Skip to content

GRA · Riesgo de la IA y de los modelos financieros

Spatial financeWhere capital meets hazard, exposure and transition

Modelos de crédito y de precios

Las puntuaciones crediticias, los modelos de probabilidad de impago y los modelos de fijación de precios de seguros deciden quién obtiene crédito o cobertura y a qué precio. El aprendizaje automático puede mejorar la predicción, pero también introducir opacidad, inestabilidad y discriminación por variables indirectas. Estos modelos alimentan además las provisiones y el capital. Esta página expone cómo fallan los modelos de crédito y de precios, cómo se miden sus riesgos, los datos de los que dependen y quién decide cómo se utilizan.

01Registro

Modelos de crédito y de fijación de precios documentados.

02La pregunta

Credit and pricing models: how the risk develops.

Finance-specific automated decisions. The dossier below sets out how the risk develops, what is measured, where the data come from, how it is modelled and who decides.

Mecanismo

Data reflect the past

Models learn from historical lending and claims that reflect past decisions, economic conditions and exclusions. Applicants unlike past borrowers are scored with less reliable evidence.

Mecanismo

El rendimiento se degrada en condiciones nuevas

Models fitted in stable periods can misjudge default or claims when rates, inflation or unemployment shift, which is when accurate risk estimates matter most.

Mecanismo

Proxies create unfair outcomes

Las variables correlacionadas con características protegidas pueden producir resultados dispares sin utilizar directamente esas características. La ley y los supervisores limitan qué factores pueden utilizarse.

Mecanismo

Errors reach capital and provisions

Las estimaciones de probabilidad de impago y de pérdida en caso de impago alimentan las provisiones por pérdidas crediticias esperadas y el capital. El optimismo sistemático subestima ambas hasta que llegan las pérdidas.

03Exposición, pérdida y capital

Qué significan los modelos de crédito y de precios para la exposición, la pérdida y el capital.

Las vistas de exposición, pérdida, escenarios y capital que pediría un responsable de riesgos, un supervisor o un ministerio de finanzas, con los marcos con arreglo a los cuales informan. Las estructuras siguen la práctica supervisora y actuarial. Los valores son ilustrativos: nunca precios, calificaciones ni asesoramiento.

Indicadores de capital, solvencia y fiscales

The indicators a risk officer, supervisor or ministry of finance reads first on credit and pricing models.

IndicadorUnidadQuién lo leeMarco
Ratio CET1% de los activos ponderados por riesgoBancos, supervisoresMarco de Basilea
Ratio de cobertura de liquidez% de las salidas en situación de estrésBancos, bancos centralesMarco de Basilea
Ratio de solvencia% del capital de solvencia obligatorioAseguradoras, supervisoresPrincipios Básicos de Seguros de la IAIS
Ratio combinado% de la prima devengadaAseguradorasPráctica actuarial
Brecha de protecciónproporción no asegurada de la pérdida económicaAseguradoras, ministerios de finanzasEstadísticas de pérdidas publicadas
Deuda pública% del PIBMinisterios de finanzas, FMIMarco de sostenibilidad de la deuda
Necesidades brutas de financiación% del PIB por añoMinisterios de finanzas, inversionistasMarco de sostenibilidad de la deuda
Source: the frameworks named in each row. Indicator names, units and frameworks only; values belong to each institution’s own reporting and are never shown here.
Escenarios climáticos del NGFS · Red para la Ecologización del Sistema FinancieroNIIF S2 Información a revelar relacionada con el clima · ISSBRecomendaciones del TCFD · TCFD del Consejo de Estabilidad FinancieraPrincipios para la gestión eficaz de los riesgos financieros relacionados con el clima · Comité de Supervisión Bancaria de Basilea
04Indicadores

Qué se mide y con qué calidad.

Cada indicador lleva su unidad, su periodicidad, el tipo de fuente que lo respalda y la etiqueta de evidencia que llevaría un valor. No se muestran valores: un programa los aporta bajo su propia autoridad.

IndicadorUnidadCadenciaTipo de fuenteEtiqueta
Poder discriminatorio de las tarjetas de puntuaciónCoeficiente de Gini o área bajo la curvatrimestralMonitorización de modelosESTIMADO
Calibración de la probabilidad de impagoobserved default rate against predicted, ratioanualBack-testingESTIMADO
Índice de estabilidad de la poblaciónadimensionalmensualMonitorización de modelosESTIMADO
Diferencias en la tasa de aprobación entre gruposrazón de tasas de aprobaciónperiódicoAnálisis de equidad crediticiaESTIMADO
Anulaciones de decisiones del modeloproporción de decisionesmensualRegistros de decisionesOBSERVADO
Expected credit loss model adjustmentsvigencia de los ajustes posteriores al modelotrimestralEstados financierosEstadísticas publicadas
05Fuentes

De dónde procede la evidencia.

Conjuntos de datos públicos y registros institucionales identificados, cada uno con su tipo de licencia. Las fuentes obtenidas por acuerdo solo se utilizan conforme a sus condiciones y nunca se republican.

FuenteLo que aportaTipo de licencia
Directrices de la EBA sobre concesión y seguimiento de préstamosExpectations for credit decision models including automated modelsGratuito, condiciones de reutilización de la UE
CFPB circulars on adverse action and complex algorithmsUnited States expectations for explaining credit denialsDominio público
HMDA dataDatos de solicitudes y resultados de hipotecas en Estados UnidosDominio público
Bank Pillar 3 credit risk disclosuresProbability of default back-testing and model outcomesRegistros públicos, condiciones según cada banco
Publicaciones de supervisión actuarial y de seguros sobre modelos de tarificaciónPractice and expectations for pricing modelsGratuito, con términos según el editor
06Decisiones

Quién decide y a qué sirve la evidencia.

La investigación de riesgo de modelo financiero prepara evidencia. Las decisiones que se indican a continuación las toman las autoridades nombradas, conforme a sus propias normas, y nunca la plataforma.

Quién decideLa preguntaEvidencia a la que sirve esta página
Credit risk and pricing committeesWhich models to use and with what overlaysPerformance, calibration and fairness evidence
Validadores de modelosSi los modelos son adecuados para su finalidadBack-testing and benchmark comparison
Conduct and fair lending supervisorsSi los resultados del modelo son lícitos y justosOutcome data and adverse action practice
Comités de auditoríaSi los modelos de provisiones y los ajustes superpuestos son razonablesResultados de modelos y justificación de los ajustes

Productos que genera este tema

  • Guía de medidas de desempeño de modelos de crédito y de fijación de precios
  • Method note on testing for proxy discrimination
  • Informe breve sobre los ajustes posteriores al modelo y lo que revelan
  • Preguntas para los comités de crédito sobre los límites de los modelos
07Cuestiones centrales

Lo que se preguntan los expertos.

Credit and pricing questions combine accuracy, fairness and legality.

  • Does the model predict default or loss accurately across all customer groups?
  • Do input variables act as proxies for characteristics that law protects?
  • ¿Puede la institución explicar a un cliente por qué se denegó un crédito o se fijó un precio?
  • ¿Cómo se comporta el modelo a lo largo del ciclo económico, y no solo en condiciones favorables?
  • ¿Cómo afectan las fuentes de datos alternativas a la exactitud, la inclusión y la privacidad?
08Mecanismos

Mecanismos y factores impulsores.

Credit models estimate the likelihood that a borrower will repay; pricing models estimate expected losses and costs. Both learn from historical data, which reflects past lending practices, economic conditions and social inequalities. A model can be accurate on average while performing poorly for groups underrepresented in the data, or can reproduce historical discrimination through correlated variables.

Los modelos de crédito están especialmente expuestos a los cambios de régimen económico: las relaciones que se mantenían en una expansión pueden romperse en una recesión. Algunas jurisdicciones clasifican como de alto riesgo la IA utilizada para evaluar la solvencia de las personas, con obligaciones específicas para proveedores y usuarios.

09Métodos y datos

Cómo se estudia y dónde terminan los métodos.

Método o datosLo que muestraLímites
Discrimination and calibration testingAccuracy and calibration across groupsProtected attributes may not be recorded
Métricas de equidadDisparities in outcomes or errorsMétricas distintas pueden entrar en conflicto
Métodos de explicaciónPrincipales factores de las decisiones individualesExplicaciones aproximadas de modelos complejos
Through-the-cycle backtestingDesempeño en distintas condicionesPocas recesiones en los datos
11Preguntas

Preguntas y respuestas.

What does a Gini coefficient measure for a scorecard?
Mide en qué medida la puntuación clasifica por encima a los prestatarios que luego incurren en impago frente a los que no; mide la capacidad de ordenación, no si las tasas de impago previstas son exactas.
¿Qué es un ajuste posterior al modelo?
Un ajuste de gestión aplicado a los resultados del modelo, con frecuencia para la pérdida crediticia esperada, cuando se considera que el modelo no recoge las condiciones actuales.
¿Puede un modelo discriminar sin utilizar características protegidas?
Sí. Las variables que se correlacionan con características protegidas pueden producir resultados dispares, por lo que las pruebas de equidad examinan tanto los resultados como los insumos.
¿Mejoran los datos alternativos la inclusión?
It can help people with thin credit files, but it also raises privacy, accuracy and fairness questions that need testing.
Does the platform assess lenders’ models?
No. La GRA no evalúa, valida ni aprueba ningún modelo.
InformesContribuir

Aporte evidencia desde esta página.

Reports es la publicación trimestral del Consortium. Lo que usted sabe sobre este tema puede convertirse en evidencia, un caso o una corrección en la próxima edición, con su crédito y publicado bajo licencia CC BY 4.0 cuando se trate de obra propia.

Global Risks AllianceAI and Financial Model RiskMethods and TechnicalExponential Technology
Riesgo de la IA y de los modelos financieros

Plantee una cuestión de exposición o de capital a la Alliance.

La información y las consultas están abiertas hoy. Una consulta recibe una referencia e indica el siguiente paso; las solicitudes, pagos, asignaciones de cómputo y registros solo se abren cuando existen su equipo, sus condiciones y la capacidad de revisión.