBRE GESTIÓN INTEGRAL DE RIESGOS EN ENTIDADES FINANCIERAS. Expositor: Ernesto Bazán

Transcripción

1 Scorings & Ra6ngs I CONGRESO LATINOAMERICANO SOBRE GESTIÓN INTEGRAL DE RIESGOS EN ENTIDADES FINANCIERAS Hotel Intercontinental Miramar Ciudad de Panamá Expositor: Ernesto Bazán 1

2 NUESTRA HOJA DE RUTA 1 MARCO CONCEPTUAL 2 SCORINGS 3 RATINGS 4 CONCLUSIONES Y RECOMENDACIONES 2

3 NUESTRA HOJA DE RUTA 1 MARCO CONCEPTUAL 2 SCORINGS 3 RATINGS 4 CONCLUSIONES Y RECOMENDACIONES 3

4 Marco Conceptual Por lo general Scorings Ra6ngs Se usa para Personas naturales Personas Jurídicas 4

5 Marco Conceptual Por lo general Scorings Ra6ngs Se usa para Qué buscan reflejar? Personas naturales Probabilidad de default o de recuperación Personas Jurídicas Probabilidad de default o severidad de pérdida 5

6 Marco Conceptual Por lo general Scorings Ra6ngs Se usa para Qué buscan reflejar? Escala Personas naturales Probabilidad de default o de recuperación Numérica Ejm. Del 0 al 1,000 Personas Jurídicas Probabilidad de default o severidad de pérdida En letras Ejm. AAA, AA, A, BBB 6

7 Marco Conceptual Por lo general Scorings Ra6ngs Se usa para Qué buscan reflejar? Escala Personas naturales Probabilidad de default o de recuperación Numérica Ejm. Del 0 al 1,000 Personas Jurídicas Probabilidad de default o severidad de pérdida En letras Ejm. AAA, AA, A, BBB Común denominador: Herramientas de análisis vinculadas a la capacidad e intención de pago. 7

8 Marco Conceptual Por lo general Scorings Ra6ngs Se usa para Qué buscan reflejar? Escala Personas naturales Probabilidad de default o de recuperación Numérica Ejm. Del 0 al 1,000 Personas Jurídicas Probabilidad de default o severidad de pérdida En letras Ejm. AAA, AA, A, BBB Común denominador: Herramientas de análisis vinculadas a la capacidad e intención de pago. 8

9 Alterna6vas para diseñar estas herramientas Modelo Estadís6co Requiere de una base de datos amplia. Modelo Experto Basada en el buen criterio de los suscriptores. 9

10 Alterna6vas para diseñar estas herramientas Modelo Estadís6co Requiere de una base de datos amplia. La estadísrca determina las variables que hacen que un crédito sea bueno o malo. Modelo Experto Basada en el buen criterio de los suscriptores. Se establecen variables crírcas para el éxito de una transacción credircia. 10

11 Alterna6vas para diseñar estas herramientas Modelo Estadís6co Requiere de una base de datos amplia. La estadísrca determina las variables que hacen que un crédito sea bueno o malo. La modelación matemárca permite inferir posibles comportamientos de pago. Modelo Experto Basada en el buen criterio de los suscriptores. Se establecen variables crírcas para el éxito de una transacción credircia. Se asignan ponderadores a las variables escogidas sobre la base de la experiencia. 11

12 Concepto clave Hagamos la pregunta correcta Cuál es la probabilidad de default? => Pregunta incompleta Cuál es la probabilidad de default en los próximos 12 meses? Pregunta completa 12

13 Concepto clave Hagamos la pregunta correcta Cuál es la probabilidad de default? => Pregunta incompleta Cuál es la probabilidad de default en los próximos 12 meses? Pregunta completa Un modelo estadís6co que está asociado a una probabilidad de default debe ir acompañado de un periodo de referencia. 13

14 NUESTRA HOJA DE RUTA 1 MARCO CONCEPTUAL 2 SCORINGS 3 RATINGS 4 CONCLUSIONES Y RECOMENDACIONES 14

15 SCORINGS Refleja un indicador de puntuación. Generalmente está referido a capacidad e intención de pago de un deudor. Aunque no necesariamente, su uso está vinculado con comportamientos esperados de personas naturales. El modelo estadís6co es más común que el experto. 15

16 Modalidades de Scoring según su obje=vo A De Admisión Asigna puntuación en el momento de la suscripción. 16

17 Modalidades de Scoring según su obje=vo A De Admisión Asigna puntuación en el momento de la suscripción. B De Seguimiento Asigna puntuación en un momento posterior a la suscripción. 17

18 Modalidades de Scoring según su obje=vo A De Admisión Asigna puntuación en el momento de la suscripción. B De Seguimiento Asigna puntuación en un momento posterior a la suscripción. C De Cobranza Asigna puntuación en periodos de mora, referida a la probabilidad de recuperación. 18

19 A Scoring de Admisión Algunas variables explica6vas clásicas Edad 19

20 A Scoring de Admisión Algunas variables explica6vas clásicas Estado civil 20

21 A Scoring de Admisión Algunas variables explica6vas clásicas Deuda / Ingresos 21

22 A Scoring de Admisión Algunas variables explica6vas clásicas # dependientes 22

23 A Scoring de Admisión Algunas variables explica6vas clásicas Nivel educa6vo 23

24 A Scoring de Admisión Algunas variables explica6vas clásicas Tiempo de residencia actual 24

25 A Scoring de Admisión Algunas variables explica6vas clásicas Tiempo en trabajo actual 25

26 A Scoring de Admisión Algunas variables explica6vas clásicas Si es propietario de vivienda 26

27 A Scoring de Admisión Algunas variables explica6vas clásicas Cuota financiera / Ingresos 27

28 A Scoring de Admisión Algunas variables explica6vas clásicas Si 6ene tarjeta de crédito 28

29 A Scoring de Admisión Algunas variables explica6vas clásicas # tarjetas de crédito 29

30 A Scoring de Admisión Algunas variables explica6vas clásicas Trackrecord credi6cio 30

31 A Scoring de Admisión Algunas variables explica6vas clásicas # consultas en buró de crédito (úl=mas X semanas) 31

32 A Scoring de Admisión Algunas variables explica6vas clásicas Calificación credi6cia (si está disponible) 32

33 B Scoring de Seguimiento Las variables explica6vas del modelo deben actualizarse Algunas lo hacen automá6camente Ejemplo - > Edad 33

34 B Scoring de Seguimiento Las variables explica6vas del modelo deben actualizarse Algunas lo hacen automá6camente Otras requieren consultar Ejemplo - > Edad Ejemplo - > # tarjetas de crédito 34

35 B Scoring de Seguimiento Las variables explica6vas del modelo deben actualizarse Algunas lo hacen automá6camente Otras requieren consultar Ejemplo - > Edad Ejemplo - > # tarjetas de crédito Sin embargo, hay ciertas variables que es difcil actualizar Ejemplo - > Ingresos 35

36 C Scoring de Cobranza Algunas variables explica6vas claves Morosidad (# días) Incumplimiento (# veces) Variación en Deuda / Ingresos Vola6lidad en Ingresos Variación en Trackrecord credi6cio Las variaciones se miden respecto del momento en que se dio el crédito Variación en Cuota / Ingresos 36

37 C Scoring de Cobranza Obje6vo principal Hacer un Análisis Costo - Beneficio Fórmula del Costo - Beneficio (RoI) RoI = Probabilidad de recuperación * Monto recuperable Costo de la Acción 37

38 Ventajas de los Scoring De Admisión Rapidez en la suscripción Permite diferenciar pricing Acelera decisiones Mejora eficiencia (+ clientes en Rempo) Permite esrmar RAROC 38

39 Ventajas de los Scoring De Admisión Rapidez en la suscripción Permite diferenciar pricing De Seguimiento Mejora rentabilidad Amplía y desarrolla negocios Acelera decisiones Agrega valor a clientes Mejora eficiencia (+ clientes en Rempo) Permite esrmar RAROC Aumenta valor de clientes y de la enrdad Permite esrmar RAROC 39

40 Ventajas de los Scoring De Admisión De Seguimiento De Recuperación Rapidez en la suscripción Permite diferenciar pricing Mejora rentabilidad Amplía y desarrolla negocios Ahorra costos innecesarios Prioriza atenciones Acelera decisiones Agrega valor a clientes OpRmiza cobros Mejora eficiencia (+ clientes en Rempo) Permite esrmar RAROC Aumenta valor de clientes y de la enrdad Permite esrmar RAROC Mejora eficiencia 40

41 Desventajas de los Scoring De Admisión Riesgo de perder el criterio humano en la evaluación No aplica para descuentos directos o convenios de descuento por planilla Requieren gran canrdad y calidad de data 41

42 Desventajas de los Scoring De Admisión Riesgo de perder el criterio humano en la evaluación No aplica para descuentos directos o convenios de descuento por planilla De Seguimiento Dificultad para actualizar ingresos No aplica para descuentos directos o convenios de descuento por planilla Requieren gran canrdad y calidad de data 42

43 Desventajas de los Scoring De Admisión De Seguimiento De Recuperación Riesgo de perder el criterio humano en la evaluación No aplica para descuentos directos o convenios de descuento por planilla Dificultad para actualizar ingresos No aplica para descuentos directos o convenios de descuento por planilla Variables conductuales didciles de cuanrficar Normalmente no hay experiencias de irrecuperabilidad en la data Requieren gran canrdad y calidad de data 43

44 NUESTRA HOJA DE RUTA 1 MARCO CONCEPTUAL 2 SCORINGS 3 RATINGS 4 CONCLUSIONES Y RECOMENDACIONES 44

45 Nomenclaturas en escala internacional y equivalencias Grado de Inversión Grado Especulativo S&P Moody s Fitch AAA Aaa AAA AA+ Aa1 AA+ AA Aa2 AA AA- Aa3 AA- A+ A1 A+ A A2 A A- A3 A- BBB+ Baa1 BBB+ BBB Baa2 BBB BBB- Baa3 BBB- BB+ Ba1 BB+ BB Ba2 BB BB- Ba3 BB- B+ B1 B+ B B2 B B- B3 B- CCC+ Caa1 CCC+ CCC Caa2 CCC CCC- Caa3 CCC- CC Ca CC C C C D D D

46 ELABORACIÓN DE UN MODELO DE RATING PASO 1: Fijar ponderaciones (pesos) en dos factores de análisis (cualitarvo y cuanrtarvo) I ANÁLISIS CUALITATIVO II ANÁLISIS CUANTITATIVO Ejemplo: 30% 70% 46

47 ELABORACIÓN DE UN MODELO DE RATING PASO 2: Fijar escala de puntuación cuanrtarva Ejemplos: Del 0 al 5 Del 0 al 10 Del 0 al 100 El estándar es que a mayor puntuación, menor riesgo 47

48 ELABORACIÓN DE UN MODELO DE RATING PASO 3: Elegir componentes I ANÁLISIS CUALITATIVO II ANÁLISIS CUANTITATIVO Ejemplo: El sector Capacidad de pago histórica La estrategia Indicadores financieros La gerencia Partes relacionadas El gobierno corpora6vo Indicadores de concentración Los accionistas Compromisos y con6ngencias Capacidad de pago proyectada 48

49 ELABORACIÓN DE UN MODELO DE RATING PASO 4: Asignar sub- ponderaciones a los componentes Ejemplo: II ANÁLISIS CUANTITATIVO I ANÁLISIS CUALITATIVO 20% Capacidad de pago histórica 20% El sector 20% Indicadores financieros 25% La estrategia 10% Partes relacionadas 15% La gerencia 10% Indicadores de concentración 10% El gobierno corpora6vo 10% Compromisos y con6ngencias 30% Los accionistas 30% Capacidad de pago proyectada 49

50 ELABORACIÓN DE UN MODELO DE RATING PASO 5: Definir subcomponentes y sub- subpesos Ejemplo: I 20% ANÁLISIS CUALITATIVO El sector Estabilidad económica Importancia para la economía Quiebras ocurridas Legislación Sensibilidad polí6ca Perspec6vas Puntaje A B C D E F Pesos 20% 25% 10% 15% 15% 15% Puntaje del sector=a(20%)+b(25%)+c(15%)+d(20%)+e(20%)+f(15%) 50

51 ELABORACIÓN DE UN MODELO DE RATING PASO 5: Definir subcomponentes y sub- subpesos Ejemplo: I 25% ANÁLISIS CUALITATIVO La estrategia y posición compe66va Coherente Probada Planificada involucramiento de accionistas Ventaja compe66va o compara6va Posición compe66va Diversificación del negocio Puntaje A B C D E F G Pesos 10% 25% 5% 5% 35% 10% 10% Puntaje =A(10%)+B(25%)+C(5%)+D(5%)+E(35%)+F(10%)+G(10%) 51

52 ELABORACIÓN DE UN MODELO DE RATING PASO 5: Definir subcomponentes y sub- subpesos Ejemplo: I 15% ANÁLISIS CUALITATIVO La gerencia Experimentada Con conocimiento del sector Cuenta con logros empresariales Cuenta con recurso humanos comprome6do Antecedentes credi6cios Puntaje A B C D E Pesos 15% 25% 30% 15% 15% Puntaje =A(15%)+B(25%)+C(30%)+D(15%)+E(15%) 52

53 ELABORACIÓN DE UN MODELO DE RATING PASO 5: Definir subcomponentes y sub- subpesos Ejemplo: I 10% ANÁLISIS CUALITATIVO El gobierno corpora6vo y sistemas de control Auditoría externa Rendición de cuentas Decisiones colegiadas Directores independientes Auditoría interna Credibilidad de la información Puntaje A B C D E F Pesos 30% 15% 10% 5% 15% 25% Puntaje =A(15%)+B(10%)+C(10%)+D(5%)+E(15%)+F(25%) 53

54 ELABORACIÓN DE UN MODELO DE RATING PASO 5: Definir subcomponentes y sub- subpesos Ejemplo: I 30% ANÁLISIS CUALITATIVO Accionistas Involucramiento en decisiones Capacidad financiera Compromiso de soporte financiero Character Soporte no financiero Antecedentes credi6cios Entendimiento entre accionistas Puntaje A B C D E F G Pesos 10% 25% 10% 15% 10% 15% 15% Puntaje =A(10%)+B(25%)+C(10%)+D(5%)+E(10%)+F(15%)+G(15%) 54

55 ELABORACIÓN DE UN MODELO DE RATING PASO 5: Definir subcomponentes y sub- subpesos II ANÁLISIS CUANTITATIVO Ejemplo: 20% Capacidad de pago histórica ICR, DSCR, DTE 20% Indicadores financieros Rentabilidad, liquidez, endeudamiento 10% Partes relacionadas Ajustes 10% Indicadores de concentración Clientes, deudores, proveedores 10% Compromisos y con6ngencias Compromiso patrimonial y de cash flow 30% Capacidad de pago proyectada ICR, DSCR, DTE 55

56 ELABORACIÓN DE UN MODELO DE RATING PASO 5: Definir subcomponentes y sub- subpesos II ANÁLISIS CUANTITATIVO Se pueden crear subcomponentes: 20% Indicadores financieros Rentabilidad Liquidez Endeudamiento Rotación Puntaje A B C D Pesos 30% 25% 25% 20% Puntaje =A(30%)+B(25%)+C(25%)+D(20%) 56

57 EJEMPLO DE COMPONENTES DE UN RATING I II ANÁLISIS CUALITATIVO ANÁLISIS CUANTITATIVO El sector Capacidad de pago histórica La estrategia Indicadores financieros La gerencia El gobierno corpora6vo Partes relacionadas Indicadores de concentración Deudor Facilidad Los accionistas Compromisos y con6ngencias Capacidad de pago proyectada Mi6gantes/agravantes del riesgo 57

58 ELABORACIÓN DE UN MODELO DE RATING PASO 6: Obtener un indicador final para el deudor I ANÁLISIS CUALITATIVO II ANÁLISIS CUANTITATIVO Análisis Cualita6vo Análisis Cuanta6vo Puntaje A B Pesos 30% 70% Puntaje =A(30%)+B(70%) = X 58

59 ELABORACIÓN DE UN MODELO DE RATING PASO 7: Asignar un puntaje para el mirgante de riesgo en función del recovery esperado GARANTÍA Recovery Esperado (%) Puntaje Fianza personal 5% 5 Fianza de terceros 10% 10 Garanla hipotecaria 50% 50 Garanla en fideicomiso de flujos Garanla en fideicomiso de acrvos 65% 65 80% 80 Back to back 100%

60 ELABORACIÓN DE UN MODELO DE RATING PASO 8: añadir al puntaje del rarng del deudor el puntaje por mirgante de riesgo y así obtener el rarng final de la facilidad Ejemplo: Puntaje del deudor (del 0 al 100) = 65 Puntaje del mi6gante de riesgo (del 0 al 100) = 20 Puntaje de la facilidad = = 85 60

61 ELABORACIÓN DE UN MODELO DE RATING PASO 9: Generar equivalencias: números- letras 61

62 Escala Puntuación (referencial) más de AAA 98 AA+ 95 AA 91 AA- 87 A+ 83 A 79 A- 75 BBB+ 71 BBB 67 BBB- 63 BB+ 59 BB 55 BB- 50 B+ 46 B 42 B- 38 CCC+ 34 CCC 30 CCC- 25 CC 20 C 10 D 0

63 NUESTRA HOJA DE RUTA 1 MARCO CONCEPTUAL 2 SCORINGS 3 RATINGS 4 CONCLUSIONES Y RECOMENDACIONES 63

64 Comentarios finales sobre Scoring Los modelos son imperfectos. 64

65 Comentarios finales sobre Scoring Los modelos son imperfectos. El scoring es una herramienta. No se le debe delegar la toma de decisiones. 65

66 Comentarios finales sobre Scoring Los modelos son imperfectos. El scoring es una herramienta. No se le debe delegar la toma de decisiones. No olvidar que hay error 6po 1 y 6po 2. Aceptar al que no deseas y rechazar al que deseas. 66

67 Comentarios finales sobre Ra6ngs El modelo requiere par6cipación de todos los involucrados en el proceso del crédito. Se requiere calibrar el modelo al menos seis meses después de implementarse. 67

68 Comentarios finales sobre Ra6ngs El modelo requiere par6cipación de todos los involucrados en el proceso del crédito. 68

69 Comentarios finales sobre Ra6ngs El modelo requiere par6cipación de todos los involucrados en el proceso del crédito. Se requiere calibrar el modelo al menos seis meses después de implementarse. Recuerde que el puntaje puede ser mayor a

70 Comentarios finales sobre Ra6ngs El modelo requiere par6cipación de todos los involucrados en el proceso del crédito. Se requiere calibrar el modelo al menos seis meses después de implementarse. Recuerde que el puntaje puede ser mayor a 100. El puntaje es referencial. No debería tomarse como defini6vo para una decisión. 70

71 Estoy disponible ERNESTO BAZÁN, S.A. Agregamos valor a su negocio T: / / C: E: ernesto@ernestobazan.com W: