Gerencia Corporativa de Riesgos

El Valor en Riesgo, o VAR(por sus siglas en inglés Value At Risk), es el indicador por excelencia para medir el nivel de riesgo dado un conjunto de observaciones medibles. Consiste en el valor máximo probable de pérdida a un nivel de confianza determinado. Lo anterior se puede explicar con el siguiente histograma:

Donde tenemos, en el eje x: porcentaje de utilidades, y en el eje y: cantidad de observaciones.

En una distribución gaussiana, aquellos valores extremos contemplarán el menor número de observaciones, concentrándose entonces en las "colas" de la gráfica. Al obtener el 5% de nuestros datos, comenzando desde el valor extremo más bajo (por lo tanto pérdida más alta), estamos seleccionando la mayor pérdida de nuestra distribución a un 95% de confianza.

Gerencia de Riesgo y Contol Normativo

Machine Learning(o "aprendizaje de las máquinas"/"aprendizaje automático") es una disciplina que busca detectar automáticamente patrones de datos mediante algoritmos de clasificación, entrenamiento, pruebas y optimización, con la finalidad de dar un posible resultado a una incógnita con base en el aprendizaje adquirido.

Estas metodologías se pueden implementar en la medición de riesgos, permitiendo determinar probabilidades de pérdidas para un evento con base en sus características y el comportamiento que han tenido eventos con características similares a través del tiempo.

Por ejemplo, en Riesgo de Crédito se utilizan modelos de Machine Learning para determinar la probabilidad de incumplimiento de un cliente en el pago de las cuotas de su operación de crédito, basado en el comportamiento que han tenido clientes con características similares a través de los años.

A continuación usaremos un ejemplo sumamente básico para entender lo explicado anteriormente:

Supongamos que nuestra institución en toda su historia ha tenido únicamente 5 clientes, y para esos clientes hemos determinado dos variables que resultan ser significativas al momento de explicar por qué tiene o no tiene un crédito sano.

De pronto llega un nuevo cliente a solicitar un crédito. ¿Con base en experiencias pasadas expuestas en el siguiente cuadro, podrías predecir si el cliente desarrollará o no un crédito sano?

Haz una pausa para analizar el cuadro y establece tu deducción.

Resultado: Teniendo en cuenta nuestros datos pasados, los clientes que han tenido los mismos valores en Variable 1 y Variable 2 respecto al cliente nuevo, no han tenido créditos sanos. Y por lo tanto es muy probable que nuestro cliente nuevo tampoco vaya a tener una sana operación de crédito con nosotros.

Este patrón que acabamos de hallar, es un ejemplo de lo que buscan encontrar los modelos de Machine Learning entre millones de registros con cientos de variables, para con los resultados tratar de deducir de forma automática los futuros resultados de miles de clientes con variedad de diferentes características.

Gerencia de Riesgo y Contol Normativo