El riesgo de credito en la era de la IA

El riesgo de credito es la probabilidad de que una contraparte no cumpla con sus obligaciones de pago. Es el riesgo financiero mas antiguo del mundo y sigue siendo el que mas perdidas causa. La morosidad empresarial en Espana se situa en torno al 3-4% del credito vivo, y cada punto porcentual de morosidad representa miles de millones en perdidas para el sistema financiero.

Los modelos de credit scoring tradicionales (basados en regresion logistica y scorecards) funcionan razonablemente bien para perfiles "tipicos": empresas con historico crediticio, balances depositados y operaciones estandar. Pero fallan con empresas nuevas, sectores emergentes, autonomos y, en general, con cualquier perfil que se salga de la norma historica.

La IA transforma el credit scoring en tres dimensiones:

• Precision: modelos de machine learning que capturan relaciones no lineales entre variables, mejorando la discriminacion entre buenos y malos pagadores.
• Datos alternativos: incorporacion de fuentes de datos no tradicionales (pagos a proveedores, actividad web, datos transaccionales) que enriquecen el perfil de riesgo.
• Velocidad: scoring en tiempo real que permite decisiones de credito en segundos en lugar de dias.

Modelos de credit scoring con IA

Los modelos de credit scoring con IA van desde los relativamente simples (gradient boosting) hasta los complejos (redes neuronales profundas). La eleccion depende del volumen de datos, la necesidad de explicabilidad y el contexto regulatorio.

Gradient Boosting (XGBoost, LightGBM)

El estandar de la industria para credit scoring con IA. Ofrece el mejor equilibrio entre precision y explicabilidad. Ventajas:

• Manejan bien variables categoricas y numericas mezcladas.
• Robustos ante datos faltantes (no necesitas imputar todos los missings).
• Explicables con SHAP values: puedes ver exactamente cuanto contribuye cada variable a la decision de cada cliente.
• Rapidos en entrenamiento e inferencia.

Regresion logistica (el clasico)

Sigue siendo valida y, en muchos bancos, es el modelo regulatorio de referencia. La IA puede mejorar el proceso clasico:

• Feature engineering automatizado: la IA identifica las transformaciones de variables (logs, interacciones, bins) que mejoran la capacidad predictiva.
• Seleccion de variables: la IA prueba cientos de combinaciones de variables y selecciona el subconjunto optimo.
• Validacion: la IA ejecuta backtesting, k-fold cross-validation y analisis de estabilidad temporal automaticamente.

Redes neuronales y deep learning

Ofrecen mayor precision en datasets muy grandes (millones de registros) pero con menor explicabilidad. Se usan principalmente en:

• Scoring de tarjetas de credito (volumen masivo de transacciones).
• Scoring de credito al consumo (prestamos personales online).
• Deteccion de early warning de deterioro crediticio.

Metricas de evaluacion

Las metricas estandar para evaluar modelos de credit scoring:

• Gini coefficient (power of the model): cuanto mejor discrimina el modelo entre buenos y malos, mayor el Gini. Un Gini de 0.40 es aceptable; 0.50-0.60 es bueno; >0.60 es excelente.
• KS statistic: maxima separacion entre las distribuciones de buenos y malos. Complementario al Gini.
• AUC-ROC: area bajo la curva ROC. Equivalente al Gini (AUC = (Gini + 1) / 2).
• Estabilidad temporal: el modelo mantiene su capacidad predictiva a lo largo del tiempo? El PSI (Population Stability Index) mide la deriva.

Variables alternativas para scoring

Los datos alternativos ("alternative data") son fuentes de informacion no tradicionales que enriquecen el perfil crediticio. Son especialmente valiosos para segmentos con poco historico crediticio: empresas nuevas, autonomos, microempresas.

Fuentes de datos alternativos

• Datos transaccionales bancarios: los movimientos de cuenta corriente revelan patrones de flujo de caja, estacionalidad, concentracion de proveedores/clientes. La directiva PSD2 facilita el acceso a estos datos con consentimiento del cliente.
• Pagos a proveedores y utilities: el historial de pago de facturas de luz, gas, telefono, alquiler. Un cliente que paga puntualmente sus suministros es, estadisticamente, mejor pagador.
• Datos fiscales: declaraciones de IVA, IRPF, Impuesto de Sociedades. En Espana, la AEAT comparte datos con entidades financieras en ciertos marcos.
• Datos de redes sociales y web: actividad online del negocio, resenas de clientes, presencia web. Controvertido desde el punto de vista de privacidad, pero usado en algunos mercados.
• Datos de supply chain: pedidos, facturas emitidas, contratos. Plataformas de supply chain finance dan visibilidad sobre la actividad real del negocio.

Open Banking y PSD2

La directiva PSD2 ha abierto el acceso a datos bancarios con el consentimiento del titular. Esto permite construir modelos de scoring basados en datos transaccionales reales:

• Cash flow neto mensual y su estabilidad.
• Ratio de ingresos recurrentes vs puntuales.
• Diversificacion de fuentes de ingreso.
• Patron de gastos (fijos vs variables).
• Saldo medio y tendencia.

Stress testing con IA

El stress testing evalua como se comportaria la cartera de credito bajo escenarios adversos. Es un requisito regulatorio (EBA stress tests, ICAAP) y una herramienta fundamental de gestion de riesgos.

Escenarios macroeconomicos

Los escenarios de estres tipicos combinan shocks macroeconomicos:

• PIB cae un 3-5% durante 2 anos consecutivos.
• Desempleo sube 5 puntos porcentuales.
• Tipos de interes suben 300-400 puntos basicos.
• Precios inmobiliarios caen un 20-30%.
• Spread de credito se amplia 200 puntos basicos.

La IA puede generar escenarios de estres mas sofisticados:

• Escenarios sectoriales: que pasa si el sector de la construccion entra en recesion pero los servicios se mantienen? La IA modela impactos diferenciados por sector.
• Escenarios de contagio: la quiebra de un gran cliente arrastra a sus proveedores. La IA simula efectos en cadena.
• Escenarios climaticos: impacto de eventos climaticos extremos en la cartera (riesgo fisico y de transicion).

Modelado de PD bajo estres

La Probabilidad de Default (PD) de cada acreditado cambia bajo estres. La IA modela esta relacion:

1. Estimar la sensibilidad de cada segmento de cartera a las variables macroeconomicas (PIB, desempleo, tipos).
2. Aplicar los shocks del escenario de estres a cada segmento.
3. Calcular la nueva PD estresada y la perdida esperada agregada.
4. Evaluar si el capital disponible es suficiente para absorber las perdidas.

Provisioning inteligente

El provisioning (dotacion de provisiones por insolvencia) es una de las areas donde la IA tiene un impacto directo en la cuenta de resultados. Una provision excesiva reduce el beneficio innecesariamente. Una provision insuficiente genera sorpresas desagradables.

NIIF 9 y Expected Credit Losses (ECL)

La NIIF 9 (vigente desde 2018) cambio el paradigma de provisioning: de un modelo de perdida incurrida (provisionar cuando el impago ya ha ocurrido) a un modelo de perdida esperada (provisionar desde el momento de la concesion del credito).

El modelo ECL tiene tres etapas:

• Stage 1: creditos sin deterioro significativo. Provision = perdida esperada a 12 meses (12-month ECL).
• Stage 2: creditos con incremento significativo del riesgo desde su origen. Provision = perdida esperada para toda la vida del credito (lifetime ECL).
• Stage 3: creditos deteriorados (impagados). Provision = lifetime ECL calculada individualmente.

IA para calculo de ECL

La IA mejora el calculo de ECL en cada componente:

• PD (Probabilidad de Default): modelos de scoring mas precisos producen PDs mas calibradas, lo que afecta directamente a la provision.
• LGD (Loss Given Default): la IA estima la perdida en caso de impago basandose en el tipo de garantia, la jurisdiccion y las condiciones de mercado.
• EAD (Exposure At Default): para lineas de credito no dispuestas, la IA predice cuanto dispondra el acreditado antes del default.
• Staging: la IA detecta el incremento significativo de riesgo crediticio de forma mas temprana y precisa, moviendo creditos de Stage 1 a Stage 2 antes.

Forward-looking information

La NIIF 9 exige que las provisiones incorporen informacion prospectiva (forward-looking). La IA puede:

• Incorporar previsiones macroeconomicas en el calculo de PD (GDP growth, unemployment forecast).
• Ponderar multiples escenarios macroeconomicos (base, favorable, adverso) con sus probabilidades.
• Ajustar las provisiones trimestralmente basandose en la evolucion de los indicadores macro.

Dashboards de riesgo

Un dashboard de riesgo de credito efectivo muestra el estado de la cartera y las senales de alerta temprana.

KPIs de riesgo de credito

• Tasa de morosidad: saldo en mora / saldo total. Desglosado por segmento, producto, vintage.
• Ratio de cobertura: provisiones / saldo en mora. Indica si las provisiones son suficientes.
• Coste de riesgo: dotacion de provisiones / saldo medio. El impacto del riesgo en el P&L.
• Vintage analysis: comportamiento de cada cohorte de originacion a lo largo del tiempo. La metrica mas potente para detectar deterioro temprano.
• Migracion de ratings: cuantos acreditados han bajado (o subido) de rating en el periodo.
• Concentracion: exposicion a los top 10 acreditados como porcentaje del total. Los top 5 sectores. Las top 3 geografias.
• Early warning indicators: senales de deterioro antes del impago (retrasos de 1-30 dias, uso de linea que crece, deterioro de ratios financieros).

Alertas automaticas

El dashboard debe generar alertas cuando:

• Un acreditado grande (top 20) muestra signos de deterioro.
• La morosidad de un segmento supera el umbral.
• Las migraciones de rating muestran mas downgrades que upgrades.
• Un sector muestra estres macroeconomico (datos adelantados).

Basilea III e IFRS 9: implicaciones

Basilea III y modelos internos

El marco de Basilea III permite a los bancos usar modelos internos (IRB approach) para calcular los requerimientos de capital por riesgo de credito. La IA mejora estos modelos, pero introduce retos regulatorios:

• Validacion: los modelos internos deben ser validados por un equipo independiente y por el supervisor (BCE, Banco de Espana). Un modelo de IA es mas dificil de validar que una regresion logistica.
• Documentacion: cada decision del modelo debe estar documentada. Los modelos de IA tipo "black box" no cumplen este requisito.
• Estabilidad: el supervisor espera que los modelos sean estables en el tiempo. Los modelos de IA que se reentrenan frecuentemente pueden mostrar volatilidad en los resultados.

IFRS 9 y la IA

La NIIF 9 no menciona la IA, pero sus requisitos de provisioning son compatibles con (y beneficiados por) el uso de modelos de IA:

• La exigencia de informacion forward-looking favorece modelos que incorporen datos macro predictivos.
• El concepto de "incremento significativo de riesgo" para el staging es mas preciso con modelos de IA que detectan deterioro temprano.
• La ponderacion de escenarios macroeconomicos es mas robusta cuando se modelan multiples escenarios con IA.

Credit risk para empresas no financieras

El riesgo de credito no es solo cosa de bancos. Cualquier empresa que vende a credito tiene riesgo de impago de sus clientes. Un CFO de una empresa industrial con 500 clientes y 30M EUR de cuentas a cobrar tiene un problema de gestion de riesgo de credito real.

Scoring de clientes con IA

Una empresa no financiera puede construir su propio modelo de credit scoring para sus clientes:

• Variables internas: historico de pago del cliente, volumen de compras, antigüedad de la relacion, incidencias previas.
• Variables externas: datos de informes comerciales (Informa, Axesor, CESCE), cuentas anuales depositadas, noticias sobre el cliente.
• Variables transaccionales: frecuencia de pedidos, evolucion del volumen, cambios en los productos que compra.

Gestion de limites de credito

La IA puede automatizar la gestion de limites de credito comercial:

• Asignar un limite de credito a cada cliente basandose en su score, su volumen historico y su capacidad financiera.
• Actualizar el limite automaticamente cuando cambian las condiciones (nuevo balance depositado, retraso en pagos, noticia negativa).
• Alertar al equipo comercial cuando un pedido superaria el limite de credito del cliente.
• Sugerir acciones: pedir garantia adicional, reducir el plazo de pago, exigir pago anticipado.

Ejercicio practico

Conclusiones clave