Estimación de la Probabilidad de Incumplimiento para el plazo remanente de un crédito a través del análisis de supervivencia: Seminario Interinstitucional de Finanzas Estocásticas

Resumen: Durante la crisis financiera iniciada en 2008, los países identificaron el reconocimiento insuficiente y tardío de las pérdidas crediticias, como una de las debilidades en las normas contables existentes, por lo que, en julio de 2014, el Comité Internacional de Normas Contables (International Accounting Standards Board) publicó la normativa IFRS9 (International Financial Reporting Standards 9), la cual regula la clasificación inicial, medición y deterioro de instrumentos financieros.

Una de las principales novedades introducidas por esta norma es la evaluación del deterioro de los instrumentos financieros por cobrar, considerando aspectos como, la clasificación del riesgo crediticio en etapas, diferentes horizontes de cálculo, así como la incorporación de escenarios económicos que permitan identificar situaciones potenciales futuras de forma prospectiva.

De este modo, en la presente exposición se propone una metodología para estimar las Probabilidades de Incumplimiento (PI) a plazo remanente vía análisis de supervivencia y su ajuste a condiciones macroeconómicas considerando el enfoque IFRS9.

El método consiste en estimar PIs por plazo remanente utilizando análisis de supervivencia. Para ello primero se estima la curva de supervivencia y posteriormente se incorporan los escenarios económicos que permiten identificar situaciones potenciales futuras de forma prospectiva utilizando técnicas de machine learning y tiempo de fallo acelerado.

Semblanza: Actuario por parte de la Facultad de Ciencias de la UNAM y Maestro en Administración de Riesgos por parte del ITAM, donde obtuvo una mención especial por su trabajo de tesis. Tiene más de 20 años de experiencia en el sector financiero y sus áreas de especialización son la administración de riesgos financieros, modelos de score, modelos de optimización, probabilidad, estadística aplicada y machine learning. Como director del área de Metodologías y Modelos de Riesgo ha certificado los modelos internos de las carteras minoristas y mayoristas de Grupo Financiero Banorte que se utilizan para el cálculo de reservas y capital por riesgo de crédito. También ha diseñado modelos internos para la gestión y pricing de la cartera gubernamental, alertas tempranas de incumplimiento y apetito de riesgo por sector económico.

Ha sido director de reportes de trabajo profesional para obtener el título de Actuario y Licenciado en Ciencia de Datos en la UNAM; también ha participado en coloquios y estancias profesionales acerca del uso de machine learning en el riesgo de crédito, actualmente imparte la materia de temas selectos de Riesgos Financieros en el IIMAS.