La pandemia que vivimos, ha traído consigo repercusiones en todos los niveles de la vida diaria; un contundente freno al crecimiento económico, muchos empleos se vieron comprometidos, hubo un cese de la educación que impactó el desarrollo de miles de estudiantes, entre muchas otras afectaciones y es probable que tengamos secuelas a futuro que aún no dimensionemos, dado que los expertos siguen sensibilizando a la población sobre que el virus se mantiene presente y seguirá generando olas de contagio.
En medio de la incertidumbre del primer año de pandemia, las personas que cargaron el mayor peso de las consecuencias fueron las que vieron afectado su ingreso, por razones como la pérdida del empleo, por la reducción de la jornada laboral, disminución en las ventas o porque incluso se vieron forzadas a cerrar sus negocios.
Un reflejo inmediato de esta afectación del ingreso es el no pago de las obligaciones financieras, este no pago a su vez compromete de forma importante al sector bancario, un actor clave de la dinámica económica al favorecer la inversión de los sectores, y que al igual que la sociedad tendrá secuelas a futuro que apenas están surgiendo.
¿Cree que el desempeño del sector bancario fue oportuno a la hora de identificar los segmentos afectados?
En primera instancia se debe reconocer la gran labor realizada por este sector que, en tiempo récord ante esta situación tan apremiante, logra el despliegue y movilización de paquetes de ayudas para sus clientes, orientados a mitigar el desplome de sus ingresos. Se formalizaron opciones de prorrogas para el no pago de deuda, así como la aplicación de otros instrumentos más formales en modalidad de pago decreciente, a plazos mayores que permitieran el desahogo para los clientes por medio de la reducción de las cuotas.
En este punto, el uso de herramientas y técnicas de análisis robustas se convirtió en un verdadero aliado para la banca, dada la necesidad de identificar esos niveles de afectación. Dado que se identificaron sectores altamente perjudicados como las aerolíneas aéreas, agencias de viajes, restaurantes, hoteles y en general sectores alrededor del turismo, otros sectores medianamente afectados como empresas micro y medianas con reducción de ventas, que pueden continuar pagando a la entidad financiera pero no el monto de la cuota inicialmente pactado. Y también se identificó un grupo, que mantuvo su ingreso y pudo seguir asumiendo con normalidad sus obligaciones financieras.
La identificación de los segmentos de afectación resulta sumamente relevante al momento de orientar los paquetes de ayuda focalizados a la necesidad de los clientes.
Riesgo de las carteras
Adicional a esto, la banca continúo enfrentando retos, dado que el lanzamiento de paquetes de este tipo tiene repercusiones importantes en métricas claves, que se usan para administrar el riesgo de las carteras. Un ejemplo de esto es la morosidad, que se vio alterada porque los clientes no cayeron en esta condición por incumplimiento, debido a que se acogieron a algún tipo de paquete de ayuda que les permitió dejar de pagar por un periodo de tiempo.
Al mismo tiempo y como un efecto en cadena, se altera otra métrica clave; que es la probabilidad de incumplimiento o probabilidad de default, utilizada para medir el riesgo, tanto por las superintendencias como por los equipos de riesgo en el desarrollo de múltiples modelos y análisis para gestionar los portafolios bancarios. Esto no implica que los bancos no cuenten con otras métricas, pero perdieron información clave para la toma de decisiones.
Parte de los retos que el sector bancario debe afrontar es precisamente cómo la alteración de estas métricas, repercute sobre los modelos y análisis que se generan para soportar la toma de decisiones. Existe un alto riesgo de tomar decisiones inadecuadas, al basarse en estimaciones realizadas con información que no captura el comportamiento real del riesgo de los portafolios. Este panorama se torna más complejo al estar frente a una situación sin precedentes, donde se debe ir construyendo sobre la marcha.
¿Cómo realizar el ajuste de modelos?
Una de las preguntas que surgen es el cómo ajustar los modelos utilizados para que continúen siendo una guía útil para la banca, actualmente se discuten algunas recomendaciones sobre cómo abordar esta problemática, dentro de las que destacan las siguientes:
- Eliminación de ese momento de la historia en la serie de datos.
- Corregir métricas por medio de procesos de suavizamiento o interpolación.
- Utilizar una serie paralela a la probabilidad de default.
La primera opción que resulta más drástica y menos recomendable es eliminar ese momento de la historia en la serie de datos, donde el comportamiento fue atípico y de una forma muy pragmática asumir que las conclusiones que se puedan obtener no son confiables y, se deben a una consecuencia de la forma en que se abordó la crisis por parte del sector bancario.
Esta alternativa tiene la bondad de ser simple a nivel de aplicación, sin embargo, puede requerir mayor fundamentación ante posibles señalamientos a lo interno de la entidad o por parte de auditores externos. Otro aspecto que considerar es que se pierde por completo el rastro de un fenómeno único en su naturaleza, del cual se puede aprender o eventualmente replicar por medio de simulaciones.
Por otro lado, la segunda alternativa es hacer una corrección de dichas métricas, por medio de procesos de suavizamiento o interpolaciones dónde se pueden mitigar caídas o mejoras prologadas. Esta alternativa es preferible a nivel de respaldo técnico, puede realizarse mediante procedimientos simples y es fácil de transmitir al público meta, con la desventaja de que puede corregir parte del problema más no su totalidad.
Finalmente, la solución que resulta una alternativa más rigurosa es utilizar una serie paralela a la probabilidad de default, que capture el comportamiento que dicha métrica debió seguir. Por ejemplo, el cálculo de la necesidad de reservas, que naturalmente la entidad debió alterar por medio de criterios cualitativos, con el fin de materializar el riesgo real incrementado por la pandemia.
Si se cuenta como una variable idónea, se puede reconstruir la trayectoria de la probabilidad de default por medio de modelaciones simples como regresiones. Es una alternativa muy defendible ante el equipo gerencial y el cuerpo de auditores, no requiere una modelación compleja y es la que permite aprovechar al máximo la información disponible.
Estas son algunas de las alternativas que se pueden aplicar para ajustar los modelos y análisis que se alimentan de métricas de este tipo, lo cual no implica que sean las únicas, ante un evento como una pandemia se continúa aprendiendo y es válido explorar distintas alternativas que, con la justificación de rigor, pueden ayudar a maniobrar en tiempos de cambio.
