El uso de modelos está creciendo a medida que los bancos aplican mayores decisiones de negocios
Hechos recientes han expuesto fallas importantes en la manera en que los bancos gestionan sus modelos de riesgo. Su primera sacudida ocurrió durante la crisis financiera de 2008, a partir de la cual se generó mucho escrutinio regulatorio y, más recientemente, con la pandemia del COVID-19, que generó dificultades generalizadas en los modelos.
El uso de modelos está creciendo rápidamente a medida que los bancos los aplican a una gama mayor de decisiones de negocios en sus operaciones diarias, aumentando su número en más de un 20% cada año. Así, se están diseñando continuamente modelos más sofisticados mediante machine learning (ML) e inteligencia artificial (IA), para mejorar el rendimiento y cumplir con necesidades estratégicas de negocio. Sin embargo, tal como esta “avalancha” de modelos están ayudando a los bancos a tomar decisiones más inteligentes, también están multiplicando los riesgos, lo que ha derivado en una mayor presión por parte de las agencias reguladoras de exigir inversión en una mejor gerencia de riesgo de los modelos.
Un mayor uso y complejidad del modelo puede contribuir a aumentar su exposición y a la dificultad para solucionar problemas, poniendo a prueba los límites de los equipos que trabajan en gestión del riesgo de modelo (MRM), lo que nos lleva a la siguiente pregunta: ¿Cuentan ellos con las herramientas suficientes para superar estas dificultades? Las consecuencias del mal uso o de fallas en los modelos pueden ser extremadamente severas y estas incluyen pérdidas financieras significativas y crisis de reputación.
El escrutinio más estricto por parte de los reguladores, de la gobernanza interna y de equipos de auditoría, entre otros, ha derivado en que las formas tradicionales de mantener el inventario o de gerenciar los modelos, tales como el uso de Excel, están siendo cuestionados por su confiabilidad y cambiados por softwares y tecnologías incluyendo ML e IA, diseñados para automatizar tareas manuales, con un positivo resultado en el ahorro de tiempo y eficiencias operacionales. Sin embargo, sorprendentemente, son pocos los bancos que disponen de la misma tecnología para gestionar los riesgos asociados a los modelos.
Todos estos factores han puesto una presión sin precedentes en los equipos que trabajan en MRM y han generado una carga de trabajo imposible de manejar. Los atrasos en la revisión de los modelos están aumentando rápidamente y se acumulan trabajos pendientes dado que los equipos simplemente no pueden hacer frente a la demanda. El problema radica en que muchos líderes en gestión de riesgo asumen que la implementación de nuevos productos produciría alteraciones en el negocio y requeriría mucha gestión de cambio, cuando en realidad es posible encontrar plataformas y softwares que son sencillos de implementar. Principalmente en tres áreas problemáticas: flujo de trabajo e inventario; interpretación de los resultados de pruebas; y documentación.
Estos pueden acelerar la interpretación y documentación del modelo en más de un 25%, reducir el proceso general de revisión del modelo de unos pocos meses a unas pocas semanas; ahorrar tiempo a los analistas cuantitativos experimentados para proyectos más valiosos y; otorgar mayor precisión y consistencia de la documentación. Ahora bien, es importante tener en cuenta que el hecho de poder automatizar algo no significa necesariamente deber hacerlo. Si bien gran parte del proceso de MRM se puede automatizar, siempre habrá ciertas áreas que requieren la participación de un experto.
No obstante, el panorama tecnológico para la gestión del riesgo de modelo está constantemente evolucionando, puesto que la única forma de mitigarlos y evitar consecuencias graves es mediante una gestión exhaustiva del riesgo de modelo.
* La autora es jefa de Habilitación de Riesgo y Crecimiento Cuantitativo de Evalueserve.
___