Question

Sou um profissional da área de risco. Como técnicas de machine learning podem me ajudar no meu trabalho?

Answer 1

A exemplo do questionamento sobre MC, no escopo de avaliação de risco de crédito penso que ambas as técnicas de MC e ML fazem mais sentido se forem utilizadas em conjunto, ou seja, num primeiro momento uso MC para identificar variáveis, na sequencia uso ML para ganhar velocidade na resposta ao cliente e retroalimentar o modelo.

Answer 2

A grande vantagem da aplicação de técnicas de Machine Learning (ML) no processo de análise de risco de crédito é a possibilidade de analisar qualquer dado disponível sobre um tomador de crédito, e por meio de um conjunto de algoritmos indicar padrões nos dados, quer seja um cliente que já tenha relacionamento ou não com a instituição concessora. Sejam algoritmos de aprendizagem supervisionada ou não supervisionada, o ojetivo será analisar os dados e definir padrões e categorizações e assim predizer comportamentos. Tudo isso, utilizando métodos estatísticos: regressão, classificação e clustering em conjunto o que permitirá uma melhor análise dos dados e da tomada de decisão.

Answer 3

A ML pode ser uma importante ferramenta para a gestão do risco operacional ao detectar, com alta performance, fraudes ao sistema financeiro, a exemplo do crime de lavagem de dinheiro. Atua como reforço ao dever de due diligence das IFs. Modelos de prevenção a fraudes, em geral baseados em regras de bloqueio, complementados com a ML são capazes de predizer o comportamento do agente com mais acurácea. Utilizando base de dados a ML detecta padrões de maneira rápida, barata e em tempo real. Uma rede neural é capaz de observar sinais suspeitos e ao mesmo tempo indicar o cliente para uma segunda avaliação.

Answer 4

Com a capacidade de analisar grande volume de dados complexos e aprender com esses dados, uma aplicação do Machine Learning para a gestão de risco é auxiliar na mitigação do risco de fraudes/compliance. Um exemplo prático e já utilizado por bancos é a utilização dessa inteligência para verificação da conformidade da operação de crédito, inclusive com a análise do preenchimento do contrato, verificando se todos os pré-requisitos foram preenchidos, o algoritmo implantado realiza a análise de compliance em 2 segundos, tarefa que o ser humano levava 60 minutos para realizar.

Answer 5

Considerando que o Teste de Estresse é uma das vertentes do planejamento de capital, é possível utilizar as técnicas de machine learning para extrapolar as variáveis utilizadas no modelo atual de Teste de Estresse (variáveis internas da instituição financeira ou variáveis previamente definidas pela autoridade supervisora). A partir do momento em que a instituição financeira fizer um input de vários dados granulares, com a maior diversificação possível, a máquina poderá achar padrões e aprender, devolvendo modelos/resultados cada vez mais consistentes, conforme for retroalimentada com mais dados. Essas respostas do modelo podem ser utilizadas para melhorar o gerenciamento de capital, à medida que a instituição identificar a necessidade de retenção ou alavancagem.

Answer 6

A redução da taxa básica de juros vai exigir maior exposição ao risco. Neste cenário, aprendizado de máquina é instrumento auxiliar na gestão do risco de mercado e liquidez, os dados das negociações de ativos financeiros no mercado secundário podem auxiliar na venda de ativos em situação de restrição de liquidez com a menor perda, em complemento a outros mecanismos de obtenção de liquidez, tais como, operações compromissadas e DI.

Answer 7

As técnicas de machine learning podem representar um relevante aprimoramento no processo de identificação e mitigação de riscos. No âmbito bancário, por exemplo, o uso de tais técnicas possibilita identificar fraudes em transações em tempo real, mediante o “aprendizado” de padrões de ataques, antecipando assim a ação dos fraudadores. Outro exemplo aplicável às instituições financeiras refere-se à mitigação de risco de crédito no momento da concessão, mediante a análise do padrão dos dados do cliente que pode detectar a probabilidade de inadimplência futura.

Answer 8

O know-how do modelador de risco no uso das diversas técnicas estatísticas disponíveis permite desenvolver modelos de risco de crédito que apresentem uma boa acurácia. Esse processo eficiente de construção de modelos pode ser todo automatizado através do uso de Machine Learning. Isto permite gerar rapidamente modelos baseados em diferentes análises estatísticas, comparar os resultados e escolher aquele com melhor poder de discriminação. Com o treinamento e retroalimentação, a acurácia aumenta, devendo assim ser disponibilizados a maior qtd de dados possíveis, como os gerados pelo MC.

Answer 9

Com a utilização de machine learning e outras tecnologias, os modelos de risco podem se tornar mais preditivos, desmistificar modelos mais tradicionais como Value at Risk (VaR), Capital Asset Pricing Model (CAPM), Arbitrage Pricing Theory, Loss Given Default (LGD), etc, o que sugere que as perdas de crédito podem cair até 10%. À medida que as ferramentas de automação e analítica reduzem o número de erros humanos e as novas técnicas de vigilância multicanal detectam o comportamento inadequado dos funcionários de maneira mais eficiente, a frequência e magnitude das perdas e multas operacionais e de conformidade podem diminuir em 10%.

Answer 10

Por se tratar de um sistema com capacidade de construir algoritmos que aprendem com os seus erros e fazem previsões a partir extensos bancos de dados, as técnicas de ML são capazes de minimizar os erros humanos ao automatizar atividades repetitivas. Na análise de risco, é capaz de identificar padrões de atividades suspeitas, transações de alto risco ou mudanças repentinas no comportamento de compra do cliente, sendo um aliado tanto na prevenção de fraudes, quanto no processo decisório da análise de risco, ao ser capaz de traçar um perfil mais detalhado do tomador de crédito.