Premio de 34.000 M para los bancos por aplicar bien inteligencia artificial al crédito
  1. Empresas
AL MEJORAR LA PREDICCIÓN DE IMPAGOS

Premio de 34.000 M para los bancos por aplicar bien inteligencia artificial al crédito

Los bancos aún tienen margen de mejora para ser más eficientes por esta vía. El ‘machine learning’ mejoraría la capacidad de predecir el riesgo de impago en los préstamos

placeholder Foto: iStock.
iStock.

El sector bancario suele presumir de inversión en tecnología y, a la vez, quejarse de los requisitos regulatorios, que fueron crecientes hasta la crisis del coronavirus. Pero lo cierto es que una mejoría tecnológica en el análisis del crédito permitiría una reducción en los requerimientos de capital de las entidades, según un estudio publicado por el Banco de España (BdE).

En concreto, la investigación encuentra margen de mejora en la predicción de incumplimiento crediticio. Los economistas Andrés Alonso y José Manuel Carbó, de la división de innovación financiera del supervisor, han realizado la investigación ‘Entendiendo el desempeño de los modelos de ‘machine learning’ para predecir el impago crediticio: una aproximación novedosa para la evaluación supervisora’.

Foto: Andrea Enria, presidente del Mecanismo Único de Supervisión (MUS). (BCE)

En este estudio, usan la base de datos de uno de los principales bancos españoles para comparar el rendimiento estadístico de los modelos más usados tradicionalmente con modelos “más avanzados”, que se basan en el aprendizaje automático. Un ejemplo de ello es el sistema XGBoost, algoritmo predictivo basado en un árbol de decisiones para predecir sobre una variable (la posibilidad de impago en este caso), y que implica un aprendizaje automático con los datos aportados con los que se generan múltiples modelos de predicción. El sistema calcula todas las opciones volviendo desde las menos acertadas hasta encontrar el modelo más óptimo.

Sin embargo, el modelo más usado es el de regresión logística (Logit), un modelo econométrico tradicional por el que se calcula, en estático, una predicción en función de varias variables. Tras examinar diferentes predicciones y simulaciones tanto para “clasificar como para calibrar los riesgos”, explican los autores, “encontramos que los modelos de ‘machine learning’ tienen un mejor rendimiento que Logit tanto en clasificación como en calibración”.

El ‘machine learning’ va ganando terreno en diferentes industrias, aunque, por ahora, va con pies de plomo en la banca

El ‘machine learning’ va ganando terreno en diferentes industrias, aunque, por ahora, va con pies de plomo en la banca. La novedad de este estudio es confrontar las ganancias potenciales con la supervisión. El ahorro potencial en requisitos de capital por una mayor fiabilidad en la predicción del riesgo sería de hasta el 17%. Los bancos españoles tienen, con datos de cierre de 2020 recopilados por la Autoridad Europea de Banca (EBA, por sus siglas en inglés), casi 200.000 millones de capital. Es decir, podrían reducir el colchón de capital en hasta 34.000 millones manteniendo el mismo margen respecto a los requerimientos.

Alonso y Carbó coinciden en que, aunque las entidades han usado modelos internos durante mucho tiempo, “las técnicas predominantes no han evolucionado significativamente”. En este sentido, han evolucionado desde regresiones logísticas como Logit a algunas más complejas que incorporan aprendizaje automático, como el modelo Lasso. Sin embargo, prosiguen, hay herramientas con “potencial de cambiar las reglas del juego”.

Foto: Sede del Banco de España

En este sentido, el progreso tecnológico y la innovación financiera en el terreno del análisis de datos permiten a los bancos la opción de ahorrar entre un 12% y un 17% en requerimientos de capital, calculan. La mayoría de bancos están, en España, entre el 8% y el 9%, y cuentan con ratios a partir del 12%. El potencial es que los requerimientos bajen hasta una horquilla de entre el 6,6% y el 7,5%. Esto supone liberar capital, manteniendo márgenes actuales, entre 24.000 y 34.000 millones. Cifras que permitirían aumentar el crédito o destinar recursos a otros negocios.

La investigación también muestra que, pese al beneficio evidente del ‘machine learning’, los modelos más complejos no son necesariamente los mejores para los bancos, sino que las opciones de XGBoost o Random Forest “parecen proporcionar mejores resultados” que otras aparentemente más complejas algorítmicamente como las redes neuronales profundas.

En la misma línea que los investigadores, Francisco Jesús Rodríguez, consultor de ‘data analytics’ de AFI, sostiene que “el cálculo de capital de muchas carteras bancarias podría tener como fundamento modelos analíticos de corte más avanzado que los conocidos modelos de ‘credit scoring’ (que suelen estar asociados a una regresión logística subyacente), que a día de hoy son los responsables, por ejemplo, de la concesión-rechazo de la mayoría de las hipotecas en el territorio nacional”. El consultor explica que, según proyectos de consultoría donde se pasa de técnicas clásicas a avanzadas, las mejoras en la predicción pueden conseguir rendimientos superiores al 20%.

Inteligencia Artificial Banca Morosidad
El redactor recomienda