¿Qué es la gestión del riesgo de modelo?

Un modelo es cualquier planteamiento, método o sistema cuantitativo que procesa datos de entrada y produce estimaciones cuantitativas¹. Los modelos suelen aplicarse al tomar decisiones empresariales, determinar oportunidades y riesgos empresariales, diseñar estrategias empresariales y gestionar operaciones empresariales.

Las instituciones financieras, por ejemplo, se basan en una serie de modelos para fijar precios, valorar y detectar y prevenir el fraude y el blanqueo de dinero, entre otros servicios financieros. El uso de modelos a menudo plantea riesgos, lo que hace que la gestión del riesgo de modelo (MRM) sea una consideración crucial para las empresas.

La crisis financiera mundial de 2007 a 2008, por ejemplo, se achacó en parte a modelos de valor en riesgo (VaR, por sus siglas en inglés) defectuosos, que estimaban las pérdidas futuras que podrían sufrir las inversiones². En 2012, la debacle de la "London Whale" de JPMorgan Chase se saldó con 6000 millones de dólares en pérdidas y casi 1000 millones en multas³. Esto se debió en parte a un error de cálculo en la hoja de cálculo, que subestimó el riesgo⁴. 

En 2021, la empresa de mercados inmobiliarios Zillow realizó una depreciación de inventario de 304 millones de dólares y planeó recortar una cuarta parte de su personal tras el fracaso de su empresa de compra de viviendas, provocado en parte por la incapacidad de su modelo de valoración del precio de la vivienda para predecir con exactitud los precios de las casas.⁵

El riesgo de modelo puede deberse a varias causas:

Si no se gestiona, el riesgo de modelo puede causar estragos en las finanzas, las operaciones y la reputación de una organización. Una gestión eficaz del riesgo de modelo requiere un marco que tenga en cuenta el riesgo en cada etapa del ciclo de vida de un modelo.

La gestión del riesgo de modelo también implica seguir las directrices reglamentarias. En EE. UU., por ejemplo, la Reserva Federal y la Oficina del Contralor de la Moneda (OCC) publicaron una guía de supervisión sobre la gestión del riesgo de modelo, que sirve como punto de referencia para un marco de MRM.

A continuación se detallan seis pasos comunes hacia un marco eficaz de gestión del riesgo de modelo:

Identificar los riesgos es el primer paso en la gestión del riesgo de modelo. Esto implica realizar un inventario de modelos y definir los riesgos asociados a cada modelo.

El siguiente paso es medir y evaluar el riesgo de modelo. Las empresas pueden idear un sistema de clasificación que ordene los riesgos de modelo en función de la prioridad, la probabilidad de que se produzcan y la gravedad de sus efectos, entre otras métricas.

Además de la medición del riesgo de modelo individual, las empresas también pueden considerar el riesgo de modelo agregado. El riesgo de modelo agregado se refiere a los riesgos planteados por las dependencias e interacciones entre diferentes tipos de modelos. Por ejemplo, los resultados de un modelo de diagnóstico sanitario pueden alimentar un modelo de predicción de la atención al paciente. Si el modelo de diagnóstico presenta sesgos, esos sesgos podrían trasladarse al modelo de predicción, lo que afectaría a quién podría recibir atención urgente.

Para mitigar el riesgo hay que abordar sus fuentes y causas. A continuación se presentan algunas estrategias de mitigación de riesgos que pueden integrarse en un marco de gestión del riesgo de modelo:

• Auditorías y revisiones: las empresas pueden realizar sus propias auditorías internas de sus modelos o contratar a expertos externos para que lleven a cabo revisiones independientes.

• Estándares: crear normas para el proceso de modelado puede ayudar a minimizar el riesgo. Pueden elaborarse normas para la recogida de datos, el proceso de diseño y el desarrollo de modelos, las pruebas, la documentación y el uso de modelos.

No todos los riesgos pueden mitigarse, por lo que las empresas pueden seguir expuestas a cierto grado de riesgo. Por lo tanto, las organizaciones pueden encontrar útil establecer su apetito de riesgo, que es el nivel de riesgo que una empresa está dispuesta y preparada para tolerar y puede asumir cuando se trata de su uso de modelos.

El proceso de validación actúa como un desafío efectivo de un modelo para comprobar su calidad y verificar sus resultados. La validación del modelo se realiza después de su aplicación y antes de ponerlo a disposición de los usuarios. Abarca enfoques tanto cuantitativos como cualitativos.

La validación cuantitativa del modelo incluye estas estrategias:

• El backtesting es una forma de análisis de resultados que utiliza datos históricos del mundo real para probar un modelo, evaluando así su precisión y eficacia.

• Los modelos retadores son modelos alternativos desarrollados para desafiar a un modelo "campeón". Ambos modelos utilizan los mismos datos y sus resultados se comparan para revelar riesgos potenciales u ocultos.

• El análisis de sensibilidad examina cómo la alteración de una variable específica en determinadas condiciones afecta a otras variables.

• Las pruebas de estrés aplican simulaciones basadas en escenarios especulativos o teóricos para ver cómo responde un modelo.

Por su parte, la validación cualitativa de modelos tiene en cuenta factores como la idoneidad de un modelo para su propósito y si un modelo se ajusta a las normas o cumple la normativa.

La monitorización de modelos examina continuamente los modelos para comprobar si siguen funcionando según lo previsto y continúan rindiendo como se esperaba. Señala cualquier riesgo adicional que pueda surgir o las actualizaciones necesarias como consecuencia de cambios en los datos, los procesos y la normativa.

La validación de los modelos suele formar parte del proceso de seguimiento continuo. En esta fase se elaboran informes de seguimiento y validación que son revisados por las partes interesadas para recomendar las medidas necesarias.

El gobierno del modelo permite supervisar todo el proceso de modelado. Establece un sistema de propiedad y control mediante políticas y procedimientos. Un buen gobierno del riesgo de modelo requiere un equipo variado de responsables de la toma de decisiones y stakeholders, desde el consejo de administración y la alta dirección hasta los propietarios, desarrolladores y usuarios de los modelos.

Muchos de los modelos actuales emplean IA y machine learning de alguna forma, en particular al generar y probar modelos.

Por ejemplo, la IA se aplica habitualmente en el sector financiero para modelizar el riesgo de crédito, el riesgo de mercado y el riesgo operativo. La tecnología puede ayudar a evaluar el riesgo de crédito y préstamo, crear modelos de mercado y ayudar a detectar el fraude financiero y el blanqueo de dinero.

La IA y el aprendizaje automático también pueden aplicarse a la gestión del riesgo de modelo, especialmente durante la validación de modelos (como las pruebas de estrés de los modelos de mercado) y la supervisión de modelos en tiempo real. Estos son algunos de los algoritmos y métodos de aprendizaje automático más utilizados en la gestión del riesgo de modelo:

• El clustering puede aplicarse al análisis de sensibilidad para descubrir anomalías que puedan indicar riesgo cuando se modifican las variables o cuando se simulan escenarios específicos.

• Los árboles de decisión pueden combinarse con redes neuronales para monitorizar los modelos de negociación, por ejemplo, alertando a los operadores de cambios en los patrones subyacentes durante la negociación.

• Tanto el deep learning como el aprendizaje por refuerzo pueden utilizarse para la supervisión de modelos en tiempo real, la detección de problemas y la recomendación automática de resoluciones.

• Las redes neuronales pueden contribuir a las pruebas de resistencia, ayudando a los bancos a modelar su liquidez en condiciones económicas difíciles, como una recesión.

El software de gestión del riesgo de modelo puede ayudar a las organizaciones a gestionar el riesgo de modelo con mayor eficacia. Ofrece características avanzadas, como inventario de modelos y seguimiento y asignación de métricas, modelos y políticas a múltiples requisitos normativos. Otras herramientas de gestión del riesgo de modelo también permiten la gestión de modelos mediante IA y machine learning, con capacidades que incluyen la automatización de la monitorización y la validación de modelos.