- Brasil
-
Global Sites
Revista Tecnologia de Crédito
Análise de Risco de Crédito para Financiamento Imobiliário em Países EmergentesEdição 38
O financiamento do crédito imobiliário, por ser de longo prazo e envolver vários agentes, está sujeito a toda espécie de riscos, destacando-se os de mercado, operacional, jurídico e de crédito. Esses riscos são inerentes a cada modalidade de crédito e abrangem: a empresa produtora de unidades imobiliárias, as características e qualidade dos imóveis, as condições de comercialização, o mutuário final, e a seguradora. Este artigo mantém seu foco na análise de risco para concessão do crédito imobiliário habitacional à pessoa física. Entre as metodologias existentes para análise de risco de crédito destacam-se a julgamental e a escoragem. As premissas básicas dos dois processos são comuns e em ambos podem ser utilizadas funções estatísticas. O julgamental é um misto de variáveis mensuráveis, agregadas a um componente pessoal que é definido pelo sentimento e/ou conhecimento do cliente pelo gerente. A escoragem, por outro lado, é puramente impessoal. Essas metodologias têm como pressuposto o passado recente como referência para o futuro. No processo julgamental o gerente decide com base em sua experiência e por similaridade com casos anteriores satisfatórios ou insatisfatórios. No processo de escoragem é utilizada a experiência da Instituição como base de dados e, por meio de ferramentas estatísticas, define-se a probabilidade de um proponente ser bom ou mau pagador, classificando-o em um nível de risco aceito ou não pela Instituição. O modelo é consti-tuído com fundamento em variáveis identi-ficadas como discriminantes, após estudo estatístico do comportamento de pagamento de uma determinada carteira de crédito, com idade compatível com o prazo médio da operação a que se destina a escoragem. Definidos todos os insumos necessários ao modelo, a sua utilização tem como princípio verificar se um proponente atual é estatisticamente igual a tomadores anteriores cujo comportamento já foi objeto do estudo da carteira. A metodologia também permite, em um só instrumento, mensurar o equilíbrio entre risco e rentabilidade. A concessão do crédito objetiva a criação de uma carteira de financiamento equilibrada entre risco e rentabilidade. A Aplicação da Escoragem na Concessão de Crédito Imobiliário A Caixa Econômica Federal utiliza a metodologia do credit score para avaliar os clientes promitentes de crédito habitacional. Por se tratar de crédito de longo prazo, foi necessário aguardar um ano de histórico da carteira para avaliar a eficácia da metodologia, tendo sua adequação ratificada por meio de backtest. A escoragem de crédito é uma metodologia bastante utilizada nas decisões de crédito de varejo, principalmente no segmento de crédito ao consumidor. No Brasil não é muito difundida para créditos imobiliários, devido às características e prazo da operação. A adoção dessa metodologia permite: > Conhecer o risco do cliente por similaridade de perfil já analisado, portanto antes da concessão do crédito; > Precificar o risco; > Definir e administrar o nível de risco aceito; > Propiciar a decisão do risco do crédito em condições qualitativas e quantitativas, facilmente entendidas; e > Implementar uma política de crédito consistente, defensável e independente dos sentimentos pessoais momentâneos e da experiência limitada dos gerentes de contas individuais. A independência do sentimento humano constitui um dos principais fundamentos na metodologia credit score, fato que cria dificuldade cultural para implantação, principalmente em uma instituição onde as pessoas estão acostumadas a analisar o crédito fundamentadas apenas no cadastro e na renda do proponente e, às vezes, no conhecimento pessoal do gerente. A solução para minimizar a rejeição à metodologia implica o entendimento dos envolvidos sobre as funções do credit score — uma ferramenta, exclusivamente, de administração de risco que não define o risco a ser aceito pela instituição, mas apenas o mensura de acordo com cada cliente, devendo, portanto, ser compreendida como um subsídio à decisão da administração. Metodologia de Desenvolvimento A metodologia completa de desenvolvimento consiste nas seguintes fases: 1ª Etapa: Seleção de população A população selecionada deve ter como foco os clientes com financiamento imobiliário e cujas concessões ocorreram em prazo relativamente recente, de maneira a melhor representar o universo atual. Devem ser suficientemente antigas para proporcionar a observação de seu desempenho. No caso da Caixa Econômica Federal pode-se selecionar os clientes que tiveram créditos concedidos entre 1998 e 2000 e observar seu comportamento depois de 12 ou 24 meses. A população analisada, nesse caso específico, demonstrou que mais de 80% da inadimplência configura-se nos 24 meses. Assim, é ideal um modelo de credit score que preveja o desempenho do cliente nos futuros 24 meses. Devem ser observadas as famílias de produtos e a necessidade de desenvolvimento de mais de um modelo, em razão de diferenças no perfil da população. Figura 1 2ª Etapa: Definição de desempenho satis-fatório e insatisfatório O credit score é utilizado, principalmente, na análise do cliente que está contratando um produto pela primeira vez. Tendo como base o desempenho passado de clientes já existentes, observam-se seus padrões de usos e pagamentos, com o objetivo de definir claramente os conceitos de cliente satisfatório, neutro e insa-tisfatório. O modelador, juntamente com o gestor do negócio, deve definir o que é um cliente com desempenho satisfatório ou insatisfatório. Por exemplo: o cliente que atrasa até 60 dias na maioria das vezes (90%) retorna para estágios menores de atraso ou para a adimplência; os que chegam a mais de 60 dias de atraso, ao contrário, migram rapidamente para atrasos maiores, com pouca possibilidade de pagamento. Assim, o cliente com até 60 dias de atraso será considerado bom e aquele que ultrapassar esse período, ruim. Existem várias técnicas de definição de bons e ruins. A Caixa Econômica Federal utiliza a Cadeia de Markov. 3ª Etapa: Aquisição de dados de amostra O sistema de credit score deve se basear na experiência de concessão de crédito da própria empresa. Como a teoria de amostragem é complexa, é comum, na prática, adquirir uma amostra aleatória de 2.000 contas que pagaram satisfatoriamente e outra igual dos que pagaram de forma insatisfatória. O tamanho da amostra é suficientemente grande para permitir o desenvolvimento de um poderoso sistema, evitando despender altas somas ou esforços para a coleta. Figura 2 A amostra precisa contemplar todos os dados disponíveis do cliente quando da concessão do crédito, sejam eles internos ou externos: como os de perfil, cadastrais, de comportamento, etc., bem como a situação atual do cliente bom ou ruim. Deve-se reservar uma amostra para testar o modelo desenvolvido. 4ª Etapa: Preparação da amostra Por melhor que seja o banco de dados disponível, ele sempre conterá algumas informações inconsistentes. A identificação dessas informações e sua eliminação do estudo são importantes para aprimorar o poder de previsão dos modelos a serem construídos. É necessária uma consistência dos dados da amostra e sua conversão para uma forma que possa ser processada por computador. Deve-se identificar cada informação disponível. É possível haver vários itens geralmente conhecidos como características (idade, tempo de permanência no mesmo domicílio, profissão, comportamento interno, histórico de restrições cadastrais etc.). Existem dois tipos principais de dados que devem ser filtrados: dados incorretos e valores extremos. Os dados incorretos são aqueles que, com certeza, não são adequados. Como por exemplo: indivíduos com tempo de permanência residencial superior à sua idade. Se essa informação fosse introduzida no modelo, ocasionaria taxa de inadimplência média incorreta. Os valores extremos são os que se distanciam demasiadamente das demais observações. Os outliers foram considerados como aqueles que se situam fora do intervalo: [Q1 – (Q3 – Q1)*3 ; Q1 + (Q3 – Q1)*3] onde: Q1 : 1º quartil da variável e Q3 : 3º quartil da variável É válido enfatizar que os valores extremos não são, necessariamente, valores incorretos. Muitas vezes apenas indicam indivíduos com comportamento bem diferente dos demais para uma determinada variável. Em virtude disso, muitas vezes prefere-se adotar cortes baseados na experiência pessoal do profissional. 5ª Etapa: Categorização das Variáveis Categorizar uma variável consiste em separá-la em classes de comportamento semelhante. Na construção de modelos de credit score, dividimos as variáveis em grupos de comportamento semelhante quanto ao risco de crédito. A metodologia utilizada na categorização de variáveis apresenta alterações de acordo com o tipo de cada uma delas. O nome da metodologia é Chaid e se baseia na estatística Qui-Quadrado. Após a categorização, cada variável disponível é estudada para identificar as que mais se relacionam com o alto risco de crédito. Nessa fase calcula-se o risco, que consiste na proporção de maus sobre bons pagadores em cada categoria. As variáveis podem ser nominais, ordinais, discretas ou contínuas e, para cada uma, existe objetivo e forma diferentes de categori-zação. A categorização das variáveis nominais dá origem a um modelo de credit score: > Mais simples (menor número de variáveis), > Com maior poder de previsão, > Que garante que características do indivíduo com risco de crédito equivalente terão “pesos” iguais no modelo. Os passos para a cate-gorização das variáveis nominais são: > Comparar a proporção de clientes ruins entre as categorias, duas a duas, através de um teste Qui-quadrado > Encontrar a comparação de maior nível descritivo (p). > Se o p da 2ª etapa for maior que o p de corte, junte as duas categorias e volte para a 1ª etapa. Caso contrário, o algoritmo se encerra com o agrupamento atual. Para as variáveis ordinais o procedimento é semelhante ao utilizado para variáveis nominais. A única diferença está na restrição sobre a junção de categorias não adjacentes. No caso das variáveis discretas não é utilizado nenhum procedimento próprio. > Se o valor máximo da variável é pequeno, é utilizado o procedimento para as variáveis ordinais. > Se o valor máximo da variável é grande, é utilizado o procedimento para as variáveis contínuas. Para as variáveis contínuas é necessário construir, inicialmente, uma categorização para a variável e, a seguir, utilizar o procedimento adotado para as variáveis ordinais. Após a categorização cada variável disponível é estudada para identificar aquelas que estão mais relacionadas com alto risco de crédito. Nessa fase calcula-se o risco que consiste na proporção de maus sobre bons em cada categoria. 6ª Etapa: Análise Descritiva Bidimensional Após a categorização, estudam-se uma a uma as variáveis disponíveis para identificar aquelas que estão mais relacionadas com o alto risco de crédito. Tabela 1 Esse estudo é feito basicamente através da construção de tabelas de contingência (cruzada ou dupla-entrada) envolvendo uma variável qualquer e a variável qualidade de crédito (bom ou mau cliente). 7ª Etapa: Definição da Amostra O banco de dados disponível para o estudo é dividido em duas partes: amostra de desenvolvimento e dados para a validação. > Amostra de desenvolvimento é a parte dos dados utilizada na construção do modelo de credit score. > Dados para a validação são os dados utilizados para verificar se o modelo construído tem bom desempenho para a previsão da qualidade de crédito. A amostra de desenvolvimento é, em geral, construída de modo a apresentar a mesma quantidade de clientes bons e clientes ruins. 8ª Etapa: Análise Multivariada Modelos utilizados em credit score Diversos modelos estatísticos/matemáticos diferentes podem ser utilizados para a obtenção de um modelo de credit score. Os mais conhecidos e utilizados atualmente são os seguintes: Regressão Linear Análise Discriminante Regressão Logística Redes Neurais Os modelos estatísticos mais utilizados são a regressão linear e a logística, sendo que ambos apresentam resultados semelhantes. 9ª Etapa: Acurácia e validação da Fórmula Teste do KS (Kolmogorov e Sminorv) Um dos testes mais conhecidos para a avaliação da qualidade de um modelo é o Teste KS, que pode ser descrito da seguinte forma: > Divide-se o dado de acordo com a qualidade de crédito (bom ou mau cliente); > Compara-se a distribuição acumulada do score nesses 2 grupos. A distância máxima encontrada entre essas duas distribuições representa a medida do KS. O modelo estará mais bem ajustado quanto maior a estatística KS. Figura 3 Razão de Acurácia A razão de acurácia é definida como a razão da área entre a curva CAP (cumulative accuracy profile) e a diagonal (modelo aleatório) e a área entre o modelo perfeito e a diagonal.
CIER (Conditional Information Entropy Ratio)
A medida de entropia consiste em se comparar o grau de incerteza nos dados sem nenhum modelo e nos dados, caso o modelo fosse aplicado. O CIER é o percentual de decréscimo no grau de incerteza. Onde d = proporção de maus clientes P(A/R) = probabilidade de um cliente ser mau em um dado score Dividindo os dados em N classes de score de tamanho d , temos:
Estabilidade do modelo Em um modelo de credit score não é desejável que uma única variável seja responsável por aceitar ou rejeitar um cliente. Deve-se realizar um estudo onde é determinado o score mínimo que um cliente pode ter se tiver uma determinada característica positiva. Para não haver influência de uma só variável no modelo, é necessário que o “score mínimo” seja baixo. Analogamente ocorre com o score máximo. Os scores anteriores mostram que nenhuma variável é, por si só, responsável por aceitar ou rejeitar um cliente. Jack Knife Como o modelo foi desenvolvido utilizando-se uma amostra de clientes, o que se busca nesta avaliação é saber se realmente o modelo possui estabilidade, discriminando entre bons e maus clientes, em diversos segmentos. Deve-se dividir a amostra total em sub-amostras e calcular o KS2 para medir a acurácia de cada sub-amostra. Espera-se que não haja uma grande variação do teste KS2 entre as amostras selecionadas. Tabela 2 Tabela 3 10ª Etapa: Análise de rentabilidade e estabelecimento de Pontos de Corte O ponto de corte é o ponto na escala de scores no qual todos os proponentes são aprovados, em princípio. A partir dessa definição, todos os clientes com scores abaixo do ponto de corte são “recusados” a priori, sujeitos porém, a uma nova análise e aprovados por uma política de exceções ao score (se houver). Os clientes com scores acima do ponto de corte estão aprovados desde que cumpram as políticas de investigação de dados e restrições de crédito (se efetuadas após a escoragem). Tabela 4 Acima 170 34.277 565 16.792 16.227 16.227 47,3% 47,3% 0,7% 1,6% 0,2% 72,4% 166 a 170 208.094 6.780 101.233 94.454 110.681 45,4% 45,7% 1,3% 3,0% 1,5% 71,1% 161 a 165 731.974 33.898 353.957 320.059 430.740 43,7% 44,2% 1,8% 4,2% 5,9% 66,7% 156 a 160 1.726.982 163.276 817.424 654.148 1.084.888 37,9% 40,2% 3,3% 7,6% 16,3% 56,3% 151 a 155 2.455.553 390.958 1.128.561 737.603 1.822.491 30,0% 35,3% 5,0% 11,5% 31,1% 41,5% 146 a 150 2.276.145 671.747 980.429 308.682 2.131.173 13,6% 28,7% 7,3% 17,0% 44,8% 27,8% 141 a 145 1.794.321 801.689 715.111 -86.578 2.044.595 -4,8% 22,2% 9,6% 22,4% 55,7% 16,9% 136 a 140 1.319.304 815.248 477.860 -337.388 1.707.207 -25,6% 16,2% 11,8% 27,3% 63,6% 9,0% 131 a 135 775.003 622.594 250.205 -372.390 1.334.817 -48,1% 11,8% 13,3% 31,0% 68,3% 4,3% 126 a 130 374.860 338.416 113.108 -225.308 1.109.509 -60,1% 9,5% 14,1% 32,9% 70,6% 2,0% 121 a 125 177.949 201.693 44.979 -156.714 952.795 -88,1% 8,0% 14,7% 34,1% 71,6% 1,0% Até 120 149.750 193.784 32.745 -161.039 791.756 -107,5% 6,6% 15,2% 35,3% 72,6% 0,0% Total 12.024.212 4.240.648 5.032.404 791.756 Critério de Otimização da Rentabilidade Esse critério é o mais recomendado na definição de um ponto de corte. O conceito utilizado é o da margem de contribuição. O objetivo é determinar o ponto (ou classe) onde o prejuízo dos maus eqüivale à margem de contribuição dos bons. Como as taxas de sinistros são declinantes, conforme se aumenta o valor do score, a partir do ponto de equilíbrio sabemos que sempre haverá lucro. 11ª Etapa: Backtest O objetivo do backtest é monitorar o modelo e verificar se sua performance foi alterada. Relatórios de acompanhamento estão sendo elaborados e outros estão em fase de desenvolvimento. São eles: Consiste no acompanhamento e análise da taxa de rejeição do modelo ao longo do período desde sua implantação. Para o modelo de habitação é feita uma análise diária. Exemplo do relatório (dados hipotéticos): Tabela 5 Definição de relatórios de acompanhamento É muito importante que o modelo de Credit Score construído seja constantemente monitorado, podendo, assim, ser verificado se sua performance foi alterada.
Marcelita Marques Marinho é pós-graduada em Ciências Contábeis e diretora de Administração de Riscos Corporativos da Caixa Econômica Federal.
Classes de scores
Ativo em Risco
Perdas Maus
Contribuição Bons
Contribuição Final
Contribuição Total em função do Ponto de Corte
Retorno sobre Ativo em Risco - na classe
Retorno sobre Ativo em Risco - Total
Taxa de Perda Total (QDE)
Taxa de Perda Total (valor)
Taxa de Aprovação
Recusa
por score
> Relatório de taxa de rejeição:
