crédito – Credit Scoring
Credit Scoring são os métodos estatísticos utilizados pelas instituições que fornecer crédito. É fortemente utilizado para melhorar a capacidade de previsão a respeito da possibilidade de algum cliente se tornar inadimplente. Essa metodologia foi introduzida no mercado bancário em meados do século passado, mas se tornou muito frequente na avaliação de consumidores individuais a partir da década de 1980, especialmente no mercado de financiamento imobiliário. (CAVALCANTI & VAZ, 2017).
O advento da internet e a ampliação do poder computacional, tornou essa ferramenta muito útil e acessível. Isso permitiu bancos ampliarem sua atuação a diversos mercados, tanto na margem intensiva (mais clientes), quanto extensiva (mais segmentos). Mais estratégias de diversificação do risco também foram desenvolvidas. (CALOMIRIS, LARRAIN, LIBERTI, & STURGESS, 2017).
Os modelos utilizam dados históricos e técnicas estatísticas para determinar e identificar causas para tornar clientes em potenciais inadimplentes. O método produz um “score”, que nada mais é que uma nota, e que as instituições que fornecem crédito utilizam para precificar o risco envolvido.
A depender da técnica, a forma avaliativa pode mudar. Mas, de forma geral, o scorecard criará uma faixa avaliativa, que colocará, em função das características individuais, os clientes em faixas de probabilidade, i.e., maior ou menor chance de calote. Apesar disso, sabe-se bem que nenhum modelo é perfeito, o que pode colocar “bons clientes” no grupo de alto-risco, e vice-versa.
Os dados normalmente utilizados são obtidos de um data-frame interno, com o histórico de empréstimos da instituição, assim como de agências de crédito e pesquisas realizadas. Informações como renda média, nível de endividamento, bens e imóveis, Informe de Imposto de Renda, tempo de emprego, histórico nos órgãos de proteção ao crédito e tempo de relacionamento com a instituição credora (isso pode variar de instituição para instituição).
Técnicas estatísticas são comumente utilizadas para buscar modelar o comportamento do cliente. Modelos de análise de regressão tipicamente são implementados, buscando entender o impacto de cada variável no risco associado. Modelos de regressão logística, probit, e redes neurais são exemplos aplicados. (SELAU & RIBEIRO, 2009).
Leia o artigo (http://bit.ly/35bCrKs): “How Credit Works:
understanding the credit history reporting system”
Saiba quais informações são exibidas no seu relatório de crédito, como são calculadas as pontuações de crédito e como os bancos usam seu histórico de crédito para tomar decisões sobre empréstimos.
SAIBA MAIS:
Leio o artigo “Uma sistemática para construção e escolha de modelos de previsão de risco de crédito”, dos professores Lisiane Selau (UFPEL) e José Luís Ribeiro (UFRGS).
Os autores tratam a questão do crescimento do mercado de crédito e, consigo, o risco de maior calote. Utilizam diferentes técnicas para modelar o risco. Os resultados mostram que uso de redes neurais é ligeiramente mais preciso que as técnicas de regressão.
É claro que, por mais robusto que seja um modelo, sempre haverá erro na previsão, é da natureza modelagem estatística, que trata questões randômicas. Contudo, eles fornecem acurada informação analítica e alto acerto na probabilidade do tomador se tornar devedor.
O que suporta firmemente o processo decisório. Por outro lado, para a construção de um bom modelo, são necessários suficientes dados históricos que reflitam o perfil do individual a ser avaliado. ( (BERNANKE
& BLINDER, 1998) e (CALOMIRIS, LARRAIN, LIBERTI, & STURGESS, 2017)).
Atualmente os principais segmentos de fornecimento de crédito utilizam algum sistema de credit scoring. Desde as operadoras de cartão de crédito até as instituições que atuam no mercado de crédito imobiliário e automotivo.
Além disso, está disponível para os credores que não possuem volumes suficientes para construir seus próprios modelos de pontuação de empréstimos para pequenas empresas. Para desenvolver um modelo de pontuação de empréstimo mais preciso para empresas maiores, um primeiro passo necessário seria a coleta de uma vasta gama de dados em muitos tipos diferentes de negócios junto com a execução de empréstimos feitos a esses negócios, incluindo dados sobre bons e maus empréstimos. O que é realmente difícil.
Alguns benefícios imediatos da expansão do uso do credit scoring é que há uma padronização da forma de avaliação pelas instituições fornecedoras de crédito. Isso permite mais transparência no processo de negociação.
SAIBA MAIS:
Você sabia que existe o Cadastro Positivo?
No Brasil, é uma espécie de selo dado a um CPF. Ele busca o histórico de pagamentos realizados às principais concessionárias. E é utilizado pelo mercado como parâmetro de risco na concessão de crédito ou renovação de contratos. Para consultar o seu http://bit.ly/2r7HI74.
Além da transparência no critério de concessão, o credit scoring permite mais agilidade na avaliação, haja vista metodologia previamente estabelecida, a instituição credora já sabe as variáveis a serem analisadas, bem como os respectivos pesos utilizados. Segundo estudo do Business Bank Board (Reino Unido), mostra que tradicionalmente o tempo médio para avaliação de risco de crédito era de 2 a 3 semanas, fora reduzido para cerca de 24 horas. Embora esse tempo possa variar e se a instituição utilizada exclusivamente seu sistema de credit scoring ou algum outro critério subjetivo e político, como o caso brasileiro.
Outro benefício da pontuação de crédito é aprimorado objetividade no processo de aprovação de empréstimos. Essa objetividade ajuda os credores a garantir que sejam aplicar os mesmos critérios de subscrição a todos devedores, independentemente de raça, sexo ou outros fatores proibidos por lei de serem usados em decisões de crédito.
não forem adequadamente calibrados e não representarem o perfil da carteira de clientes, trará bem mais prejuízos que benefícios. A acurácia é uma questão que não pode ser menosprezada, pois do contrário o tempo ganho na avaliação será destruído pelos maus empréstimos executados.
A base de dados, nos quais o sistema se baseia, precisam ser uma amostra significante de empréstimos com resultados positivos e com baixo desempenho. Os dados devem ser atualizados, e os modelos devem ser frequentemente re-estimados para garantir que as mudanças nas relações entre fatores potenciais e o desempenho do empréstimo seja capturado.
A informação de clientes aceitos e negados é relevante para garantir que não haja um viés de seleção, erro comum em modelos estatísticos, especialmente em processos decisórios com uma intenção mercadológica inerente. Isso significa que o banco deseja emprestar, e talvez possa correr riscos demasiados na análise de dados. De outra maneira, um viés de seleção pode induzir a pesos descompensados no modelo final.
BIBLIOGRAFIA
ALTMAN, E., & SAUNDERS, A. (2007). Financial Institutions Management: a risk management approach. Chicago: McGraw-Hill.
BERGER, A., & UDELL, G. (1990). Collateral, Loan Quallity and Bank Risk. Journal of Monetary Economics, pp. 21-42.
BERNANKE, B., & BLINDER, G. (March de 1998). Credit, Money, and Aggregare Demand. NBER Working Paper, pp. 25-34.
CALOMIRIS, C., LARRAIN, M., LIBERTI, J., & STURGESS, J. (2017).
How Collateral Laws Shape Lending and Sectoral Activity. Journal of Financial Economics, pp. 163-188.
CAVALCANTI, T., & VAZ, P. (2017). Acess to Long-term Credit and Productivity of Small and Medium Firms: a casual evidence. REAP.
DAMIANO, B., & MASSIMO, M. (2006). Risk Neutral Princing of Counterparty Risk. Em Counterparty Credit Risk Modeling: Risk Management, Princing and Regulation. Pykhtin, M.
LOGEMANN, J. (2012). The Development of Consumer Credit in Global Perspective: Business, Regulation, and Culture. New York:
Macmillan.