Creando modelos sólidos y eficientes para la gestión del riesgo de crédito, desde la originación hasta el seguimiento y provisiones

Brayan Rojas, Consultor especializado en Gestión de Riesgo, conversó con Ciclo de Riesgo Centro América sobre varias herramientas que pueden optimizar el trabajo de los equipos de las áreas de riesgo, de crédito y de seguro también de  cobranzas, vemos tres de su recomendaciones. 

1. Brayan ya nos has recomendado librerías para Python en Riesgos Financieros, pero nos preguntan los lectores de paquetes para RIESGO DE CRÉDITO: 
"Si trabajas en gestión de riesgo de crédito o estás explorando este campo, te comparto algunos paquetes en Python que pueden ser clave para tus análisis y desarrollo de modelos, sin embargo advierto que la calidad de la DATA es clave:

• CreditPy: Ideal para la puntuación crediticia y la validación de modelos, permitiendo desde análisis de variables hasta el desarrollo de escalas de calificación de crédito.

• Scikit-learn: Imprescindible para crear modelos de scoring y clasificación, ayudando a predecir la probabilidad de incumplimiento (PD) con diversas técnicas de machine learning. (Personalmente uno de los que más he usado).

• Statsmodels: Perfecta para construir modelos estadísticos que calculan métricas clave como la pérdida esperada (EL), ayudando a comprender los factores de riesgo de crédito.
• PyMC: Herramienta poderosa para simulaciones de Monte Carlo y análisis bayesianos, capturando la incertidumbre en las provisiones y permitiendo análisis de escenarios de riesgo.
• TensorFlow / Keras: Estas librerías ofrecen soluciones avanzadas de deep learning. Son útiles para desarrollar modelos de riesgo de crédito más complejos, como redes neuronales profundas, que pueden mejorar la precisión del scoring y de predicción.
• PyCaret: Un framework que facilita la construcción y comparación de modelos de machine learning con poco código. Ideal para automatizar modelos de scoring de crédito y realizar tareas como imputación de datos y ajuste de hiperparámetros.
• LightGBM / XGBoost: Dos librerías de gradient boosting muy populares, ideales para construir modelos rápidos y eficientes de predicción de riesgo de crédito, que son robustos incluso con grandes volúmenes de datos.

Explorar estas herramientas te permitirá crear modelos sólidos y eficientes para la gestión del riesgo de crédito, desde la originación hasta el seguimiento y provisiones. 

Estoy incluyendo varios de Machine Learning pero ya saben, "Garbage in, Garbage out" ... si no tienes buena data estos modelos no salvarán nada".

2. La realidad es que muchas entidades financieras y de todo tipo siguen usando Excel, incluso para procesos de información complejos, ¿Cuál es tu recomendación en estos casos?   ¿Cuál es el camino?

"Un excelente camino es Visual Basic for Applications, sí VBA-. Si  necesitamos automatizar muchas cosas hagámoslo con VBA.

Desde la automatización de reportes financieros hasta el diseño de modelos avanzados de riesgo y análisis de escenarios, VBA optimiza tareas clave, ahorrando tiempo y reduciendo errores. Formar al personal en VBA también ofrece ventajas económicas al reducir la dependencia de proveedores externos y la inversión en software adicional, optimizando la gestión de riesgos y el cumplimiento normativo.

En un entorno tan competitivo y regulado, dominar VBA brinda a las instituciones financieras la flexibilidad necesaria para adaptarse a los cambios del mercado y mejorar su toma de decisiones.

Por eso en un post anterior había dicho "todos los caminos conducen a Excel!" ... Los invito a descubrir VBA en sus organizaciones y equipos.

3.  Te escuchábamos hablar de lo difícil que se volvió para los analistas descargar información de datos financieros, como acciones, índicadores globales, etc..  ¿que les recomiendas? 

"Hace un tiempo, tanto Yahoo como Google bloquearon el acceso a varias bases de datos financieras (acciones, índices, ETFs, etc.) para usuarios sin acceso a plataformas como Bloomberg se ha vuelto complejo. Si  trabajas en Riesgo, te recomiendo usar el paquete quantmod.

Aquí les dejo los paquetes más populares para gestionar datos financieros y realizar análisis técnico. Además, te permite descargar información de fuentes como Yahoo Finance de forma fácil y rápida, y visualizar tus datos con solo un par de líneas de código". 
¿Para qué sirve?

✅ Descargar y graficar datos de acciones.
✅ Realizar análisis técnico básico.
Aquí les dejo un Ejemplo del paso a paso . Espero que les sea útil. 
library(quantmod)
# Descargar los datos de Apple (AAPL) desde Yahoo Finance, del año 2023
getSymbols("AAPL", from ="2023-01-01", to ="2023-12-31")
# Graficar los datos descargados
chartSeries(AAPL, name ="Apple Stock Prices - 2023")
 

4. Brayan recordemos a nuestro lectores los paquetes que ya habías publicado para quienes trabajan en Riesgos Financieros 

"Si trabajas en riesgos financieros o te interesa este campo, aquí te comparto 6 paquetes en Python que considero indispensables para cualquier análisis de riesgo
1. NumPy: Ideal para manejar grandes cantidades de datos numéricos de manera eficiente. Esencial para simulaciones, cálculos de covarianzas y distribuciones aleatorias.

2. Pandas: La herramienta preferida para la manipulación de datos estructurados. Perfecta para gestionar series de tiempo, calcular rendimientos, volatilidades y correlaciones entre activos financieros.

3. SciPy: Ofrece herramientas avanzadas para optimización y estadísticas. Útil para ajustar distribuciones probabilísticas y resolver problemas de optimización, como la asignación de portafolios.

4. Statsmodels: Proporciona modelos econométricos y estadísticos. Ideal para realizar regresiones y evaluar modelos como el VaR o GARCH.

5. PyMC: Perfecto para simulaciones de Monte Carlo y análisis bayesianos. Ayuda a modelar la incertidumbre en escenarios complejos de riesgo.

6. QuantLib: Una biblioteca avanzada para el análisis cuantitativo en finanzas. Ofrece herramientas para la valoración de derivados, análisis de tasas de interés y modelado de productos financieros complejos.

Estos paquetes te permiten realizar análisis robustos y profundos en el mundo financiero, usualmente arranco con estos paquetes para hacer mis análisis de riesgo con Python". 

(*) Brayan Rojas FRM, MSc, MBA, es Consultor Internacional especializado en Gestión de Riesgos, modelación y valoración de instrumentos financieros, normas internacionales, regulación, cartera, inversiones y experto en finanzas personales. Se desempeño como Director Financial Risk Management & Actuarial Services - Risk Consulting en KPMG Advisory Services, entre otros cargos en el sector financiero.  Es además docente universitario. De manera continua nos acompaña en la Revista  Ciclo de Riesgo y sus eventos para compartir información de valor, de expertos para expertos.