Skip to content

GRA · IA e Risco de Modelos Financeiros

Finanças espaciaisOnde o capital encontra ameaça, exposição e transição

Modelos de crédito e de precificação

Credit scores, probability of default models and insurance pricing models decide who gets credit or cover and at what price. Machine learning can improve prediction and also introduce opacity, instability and proxy discrimination. These models also feed provisioning and capital. This page sets out how credit and pricing models fail, how their risks are measured, the data they depend on and who decides how they are used.

01Registrar

Modelos de crédito e de precificação em registro.

02A pergunta

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

Os dados refletem o passado

Os modelos aprendem com concessões de crédito e sinistros históricos, que refletem decisões passadas, condições econômicas e exclusões. Solicitantes diferentes dos tomadores anteriores são avaliados com evidências menos confiáveis.

Mecanismo

O desempenho se degrada em novas condições

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

Variáveis substitutas geram resultados injustos

Variables correlated with protected characteristics can produce disparate outcomes without using those characteristics directly. Law and supervisors constrain which factors may be used.

Mecanismo

Os erros chegam ao capital e às provisões

Probability of default and loss given default estimates feed expected credit loss provisions and capital. Systematic optimism understates both until losses arrive.

03Exposição, perda e capital

What credit and pricing models means for exposure, loss and capital.

As vistas de exposição, perda, cenários e capital que um responsável pelo risco, um supervisor ou um ministério das finanças pediria, com os quadros de referência perante os quais reportam. As estruturas seguem a prática de supervisão e atuarial. Os valores são ilustrativos: nunca preços, notações ou aconselhamento.

Indicadores de capital, solvência e fiscais

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

IndicadorUnidadeQuem o lêQuadro de referência
Rácio CET1% dos ativos ponderados pelo riscoBancos, supervisoresQuadro de Basileia
Índice de cobertura de liquidez% das saídas em situação de esforçoBancos, bancos centraisQuadro de Basileia
Índice de solvência% do requisito de capital de solvênciaSeguradoras, supervisoresPrincípios Básicos de Seguros da IAIS
Rácio combinado% do prémio adquiridoSeguradorasPrática atuarial
Lacuna de proteçãoparcela não segurada da perda econômicaSeguradoras, ministérios das finançasEstatísticas de perdas publicadas
Dívida pública% do PIBMinistérios da fazenda, FMIQuadro de Sustentabilidade da Dívida
Necessidades brutas de financiamento% do PIB por anoMinistérios das finanças, investidoresQuadro de Sustentabilidade da Dívida
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.
Cenários climáticos do NGFS · Network for Greening the Financial SystemIFRS S2 Divulgações Relacionadas ao Clima · ISSBRecomendações da TCFD · Financial Stability Board TCFDPrincípios para a gestão eficaz dos riscos financeiros relacionados ao clima · Comitê de Basileia de Supervisão Bancária
04Indicadores

O que é medido e com que qualidade.

Cada indicador leva sua unidade, sua periodicidade, o tipo de fonte por trás dele e a etiqueta de evidência que um valor levaria. Nenhum valor é mostrado: um programa os fornece sob sua própria autoridade.

IndicadorUnidadeCadênciaTipo de fonteRótulo
Poder discriminatório dos scorecardsCoeficiente de Gini ou área sob a curvatrimestralMonitoramento de modelosESTIMADO
Calibração da probabilidade de inadimplênciaobserved default rate against predicted, ratioanualBack-testingESTIMADO
Índice de estabilidade populacionaladimensionalmensalMonitoramento de modelosESTIMADO
Diferenças nas taxas de aprovação entre gruposrazão das taxas de aprovaçãoperiódicoAnálise de concessão justa de créditoESTIMADO
Overrides of model decisionsparcela das decisõesmensalRegistros de decisõesOBSERVADO
Expected credit loss model adjustmentsatualidade dos ajustes pós-modelotrimestralDemonstrações financeirasEstatísticas publicadas
05Fontes

De onde vêm as evidências.

Conjuntos de dados públicos nomeados e registros institucionais, cada um com sua classe de licença. As fontes obtidas por acordo só são usadas nos seus termos e nunca são republicadas.

FonteO que ofereceClasse de licença
Diretrizes da EBA sobre concessão e monitoramento de empréstimosExpectations for credit decision models including automated modelsGratuito, termos de reutilização da UE
CFPB circulars on adverse action and complex algorithmsUnited States expectations for explaining credit denialsDomínio público
HMDA dataDados de pedidos e resultados de hipotecas dos Estados UnidosDomínio público
Bank Pillar 3 credit risk disclosuresProbability of default back-testing and model outcomesRegistros públicos, termos por banco
Actuarial and insurance supervisory publications on pricing modelsPractice and expectations for pricing modelsGratuito, termos conforme o editor
06Decisões

Quem decide, e a que servem as evidências.

O AI and Financial risco de modelo Financeiro prepara evidências. As decisões abaixo são tomadas pelas autoridades indicadas, segundo suas próprias regras, e nunca pela plataforma.

Quem decideA perguntaEvidências a que esta página serve
Credit risk and pricing committeesQuais modelos usar e com quais camadas adicionaisEvidências de desempenho, calibração e equidade
Validadores de modelosSe os modelos são adequados à finalidadeRetroteste e comparação com referências
Supervisores de conduta e de crédito justoSe os resultados do modelo são lícitos e justosOutcome data and adverse action practice
Comitês de auditoriaWhether provisioning models and overlays are reasonableResultados de modelos e justificativa dos ajustes

Produtos que este tema gera

  • Guia de medidas de desempenho de modelos de crédito e precificação
  • Method note on testing for proxy discrimination
  • Brief on post-model adjustments and what they reveal
  • Perguntas para comitês de crédito sobre os limites dos modelos
07Questões centrais

O que os especialistas perguntam.

Credit and pricing questions combine accuracy, fairness and legality.

  • O modelo prevê com precisão a inadimplência ou a perda em todos os grupos de clientes?
  • Do input variables act as proxies for characteristics that law protects?
  • A instituição consegue explicar a um cliente por que o crédito foi recusado ou um preço foi fixado?
  • Como o modelo se comporta ao longo do ciclo econômico, e não apenas em condições benignas?
  • Como as fontes de dados alternativas afetam a precisão, a inclusão e a privacidade?
08Mecanismos

Mecanismos e fatores.

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.

Credit models are especially exposed to economic regime change: relationships that held in an expansion may break in a downturn. Some jurisdictions classify AI used to assess the creditworthiness of individuals as high-risk, with specific obligations for providers and users.

09Métodos e dados

Como é estudado e onde param os métodos.

Método ou dadosO que mostraLimites
Testes de discriminação e calibraçãoAccuracy and calibration across groupsAtributos protegidos podem não ser registrados
Métricas de equidadeDisparities in outcomes or errorsMétricas diferentes podem entrar em conflito
Métodos de explicaçãoPrincipais fatores das decisões individuaisExplicações aproximadas de modelos complexos
Through-the-cycle backtestingDesempenho em diferentes condiçõesPoucas recessões nos dados
11Perguntas

Perguntas e respostas.

O que um coeficiente de Gini mede em um scorecard?
How well the score ranks borrowers who later default above those who do not; it measures ranking power, not whether predicted default rates are accurate.
O que é um ajuste pós-modelo?
Um ajuste de gestão (overlay) aplicado ao resultado do modelo, com frequência para a perda de crédito esperada, quando se julga que o modelo não capta as condições atuais.
Can a model discriminate without using protected characteristics?
Sim. Variáveis correlacionadas com características protegidas podem produzir resultados díspares, razão pela qual os testes de equidade examinam tanto os resultados quanto os insumos.
Os dados alternativos melhoram a inclusão?
Pode ajudar pessoas com históricos de crédito escassos, mas também levanta questões de privacidade, precisão e equidade que precisam ser testadas.
Does the platform assess lenders’ models?
Não. A GRA não avalia, valida nem aprova nenhum modelo.
RelatóriosContribuir

Contribua com evidências a partir desta página.

Reports é a publicação trimestral do Consortium. O que você sabe sobre este tema pode se tornar evidência, um caso ou uma correção na próxima edição, com crédito a você e publicado sob CC BY 4.0 quando for obra sua.

Global Risks AllianceAI and Financial Model RiskMethods and TechnicalExponential Technology
IA e Risco de Modelos Financeiros

Apresente à Alliance uma questão de exposição ou de capital.

A informação e os pedidos estão abertos hoje. Um pedido recebe uma referência e indica o próximo passo; candidaturas, pagamentos, alocações de computação e registros só abrem quando existem a equipa, os termos e a capacidade de revisão.