Credit Risk Analytics / technical book
Interactive quantitative edition

Credit Risk
Analytics

Autores do livroBart Baesens · Daniel Rösch · Harald Scheule
Site idealizado e revisado porGabriel Groehs

Uma leitura técnica, visual e contemporânea dos principais mecanismos de mensuração de risco de crédito — da qualidade do dado à decisão, do score à perda esperada, do modelo ao stress e à governança.

PD · LGD · EAD · CCFIFRS 9 · ECLSurvival & HazardBayesian RiskPortfolio CorrelationValidationStress TestingQuant Lab
15capítulos do livro + extensões aplicadas
41visualizações Canvas
52fórmulas com inspector
65controles interativos
ELfio condutor: PD × LGD × EAD
01Loss engineEL, PD, LGD, EAD 02IFRS 9ECL & staging 03PD dynamicssurvival & hazard 04ValidationAUC, PSI, calibration 05Monitoringdrift & migration 06Decision layerRAROC & appetite
Executive quantitative cockpit

Da probabilidade à decisão
em uma única superfície.

Um simulador gerencial sintético conecta risco, perda e retorno. Ajuste os drivers e veja a arquitetura econômica reagir em tempo real.

EXPECTED LOSSR$ 95 mil0,95% da EAD
PD
LGD
EAD
Receita brutaR$ 800 milantes de custo de risco
Custo de riscoR$ 95 milEL sintética
Risk postureGROWretorno cobre o risco
Visualização: Da probabilidade à decisão em uma única superfície.
Modelo educacional

RAROC simplificado = (Receita − EL − Opex sintético) / Capital econômico. Serve para visualização conceitual, não para decisão financeira real.

00 · Editorial map

O livro como sistema,
não como sequência.

O ponto central desta edição é enxergar modelagem de crédito como um sistema integrado: dados entram, risco é estimado, perda é decomposta, incerteza é quantificada, o modelo é validado e a decisão é governada.

Narrative architecture · arquitetura narrativa

Uma trilha editorial do livro, em quatro movimentos

Em vez de percorrer o sumário apenas como lista, o site passa a ler o livro como um sistema: fundamentos, modelagem, carteira e governança.

01Foundationloss decomposition · data discipline · business context
02Probability & timingscoring · PD · hazard · low-default inference
03Loss architecturecorrelation · LGD · EAD · portfolio economics
04Control & actionBayes · validation · monitoring · stress · governance
Edition visuals · visuais da edição

Do objeto editorial ao companion digital

Além do conteúdo técnico, a V3 também assume uma linguagem de objeto: o livro passa a existir como artefato visual, conectando a edição impressa original a uma versão tridimensional reinterpretada para o site.

Original cover miniature
3D edition miniature
Leitura técnica referenciada

A obra como arquitetura de risco

Livro completo · i–498

Lida como sequência de capítulos, a obra parece um catálogo de técnicas. Lida como sistema, revela uma progressão única: cada bloco existe para tornar possível o bloco seguinte, e a governança final só faz sentido porque tudo que veio antes é estimado, e portanto falível.

Quatro movimentos

O primeiro movimento é de fundação — dado, definição de evento, tratamento e ordenação. O segundo é de mensuração — PD, LGD, EAD e a dependência que liga os contratos entre si. O terceiro é de prova — validação, monitoramento e estresse, que existem para testar se o que foi medido continua verdadeiro. O quarto é de decisão e governança — precificação, limites, capital, provisão e o arcabouço que mantém o sistema auditável.

Cada capítulo responde a uma pergunta que o capítulo anterior deixou em aberto.

Como navegar esta edição

Os capítulos podem ser lidos em ordem, como percurso de aprendizado, ou consultados de forma independente, como referência. Cada seção combina três camadas: os cartões conceituais e fórmulas interativas, as visualizações que permitem manipular parâmetros e observar consequências, e o ensaio de leitura referenciada, que consolida a discussão em texto contínuo. Os simuladores foram construídos para ensinar relações, não para reproduzir números de produção — os valores padrão são ilustrativos e escolhidos pela clareza pedagógica.

Convenções desta edição

A obra é escrita em inglês. Os termos técnicos aparecem aqui em português, seguidos do original em inglês na primeira menção — loss given default, adverse selection, hazard rate —, e o glossário bilíngue no capítulo 15 reúne todos eles. Nos blocos de modelos, cada card traz um marcador de origem: Cap. N indica o capítulo da obra cujo tema o card desenvolve, literatura remete à literatura fundacional das referências e extensão sinaliza prática ou regulação contemporânea que não pertence ao escopo do livro.

O que este companion é e o que não é

Esta é uma obra digital independente, escrita em linguagem própria, que utiliza a arquitetura temática da referência principal como espinha dorsal. Não substitui a leitura do livro nem reproduz seu texto: complementa-o com visualização, simulação e uma perspectiva contemporânea de engenharia — pipelines, versionamento, monitoramento automatizado e governança de modelos — que a prática atual tornou inseparável da modelagem.

Síntese editorial original, escrita a partir da estrutura temática e dos conceitos canônicos do campo; não reproduz o texto do livro.
01 · Risk engine

A anatomia quantitativa
da perda.

O risco de crédito pode ser organizado em três perguntas fundamentais: vai ocorrer default?, quanto se perde se ocorrer? e qual será a exposição naquele instante?. A decomposição PD–LGD–EAD transforma essas perguntas em um motor mensurável.

Core equation · equação central

Expected Loss como arquitetura

Em uma leitura operacional, a perda esperada não é apenas uma fórmula: é uma interface entre comportamento, recuperação, exposição, pricing, provisão e capital.

EL=PD×LGD×EAD
EL = expected loss · PD = probability of default · LGD = loss given default · EAD = exposure at default
↗ abrir inspector
Obligorperfil, renda, rating, comportamento
PD enginechance de default
LGD engineseveridade líquida
EAD engineexposição futura
Lossprovisão · pricing · capital
Integrated view · visão integrada
PD · frequência
LGD · severidade
EAD · exposição
ρ · dependência
Credit
Risk

Decisão

Concessão, limite, pricing, covenant, monitoramento e cobrança.

approvallimitpricing

Contabilidade

Mensuração de perda esperada, staging e reconhecimento de deterioração.

12m ECLlifetime ECL

Capital & gestão

Unexpected loss, concentração, apetite a risco, RAROC e stress.

ULcapitalstress
Leitura técnica referenciada

Leitura técnica do capítulo introdutório

Cap. 1 — Introduction to Credit Risk Analytics · pp. 1–15

A perda esperada é a peça que articula todo o restante da obra: ela é simultaneamente uma definição contábil, uma métrica de precificação e um contrato de linguagem entre áreas que raramente falam o mesmo idioma.

Quando se escreve EL = PD × LGD × EAD, o que se está afirmando é que a perda de uma operação pode ser decomposta em três perguntas independentes em termos de modelagem, ainda que correlacionadas em termos econômicos: qual a chance de o evento de default ocorrer no horizonte relevante; caso ocorra, que fração do valor não retorna; e qual será o montante efetivamente exposto naquele instante. A elegância da fórmula esconde uma dificuldade prática enorme, porque cada fator é estimado com dados diferentes, populações diferentes, horizontes diferentes e níveis de ruído muito distintos.

Três estimadores, três regimes estatísticos

A PD é tipicamente um problema de classificação com desfecho binário e alta assimetria de classes, o que a torna sensível a definição de default, janela de observação e maturação da safra. A LGD é um problema de regressão com suporte limitado ao intervalo unitário, distribuição frequentemente bimodal e forte dependência de processo — o mesmo devedor pode gerar severidades muito diferentes conforme o rito de cobrança adotado. A EAD é um problema de projeção de saldo, marcado por comportamento contratual, limites disponíveis e uma dinâmica de seleção adversa que se intensifica exatamente quando a qualidade de crédito se deteriora.

Tratar os três com o mesmo ferramental é um erro comum. A consequência prática aparece na validação: portfólios com discriminação excelente de PD podem apresentar perdas muito acima do previsto porque a severidade foi estimada sobre uma amostra de recuperações incompleta, ou porque a exposição cresceu nos meses que antecederam o evento.

Perda esperada não é perda inesperada

A perda esperada é um custo previsível e, como tal, deve ser precificada no spread e provisionada. A perda inesperada é volatilidade em torno dessa média e é o que justifica capital. A distinção não é semântica: ela define quem paga a conta. Erros de estimativa na média corroem margem operação a operação; erros na cauda corroem solvência de uma só vez.

  • Provisão — absorve a média condicional das perdas ao longo do horizonte contábil.
  • Spread — remunera a perda esperada, os custos e o capital alocado.
  • Capital — protege contra o desvio adverso em torno da média, em um quantil de confiança elevado.
  • Limite — restringe concentrações cujo efeito não aparece na média, apenas na cauda.

Por que a granularidade importa

Se todos os contratos fossem idênticos e independentes, a média amostral resolveria o problema. Nenhuma dessas hipóteses vale. Contratos diferem em produto, garantia, prazo e canal; e os desfechos são dependentes porque compartilham fatores macroeconômicos comuns. A modelagem granular existe para recuperar heterogeneidade — a segmentação transforma uma média enganosa em um conjunto de médias condicionais úteis — enquanto a modelagem de dependência existe para recuperar a estrutura de covariância que a granularidade sozinha não captura.

Segmentar bem melhora a média; modelar dependência bem melhora a cauda. São problemas distintos e ambos são obrigatórios.

O ciclo econômico atravessa os três fatores

Em recessões, PD sobe, recuperações caem e utilização de linhas aumenta. Os três fatores se movem na mesma direção adversa, e é precisamente essa correlação que torna perigoso estimá-los de forma isolada e depois multiplicá-los como se fossem independentes. O resultado é uma subestimação sistemática da perda em cenários de estresse, agravada quando as amostras de calibração cobrem apenas períodos benignos.

Essa é a razão de a literatura regulatória insistir em conceitos como downturn LGD e em estimativas com viés conservador: não porque conservadorismo seja virtude contábil, mas porque a estrutura de dependência entre os fatores raramente é capturada por completo pelos modelos marginais.

Do número à decisão

Um framework de risco de crédito só se completa quando o número estimado altera uma decisão observável — aprovar, precificar, limitar, provisionar, reter ou vender. Modelos que não chegam a esse ponto tornam-se relatórios. O percurso dos capítulos seguintes é, em essência, o percurso de tornar cada um desses fatores estimável, verificável e utilizável: primeiro o dado, depois a ordenação, depois a probabilidade calibrada, depois a severidade e a exposição, depois a dependência, depois a prova de que o sistema continua válido, e por fim a governança que o mantém em pé.

Síntese editorial original, escrita a partir da estrutura temática e dos conceitos canônicos do campo; não reproduz o texto do livro.
01B · Applied bridge

IFRS 9: do risco estimado
à perda contábil.

A lógica central do livro encaixa naturalmente em IFRS 9. Staging decide horizonte, PD temporaliza risco, LGD traduz severidade, EAD antecipa exposição e o fator de desconto fecha a ponte até o ECL reportado.

Accounting flow · fluxo contábil animado
Exposure datefotografia da carteira
Stage allocation1 · 2 · 3
PD horizon12m ou lifetime
LGDseveridade econômica
EADexposição esperada
Discountingvalor presente
ECLprovisão / disclosure
Interactive waterfall · cascata interativa

Como o ECL migra entre os estágios

À medida que a severidade aumenta, a carteira perde participação em Stage 1 e transfere mais peso para Stage 2 e Stage 3, elevando o ECL total.

Visualização: Como o ECL migra entre os estágios
28%
Stage 1 0.39%Stage 2 2.84%Stage 3 27.10%Total ECL 1.43%
Formula ladder · escada de fórmulas
ECL= ΣPDₜ×LGDₜ×EADₜ×DFₜ
Perda esperada descontada ao longo do horizonte relevante.
↗ abrir inspector

O site agora torna visível a costura entre modelagem e contabilidade: a mesma mecânica que estima risco também sustenta provisão, explicação executiva e governança.

StageTriggerHorizonte
1sem aumento significativo de risco12 meses
2deterioração relevantelifetime
3default / credit-impairedlifetime + juros líquidos
ECL waterfall · movimento da provisão

Por que a ECL mudou entre duas datas

Uma provisão sem narrativa é indefensável. A decomposição do movimento separa o que veio de volume, do que veio de migração de estágio, do que veio de atualização de cenário e do que veio de mudança de modelo.

Waterfall da variação da ECL
Base 20% · amplifica simultaneamente a migração para o Estágio 2 e a atualização de cenário; reduz a cura.
Saldo final —Δ —Migração —
aumenta a provisãoreduz a provisãosaldo
Modelos · IFRS 9 / ECL · extensão aplicada aos Caps. 6, 10 e 11

Do parâmetro à provisão: 12 meses, lifetime e cenários

Três peças transformam PD, LGD e EAD em perda esperada de crédito (expected credit loss, ECL): a soma descontada ao longo do horizonte, o gatilho de estágio (staging) que decide qual horizonte vale e a ponderação de cenários prospectivos (forward-looking scenarios) que traz o futuro para dentro do número.

Executive flow · fluxo executivo da ECLextensão

Da carteira à provisão reportada, em nove passos

Stage transition map · mapa animado de migração entre estágiosextensão

Como a carteira circula entre os estágios

Cada partícula é uma fatia da carteira migrando ao longo de um ano. Setas para a direita: deterioração — aumento significativo do risco (SICR), default e baixa contábil (write-off). Arcos de volta: cura (cure), após o período de prova (probation period). A espessura acompanha a taxa de transição (transition rate).

Mapa de migração entre estágios
25%
Estágio 1 → 2 —Estágio 2 → 3 —Cura 2 → 1 —ECL em 1 ano —
Leitura executivaNo estresse, os fluxos para fora do Estágio 1 crescem e as curas encolhem ao mesmo tempo: a provisão sobe pela migração entre estágios, não apenas pela PD de cada contrato.
ECL engine · motor de perda esperada · 12m × vida inteiraextensão

O mesmo contrato, a mesma PD — só muda o horizonte

Cada barra é a perda esperada descontada de um ano de vida do contrato: a PD marginal (marginal PD: sobreviver até aquele ano e falhar nele) × LGD × exposição remanescente (EAD) × fator de desconto (discount factor) pela taxa efetiva de juros (effective interest rate, EIR). No Estágio 1 (Stage 1) só os primeiros 12 meses são provisionados (12-month ECL); no Estágio 2, a vida inteira (lifetime ECL); no Estágio 3 (credit-impaired, com problema de recuperação) a PD já é 100%.

ECL por ano de vida do contrato
3,0%
40%
6 anos
12%
60%
ECL 12m —ECL lifetime —Salto de estágio —PD lifetime —Provisão reconhecida —
ano 1 · horizonte de 12 mesesanos seguintes · horizonte lifetimeECL acumulada (eixo direito)
Leitura executivaNo Estágio 2 o mesmo contrato passa a provisionar a vida inteira — com os parâmetros padrão, 3,4 vezes mais. O gatilho de estágio é a decisão de maior impacto contábil de todo o motor de ECL.
Lifetime ECL · perda esperada na vida do contratoextensão

Soma descontada de perdas marginais

A ECL de vida inteira (lifetime ECL) não é a PD acumulada (cumulative PD) vezes LGD vezes EAD: cada período entra com a sua probabilidade marginal, a sua exposição e o seu desconto.

ECLLT=ΣₜmPDₜ·LGDₜ·EADₜ·(1+EIR)−t
mPDₜ = S(t−1) − S(t) · PD marginal do período t
↗ abrir inspector
  1. Sobrevivência: S(t) = ∏ (1 − hₖ)
  2. PD marginal: mPDₜ = S(t−1)·hₜ
  3. Perda do período: ELₜ = mPDₜ·LGDₜ·EADₜ
  4. Desconto e soma: ECL = Σ ELₜ·(1+EIR)⁻ᵗ
Staging rule · regra de estágiosextensão

O gatilho é uma decisão de modelagem

O teste compara a PD atual com a PD que se esperava, na originação, para o mesmo prazo remanescente. O limiar relativo (relative threshold) detecta deterioração; o absoluto (absolute threshold) evita transferências espúrias em contratos de risco muito baixo; o atraso de 30 dias é a rede de segurança (backstop).

SICR⇔[PDₜ / PD₀ > k∧PDₜ − PD₀ > Δ]∨atraso > 30d
PD₀ = PD esperada na originação para o prazo remanescente · PDₜ = PD na data de reporte
↗ abrir inspector
Dobrar uma PD de 0,05% não tem relevância econômica; dobrar uma PD de 4% tem. Por isso o limiar relativo nunca anda sozinho.
Se o atraso de 30 dias é o primeiro sinal de transferência, o modelo de staging chegou tarde.
SICR · fronteira de transferência para o Estágio 2extensão

Quem migra para o Estágio 2 — e por quê

Cada ponto é um contrato de uma carteira sintética: PD na originação no eixo horizontal, PD atual no vertical, ambos em escala logarítmica. Acima da fronteira dourada houve aumento significativo do risco de crédito (significant increase in credit risk, SICR) pelos critérios relativo e absoluto; anéis vermelhos marcam a rede de segurança (backstop) de mais de 30 dias de atraso (days past due, DPD), que transfere independentemente da PD.

Fronteira de SICR
2,5×
0,5 pp
Estágio 2 —pelo critério de PD —só pelo backstop —ECL vs. tudo em Estágio 1 —
Estágio 1Estágio 2 · critério de PDatraso > 30 dias
Leitura executivaAfrouxar o limiar relativo de 2,5× para 1,5× move uma fatia relevante da carteira para o Estágio 2 sem nenhuma mudança na economia: é o efeito penhasco (cliff effect) que exige calibração e estabilidade do gatilho.
Forward-looking scenarios · cenários prospectivosextensão

Por que a média dos cenários não é o cenário médio

A PD condicional (conditional PD) é convexa no fator macroeconômico (macroeconomic factor): a piora no cenário adverso pesa mais do que a melhora no otimista. Por isso a ECL ponderada fica acima da ECL calculada no cenário médio — a diferença é o ajuste de não linearidade (non-linearity adjustment) que a norma exige capturar.

Convexidade da ECL entre cenários
25%
−2,0
ECL base —ECL no cenário médio —ECL ponderada —Ajuste não linear —
Leitura executivaCenários adversos pesam mais do que otimistas porque a PD é convexa no ciclo. Reportar só o cenário base subestima a provisão; o ajuste precisa aparecer no waterfall de movimentação.
Probability weighting · ponderação de cenáriosextensão

Desigualdade de Jensen na provisão

ECL= Σₛwₛ· ECL(Zₛ)≥ECL(Σₛ wₛZₛ)
wₛ = peso do cenário s · Zₛ = fator macro do cenário
↗ abrir inspector
Rodar um único cenário central, mesmo bem calibrado, subestima a provisão sempre que a resposta da PD ao ciclo é convexa.
Pesos de cenário são julgamento documentado — e a sensibilidade da ECL a eles deve ser divulgada.

Premissas do simulador: PD de longo prazo 2,5%, ρ = 12%, LGD 45%, otimista Z = +1 com peso de 15%.

Regulatory vs accounting · mesmos parâmetros, propósitos distintosextensão

Basileia (IRB) × IFRS 9

ParâmetroCapital · IRBProvisão · IFRS 9
PD12 meses, TTC, com margem de conservadorismo e piso12 meses ou lifetime, PIT, condicional a cenários, sem viés
LGDdownturn, com custos indiretos e margensexpectativa corrente e prospectiva, sem downturn
EAD / CCFhorizonte de 1 ano; CCF próprio restritoperfil ao longo da vida, incluindo a vida comportamental de rotativos
Descontotaxa que reflete custo de capital e riscotaxa efetiva de juros original (EIR)
Cenáriosimplícitos no quantil de 99,9%explícitos e ponderados por probabilidade
Brazilian reading · leitura brasileiraextensão

IFRS 9 × Resolução CMN 4.966

TemaIFRS 9CMN 4.966 · em linhas gerais
Estágiostrês estágios pela variação do riscomesma lógica de três estágios
SICRpresunção refutável a 30 dias de atrasoatraso > 30 dias como indicativo de aumento significativo
Defaultpresunção refutável a 90 diasativo com problema de recuperação de crédito (inclui > 90 dias)
Juros no Estágio 3receita sobre o valor contábil líquidovedado reconhecer receita ainda não recebida
Pisosnão háprovisão mínima para ativos inadimplidos por carteira e tempo de atraso

Síntese educacional; não substitui a leitura dos normativos vigentes.

Model card · ficha do modelo de ECLextensão

Como um motor de ECL é especificado

Unidade
contrato ou segmento homogêneo, na data de reporte
Componentes
curva de PD lifetime PIT por cenário · LGD prospectiva · perfil de EAD · taxa efetiva de juros original
Staging
teste de SICR quantitativo (relativo + absoluto) · sinais qualitativos (watchlist, renegociação) · backstop de 30 dias · cura com período de prova
Forward-looking
três a cinco cenários macroeconômicos com pesos documentados · modelos satélite ligando macro a PD, LGD e utilização
Validação
backtesting da PD de 12 meses e do fluxo de estágios · estabilidade do staging · sensibilidade a pesos e severidades · reconciliação com o capital
Governança
overlays quantificados e com prazo · waterfall de movimentação entre datas · aprovação em comitê
Leitura técnica referenciada

Ponte aplicada: ECL e staging

Extensão aplicada a partir dos Caps. 6, 10 e 11 · síntese transversal

O IFRS 9 e, no Brasil, a Resolução CMN 4.966/2021 deslocam o reconhecimento da perda do passado para o futuro: em vez de esperar a evidência objetiva de deterioração, a instituição precisa estimar hoje a perda esperada ao longo de um horizonte que depende do estágio em que o ativo se encontra.

Estágios como função da variação de risco

A lógica de estágios não classifica o nível absoluto de risco, e sim a sua variação desde o reconhecimento inicial. Um ativo originado com PD elevada pode permanecer no Estágio 1 se o risco não aumentou de forma significativa; um ativo originado com PD baixa pode migrar para o Estágio 2 com uma deterioração relativa modesta. Essa é a fonte mais comum de mal-entendido operacional e a razão pela qual o gatilho de significant increase in credit risk precisa de definição quantitativa explícita, tipicamente combinando limiar relativo de PD, limiar absoluto de segurança, atraso e sinais qualitativos.

  • Estágio 1 — ECL de 12 meses; ativo sem aumento significativo de risco.
  • Estágio 2 — ECL lifetime; risco cresceu materialmente, mas não há default.
  • Estágio 3 — ativo em default; ECL lifetime com juros sobre valor líquido.

A aritmética do salto de estágio

A migração para o Estágio 2 troca um horizonte de doze meses por todo o prazo remanescente. Em uma carteira de longa maturidade, isso multiplica a provisão de um mesmo contrato por um fator que depende da forma da curva de PD acumulada — não é raro observar saltos de três a dez vezes. Como esse salto é descontínuo, o resultado contábil torna-se sensível ao gatilho: pequenas mudanças de calibração no limiar de SICR produzem oscilações relevantes de provisão sem que a economia subjacente tenha mudado na mesma proporção.

O gatilho de estágio é uma decisão de modelagem com consequência contábil direta — e precisa ser documentado, versionado e testado como tal.

Forward-looking e cenários múltiplos

A norma exige que a estimativa incorpore informação prospectiva e seja imparcial e ponderada por probabilidade. Na prática, isso se traduz em rodar a curva de PD condicional a cenários macroeconômicos — tipicamente base, adverso e severo — e ponderar os resultados. Por ser não linear na maioria das especificações, a média ponderada dos ECLs difere da ECL calculada no cenário médio: ignorar essa convexidade subestima a provisão de forma sistemática.

Componentes que precisam ser lifetime

Estender o horizonte não significa apenas alongar a PD. A LGD precisa refletir a severidade esperada no momento futuro do default, o que implica projetar garantias e valores de recuperação ao longo do tempo. A EAD precisa refletir a amortização contratual e o comportamento de utilização. E todo o fluxo precisa ser descontado à taxa efetiva de juros original. Um modelo que estende apenas a PD e mantém LGD e EAD estáticas produz uma curva de ECL cuja forma é dominada por um único componente.

Consequência gerencial

Provisão prospectiva torna o resultado contábil mais sensível ao ciclo e mais dependente de escolhas de modelagem. Isso eleva a importância de três controles: estabilidade do gatilho de estágio ao longo do tempo, reconciliação entre a curva de PD regulatória e a curva contábil, e análise de waterfall explicando a variação da provisão entre datas por componente — volume, migração, atualização de cenário, recalibração e mudança de modelo. Sem esse detalhamento, a provisão vira um número sem narrativa, e uma provisão sem narrativa é indefensável perante auditoria e supervisão.

Da PD regulatória à PD contábil

Instituições que já possuem modelos de capital raramente constroem os modelos contábeis do zero: elas os adaptam. A adaptação exige remover tudo o que o capital adiciona por prudência e que a contabilidade proíbe por viés — margens de conservadorismo (margins of conservatism), pisos regulatórios (regulatory floors), LGD de recessão (downturn LGD) —, converter a PD through-the-cycle em point-in-time condicional a cenários e estender o horizonte de um ano para a vida remanescente. Cada passo é uma transformação explícita, e a reconciliação parâmetro a parâmetro entre o número regulatório e o contábil é um dos artefatos mais úteis para auditoria.

O teste de aumento significativo

O critério mais difundido compara a PD lifetime remanescente na data de reporte com a PD lifetime que se esperava, na originação, para o mesmo prazo remanescente. Um limiar relativo isolado gera transferências espúrias em contratos de risco muito baixo, em que dobrar uma PD de 0,05% não tem relevância econômica; por isso o limiar relativo é combinado a um limiar absoluto mínimo. A norma acrescenta uma presunção refutável (rebuttable presumption) de aumento significativo com mais de trinta dias de atraso, que funciona como rede de segurança, não como critério principal.

Um bom gatilho de SICR antecipa o atraso; um gatilho que só reage ao atraso é contabilidade de perda incorrida com outro nome.

Ajustes pós-modelo (post-model adjustments)

Eventos sem precedente na amostra de desenvolvimento — uma pandemia, uma mudança abrupta de juros, uma catástrofe regional — produzem situações em que o modelo responde de forma claramente incompleta. Os ajustes pós-modelo, ou overlays, preenchem essa lacuna de forma temporária. São legítimos quando quantificados com método, documentados com a limitação que corrigem, aprovados em governança e acompanhados de um plano de absorção pelo modelo; tornam-se um risco quando se acumulam sem prazo e passam a responder por parcela material da provisão.

A leitura brasileira: Resolução CMN 4.966

A norma brasileira, em vigor desde janeiro de 2025, incorpora a lógica de perda esperada em três estágios com particularidades relevantes. O conceito de ativo com problema de recuperação de crédito — que inclui, entre outros sinais, atraso superior a noventa dias — define o Estágio 3, e sobre esses ativos fica vedado o reconhecimento de receita ainda não recebida. A regulamentação complementar do Banco Central estabelece, entre outros pontos, níveis mínimos de provisão para ativos inadimplidos, segmentados por tipo de carteira e tempo de atraso, e o arcabouço prevê uma metodologia simplificada para instituições de menor porte. Na prática, a provisão final combina o modelo de perda esperada com restrições normativas que podem ser vinculantes em segmentos específicos.

Síntese editorial original, escrita a partir da estrutura temática e dos conceitos canônicos do campo; não reproduz o texto do livro.
02 · Chapters 03–04

Antes do modelo,
existe o dado.

Em crédito, a maior parte dos erros graves nasce antes do algoritmo: definição de target, janela de performance, temporalidade, leakage, missing informativo, mudança de política e população fora do domínio de desenvolvimento.

Data pipeline · esteira de dados
Raw contractssaldo · limite · prazo · atraso
Reference datesnapshot temporal
Performance windowobservação do evento
Targetdefault / non-default
Featuressomente informação disponível
Information value · valor de informação

Weight of Evidence

Transforma categorias/faixas em evidência logarítmica relativa entre bons e maus, favorecendo monotonicidade e interpretação.

WoEᵢ=ln(%Goodᵢ/%Badᵢ)
O sinal depende da convenção Good/Bad adotada; documente-a.
↗ abrir inspector
IV= Σ(%Goodᵢ − %Badᵢ)×WoEᵢ
↗ abrir inspector
Failure modes · modos de falha

Quatro armadilhas que “inflam” performance

Leakage temporal: usar informação que só existe depois da data de decisão.
Sampling bias: desenvolvimento não representa a produção.
Policy drift: mudança na política altera quem entra na carteira.
Reject inference: comportamento de recusados é parcialmente não observado.
Interactive binning · discretização interativa em faixas

WoE e event rate como linguagem visual

O ajuste inclina o gradiente de risco entre os bins e mostra como uma variável passa a contribuir para monotonicidade, separação e interpretabilidade.

Visualização: WoE e event rate como linguagem visual
+10
Vintage analysis · análise de safras

Safras e maturação: por que a janela de desempenho decide o modelo

Cada curva acumula a taxa de default por tempo desde a originação. Safras imaturas parecem excelentes porque ainda não viveram o risco: a linha tracejada marca o ponto em que a curva atinge 90% do seu patamar.

Curvas de safra por meses desde a originação
Base 30% · desloca o patamar das duas últimas safras sem alterar a velocidade de maturação.
Maturação —Gap 12m vs 36m —Última safra —

Passe o cursor sobre o gráfico para ler cada safra no mês selecionado.

Leitura técnica referenciada

Dados antes do algoritmo

Caps. 3–4 — Exploratory Data Analysis & Data Preprocessing · pp. 33–92

A etapa de dados não é preparação para a modelagem: ela é a modelagem. Decisões tomadas na definição de default, na janela de observação e no tratamento de variáveis determinam mais do desempenho final do que a escolha entre uma regressão logística e um algoritmo de boosting.

Definição de default e janela de desempenho

Todo modelo de PD começa com uma convenção: o que conta como evento e em que intervalo ele é observado. Atraso superior a noventa dias é a referência mais usada, mas a definição precisa tratar de reestruturação, indícios de improbabilidade de pagamento, cura e recaída. Alterar a definição muda a taxa de evento, a composição da população de maus e, frequentemente, a ordenação das variáveis mais preditivas. Por isso qualquer comparação de performance entre modelos exige que a definição esteja fixada e documentada.

A janela de desempenho precisa ser longa o suficiente para capturar a maturação do risco. Safras imaturas apresentam taxa de evento artificialmente baixa e produzem modelos que parecem excelentes na amostra e falham em produção — um viés que se reconhece plotando a taxa acumulada de default por tempo desde a originação e verificando onde a curva estabiliza.

Weight of Evidence e transformação supervisionada

O WoE substitui cada faixa de uma variável pelo logaritmo da razão entre a proporção de bons e a proporção de maus contida naquela faixa. A transformação tem três virtudes práticas: lineariza a relação com o log-odds, absorve não linearidades e valores extremos, e trata categorias e ausências como grupos legítimos em vez de exigir imputação arbitrária. O preço é rigidez — a discretização descarta informação intragrupo — e um risco real de sobreajuste quando as faixas são escolhidas com liberdade excessiva.

  • Monotonicidade — faixas devem seguir uma direção econômica defensável, não apenas o melhor ajuste amostral.
  • Massa mínima — faixas com poucos eventos produzem WoE instável entre safras.
  • Information Value — útil para triagem, mas não substitui análise multivariada nem controle de correlação.

Vazamento: a falha que mais infla desempenho

Vazamento ocorre quando informação posterior ao ponto de decisão entra no conjunto de treino. Os casos mais frequentes são variáveis atualizadas após o evento, campos preenchidos apenas por contratos que entraram em cobrança, contagens acumuladas até a data de extração e indicadores construídos com o mesmo motor de decisão que gerou o desfecho. O sintoma clássico é uma métrica de discriminação implausivelmente alta que desaba na validação fora do tempo.

Toda variável deve responder a uma pergunta simples: ela estaria disponível, com esse valor, no instante em que a decisão é tomada?

Viés de população e rejeitados

Modelos de aprovação são treinados apenas em quem foi aprovado. A população de rejeitados não é aleatória — ela foi selecionada exatamente pelas variáveis mais preditivas — e sua ausência distorce a estimativa de risco nas faixas de corte. Técnicas de reject inference atenuam o problema, mas nenhuma delas cria informação que não existe: elas impõem hipóteses sobre o desfecho não observado. A alternativa mais honesta, quando viável, é reservar uma fração pequena de aprovações aleatórias para manter uma amostra não censurada.

Partição temporal, não apenas aleatória

Separar treino e teste aleatoriamente mede capacidade de interpolação; separar por tempo mede capacidade de generalização. Como a decisão real será aplicada a safras futuras, a validação fora do tempo é a que se aproxima do uso. Um modelo com desempenho estável entre safras e ligeiramente inferior no teste aleatório é preferível a um modelo com desempenho superior in-sample e degradação acentuada fora do período de estimação.

Dicionário, linhagem e reprodutibilidade

Uma base de modelagem madura documenta origem, data de referência, regra de construção e regra de atualização de cada variável. Sem linhagem, a recalibração futura vira arqueologia e a validação independente não consegue reproduzir os números. O custo dessa disciplina é baixo no início do projeto e proibitivo depois que o modelo já está em produção.

Síntese editorial original, escrita a partir da estrutura temática e dos conceitos canônicos do campo; não reproduz o texto do livro.
03 · Chapter 05

Credit scoring:
ordenar risco com disciplina.

Scoring transforma informação heterogênea em uma dimensão ordenada de risco. O ponto não é “prever 0 ou 1”; é construir uma função que rankeie bem, seja estável, calibrável e operacionalmente coerente.

Logistic core · núcleo logístico

Da função linear à probabilidade

O logit liga variáveis explicativas a odds de default, mantendo a probabilidade no intervalo [0,1].

z= β₀ + β₁x₁ + … + βₖxₖ
score linear latente
↗ abrir inspector
PD(x)=1 / (1 + e−z)
mapeamento logístico
↗ abrir inspector
Interactive scoring · escore interativo

Separação entre bons e maus

Mova o cut-off e observe como a decisão troca falsos positivos por falsos negativos.

Visualização: Separação entre bons e maus
610
BonsMausCut-off
Scoring lifecycle · ciclo de vida do escore
Populationescopo e elegibilidade
Binningfaixas e monotonicidade
WoE / featuresevidência relativa
Logit / MLranking de risco
Calibrationscore → PD
Policycut-off · limite · preço
Threshold analytics · análise do ponto de corte

ROC, KS e efeito operacional do cut-off

AUC resume discriminação global; o threshold, porém, redefine a fronteira operacional entre aprovação, revisão e recusa. Aqui a curva permanece, mas o ponto de decisão se move.

Visualização: ROC, KS e efeito operacional do cut-off
0.42
TPR 0.81FPR 0.19KS 0.62Precision 0.54
Score scaling · escalonamento do escoreCap. 5

Do log-odds aos pontos do scorecard

O escalonamento (score scaling) fixa dois parâmetros de comunicação: um ponto de ancoragem (anchor: o escore de referência para certas chances, odds) e o PDO — points to double the odds, os pontos necessários para dobrar as chances. A informação estatística não muda; muda a régua com que a área de crédito lê o modelo.

Score= Offset +Factor· ln(odds)
odds = bons : maus
↗ abrir inspector
Factor= PDO / ln 2·Offset= Score₀ − Factor · ln(odds₀)
↗ abrir inspector
600 pts ↔ odds 50:1PDO 20Factor 28,85Offset 487,1
Attribute points · pontos por atributoCap. 5

Pontos por atributo

Com variáveis em WoE (weight of evidence, peso da evidência) e regressão logística sobre as chances de bons, cada atributo (attribute, a faixa de uma variável) recebe pontos aditivos. Intercepto e offset são distribuídos igualmente entre as k variáveis, de modo que o score final seja a soma dos pontos dos atributos do cliente.

pontosᵢⱼ=(βⱼ · WoEᵢⱼ+ α/k) · Factor+ Offset/k
j = variável · i = atributo (faixa) · k = número de variáveis
↗ abrir inspector
Pontos baixos (ou até negativos) não são erro: indicam atributo com evidência de risco acima da média da amostra.
Leitura técnica referenciada

Scoring como sistema de ordenação

Cap. 5 — Credit Scoring · pp. 93–136

Um modelo de scoring resolve dois problemas que costumam ser confundidos: ordenar corretamente os tomadores por risco relativo e atribuir a cada um deles uma probabilidade cujo nível seja confiável. Discriminação e calibração são propriedades independentes, e um modelo pode ser excelente em uma e inaceitável na outra.

Da combinação linear à probabilidade

A regressão logística modela o logaritmo da razão de chances como função linear das covariáveis e converte o resultado por meio da função logística. A escolha não é apenas conveniência histórica: os coeficientes têm interpretação direta em log-odds, a função de verossimilhança é côncava e a estimação é estável mesmo com amostras moderadas. Em conjunto com variáveis transformadas por WoE, obtém-se um modelo aditivo, auditável e facilmente convertido em pontuação inteira por meio de fator e deslocamento.

Métodos de ensemble costumam superar essa especificação em discriminação bruta, especialmente quando há interações relevantes. O ganho, porém, precisa ser confrontado com três custos concretos: explicabilidade regulatória, estabilidade entre safras e facilidade de recalibração. Em muitos casos práticos, a diferença de AUC é de poucos pontos percentuais, enquanto a diferença de custo operacional e de risco de modelo é substancial.

O que AUC, KS e Gini realmente medem

A área sob a curva ROC é a probabilidade de que um mau escolhido ao acaso receba pontuação de maior risco que um bom escolhido ao acaso. É uma medida de ordenação e é invariante a transformações monotônicas do escore — o que significa que ela não diz absolutamente nada sobre o nível das probabilidades produzidas. O KS captura a separação máxima entre as distribuições acumuladas em um único ponto, sendo por isso mais volátil e mais sensível a onde a separação ocorre. O Gini é apenas uma reescala linear da AUC.

Discriminação responde “quem é mais arriscado?”. Calibração responde “quanto de risco, em unidades reais?”. Decisões de preço e provisão dependem da segunda.

O cut-off é uma decisão econômica

Escolher o ponto de corte é escolher a troca entre aprovar maus e recusar bons. A curva ROC descreve o conjunto de trocas disponíveis; ela não escolhe nenhuma. A escolha depende do valor econômico de cada desfecho: margem de um contrato bom aprovado, perda de um mau aprovado, custo de oportunidade do bom recusado. Formalizada dessa maneira, a decisão ótima é o ponto que maximiza o lucro esperado, e não o que maximiza o KS — os dois raramente coincidem.

  • Corte único — simples, mas ignora heterogeneidade entre produtos e canais.
  • Corte por segmento — melhora eficiência, ao custo de governança e de risco de tratamento desigual.
  • Faixa cinza — encaminha casos ambíguos para análise manual ou para pedido de garantia adicional.

Escalonamento e comunicação

A conversão de log-odds em pontos, com uma taxa de duplicação de odds fixada, existe para tornar o modelo comunicável. Ela não altera a informação estatística, mas altera radicalmente a adoção: analistas de crédito e áreas comerciais operam com pontos e faixas, não com probabilidades logísticas. Manter a rastreabilidade entre pontuação, probabilidade e classificação de risco é parte do desenho do modelo, não um detalhe de implantação.

Estabilidade importa mais do que o último ponto de AUC

Um modelo com discriminação levemente inferior, porém estável entre safras, canais e regiões, é operacionalmente superior a um modelo mais afiado que oscila. A razão é simples: políticas de crédito são construídas sobre faixas do escore, e faixas que mudam de significado a cada trimestre destroem a confiança nas decisões que dependem delas. Por isso a análise por safra e por segmento deve ser parte da validação inicial, e não apenas do monitoramento posterior.

Síntese editorial original, escrita a partir da estrutura temática e dos conceitos canônicos do campo; não reproduz o texto do livro.
04 · Chapters 06–07

PD é uma probabilidade.
Lifetime PD é uma trajetória.

Hazard models deslocam a pergunta de “quem vai defaultar?” para “qual é o risco de default em cada instante, dado que o contrato sobreviveu até aqui?”. Isso conecta PD à dimensão temporal de maneira natural.

Discrete-time hazard · risco em tempo discreto

Probabilidade condicional por período

hₜ(x)=P(T=t | T≥t, x)
↗ abrir inspector
S(t)=∏ₖ₌₁ᵗ (1 − hₖ)
sobrevivência acumulada
↗ abrir inspector
F(t)= 1 − S(t)
PD acumulada até t
↗ abrir inspector
Continuous-time hazard · risco em tempo contínuo

Intensidade instantânea

λ(t)=limΔt→0 P(t≤T<t+Δt | T≥t) / Δt
↗ abrir inspector
S(t)= exp(−∫₀ᵗ λ(u)du)
↗ abrir inspector

A leitura contínua é particularmente útil quando a data do evento carrega informação e o tempo entre observações não é naturalmente discreto.

Lifetime view · visão de vida inteira

Hazard, sobrevivência e PD acumulada

O controle altera um fator de risco latente. Quanto maior o risco, maior o hazard, menor a sobrevivência e mais rapidamente a PD Lifetime se acumula.

Visualização: Hazard, sobrevivência e PD acumulada
1.00×
Hazard mensalSurvivalPD acumulada
Modelos · PD · Caps. 6–7 — Probabilities of Default: Discrete- and Continuous-Time Hazard Models

Da classificação à estrutura a termo

Estrutura a termo (term structure), riscos proporcionais (proportional hazards), matriz de migração (transition matrix), conversão TTC ↔ PIT e escala mestra (master scale): as peças que transformam um ranking em curvas de PD utilizáveis em capital, provisão e preço.

Executive flow · do escore à PD de vida inteiraCaps. 6–7

Sete passos entre o dado e a curva de PD

Term structure · estrutura a termo da PDCap. 6

PD marginal, condicional e acumulada

Três leituras do mesmo objeto. A condicional (hazard rate, taxa de risco) mede o risco de quem sobreviveu; a marginal (marginal PD) é a fatia de probabilidade incondicional que cai em cada período; a acumulada (cumulative PD) é a soma das marginais.

mPDₜ=S(t−1) − S(t)=S(t−1) · hₜ
Σₜ mPDₜ = F(T) · a soma das marginais é a PD acumulada
↗ abrir inspector
PDmensal= 1 − (1 − PD12m)1/12
conversão de horizonte sob hazard constante — não divida por 12
↗ abrir inspector
Proportional hazards · riscos proporcionaisCap. 7

Cox e paramétricos

O modelo de Cox (Cox proportional hazards model) separa um risco de base comum (baseline hazard), sem forma imposta, de um multiplicador que depende das covariáveis (covariates). A versão paramétrica (parametric, Weibull) troca flexibilidade por capacidade de extrapolar além do período observado.

λ(t | x)=λ₀(t)· exp(x′β)
razão de riscos exp(βⱼ) constante no tempo
↗ abrir inspector
λ₀(t)= (κ/θ) · (t/θ)κ−1
κ < 1 hazard decrescente · κ > 1 crescente
↗ abrir inspector
Transition matrix · matriz de migração · cadeia de Markovliteratura

PD lifetime por classe a partir de uma matriz anual

Sob a hipótese de Markov (Markov property: o futuro depende só da classe atual), a matriz de t anos é a potência t da matriz anual de transição (transition matrix), e a PD acumulada de cada classe está na coluna de default, um estado absorvente (absorbing state). Em escala logarítmica, classes boas acumulam risco devagar no início e aceleram depois (precisam migrar antes de falhar); classes ruins concentram o default nos primeiros anos.

PD acumulada por rating via cadeia de Markov
0%
BBB · 1 ano —BBB · 5 anos —BB · 10 anos —CCC · 1 ano —
P(t)=Mᵗ·PDcum(r, t) = [Mᵗ]r,D
M = matriz anual de transição ilustrativa · D = estado absorvente de default · o choque aumenta rebaixamentos e defaults
↗ abrir inspector
Leitura executivaClasses boas acumulam risco migrando antes de falhar; classes ruins concentram o default no início. No choque de ciclo, o aumento da PD das classes boas vem quase todo de rebaixamentos, não de defaults diretos.
Through-the-cycle × point-in-time · através do ciclo × no ponto do cicloliteratura

A mesma carteira lida através do ciclo

A PD através do ciclo (through-the-cycle, TTC) é a média de longo prazo; a PD no ponto do ciclo (point-in-time, PIT) é a condicional ao estado corrente da economia (fator sistêmico Z). Um sistema híbrido (hybrid rating system) fica entre as duas. A amplitude da oscilação é governada pela correlação ρ do modelo de fator único.

TTC, PIT e híbrido ao longo do ciclo
12%
60%
TTC 2,00%PIT no pico —PIT no vale —Amplitude do híbrido —
TTCPIThíbridofator macro Z (eixo direito)
Leitura executivaUm rating 100% PIT torna capital e provisão pró-cíclicos; um 100% TTC estabiliza o capital mas atrasa o reconhecimento da deterioração. O grau PIT da escala deve ser medido, não presumido.
TTC → PIT conversion · conversão em quatro passosliteratura

A conversão em quatro passos

O modelo de fator único dá uma ponte explícita entre as duas visões: a PD TTC fixa o limiar de default (default threshold); o estado do ciclo desloca a distribuição do valor dos ativos (asset value); a PIT é a probabilidade condicional resultante.

PDPIT= Φ[(Φ⁻¹(PDTTC) − √ρ · Zₜ) / √(1−ρ)]
↗ abrir inspector
  1. Limiar de default: c = Φ⁻¹(PD_TTC)
  2. Ativos condicionais ao ciclo: A = √ρ·Zₜ + √(1−ρ)·ε
  3. Probabilidade condicional: P(A < c | Zₜ)
  4. Sistema híbrido: PD_hib = PD_TTC^(1−α)·PD_PIT^α
Num rating 100% PIT, os devedores migram entre classes ao longo do ciclo e a PD de cada classe fica estável. Num 100% TTC, quase ninguém migra e a taxa de default observada em cada classe é que oscila. Medir onde a escala está entre os dois extremos é pré-requisito para usá-la em capital e em provisão.
Master scale · escala mestraextensão

Escala mestra geométrica

PDₖ= PD₁ ·qk−1
q ≈ 2 · cada classe dobra o risco da anterior
↗ abrir inspector
ClasseFaixa de PDCentral
1< 0,04%0,03%
20,04 – 0,09%0,06%
30,09 – 0,17%0,12%
40,17 – 0,35%0,25%
50,35 – 0,71%0,50%
60,71 – 1,41%1,0%
71,41 – 2,83%2,0%
82,83 – 5,66%4,0%
95,66 – 11,3%8,0%
10> 11,3%16%
Ddefault100%

Escala ilustrativa; fronteiras na média geométrica das PDs centrais vizinhas.

Model card · ficha do modelo de PDextensão

Especificação típica de um modelo de PD

Evento
default: atraso > 90 dias, improbabilidade de pagamento, reestruturação com perda · regras de cura e de recontagem documentadas
Amostra
safras com janela de desempenho madura (12 meses para a PD anual) · cobertura de ao menos um ciclo para a tendência central
Método
logística com WoE (scorecard) · hazard discreto em painel para a visão lifetime · ML apenas com ganho que pague a explicabilidade
Calibração
escala mestra · ancoragem na tendência central de longo prazo (TTC) · conversão PIT por fator macro para IFRS 9
Validação
AUC/Gini e KS · Jeffreys e binomial por classe · PSI · backtesting fora do tempo por safra
Uso
aprovação e limite (ranking) · preço e RAROC (nível) · capital IRB (TTC) · ECL (PIT lifetime)
Leitura técnica referenciada

PD como problema temporal

Caps. 6–7 — PD: Discrete- and Continuous-Time Hazard Models · pp. 137–211

Tratar PD como um único número é uma simplificação útil para decisões de curto prazo e insuficiente para provisão contábil, precificação de longo prazo e stress testing. A pergunta relevante deixa de ser “qual a chance de default?” e passa a ser “como essa chance se distribui ao longo do tempo?”.

Hazard discreto: a probabilidade condicional por período

Em tempo discreto, define-se a taxa de risco do período como a probabilidade de o default ocorrer naquele intervalo, condicional à sobrevivência até o início dele. Essa formulação tem duas vantagens práticas: permite estimar por meio de um modelo binário aplicado a um painel expandido por período, e trata censura à direita de forma natural — contratos que ainda não venceram simplesmente contribuem para os períodos que viveram.

A curva de sobrevivência é o produto dos complementos das taxas condicionais, e a PD acumulada é o seu complemento. Essa construção deixa explícito por que somar PDs anuais superestima a probabilidade acumulada: o risco do segundo ano só se aplica a quem sobreviveu ao primeiro.

Hazard contínuo e o modelo de riscos proporcionais

Em tempo contínuo, a intensidade instantânea descreve a taxa de ocorrência do evento por unidade de tempo. O modelo de Cox estima o efeito das covariáveis sem impor forma funcional à linha de base, o que é atraente quando o interesse está no efeito relativo dos fatores. Modelos paramétricos — Weibull, log-logístico, log-normal — impõem essa forma e, em compensação, permitem extrapolar além do período observado, o que é exatamente o que a provisão lifetime exige.

A escolha entre Cox e paramétrico é, no fundo, uma escolha entre inferência sobre efeitos e capacidade de extrapolação.

A forma da curva conta uma história

Curvas com pico após alguns meses e declínio posterior indicam risco de maturação típico de originação: os contratos mais frágeis falham cedo e a população remanescente é progressivamente mais saudável. Curvas crescentes indicam deterioração acumulada ou envelhecimento de garantia. Curvas com sazonalidade indicam dependência de fluxo de caixa cíclico. Ler a forma da curva antes de escolher a especificação evita ajustar um modelo tecnicamente correto a um fenômeno mal compreendido.

  • Censura — contratos ainda vivos informam o denominador; descartá-los enviesa a estimativa para baixo.
  • Covariáveis dependentes do tempo — comportamento recente e variáveis macro entram como trajetórias, não como valores fixos na originação.
  • Competing risks — pré-pagamento e default competem pelo mesmo contrato; ignorar a competição superestima a PD acumulada.

Through-the-cycle e point-in-time

Uma PD point-in-time reflete as condições correntes e oscila com o ciclo; uma PD through-the-cycle busca uma média de longo prazo e é mais estável. Cada uso pede uma delas: provisão prospectiva e precificação pedem sensibilidade ao estado da economia; classificação de rating e capital regulatório pedem estabilidade. Manter as duas visões reconciliadas — com uma transformação explícita e documentada entre elas — evita a situação incômoda em que a mesma operação recebe leituras contraditórias em relatórios distintos.

Condicionamento macroeconômico

Para que a curva responda a cenários, é necessário um elo entre variáveis macro e a taxa de risco. Esse elo pode ser embutido diretamente no modelo de sobrevivência, por meio de covariáveis dependentes do tempo, ou aplicado como deslocamento de uma curva base. A primeira via é mais coerente estatisticamente; a segunda é mais transparente e mais fácil de governar. Em ambos os casos, a validação precisa demonstrar que a resposta ao cenário é economicamente plausível e monotônica na direção esperada.

Da pontuação à PD calibrada

Um escore ordena; uma PD quantifica. A ponte entre os dois é a calibração, que costuma ocorrer em dois passos: primeiro, o escore é agrupado nas classes de uma escala mestra; depois, cada classe recebe uma PD ancorada em uma tendência central (central tendency) de longo prazo. Na regressão logística, a calibração pode ser feita reestimando apenas intercepto e inclinação sobre o escore — logit(PD) = a + b·score —, o que preserva a ordenação e ajusta o nível. Quando a taxa de evento da amostra de desenvolvimento difere da taxa de longo prazo, deslocar o intercepto pelo logaritmo da razão entre as chances das duas taxas corrige o nível sem tocar na discriminação.

Escala mestra (master scale) e granularidade

A escala mestra é o contrato de linguagem entre modelos diferentes: carteiras de varejo, empresas e instituições financeiras podem usar modelos distintos e, ainda assim, mapear seus devedores para uma régua comum de PD. Classes espaçadas geometricamente — cada uma com PD aproximadamente o dobro da anterior — preservam resolução onde o risco é baixo e evitam que a maior parte da carteira se aglomere em poucas faixas. Concentrações excessivas em uma única classe são, em geral, sinal de escala pouco discriminante.

Matrizes de migração (rating transition matrices) e PD de vida inteira

Quando o modelo produz classificações em vez de probabilidades contínuas, a estrutura a termo pode ser derivada de uma matriz de transição anual. Sob a hipótese de Markov — o futuro depende apenas da classe atual —, a matriz de t anos é a potência t da matriz anual, e a PD acumulada de cada classe é lida diretamente na coluna de default. A hipótese é forte: ignora o momento de rating (rating momentum: devedores rebaixados recentemente tendem a ser rebaixados de novo) e a dependência do ciclo. Duas correções usuais são condicionar a matriz a cenários macroeconômicos e estimá-la em tempo contínuo, a partir de intensidades de migração, o que aproveita melhor as transições observadas entre datas de corte.

TTC e PIT não são modelos rivais: são duas leituras do mesmo risco, separadas por um fator de ciclo que precisa ser explícito.

Conversão entre TTC e PIT

O modelo de fator único oferece uma ponte operacional entre as duas visões. Tratando a PD through-the-cycle como a probabilidade incondicional e o estado da economia como o fator sistêmico, a PD point-in-time é a probabilidade condicional ao fator observado ou projetado. A sensibilidade ao ciclo é governada pela correlação de ativos: com correlação alta, a PD condicional oscila amplamente; com correlação baixa, aproxima-se da média de longo prazo. Sistemas reais de rating ficam entre os extremos — são híbridos —, e medir o grau de PIT da escala é pré-requisito para usá-la ao mesmo tempo em capital e em provisão.

Síntese editorial original, escrita a partir da estrutura temática e dos conceitos canônicos do campo; não reproduz o texto do livro.
05 · Chapter 08

Quando quase ninguém
defaulta, a incerteza cresce.

Low Default Portfolios expõem um paradoxo: baixa inadimplência é boa para o negócio, mas dificulta estimar PD com precisão. O desafio deixa de ser apenas “ponto estimado” e passa a ser inferência sob pouca informação.

Binomial intuition · intuição binomial

Zero defaults ≠ zero risco

Observar nenhum default em uma amostra finita não prova PD=0. O intervalo plausível depende do tamanho da amostra e do nível de confiança.

P(D=0)=(1−p)ⁿ
↗ abrir inspector
pupper≈1 − α1/n
limite superior aproximado quando D=0, sob hipótese binomial
↗ abrir inspector
Bayesian bridge · ponte bayesiana

Prior estabiliza onde há pouca evidência

Uma distribuição Beta é conjugada à Binomial e permite atualizar uma crença anterior sobre PD com defaults observados.

p~ Beta(a,b)→p|D~ Beta(a+D, b+n−D)
↗ abrir inspector
2
Visualização: Prior estabiliza onde há pouca evidência
Leitura técnica referenciada

Incerteza em portfólios com poucos defaults

Cap. 8 — Low Default Portfolios · pp. 213–236

Portfólios de baixa inadimplência colocam o modelador diante de um problema desconfortável: a estimativa pontual mais provável pode ser zero, e zero é uma resposta que nenhuma decisão de capital ou provisão pode aceitar.

Ausência de evidência não é evidência de ausência

Observar nenhum default em um grupo pequeno é perfeitamente compatível com uma probabilidade verdadeira não desprezível. A regra dos três oferece uma intuição direta: sem eventos em n observações independentes, o limite superior aproximado de 95% para a probabilidade é 3/n. Com cem contratos e nenhum default, o teto ainda é da ordem de 3% — muito longe de zero. Esse raciocínio, formalizado por intervalos exatos ou por abordagens bayesianas, transforma silêncio amostral em uma faixa de incerteza utilizável.

Estimadores conservadores e o princípio da cautela

Como a decisão precisa de um número, a prática consolidada é usar um quantil elevado da distribuição de incerteza em vez da estimativa central. A escolha do nível de confiança é uma decisão de apetite, não uma propriedade estatística. Documentar essa escolha, e mostrar a sensibilidade do capital e da provisão a ela, é parte do que separa conservadorismo defensável de arbitrariedade.

Em baixa inadimplência, o objeto de estimação deixa de ser um ponto e passa a ser uma distribuição de crenças sobre esse ponto.

Prior: informação que substitui dados ausentes

A abordagem bayesiana explicita o que a prática já fazia de forma implícita. Uma prior Beta calibrada com evidência externa — comportamento de portfólios semelhantes, taxas de default por rating, séries históricas de mercado — combina-se com a verossimilhança binomial e produz uma posterior fechada. Com poucos dados, a prior domina; à medida que a amostra cresce, seu peso se dissolve naturalmente. A honestidade do método está em declarar de onde vem a prior e em mostrar como o resultado se altera sob priors alternativas.

  • Prior externa — dados de mercado, agências, benchmarks setoriais.
  • Pooling — agrupar segmentos correlatos para ganhar massa amostral, ao custo de granularidade.
  • Escala de rating — ancorar a curva de PD em uma estrutura ordinal calibrada com evidência mais ampla.

Correlação amplifica o problema

Se os contratos não são independentes, a variância efetiva do número de defaults é maior do que a binomial sugere, e o número efetivo de observações é menor do que a contagem bruta. Em portfólios corporativos, com forte exposição a fatores comuns, ignorar isso produz intervalos de confiança falsamente estreitos. Estimadores que incorporam dependência — como os baseados no modelo de fator único — produzem faixas mais largas e mais realistas.

O risco reputacional da precisão aparente

O erro mais caro nesses portfólios não é estimar mal: é apresentar uma estimativa sem sua incerteza. Um valor de PD reportado com duas casas decimais, derivado de três defaults observados, comunica uma confiança que os dados não sustentam. Reportar faixa, método de derivação e sensibilidade ao nível de confiança transforma um número frágil em uma informação gerencialmente utilizável — e protege quem decide de uma falsa sensação de precisão.

Síntese editorial original, escrita a partir da estrutura temática e dos conceitos canônicos do campo; não reproduz o texto do livro.
06 · Chapter 09

O risco de carteira nasce
da dependência.

Mesmo com PDs individuais bem estimadas, perdas de carteira podem ser subestimadas se os defaults forem tratados como independentes. Correlação de default concentra perdas na mesma conjuntura e engrossa a cauda da distribuição.

One-factor model · modelo de fator único

Fator sistêmico + componente idiossincrático

Aᵢ= √ρ · Z + √(1−ρ) · εᵢ
Z = fator comum · ε = choque específico · ρ = dependência
↗ abrir inspector

Quanto maior ρ, mais contratos respondem juntos ao mesmo estado macroeconômico.

Conditional PD · PD condicional

Vasicek / Gaussian latent factor

p(Z)= Φ[(Φ⁻¹(p) − √ρ·Z) / √(1−ρ)]
↗ abrir inspector
12%
Visualização: Vasicek / Gaussian latent factor
Management implication · implicação gerencial
Individual PDrisco marginal
Common factormacro / setor / região
Correlationdependência de eventos
Loss tailunexpected loss
Capitalabsorção de cauda
Network graph · grafo de dependência

Dependência setorial: a carteira como rede, não como lista

Cada nó é um setor, dimensionado pela exposição; cada aresta representa a correlação de ativos implícita pelo fator comum. Elevar o peso do fator sistêmico não muda a perda esperada — muda a densidade da rede e, com ela, a cauda.

Rede de dependência setorial
Base 28% · corresponde à carga no fator comum; a correlação de ativos entre dois setores é o produto das cargas.
Correlação média —Benefício de diversificação —Cauda relativa —
Basel IRB capital · capital regulatório por classificação internaCap. 9

Do quantil de Vasicek ao requerimento de capital

A fórmula da abordagem baseada em classificações internas (Internal Ratings-Based, IRB) é o modelo assintótico de fator único (asymptotic single risk factor, ASRF) levado ao quantil de 99,9%: a PD condicional no pior ano em mil, multiplicada pela LGD, menos a perda esperada (coberta por provisão), com ajuste de maturidade (maturity adjustment). A correlação de ativos (asset correlation) cai com a PD — tomadores mais arriscados carregam mais risco idiossincrático (idiosyncratic risk) —, e por isso o capital cresce de forma côncava enquanto a perda esperada cresce de forma quase linear.

Capital IRB e perda esperada por PD
1,00%
45%
Correlação R —Capital K —Risk weight —EL —
capital K (perda inesperada)perda esperada PD × LGDexposição selecionada
K= LGD · [Φ((Φ⁻¹(PD) + √R · Φ⁻¹(0,999)) / √(1−R)) − PD] · MA
RWA = 12,5 · K · EAD · MA = ajuste de maturidade (M = 2,5 anos no simulador)
↗ abrir inspector
R= 0,12 · w + 0,24 · (1 − w)·w = (1 − e−50·PD) / (1 − e−50)
correlação de ativos para corporates na abordagem IRB
↗ abrir inspector
Leitura executivaO capital cresce de forma côncava com a PD, a perda esperada de forma quase linear: em PDs altas a perda passa a ser majoritariamente esperada — assunto de preço e provisão, não de capital.
Executive flow · do parâmetro ao capitalCap. 9

Como PD, LGD e EAD viram requerimento de capital

Leitura técnica referenciada

Dependência e risco de carteira

Cap. 9 — Default Correlations and Credit Portfolio Risk · pp. 237–270

O risco de uma carteira não é a soma dos riscos individuais. A diferença entre as duas coisas tem um nome — dependência — e é ela que determina a forma da cauda, o capital necessário e a política de limites.

O modelo de fator latente

A construção mais influente do campo representa a solvência de cada devedor como uma variável latente que combina um fator sistêmico comum e um componente idiossincrático independente. O default ocorre quando essa variável cruza um limiar determinado pela PD incondicional. A correlação entre devedores emerge inteiramente do peso atribuído ao fator comum: quanto maior esse peso, mais os destinos individuais se movem juntos.

Desse arranjo decorre a expressão de PD condicional ao estado da economia, base do modelo assintótico de fator único que sustenta a fórmula de capital de Basileia. A hipótese de granularidade infinita elimina o risco idiossincrático residual e permite escrever o capital como função de PD, LGD, correlação e nível de confiança — uma simplificação poderosa cujo preço é ignorar concentrações.

Correlação de ativos e correlação de default

São grandezas diferentes e frequentemente confundidas. A correlação de ativos é o parâmetro estrutural do modelo; a correlação de default é a correlação entre indicadores binários e depende também do nível das PDs. Para PDs baixas, a correlação de default é muito menor que a de ativos. Reportar uma sem identificar qual delas está em uso é uma fonte recorrente de erro de calibração.

Elevar a correlação não altera a perda esperada — altera a espessura da cauda e, portanto, o capital.

Concentração: o que a granularidade esconde

A hipótese de portfólio infinitamente granular falha exatamente onde importa: exposições grandes, setores dominantes, regiões únicas. O índice de Herfindahl-Hirschman oferece uma leitura rápida de concentração de nome; medidas setoriais e geográficas capturam concentração de fator. O ajuste de granularidade existe para reintroduzir o risco idiossincrático que o modelo assintótico descartou, e em carteiras de cooperativas e bancos regionais esse ajuste raramente é pequeno.

  • Nome — poucas exposições respondendo por fração relevante do total.
  • Setor — devedores compartilhando o mesmo fator de receita.
  • Geografia — choques locais atingindo simultaneamente devedores e garantias.
  • Garantia — mesma classe de colateral desvalorizando junto com o aumento de defaults.

Simulação como instrumento de leitura

Quando a estrutura de dependência deixa de ser simples, soluções fechadas se tornam inviáveis e a simulação de Monte Carlo passa a ser a ferramenta natural. Ela produz a distribuição completa de perdas, da qual se extraem média, quantis, VaR e Expected Shortfall. O cuidado necessário é estatístico: a precisão dos quantis extremos depende do número de réplicas, e reportar um VaR de 99,9% com poucas milhares de simulações produz um número cujo erro amostral é maior que a diferença que se pretende medir.

Da distribuição à decisão

A distribuição de perdas só se torna útil quando traduzida em limites, apetite e alocação de capital. Contribuição marginal ao risco — quanto uma exposição adicional acrescenta ao quantil da carteira — é uma métrica mais informativa do que a exposição bruta, porque penaliza exatamente aquilo que a carteira já concentra. É a diferença entre gerenciar risco por tamanho e gerenciá-lo por efeito sistêmico.

Síntese editorial original, escrita a partir da estrutura temática e dos conceitos canônicos do campo; não reproduz o texto do livro.
07 · Chapter 10

LGD mede o que não
voltou.

A severidade da perda depende de recuperação, garantias, senioridade, custos, tempo de workout e estado econômico. Por isso LGD tende a ser assimétrica, segmentada e sensível ao ciclo.

Economic LGD · LGD econômica

Recuperação deve ser trazida a valor presente

LGD= 1 −PV(Recoveries − Costs)/ EAD
↗ abrir inspector

Quanto maior o tempo até recuperar e maior o custo de cobrança/workout, maior tende a ser a LGD econômica.

collateralsenioritycureworkout
Two-stage distribution · distribuição em dois estágiosCap. 10

LGD raramente parece Normal

A massa perto de zero vem das curas (cures); a massa alta, das liquidações (liquidations) sem garantia (collateral) efetiva. Ajuste a probabilidade de cura e a força da garantia e veja a bimodalidade se formar.

Visualização: LGD raramente parece Normal
35%
30%
LGD média —LGD dado liquidação —
misturacurasliquidaçõesmédia
Leitura executivaA média esconde a forma: uma LGD média de 46% pode vir de muitas curas e poucas perdas totais. Por isso o modelo em dois estágios separa os dois mecanismos.
Segmentation logic · lógica de segmentação
Defaulted poolevento definido
Collateraltipo · LTV · liquidez
Recovery pathscura · acordo · execução
Discountingtempo e custo
LGD modelpoint-in-time / downturn
Modelos · LGD · Cap. 10 — Loss Given Default and Recovery Rates

Workout, cura, garantia e downturn

Quatro modelos cobrem a cadeia da severidade: o fluxo de recuperação (workout) que define a LGD econômica, a decomposição cura × liquidação (cure vs. liquidation), a curva de garantia e a ligação com o ciclo (downturn). Lembrete: taxa de recuperação (recovery rate) RR = 1 − LGD.

Executive flow · o ciclo de recuperaçãoCap. 10

Do default à LGD econômica, em sete passos

Two-stage LGD tree · árvore de recuperação em dois estágiosCap. 10

A LGD esperada como soma de ramos

O default se divide em cura (cure) e liquidação (liquidation); cada ramo carrega a sua severidade (loss severity), e a LGD esperada é a soma dos ramos ponderados pela probabilidade. Os controles estão sincronizados com o gráfico de distribuição acima.

Árvore de LGD em dois estágios
35%
30%
Leitura executivaA política de cobrança que eleva a taxa de cura costuma reduzir a LGD mais do que refinamentos estatísticos na severidade: o ramo de liquidação pesa muito mais por contrato.
Workout LGD · LGD de recuperação · fluxo descontadoCap. 10

O tempo de recuperação também é perda

Esta é a LGD de recuperação (workout LGD); para títulos negociados existe também a LGD de mercado (market LGD), medida pelo preço logo após o default. Barras verdes: recuperações (recoveries) de cada ano trazidas a valor presente (present value); contorno tracejado: o mesmo valor em termos nominais; barras vermelhas: custos de cobrança (workout costs). A linha azul acumula a recuperação líquida descontada — a distância até 100% da EAD é a LGD econômica. A linha cinza é a mesma conta sem desconto.

Fluxo de recuperação e LGD econômica
3 anos
12%
70%
6%
LGD nominal —LGD econômica —Efeito do tempo —Prazo médio da recuperação —
LGD= 1 −Σₜ (Rₜ − Cₜ) · (1+r)−t/ EAD
Rₜ = recuperações · Cₜ = custos de cobrança · r = taxa de desconto
↗ abrir inspector
Leitura executivaTempo é perda: com 12% de desconto, três anos de cobrança transformam uma recuperação nominal de 70% em LGD econômica perto de 49%, contra 36% na conta nominal.
Two-stage model · modelo em dois estágiosCap. 10

Cura × severidade condicional

Primeiro estágio: classificação binária da cura (cure: retorno à adimplência sem perda material). Segundo: severidade condicional à liquidação (loss severity given liquidation), estimada só sobre os não curados. A LGD final é o valor esperado da mistura — exatamente o que o gráfico de distribuição acima simula.

LGD=Pcura· LGDcura + (1 − Pcura) ·LGDliq
Pcura = logit⁻¹(x′γ) · LGDliq = Λ(x′β)
↗ abrir inspector
Fractional response regression · regressão de resposta fracionáriaCap. 10

Regressão para variáveis em [0, 1]

A regressão de resposta fracionária (fractional response regression, Papke–Wooldridge) usa ligação logística (logit link) e quase-verossimilhança (quasi-likelihood) de Bernoulli: aceita observações exatamente em 0 e 1 e mantém as previsões no intervalo. A regressão beta (beta regression) modela a forma da distribuição, mas exige deslocar os extremos.

E[LGD | x]= Λ(x′β)·ℓ = Σ yᵢ ln Λᵢ + (1−yᵢ) ln(1−Λᵢ)
Λ = função logística · estimação por QMLE com erros-padrão robustos
↗ abrir inspector
Collateral & loan-to-value · garantia e LTVCap. 10

A curva de joelho da LGD com garantia

O LTV (loan-to-value) é a razão entre exposição e valor da garantia; o haircut é o desconto entre o valor de avaliação e o valor efetivamente realizado na venda.

LGD em função do LTV
85%
30%
LGD —Cobertura plena —
haircut atualhaircut + 15 pp (estresse)contrato
LGD= max(0, 1 −(1−h)/LTV) · LGDu + c
h = haircut · LGDu = severidade sem garantia (70%) · c = custos (3%)
↗ abrir inspector
Leitura executivaAbaixo do joelho, reforçar a garantia não reduz a LGD; acima dele, cada ponto de LTV pesa. O haircut de estresse desloca o joelho justamente quando os defaults aumentam.
Downturn LGD · LGD de recessão · Frye–Jacobsliteratura

Severidade que sobe com a taxa de default

LGD de recessão (downturn LGD): a severidade sobe nos anos de taxa de default (default rate, DR) elevada porque frequência e severidade compartilham o mesmo fator sistêmico (systematic factor).

LGD em função da taxa de default
40%
15%
DR no quantil 99,9% —LGD downturn —Add-on —
LGD(DR)= Φ[Φ⁻¹(DR) − k] / DR·k = [Φ⁻¹(PD) − Φ⁻¹(PD·ELGD)] / √(1−ρ)
PD de longo prazo = 2% · DR = taxa de default condicional do ano
↗ abrir inspector
Leitura executivaCom os parâmetros padrão, a LGD sobe de 40% na média para cerca de 53% no ano de 99,9%: um add-on de downturn coerente com o mesmo modelo usado no capital.
Model card · ficha do modelo de LGDextensão

Especificação típica de um modelo de LGD

Amostra
defaults com workout encerrado ou censura tratada explicitamente · janela que inclua ao menos um período de estresse
Alvo
LGD econômica: fluxos de recuperação e custos descontados até a data do default
Método
segmentação por produto, garantia e LTV · dois estágios (cura × liquidação) · resposta fracionária ou beta para a severidade
Ciclo
IFRS 9: LGD prospectiva condicional a cenários · capital: LGD de downturn mais margem de conservadorismo
Validação
LGD realizada × estimada por segmento · ordenação (Spearman, CAP de severidade) · estabilidade do perfil de recuperação
Armadilhas
viés de workouts incompletos · garantia pela avaliação de origem · ponderação por contagem ou por exposição escolhida sem critério documentado
Leitura técnica referenciada

Severidade, recuperação e valor econômico

Cap. 10 — Loss Given Default and Recovery Rates · pp. 271–313

LGD é o fator mais dependente de processo de toda a cadeia. Enquanto PD descreve o comportamento do devedor, a severidade descreve o que a instituição consegue recuperar — e isso depende tanto da garantia quanto da eficiência do rito de cobrança.

Definição econômica, não contábil

A LGD econômica compara o valor presente de tudo que entra — pagamentos, produto de execução, acordos — com tudo que sai — custos diretos de cobrança, honorários, custos administrativos alocados — em relação à exposição no momento do default. Trazer os fluxos a valor presente não é refinamento: em processos de execução que levam três ou quatro anos, a taxa de desconto pode responder por vários pontos percentuais de severidade. A escolha da taxa é ela própria uma decisão de modelo, com defensores para taxa contratual, custo de capital e taxa livre de risco ajustada.

Por que a distribuição não é Normal

A LGD observada tende a se acumular perto de zero — casos curados ou integralmente recuperados — e perto de um — casos sem garantia efetiva e com recuperação residual. Entre esses polos, a densidade é comparativamente rala. Ajustar uma regressão linear com erro normal a esse formato produz previsões fora do intervalo unitário e resíduos com estrutura evidente. Alternativas usuais incluem transformação com regressão beta, modelos de duas partes que separam a probabilidade de cura da severidade condicional, e modelos de fração com quase-verossimilhança.

Modelar cura e severidade separadamente costuma render mais do que buscar uma distribuição única que acomode uma massa bimodal.

Viés de recuperação incompleta

Contratos que entraram em default recentemente ainda estão em processo de recuperação. Incluí-los com o valor recuperado até a data de extração enviesa a LGD média para cima; excluí-los sistematicamente enviesa a amostra para casos resolvidos rapidamente, que tendem a ser os de melhor desfecho. O tratamento correto reconhece a censura: usar apenas coortes com prazo de workout completo, ou modelar explicitamente a trajetória de recuperação ao longo do tempo.

  • Cura — retorno à normalidade sem perda relevante; frequente em varejo com atraso técnico.
  • Acordo — desconto negociado; severidade média com dispersão alta.
  • Execução — recuperação lenta e cara; severidade fortemente ligada ao valor e à liquidez do colateral.
  • Venda de carteira — resolve o tempo, mas realiza um preço que embute o desconto do comprador.

Downturn LGD e a correlação com o ciclo

Em recessões, o número de defaults sobe e o valor de realização das garantias cai — muitas vezes pelo mesmo motivo. Essa correlação implica que a LGD média de longo prazo subestima a severidade justamente nos períodos em que as perdas se concentram. É a razão de existirem estimativas de downturn, obtidas por regressão em estados adversos, por seleção de coortes de crise ou por margem de conservadorismo explícita sobre a estimativa central.

Garantia é uma variável dinâmica

Tratar colateral pelo valor de avaliação na originação ignora depreciação, atualização de mercado, custos de manutenção e a diferença entre valor de avaliação e valor de realização forçada. Um modelo maduro projeta o valor da garantia até o horizonte de recuperação e aplica um desconto de liquidação calibrado por classe de ativo — que, em veículos e equipamentos, pode ser substancialmente maior do que a intuição sugere.

Segmentação vence sofisticação

Na prática, ganhos de precisão em LGD vêm mais de segmentação correta — produto, presença e tipo de garantia, senioridade, canal de cobrança — do que de algoritmos elaborados aplicados a um pool heterogêneo. Uma média condicional bem definida sobre grupos homogêneos supera uma regressão sofisticada aplicada a uma mistura de fenômenos distintos.

Três formas de medir: recuperação, mercado e implícita

Antes de qualquer modelo, a literatura distingue três medidas. A LGD de recuperação (workout LGD) é construída a partir dos fluxos de caixa observados após o default, descontados até a data do evento. A LGD de mercado (market LGD) é inferida do preço de negociação do título ou do empréstimo logo após o default. A LGD implícita de mercado (implied market LGD) é extraída de preços e spreads de instrumentos ainda adimplentes. Em carteiras bancárias de varejo e de pequenas empresas, sem preço observável, a LGD de recuperação é a única disponível — e é sobre ela que os modelos desta seção operam.

Do pool ao contrato: três famílias de modelos

A primeira família é a das médias condicionais (look-up tables): árvores de segmentação ou tabelas por produto, garantia e faixa de LTV, com a LGD de cada nó estimada como média da severidade observada. A segunda é a das regressões de fração: a resposta fracionária, com ligação logística e quase-verossimilhança de Bernoulli, garante previsões dentro do intervalo unitário sem exigir que os extremos sejam removidos; a regressão beta, mais flexível na forma, exige deslocar observações exatamente em zero ou um. A terceira é a dos modelos em dois estágios, que estimam separadamente a probabilidade de cura e a severidade condicional à liquidação e as combinam por valor esperado.

Garantia, LTV e haircut

Para operações colateralizadas, a variável mais preditiva costuma ser a razão entre exposição e valor da garantia. A forma funcional esperada é a de um joelho: enquanto o valor de realização líquido cobre a dívida, a severidade fica restrita a custos e ao tempo de recuperação; a partir do ponto de cobertura, a LGD cresce rapidamente em direção à severidade sem garantia. O haircut resume tudo o que separa o valor de avaliação do valor efetivamente recuperado — desconto de venda forçada, depreciação até a realização, custos de execução — e ele próprio é cíclico.

A LGD com garantia não é linear no LTV: é quase constante até o ponto de cobertura e cresce rapidamente a partir dele.

Downturn: a relação entre taxa de default e severidade

Uma forma parcimoniosa de capturar a correlação entre frequência e severidade parte do próprio modelo de fator único. Supondo que a taxa de perda e a taxa de default da carteira sejam movidas pelo mesmo fator sistêmico, com a mesma correlação, obtém-se a LGD como função crescente da taxa de default, com um único parâmetro derivado de PD, LGD média e correlação. Anos de default elevado são também anos de severidade elevada. Avaliar essa função no quantil adverso da taxa de default produz uma LGD de downturn coerente com o mesmo modelo usado para capital — e testável contra os anos ruins efetivamente observados.

Síntese editorial original, escrita a partir da estrutura temática e dos conceitos canônicos do campo; não reproduz o texto do livro.
08 · Chapter 11

EAD pergunta quanto estará
exposto quando o evento chegar.

Para produtos com limite não utilizado, a exposição futura é comportamental. Antes do default, clientes podem aumentar utilização — justamente quando sua condição já está deteriorando.

Credit Conversion Factor · fator de conversão de crédito

Da linha disponível à exposição futura

CCF=(EAD − Drawn₀)/(Limit₀ − Drawn₀)
↗ abrir inspector
EAD= Drawn₀ + CCF × Undrawn₀
↗ abrir inspector
Drawdown & utilisation · saque e utilização

Adverse selection / drawdown

Visualização: Adverse selection / drawdown
55
saldo utilizadorisco latente
Modelos · EAD e CCF · Cap. 11 — Exposure at Default and Adverse Selection

Fatores de conversão, janelas e perfil lifetime

Como o fator de conversão de crédito (credit conversion factor, CCF) é medido, por que a sua distribuição empírica é tão irregular, onde aparece a seleção adversa (adverse selection) e como a exposição se projeta ao longo da vida do contrato para alimentar a ECL.

Executive flow · da linha à exposição no defaultCap. 11

Oito passos entre o limite concedido e a EAD

Conversion factors · fatores de conversãoCap. 11

Três fatores, três hipóteses comportamentais

Saldo utilizado (drawn amount), margem não sacada (undrawn amount) e limite (limit) são as três grandezas; cada fator escolhe uma delas como denominador.

EADF= EAD / Drawn₀·UF= EAD / Limit₀
fator sobre o saldo · fator sobre o limite
↗ abrir inspector
FatorDenominadorQuando usar
CCF / LEQ (loan equivalent)margem disponívellinhas com espaço relevante de saque
EADF (EAD factor)saldo utilizadoalta utilização inicial, margem quase nula
UF (utilisation factor)limite totalrotativos em que o limite ancora o comportamento
Com saldo de 92 em limite de 100 e EAD de 99, o CCF é 0,875, mas uma variação de 2 no saldo de referência o move para 0,90 ou 0,83: o denominador pequeno amplifica o ruído.
Reference date · data de referência do CCFCap. 11

Horizonte fixo, coorte ou variável

Abordagem de horizonte fixo (fixed-horizon approach), de coortes (cohort approach) ou de horizonte variável (variable time horizon approach): elas diferem na data em que se fotografa a utilização.

Datas de referência do CCF

Referência sempre 12 meses antes do default.

CCF observado —Referência —
Leitura executivaA mesma linha produz CCFs entre 0,21 e 0,79 conforme a data de referência. A abordagem precisa ser fixada e documentada antes de comparar modelos.
Empirical CCF · CCF observadoCap. 11

A distribuição real do CCF é bimodal — e escapa de [0, 1]

2.400 linhas simuladas que entraram em default. Há massa em 0 (não sacaram mais) e em 1 (sacaram toda a margem — o retrato da seleção adversa, adverse selection); fora do intervalo aparecem amortizações antes do default (CCF negativo) e aumentos de limite (CCF acima de 1). Quanto maior a utilização na data de referência, menor a margem no denominador — e mais extremos os valores.

Distribuição empírica do CCF
60%
Média bruta —Média truncada em [0, 1] —Mediana —Fora de [0, 1] —
dentro de [0, 1]fora do intervalomédia brutamédia truncada
Leitura executivaTruncar em [0, 1] estabiliza a média, mas esconde amortizações e aumentos de limite. Em utilização alta o denominador pequeno torna o CCF instável — segmente por utilização.
Lifetime EAD profile · perfil de exposição na vida do contratoextensão

Exposição ao longo da vida: amortizável, rotativo e bullet

Para a ECL lifetime, a EAD vira um perfil. O amortizável (amortising loan) segue a tabela Price reduzida pelo pré-pagamento (prepayment); o rotativo (revolving facility) parte do saldo mais a conversão esperada da margem e decai com o encerramento de contas ao longo da vida comportamental (behavioural life); o bullet (bullet loan, principal pago no vencimento) mantém o principal até o fim.

Perfil lifetime de EAD por produto
8%
55%
50%
Amortizável · EAD média 12m —Amortizável · EAD média lifetime —Rotativo · EAD inicial —
amortizável (Price + pré-pagamento)rotativo (saldo + CCF × margem)bulletsaldo atual do rotativo
EADₜ= B₀ · [(1+i)n − (1+i)t] / [(1+i)n − 1]·(1 − SMM)t
SMM = 1 − (1 − CPR)1/12 · i = 1,8% a.m. · n = 60 meses
↗ abrir inspector
Leitura executivaA EAD média ao longo da vida do amortizável é bem menor que o saldo de hoje: usar o saldo atual em todos os anos superestima a ECL. No rotativo, o risco está na margem que ainda será sacada.
Model card · ficha do modelo de EAD / CCFextensão

Especificação típica de um modelo de EAD

Escopo
linhas com margem não sacada (rotativo, cheque especial, capital de giro, cartas de crédito) · amortizáveis pelo cronograma
Alvo
CCF realizado entre a data de referência e o default, com a abordagem de janela fixada e documentada
Tratamento
exclusão ou modelo próprio para utilização inicial muito alta · limites ao intervalo plausível · aumentos de limite tratados explicitamente
Drivers
utilização inicial e sua tendência · atraso e sinais comportamentais · tipo de linha · tempo até o default
IFRS 9
perfil ao longo da vida · vida comportamental para rotativos · pré-pagamento em amortizáveis
Validação
EAD realizada × estimada por faixa de utilização · viés agregado e por safra · estabilidade do CCF no tempo
Leitura técnica referenciada

Exposição futura e adverse selection

Cap. 11 — Exposure at Default and Adverse Selection · pp. 315–349

EAD é a pergunta que ninguém faz até o evento acontecer: quanto de fato estará devido no instante do default? Em produtos com limite disponível, a resposta raramente é o saldo de hoje.

O fator de conversão de crédito

Para compromissos com parcela não sacada, a exposição futura é modelada como o saldo atual acrescido de uma fração da linha ainda disponível. Essa fração — o CCF — é estimada empiricamente, comparando a utilização em um ponto de referência com a utilização observada no momento do default. Definições concorrentes existem: abordagem de coorte fixa, janela variável e horizonte fixo, cada uma com propriedades diferentes de estabilidade e de tratamento de contratos que mudam de limite no intervalo.

O detalhe que mais afeta o resultado é o denominador. CCFs calculados sobre linhas quase totalmente utilizadas produzem valores instáveis e ocasionalmente absurdos; a prática usual é excluir ou tratar separadamente contratos com utilização inicial muito alta, e limitar o resultado ao intervalo economicamente possível.

Seleção adversa: o mecanismo central

Devedores em deterioração sacam mais. A explicação é comportamental e informacional: quem antecipa dificuldade de acesso a crédito utiliza a liquidez disponível enquanto ela existe. O efeito é sistemático, não aleatório, e significa que a utilização observada às vésperas do default é mais alta do que a utilização média da população saudável. Modelos que ignoram essa dinâmica subestimam exposição exatamente nos casos que geram perda.

A linha não sacada é uma opção que o devedor exerce, e ele a exerce com mais intensidade quando o exercício é mais custoso para o credor.

Gestão do limite é gestão de exposição

Como consequência direta, a política de limites é um instrumento de risco tão relevante quanto a política de aprovação. Revisões periódicas, gatilhos comportamentais de redução, e restrição automática mediante sinais de deterioração reduzem a exposição futura de maneira mais eficaz do que ajustes marginais no modelo de PD. O contraponto é comercial e reputacional: reduzir limite de bons clientes tem custo de relacionamento, e o desenho do gatilho precisa equilibrar sensibilidade e falsos positivos.

  • Rotativo — utilização volátil; CCF elevado e fortemente dependente do comportamento recente.
  • Cheque especial — exposição frequentemente próxima do limite antes do evento.
  • Capital de giro — utilização ligada ao ciclo operacional da empresa e à sazonalidade do setor.
  • Amortizável — exposição decrescente e previsível; o desafio é o cronograma, não o comportamento.

Contratos amortizáveis e a EAD lifetime

Para provisão prospectiva, a EAD deixa de ser um valor e passa a ser um perfil ao longo do tempo. Um contrato amortizável tem exposição decrescente, o que faz com que a perda esperada por período dependa da interação entre a curva de PD e a curva de saldo. Ignorar a amortização e usar o saldo corrente para todos os períodos futuros superestima a provisão em carteiras de longo prazo — o erro oposto ao cometido em produtos rotativos.

Validação específica

A validação de EAD raramente pode se apoiar nas mesmas métricas de PD. O que interessa é o viés agregado da exposição prevista contra a realizada, sua estabilidade por faixa de utilização inicial e a ausência de deriva sistemática ao longo do tempo. Um erro médio próximo de zero acompanhado de erros grandes e compensatórios nas pontas é um sinal claro de segmentação insuficiente.

Três maneiras de escolher a data de referência

O CCF observado depende de quando se fotografa a utilização. Na abordagem de horizonte fixo (fixed-horizon approach), a referência é sempre o mesmo intervalo antes do default — tipicamente doze meses —, o que torna as observações comparáveis entre si. Na abordagem de coortes (cohort approach), os contratos são agrupados por janelas de calendário e a referência é o início da janela em que o default ocorreu, o que aproxima o cálculo da forma como a carteira é efetivamente observada nas datas de corte. Na abordagem de horizonte variável (variable time horizon approach), cada contrato contribui com várias observações, uma para cada data de referência dentro do horizonte, o que aumenta a amostra ao custo de dependência entre observações do mesmo contrato.

Fatores alternativos ao CCF

O CCF clássico — também chamado de LEQ, loan equivalent — divide o saque adicional pela margem disponível e por isso se torna instável quando a linha está quase totalmente utilizada. Duas alternativas contornam o denominador frágil: o fator sobre o saldo, que expressa a EAD como múltiplo do saldo utilizado, e o fator sobre o limite, que a expressa como fração do limite total. A escolha não é neutra: cada uma pressupõe um mecanismo comportamental diferente e produz erros diferentes por faixa de utilização. Na prática, é comum segmentar por utilização inicial e usar o fator mais estável em cada segmento.

Truncar o CCF ao intervalo [0, 1] estabiliza a média, mas apaga informação: amortizações antes do default e aumentos de limite são comportamentos reais.

EAD no horizonte contábil e no regulatório

Para provisão prospectiva, a exposição deixa de ser um número e passa a ser um perfil. Em operações amortizáveis, o cronograma contratual define o teto e o pré-pagamento reduz a exposição esperada em cada período. Em linhas rotativas, a norma contábil reconhece que o período de exposição não é o prazo contratual de cancelamento, e sim o período ao longo do qual a instituição permanece efetivamente exposta — o que exige estimar uma vida comportamental (behavioural life) a partir de dados históricos de encerramento, redução de limite e default. No capital regulatório, as reformas finais de Basileia restringiram, em linhas gerais, o uso de CCF próprio às facilidades rotativas, ancorando as demais em fatores padronizados.

Síntese editorial original, escrita a partir da estrutura temática e dos conceitos canônicos do campo; não reproduz o texto do livro.
09 · Chapter 12

Bayes transforma risco
em aprendizado sequencial.

A abordagem Bayesiana separa explicitamente o que se acreditava antes, o que os dados dizem e como a crença deve ser atualizada. Em portfólios com poucos eventos, essa estrutura é especialmente útil.

Bayes’ theorem · teorema de Bayes
Posterior∝Likelihood×Prior
P(θ|D) ∝ P(D|θ) P(θ)
↗ abrir inspector
Priorhistórico · benchmark · expert
Datadefaults observados
Likelihoodcompatibilidade com θ
Posteriornova distribuição de PD
Interpretation · interpretação

“Não estimamos apenas um número; estimamos uma distribuição sobre o risco.”

Posterior updating · atualização da posterior

Mais evidência → menor incerteza

Simulação Beta-Binomial ilustrativa. A amostra aumenta mantendo uma taxa de default próxima, e a posterior se concentra.

Visualização: Mais evidência → menor incerteza
160
PriorPosterior
Leitura técnica referenciada

Bayes e aprendizagem sob incerteza

Cap. 12 — Bayesian Methods for Credit Risk Modeling · pp. 351–384

A inferência bayesiana oferece algo que a abordagem frequentista não entrega naturalmente ao gestor de risco: uma distribuição de probabilidade sobre o próprio parâmetro, que se atualiza à medida que a evidência chega.

A mecânica da atualização

A posterior é proporcional ao produto entre verossimilhança e prior. Em risco de crédito, o caso conjugado mais útil combina verossimilhança binomial com prior Beta, produzindo uma posterior Beta cujos parâmetros somam a evidência observada aos pseudo-eventos da prior. A interpretação é transparente: a prior equivale a uma amostra fictícia, e o peso relativo dela cai à medida que a amostra real cresce. Isso torna explícito e auditável um julgamento que, em abordagens tradicionais, permanece escondido em ajustes ad hoc.

Onde a abordagem realmente compensa

Não há vantagem material em usar Bayes para estimar uma PD com milhões de observações e dezenas de milhares de eventos — a posterior será dominada pelos dados e coincidirá com a estimativa clássica. O ganho aparece exatamente onde os dados são escassos ou estruturados hierarquicamente: segmentos novos, produtos recém-lançados, safras curtas, portfólios de baixa inadimplência, e situações em que se deseja combinar evidência interna com referência externa de forma coerente.

Bayes não fabrica informação. Ele organiza, de forma explícita, a informação que já se estava usando de maneira implícita.

Modelos hierárquicos e encolhimento

Quando existem muitos segmentos com tamanhos amostrais desiguais, um modelo hierárquico estima simultaneamente os parâmetros de cada segmento e a distribuição da qual eles provêm. O resultado é o encolhimento: segmentos com pouca evidência são puxados na direção da média global, enquanto segmentos com muita evidência preservam sua estimativa própria. É uma solução estatisticamente elegante para o dilema entre granularidade e estabilidade, que na prática costuma ser resolvido por agrupamentos arbitrários.

  • Prior informativa — reduz variância, introduz viés se mal escolhida; exige justificativa documentada.
  • Prior fracamente informativa — regulariza sem dominar; escolha padrão em contextos regulatórios.
  • Análise de sensibilidade — mostrar o resultado sob priors alternativas é parte do método, não um extra.

Do intervalo à decisão

A posterior permite responder perguntas que interessam diretamente à governança: qual a probabilidade de a PD verdadeira exceder o limite de apetite; qual a probabilidade de a perda anual superar o capital alocado; qual o valor esperado da decisão sob toda a incerteza do parâmetro, e não apenas sob sua estimativa pontual. Essa última pergunta é a mais subestimada — decidir com o valor esperado do parâmetro não é o mesmo que decidir com o valor esperado da função de perda, quando a função é não linear.

Custos práticos

A contrapartida é operacional. Fora dos casos conjugados, a posterior exige amostragem — MCMC ou aproximações variacionais — com custo computacional, necessidade de diagnósticos de convergência e um requisito de reprodutibilidade que inclui semente, número de cadeias e período de aquecimento. Em ambiente produtivo, isso significa versionar não apenas o modelo, mas o procedimento de inferência inteiro.

Síntese editorial original, escrita a partir da estrutura temática e dos conceitos canônicos do campo; não reproduz o texto do livro.
10 · Chapter 13

Um modelo bom precisa
provar que continua bom.

Validação é multidimensional. Discriminação sem calibração pode rankear corretamente e errar o nível de risco; boa calibração em uma população instável pode não sobreviver à mudança de mix.

Discrimination · discriminação

AUC / Gini

Gini= 2 × AUC − 1
↗ abrir inspector

Mede capacidade de ordenação. Não garante que 2% previsto seja 2% observado.

ROC-AUCGiniKS
Calibration · calibração

Previsto deve conversar com observado

Brier= 1/n Σ (pᵢ − yᵢ)²
↗ abrir inspector

A calibração pode ser testada globalmente, por faixas, safras, produto e tempo.

Stability · estabilidade

Population Stability Index

PSI= Σ (Aᵢ−Eᵢ) ln(Aᵢ/Eᵢ)
↗ abrir inspector

PSI sinaliza mudança de distribuição, mas não substitui diagnóstico causal do drift.

Calibration plot · previsto × observado

Ideal vs observado

Visualização: Ideal vs observado
+15%
Validation stack · camadas de validação
Conceptdefinição e teoria
Dataqualidade e representatividade
Performancediscriminação e erro
Calibrationnível de risco
Stabilitydrift e OOT
Governanceuso, override, limites
Champion vs challenger · modelo vigente × desafiante

Comparação multi-métrica entre modelos

Validação não é uma nota única. O painel abaixo mostra um comparativo simples entre um champion em produção e um challenger mais recente, ponderando discriminação, calibração e estabilidade.

Visualização: Comparação multi-métrica entre modelos
Champion AUC 0.74Challenger AUC 0.78Champion PSI 0.09Challenger PSI 0.14
Trade-off radar · o que a complexidade compra e custa

O que a complexidade compra e o que ela custa

Validação não é uma métrica única. Comparar um scorecard logístico com um desafiante não linear em seis dimensões torna explícito que o ganho de discriminação é pago em explicabilidade, estabilidade e custo de manutenção.

Radar de dimensões de validação
Base 45% · move o desafiante do regime parcimonioso para o regime de alta capacidade.
Δ discriminação —Custo de explicabilidade —Saldo ponderado —
scorecard logísticodesafiante não linear
Executive flow · o ciclo de calibraçãoCap. 13

Da PD prevista à decisão de recalibrar

PD calibration · Jeffreys test · teste de Jeffreysextensão

A PD da classe é compatível com os defaults observados?

Com prior não informativa (non-informative prior) Beta(½, ½), a taxa de default da classe (rating grade) tem posterior Beta(D + ½, n − D + ½). O p-valor do teste de Jeffreys (Jeffreys test) é a probabilidade posterior de a PD verdadeira ser menor que a estimada (área sombreada): p-valores baixos indicam PD subestimada (underestimated).

Teste de Jeffreys
400
12
2,0%
Taxa observada —p-valor de Jeffreys —z binomial —Leitura —
posteriorárea do p-valorPD estimadataxa observada
Leitura executivaCom 400 contratos e 12 defaults, uma PD de 2% ainda não é rejeitada a 5% (p ≈ 8%). A mesma taxa observada em uma amostra maior seria rejeitada: evidência acumula.
Calibration tests · testes de calibraçãoCap. 13

Três testes, três hipóteses

p= FBeta(PDest ; D+½, n−D+½)
teste de Jeffreys · unilateral
↗ abrir inspector
z= (D − n·PD) / √(n·PD·(1−PD))
aproximação normal do teste binomial
↗ abrir inspector
HL= Σg (Og − ngp̄g)² / [ngp̄g(1−p̄g)]
Hosmer–Lemeshow · comparado a uma χ²
↗ abrir inspector
Validation by parameter · validação por parâmetroCap. 13

O que validar em cada parâmetro

ParâmetroDiscriminaçãoCalibração / acuráciaEstabilidadeBacktesting
PDAUC, Gini, KS, CAPJeffreys e binomial por classe, HL, BrierPSI do escore, matriz de migraçãotaxa de default por safra × PD prevista
LGDSpearman, CAP de severidadeLGD realizada × estimada (viés, MAE) por segmentomix de garantias, perfil de recuperaçãocoortes de workout encerrado
EAD / CCFordenação do CCF por faixaEAD realizada / estimada, viés por utilizaçãodistribuição de utilização inicialdefaults recentes × CCF vigente
ECL—perda realizada × ECL de 12 meses, fluxo de estágiosestabilidade do staging e dos pesos de cenáriowaterfall e análise de sensibilidade
Leitura técnica referenciada

Validação como prova multidimensional

Cap. 13 — Model Validation · pp. 385–443

Validação não é uma métrica: é um conjunto de provas independentes que responde a perguntas diferentes. Um modelo pode passar em discriminação e falhar em calibração, passar em ambas e falhar em estabilidade, e passar nas três e ainda assim ser inadequado ao uso pretendido.

As quatro dimensões

Discriminação mede a capacidade de ordenar. Calibração mede se o nível previsto corresponde ao observado. Estabilidade mede se a população e a relação entre variáveis e desfecho permanecem as mesmas. Adequação ao uso mede se o modelo responde à pergunta que a decisão faz — um modelo de PD de doze meses não serve, sem transformação, para provisão lifetime, por melhor que seja seu desempenho.

AUC alta com calibração ruim produz ordenação correta e provisão errada. As duas falhas têm consequências distintas e donos distintos.

Calibração: o teste que mais se negligencia

O gráfico de previsto contra observado por decil, acompanhado de intervalos de confiança, é o instrumento mais informativo e o menos utilizado. Desvios sistemáticos em uma direção indicam viés de nível — frequentemente resultado de mudança na taxa de evento entre a amostra de desenvolvimento e a população atual. Desvios que mudam de sinal ao longo dos decis indicam problema de forma funcional, não de nível, e não se corrigem com um simples deslocamento do intercepto.

Testes formais como Hosmer-Lemeshow e o binomial por faixa oferecem um veredito estatístico, mas são sensíveis ao tamanho da amostra: em bases muito grandes, rejeitam a calibração por desvios materialmente irrelevantes. Por isso a leitura gráfica e a magnitude econômica do desvio devem prevalecer sobre o valor-p.

Estabilidade e o PSI

O índice de estabilidade populacional compara a distribuição atual com a de referência, somando ao longo das faixas o produto entre a diferença de proporções e o logaritmo da razão entre elas. As faixas convencionais — abaixo de 0,10 estável, entre 0,10 e 0,25 atenção, acima de 0,25 deslocamento relevante — são heurísticas úteis, não limites teóricos, e sua interpretação depende do número de faixas e do tamanho amostral. Um PSI alto não condena o modelo: ele indica que a população mudou e exige investigar se a relação entre escore e risco sobreviveu à mudança.

  • PSI do escore — deslocamento da distribuição de saída.
  • PSI por variável — identifica qual insumo provocou o deslocamento.
  • Deriva de conceito — a relação entre variável e desfecho mudou, mesmo com distribuição estável.

Fora do tempo e fora da amostra

A validação fora da amostra mede generalização estatística; a validação fora do tempo mede generalização ao regime futuro, que é o que a produção enfrenta. Quando as duas divergem muito, a explicação costuma estar em variáveis com relação instável ao longo do ciclo ou em vazamento sutil. Backtesting periódico, comparando previsões emitidas no passado com desfechos observados desde então, é a única evidência realmente direta de que o modelo funciona.

Benchmark e champion-challenger

Comparar o modelo com um benchmark simples — uma regressão parcimoniosa, uma política de corte baseada em poucas variáveis — responde a uma pergunta desconfortável e necessária: quanto de desempenho a complexidade adicional realmente compra. Quando a diferença é pequena, o modelo simples costuma vencer no cômputo total, porque o custo de manutenção, explicação e recalibração é permanente e o ganho estatístico é marginal.

Independência como requisito estrutural

A validação precisa ser executada por quem não desenvolveu o modelo, com acesso aos dados e liberdade para reprovar. Sem essa separação, o processo degenera em documentação de conformidade. A qualidade de uma função de validação é medida pela sua capacidade de gerar restrições efetivas — condições de uso, limitações declaradas, prazos de recalibração — e não pelo volume de relatórios produzidos.

Calibração por classe: binomial, Jeffreys e o problema dos múltiplos testes (multiple testing)

Testar a calibração classe a classe exige cuidado com a dependência e com a multiplicidade. O teste binomial assume defaults independentes e, sob correlação positiva, rejeita com frequência excessiva. O teste de Jeffreys trata a taxa de default como parâmetro com prior não informativa Beta(½, ½), produz um p-valor como a probabilidade posterior de a PD verdadeira ser inferior à estimada e se comporta bem em amostras pequenas. Com dez classes testadas ao nível de 5%, a chance de ao menos uma rejeição espúria passa de 40%: a leitura deve ser feita em conjunto, priorizando padrões sistemáticos sobre rejeições isoladas.

Síntese editorial original, escrita a partir da estrutura temática e dos conceitos canônicos do campo; não reproduz o texto do livro.
10B · Post-deployment

Depois do deploy,
começa a vigilância.

O upgrade acrescenta uma camada explícita de monitoramento. Em ambientes reais, o modelo precisa ser acompanhado por drift, estabilidade, migração de estágios, degradação de performance e gatilhos claros de intervenção.

Drift radar · radar de deriva populacional

PSI, AUC e calibração ao longo do tempo

O controle aumenta a pressão de drift. Quando a mistura populacional muda, PSI sobe, calibração se desloca e AUC pode começar a ceder.

Visualização: PSI, AUC e calibração ao longo do tempo
32%
PSI atual 0.11AUC atual 0.75Bias +0.6 pp
Stage migration · migração entre estágios

Matriz de transição

O heatmap resume como a carteira migra entre estágios. Cenários mais duros aumentam massa fora da diagonal principal.

Visualização: Matriz de transição
24%
Monitoring workflow · rotina de monitoramento
Score streamprevisões em produção
Drift checksPSI · mix · outliers
PerformanceAUC · KS · Brier
Calibrationprevisto × observado
Triggerslimites / semáforos
Actionrecalibrar · challenger · rebuild
Leitura técnica referenciada

Monitoramento como extensão da validação

Extensão aplicada a partir do Cap. 13 · síntese pós-deploy

A validação é um evento; o monitoramento é um regime. Depois do deploy, o modelo passa a operar sobre uma população que muda por razões que nada têm a ver com estatística: campanhas comerciais, mudanças de política, concorrência, regulação e o próprio efeito do modelo sobre a carteira que ele seleciona.

O modelo altera a população que observa

Esse é o fenômeno mais sutil da operação em produção. Ao recusar consistentemente determinados perfis, o modelo elimina da base futura exatamente as observações que sustentariam sua recalibração. A distribuição de escore da população aprovada se comprime, a taxa de evento cai, e as métricas de discriminação medidas apenas sobre aprovados deterioram-se por construção — não porque o modelo piorou, mas porque o intervalo de risco observável encolheu.

Métricas medidas sobre a população aprovada respondem a uma pergunta diferente daquela respondida na amostra de desenvolvimento.

Camadas de vigilância

Um sistema de monitoramento maduro opera em camadas com frequências distintas. Diariamente, verifica-se integridade: volume de execuções, taxa de nulos, distribuição das variáveis de entrada, latência e falhas de pipeline. Mensalmente, acompanha-se estabilidade: PSI do escore e das variáveis principais, taxa de aprovação, mix por canal e produto. Trimestralmente, avalia-se desempenho: discriminação sobre safras maduras, calibração previsto contra observado, e viés por segmento.

  • Integridade — falhas de dado explicam a maioria dos incidentes reais de modelo.
  • Estabilidade — deslocamento de população antecede degradação de desempenho.
  • Desempenho — só observável com defasagem, quando o desfecho amadurece.
  • Uso — taxa de override manual revela desalinhamento entre modelo e política.

Matrizes de transição como diagnóstico

Acompanhar a migração de contratos entre faixas de risco ao longo do tempo revela dinâmicas que métricas agregadas escondem. Uma matriz com diagonal dominante indica estabilidade de classificação; um aumento de massa acima da diagonal sinaliza deterioração generalizada; assimetrias localizadas apontam segmentos específicos em movimento. Sob IFRS 9, essas matrizes conectam-se diretamente ao volume de migração para Estágio 2 e, portanto, ao resultado contábil.

Gatilhos, não relatórios

O valor do monitoramento está em disparar ação, não em produzir painéis. Isso exige limiares definidos previamente, com dono, prazo e resposta associada: investigar, recalibrar, restringir uso, acionar override de política ou desativar. Limiares definidos depois do desvio observado tendem a acomodar o desvio. Definidos antes, e revisados em cadência formal, tornam-se contrato entre desenvolvimento, validação e negócio.

Recalibrar ou reconstruir

Quando a discriminação se mantém e apenas o nível se desloca, recalibrar o intercepto costuma bastar e preserva a estrutura já validada. Quando a ordenação se deteriora, ou quando variáveis perdem poder preditivo de forma persistente, o problema é estrutural e a reconstrução é inevitável. Distinguir os dois casos com evidência — e não por conveniência de cronograma — é uma das decisões de maior impacto na vida útil de um modelo.

Síntese editorial original, escrita a partir da estrutura temática e dos conceitos canônicos do campo; não reproduz o texto do livro.
11 · Chapter 14

Stress testing pergunta:
“e se o mundo piorar?”

Stress testing força o sistema de risco a atravessar estados macroeconômicos adversos. O objetivo não é acertar um futuro específico, mas quantificar vulnerabilidade, não linearidade e capacidade de absorção.

Transmission mechanism · mecanismo de transmissão
Macro shockjuros · desemprego · PIB
Borrower stressrenda · caixa · alavancagem
PD ↑frequência
LGD ↑colateral e recovery
EAD ↑drawdown
Loss ↑ECL · capital · RAROC
Scenario engine · motor de cenários

Base × Adverse × Severe

Visualização: Base × Adverse × Severe
48
PDLGDEL index
Satellite model · elo macroeconômico simples
logit(PDₜ)= α +β′Mₜ+ γ′X
Mₜ = vetores macro · X = características da carteira
↗ abrir inspector
PD e LGD podem se deteriorar simultaneamente, amplificando a perda.
Correlação e concentração ganham importância justamente na cauda.
Leitura técnica referenciada

Stress testing como análise de vulnerabilidade

Cap. 14 — Stress Testing · pp. 445–474

Stress testing não prevê o futuro. Ele responde a uma pergunta condicional: se um estado adverso específico ocorrer, qual será o efeito sobre perdas, provisões, resultado e capital? O valor do exercício está na coerência do cenário e na rastreabilidade da transmissão, não na probabilidade atribuída a ele.

Anatomia de um cenário

Um cenário é um conjunto de trajetórias de variáveis macroeconômicas mutuamente coerentes ao longo de um horizonte de projeção — tipicamente doze trimestres. Coerência é o requisito mais difícil: desemprego, PIB, juros, câmbio, inflação e preços de imóveis não se movem independentemente, e um cenário internamente contraditório invalida qualquer conclusão derivada dele. A construção pode ser histórica, hipotética ou modelada por sistemas de equações que preservam as correlações observadas.

A pergunta não é “qual a chance disso acontecer?”, e sim “se acontecer, estamos preparados?”.

Transmissão até o resultado

O cenário precisa alcançar os parâmetros de risco por meio de elos explícitos: modelos satélite que ligam variáveis macro à PD condicional, à LGD e à utilização de linhas. Cada elo é um modelo com sua própria incerteza, e a cadeia inteira herda essas incertezas de forma multiplicativa. Documentar sensibilidades — quanto de variação em PD decorre de um ponto percentual de desemprego, por exemplo — é o que torna o resultado interpretável e criticável.

  • Base — cenário central, consistente com projeções de mercado.
  • Adverso — recessão moderada, plausível dentro do histórico recente.
  • Severo — choque profundo, calibrado por episódios de crise.
  • Reverso — parte do resultado inaceitável e busca o cenário que o produziria.

Stress test reverso

É o exercício mais informativo e o menos praticado. Em vez de projetar o efeito de um cenário, fixa-se um desfecho crítico — perda que consome determinada fração do capital, por exemplo — e pergunta-se que combinação de eventos seria necessária para produzi-lo. O resultado revela vulnerabilidades específicas da carteira, muitas vezes ligadas a concentrações que os cenários padronizados não atingem.

Não linearidade e efeitos de segunda ordem

Perdas não crescem proporcionalmente ao choque. A migração entre estágios contábeis é descontínua; a correlação entre devedores aumenta em crises; a severidade sobe justamente quando mais defaults ocorrem. Modelos que aplicam multiplicadores lineares aos parâmetros subestimam sistematicamente o efeito de cenários severos. É por isso que resultados de stress devem ser comparados com a distribuição de perdas simulada: se o cenário severo produz perda inferior ao quantil de 99% da simulação, algo na transmissão está amortecendo o choque indevidamente.

Do exercício à decisão

Um teste de estresse cujo resultado não altera limite, apetite, política de originação ou planejamento de capital é um exercício de conformidade. A integração com o planejamento — projeção de capital sob cenário, gatilhos de ação predefinidos, planos de contingência ligados a indicadores observáveis — é o que converte a análise em capacidade de resposta.

Síntese editorial original, escrita a partir da estrutura temática e dos conceitos canônicos do campo; não reproduz o texto do livro.
12 · Portfolio management

Gerenciar risco é decidir
onde crescer — e onde parar.

Quando PD, LGD e EAD já existem, o problema muda de natureza: a gestão passa a otimizar retorno ajustado ao risco, concentração, limites, apetite, migração de qualidade e capacidade de absorver perdas inesperadas.

Risk-adjusted return · retorno ajustado ao risco

RAROC

RAROC=(Receita − EL − Opex)/Capital Econômico
↗ abrir inspector

O retorno precisa remunerar o risco assumido, não apenas produzir margem nominal.

Tail risk · risco de cauda

Unexpected Loss

ULα= VaRα(L) − EL
↗ abrir inspector

EL tende a ser preço/provisão; UL aproxima a necessidade de capital para eventos de cauda.

Concentration risk · risco de concentração

HHI

HHI= Σ wᵢ²
↗ abrir inspector

Concentração por cliente, grupo, setor, região e produto pode amplificar perdas conjuntas.

Portfolio cockpit · painel da carteira

Risco × retorno × exposição

Cada bolha representa uma exposição ilustrativa. O eixo horizontal é PD, o vertical é RAROC e o tamanho aproxima EAD. Ajuste o apetite para visualizar o limite gerencial de PD.

Visualização: Risco × retorno × exposição
7%
dentro do apetitefora do apetitelimite
Decision matrix · matriz de decisão

Quatro ações gerenciais

RiscoRetornoAção
baixoaltocrescer
baixobaixoreprecificar
altoaltolimitar
altobaixoreduzir / sair
A decisão ótima depende também de liquidez, funding, capital, concentração e estratégia comercial.
Management loop · ciclo de gestão
Originationmix e qualidade nova
PortfolioPD · LGD · EAD · ρ
Economicsspread · EL · capital
Risk appetitelimites e concentração
Early warningmigração e sinais
Actioncrescer · repricing · cobrar
Leitura técnica referenciada

Da mensuração à decisão

Síntese aplicada dos Caps. 1, 9, 13 e 14 · leitura gerencial

A última milha do risco de crédito é gerencial: transformar estimativas em decisões de crescer, precificar, restringir ou sair. Métricas ajustadas ao risco existem exatamente para tornar comparáveis operações com perfis de perda muito distintos.

RAROC e a comparabilidade entre negócios

O retorno ajustado ao risco sobre capital confronta a margem líquida da perda esperada e dos custos com o capital econômico que a operação consome. Sua função é permitir comparação: uma linha com spread alto e perda esperada elevada pode gerar menos valor do que uma linha de spread modesto e risco baixo. A qualidade da métrica depende inteiramente da qualidade da alocação de capital — e alocar capital pela exposição, em vez de pela contribuição marginal ao risco da carteira, distorce o ranking a favor de exatamente aquilo que já está concentrado.

Se todo negócio da carteira apresenta RAROC acima do custo de capital, a suspeita mais provável é erro de alocação, não excelência generalizada.

Perda inesperada e apetite

A perda esperada é custo; a perda inesperada é a razão de existir capital. O apetite de risco define o quantil da distribuição que a instituição está disposta a suportar e, com isso, o nível de capital econômico. Traduzir esse apetite em limites operacionais — por segmento, setor, produto, exposição individual — é o que faz a declaração de apetite sair do documento e entrar na decisão diária.

  • Crescer — retorno ajustado acima do custo de capital e concentração dentro do limite.
  • Observar — retorno adequado com sinais de deterioração ou de deslocamento populacional.
  • Reprecificar — risco compatível com o apetite, mas margem insuficiente para remunerá-lo.
  • Reduzir — concentração ou severidade projetada acima do tolerado, independentemente da margem.

Concentração como decisão, não como diagnóstico

Índices de concentração são úteis para descrever, mas a gestão exige agir sobre a contribuição marginal: quanto uma exposição adicional acrescenta ao quantil de perda da carteira. Essa métrica penaliza exposições correlacionadas ao que já se tem e favorece diversificação genuína — inclusive em casos em que a exposição individual, isolada, pareceria atraente.

Instrumentos de transferência

Securitização, venda de carteira, garantias, seguros de crédito e derivativos alteram o perfil sem alterar a originação. Cada um resolve um problema e cria outro: venda realiza preço com desconto e pode remover justamente os ativos de melhor qualidade; garantias transferem risco de crédito para risco de contraparte; securitização redistribui perda entre tranches, concentrando risco não linear nas mais subordinadas. A escolha depende de qual restrição é vinculante — capital, liquidez, concentração ou resultado.

Precificação baseada em risco

O preço mínimo defensável cobre custo de captação, custo operacional, perda esperada e remuneração do capital alocado. Operar abaixo disso é uma decisão legítima quando existe valor de relacionamento mensurável; torna-se problema quando é involuntário e sistemático. Monitorar a distribuição de spreads contra o preço mínimo por segmento revela, rapidamente, onde a carteira está crescendo sem remuneração adequada.

Síntese editorial original, escrita a partir da estrutura temática e dos conceitos canônicos do campo; não reproduz o texto do livro.
12B · Advanced visual analytics

Quant Lab:
superfícies, caudas e cenários.

Este laboratório quantitativo amplia a leitura com gráficos robustos e visualmente mais ricos. Em vez de observar curvas isoladas, a análise passa a enxergar superfícies de perda, caudas extremas, trajetórias por rating, fan charts macro.

Risk surface · superfície de perda esperada

Superfície de perda esperada em função de PD e LGD

O mapa abaixo representa a perda esperada relativa para combinações de PD e LGD. O cursor marca a combinação corrente e a bolha de tamanho implícito aproxima a EAD configurada.

Visualização: Superfície de perda esperada em função de PD e LGD
2.60%
42%
R$ 8 mi
EL relativa 1,09%EL monetária R$ 0,09 miLeitura moderada
Tail analytics · análise de cauda

Distribuição de perdas, VaR e Expected Shortfall

Quando a carteira sofre correlação e stress, não basta olhar apenas a média. A distribuição se desloca, a cauda engrossa e medidas como VaR e ES passam a dominar a conversa gerencial.

Visualização: Distribuição de perdas, VaR e Expected Shortfall
34%
EL 2,8%VaR 99% 8,9%ES 99% 11,1%
Migration term structure · estrutura a termo por rating

Term structure por rating com degradação progressiva

Uma carteira saudável não apresenta apenas bons níveis médios: ela preserva a estrutura de qualidade ao longo do tempo. O gráfico combina linhas temporais por rating e uma faixa de degradação à medida que o cenário piora.

Visualização: Term structure por rating com degradação progressiva
22%
AAA / AAA / BBBBB / BCCC / default-prone
Macro fan chart · leque de trajetórias

Fan chart de PD em torno de cenários macro

Em vez de uma única trajetória, o fan chart mostra uma família de caminhos possíveis: mediana, faixas centrais e a abertura da incerteza à medida que o horizonte aumenta.

Visualização: Fan chart de PD em torno de cenários macro
30%
PD inicial 2,0%Mediana 12m 4,3%P90 12m 6,8%
Leitura técnica referenciada

Interpretação dos experimentos visuais

Síntese visual inspirada nos Caps. 9–14 · extensão quantitativa

O laboratório reúne quatro experimentos que existem para tornar visíveis relações que a álgebra descreve mas não comunica: superfície de perda esperada, distribuição de perdas com métricas de cauda, estrutura a termo por rating e leque de incerteza em torno de cenários.

Superfície PD × LGD

A perda esperada é bilinear nos dois fatores: dobrar qualquer um deles dobra o resultado, e o gradiente em relação a um depende do nível do outro. A superfície torna isso imediato — a inclinação na direção da PD é proporcional à LGD corrente. A leitura gerencial é direta: em carteiras com garantia forte, ganhos vêm de seleção; em carteiras sem garantia, a severidade domina e melhorias em cobrança podem valer mais do que refinamentos no modelo de PD.

Cauda: VaR e Expected Shortfall

O VaR é um quantil e responde “qual perda não será excedida com determinada confiança”. O Expected Shortfall é a média das perdas além desse quantil e responde “se for excedida, quão ruim tende a ser”. A diferença é conceitual e prática: o VaR é insensível à forma da cauda além do ponto de corte e não é subaditivo, o que significa que pode punir a diversificação; o ES corrige ambos os problemas e por isso migrou para o centro das estruturas regulatórias mais recentes.

Aumentar a correlação preserva a média e engrossa a cauda — a perda esperada não se move, mas o capital sim.

Estrutura a termo por rating

Curvas de PD acumulada por classificação exibem um padrão robusto: ratings altos apresentam curvas côncavas e crescentes, refletindo probabilidade de migração para classes piores ao longo do tempo; ratings baixos apresentam risco concentrado no início, com achatamento posterior entre os sobreviventes. Essa convergência relativa das curvas é o que dá conteúdo econômico à provisão lifetime: o horizonte importa mais para o crédito bom do que para o crédito ruim.

Fan chart e a honestidade da projeção

Uma projeção pontual comunica precisão que não existe. O fan chart exibe a mediana acompanhada de bandas de percentis, deixando ver que a incerteza cresce com o horizonte e que a distribuição raramente é simétrica — em risco de crédito, a cauda superior é mais longa. A largura do leque é tão informativa quanto o seu centro, e reportá-la muda a natureza da conversa gerencial: de “qual será a perda?” para “que faixa de perdas precisamos suportar?”.

  • Interatividade — os controles alteram parâmetros em tempo real; observe a direção e a magnitude da resposta.
  • Escala — valores padrão são ilustrativos e não representam nenhuma carteira específica.
  • Objetivo — construir intuição sobre relações, não substituir motores de cálculo produtivos.
Síntese editorial original, escrita a partir da estrutura temática e dos conceitos canônicos do campo; não reproduz o texto do livro.
13 · Applied extension

Do livro para uma arquitetura
moderna de Model Risk.

A teoria quantitativa só vira capacidade institucional quando entra em um ciclo controlado de dados, código, registro, validação, aprovação, deploy, monitoramento e recalibração.

Model lifecycle · ciclo de vida do modelo
Sourcescore · bureau · macro · collateral
Feature layerpoint-in-time correct
TrainingPD · LGD · EAD
Registryversion · lineage · metrics
Validationindependent review
Servingbatch / API
Monitordrift · calibration · OOT
Control plane · camada de controle

Governança como camada de arquitetura

CamadaControleEvidênciaTrigger
Dadosqualidade + temporalidadechecks, lineagequebra de SLA / drift
Modeloversão + reproducibilidaderun, artifact, hashnovo challenger
PerformancediscriminaçãoAUC, Gini, KSqueda material
Calibraçãonível de riscoO/E, Brier, binsbias persistente
PopulaçãoestabilidadePSI, drift testsmudança de mix
Usopolicy alignmentoverride, cut-offsdesvio de política
Illustrative code · código ilustrativo
risk_pipeline.pyconceptual
with mlflow.start_run():
  pd = train_pd(train)
  lgd = train_lgd(defaults)
  ead = train_ead(facilities)

  validate(pd, oot)
  log_metrics(
    auc, brier, psi
  )
  register(
    "credit-risk-suite"
  )

Champion / Challenger

Comparação contínua, com critérios definidos antes da disputa.

MODEL RISK

OOT / Backtesting

Validação temporal fora da janela de desenvolvimento.

TEMPORAL

Lineage

Da previsão produzida de volta ao dado, código, feature e versão.

AUDITABLE
Leitura técnica referenciada

Da modelagem clássica à arquitetura moderna

Extensão contemporânea do framework do livro · MLOps / Model Risk

O framework clássico de risco de crédito foi concebido em um mundo de modelos anuais, planilhas de validação e implantação manual. A substância estatística permanece válida; o que mudou por completo foi a engenharia que sustenta o ciclo de vida do modelo.

Risco de modelo como risco de primeira ordem

Risco de modelo é a possibilidade de perda decorrente de erro conceitual, implementação incorreta ou uso indevido. As três causas exigem controles distintos: revisão independente para o conceito, testes automatizados para a implementação e limitações de uso declaradas para a aplicação. O terceiro é o mais negligenciado — modelos frequentemente falham não por estarem errados, mas por serem aplicados a populações ou decisões para as quais nunca foram validados.

Um inventário de modelos que não registra limitações de uso documenta existência, não controle.

Da planilha ao pipeline

A implementação contemporânea trata modelo como software: código versionado, dados versionados, ambiente reproduzível, testes automatizados de dados e de comportamento, e implantação por meio de esteira com aprovação registrada. A diferença prática não é estética. Um modelo cujo treinamento pode ser reproduzido bit a bit, meses depois, com o mesmo conjunto de dados e a mesma semente, é um modelo que pode ser auditado; um modelo cujo artefato final não pode ser reconstruído é uma dependência opaca.

  • Linhagem — origem, transformação e destino de cada variável, rastreáveis de ponta a ponta.
  • Registro de modelos — versão, dono, data de validação, limitações e status de aprovação.
  • Feature store — mesma definição de variável no treino e na inferência, eliminando a divergência mais comum em produção.
  • Testes de dados — contratos de esquema, faixas válidas e checagens de distribuição executados a cada carga.

Champion-challenger como processo permanente

Manter um desafiante em execução paralela, sem efeito sobre a decisão, gera evidência contínua sobre se o modelo vigente ainda é a melhor alternativa disponível. Os critérios de promoção precisam ser definidos antecipadamente — margem mínima de ganho, estabilidade requerida, prazo de observação — para evitar que a troca seja decidida por entusiasmo com um resultado pontual.

Explicabilidade sob restrição regulatória

Quando modelos não lineares entram em decisões de crédito, a exigência de explicação individual deixa de ser preferência e vira requisito. Métodos de atribuição local permitem justificar decisões caso a caso, mas têm limitações conhecidas — instabilidade sob correlação entre variáveis e custo computacional relevante em produção. A decisão sobre complexidade deve considerar esse custo integral, e não apenas o ganho de discriminação medido na amostra de desenvolvimento.

Aprendizado da era dos LLMs

A entrada de modelos de linguagem em fluxos de risco — sumarização de documentos, extração de informação de contratos, apoio à análise — não altera os princípios, apenas amplia o inventário. Continuam valendo as mesmas exigências: dono identificado, escopo de uso declarado, avaliação sistemática, monitoramento em produção e trilha de auditoria. O que muda é a natureza da avaliação, que passa a exigir conjuntos de teste próprios e métricas de qualidade específicas, uma vez que os desfechos não são binários nem imediatamente observáveis.

Síntese editorial original, escrita a partir da estrutura temática e dos conceitos canônicos do campo; não reproduz o texto do livro.
13B · From book to practice

Da obra à prática
contemporânea.

A estatística do livro continua válida. O que mudou em uma década foi a engenharia ao redor dela: onde o dado vive, como o modelo é treinado, como a decisão é servida e como tudo isso é auditado. Esta seção contrasta o padrão da época com o que hoje se considera implementação mínima defensável.

Then vs now · antes × hoje

Como era · como implementaríamos hoje

CamadaPadrão da obra (2016)Implementação contemporânea
Dadoextração periódica para uma base analítica únicacamadas versionadas em lakehouse, com contrato de esquema e testes por carga
Variáveismacro de transformação replicada entre projetosfeature store com a mesma definição no treino e na inferência
Treinoscript executado na estação do modeladorpipeline reprodutível, com semente, ambiente e dados fixados
Artefatoequação transcrita para o sistema de decisãomodelo registrado, versionado e promovido por estágios
Validaçãorelatório em documento estáticobateria automatizada executada a cada versão candidata
Monitoramentorevisão anual de performancePSI, calibração e integridade com gatilhos e responsáveis definidos
Explicaçãocoeficientes e pontos do scorecardatribuição local para modelos não lineares, com custo computacional medido
Auditoriaanexos e memórias de cálculolinhagem ponta a ponta: dado → variável → versão → decisão

Nenhuma linha desta tabela substitui a matemática discutida nos capítulos anteriores. Todas dizem respeito à camada que decide se aquela matemática pode ser confiada em produção.

Delivery pipeline · esteira de entrega

Ciclo de vida contemporâneo

Ingestão versionadacontrato de esquema · testes de carga
Feature storemesma definição treino/inferência
Treino reprodutívelambiente · semente · dados fixados
Registro de modeloversão · dono · limitações
Validação automatizadadiscriminação · calibração · estabilidade
Serving + monitoramentogatilhos com resposta definida
Flow visualization · diagrama de fluxo

Para onde vai a exposição: originação, estágios e desfecho

Diagrama de fluxo: carteira → estágios → desfechos
Base 0% · move simultaneamente a migração entre estágios e a severidade da perda, como ocorre em recessões.
estágio 1 · performingestágio 2 · SICRestágio 3 · default
ECL —Estágio 2 —Perda líquida —

A largura de cada faixa é proporcional à exposição. Observe que a perda líquida cresce mais rápido do que a migração para o Estágio 3: severidade e frequência se movem juntas, e é essa combinação que torna cenários adversos não lineares.

Leitura técnica referenciada

O que envelheceu e o que permaneceu

Extensão contemporânea · engenharia de modelos

Reler um manual técnico de 2016 com olhos de hoje é um exercício útil de separação: distinguir o que era essência do que era circunstância tecnológica.

O que permaneceu integralmente

A decomposição da perda, a natureza temporal da PD, a assimetria da LGD, a dinâmica de seleção adversa na EAD, o papel do fator comum na cauda da carteira e a exigência de validação independente não envelheceram. São propriedades do fenômeno, não do ferramental. Um modelador que domina esses conceitos e desconhece a stack atual aprende a stack em semanas; o caminho inverso costuma levar anos.

O que mudou de lugar

O trabalho migrou da estimação para a operação. Ajustar uma regressão logística é hoje uma tarefa de minutos; garantir que a variável usada no treino tenha exatamente a mesma definição na inferência, que o modelo em produção seja a versão aprovada, e que a degradação seja detectada antes do impacto contábil — isso concentra a maior parte do esforço e é onde se originam quase todos os incidentes reais.

A pergunta de risco de modelo deixou de ser “o modelo está certo?” e passou a ser “o que está rodando é o modelo que foi aprovado, sobre os dados que foram validados?”.

O que exige cautela nova

  • Complexidade sem necessidade — ganho marginal de discriminação contra custo permanente de explicação e manutenção.
  • Automação sem gatilho — monitoramento que produz painéis, não decisões.
  • Reprodutibilidade parcial — código versionado com dados não versionados não reproduz nada.
  • Inventário incompleto — componentes de decisão fora do registro formal, incluindo regras e modelos de linguagem.

Uma síntese prática

A arquitetura defensável combina duas disciplinas que raramente convivem na mesma equipe: rigor estatístico na definição do problema e disciplina de engenharia na entrega. Instituições que investem apenas na primeira produzem modelos elegantes que ninguém consegue reconstruir; as que investem apenas na segunda produzem pipelines impecáveis servindo estimativas mal especificadas. O padrão contemporâneo exige as duas coisas, e é essa exigência dupla que define a competência do campo hoje.

Extensão contemporânea escrita para esta edição digital; não integra o escopo da obra de referência.
14 · Closing view

Risco de crédito é
um sistema de inferência.

O aprendizado central é integrador: scoring ordena, PD temporaliza a chance do evento, LGD mede severidade, EAD antecipa exposição, correlação explica a cauda, Bayes explicita incerteza, validação testa a verdade operacional e stress expõe fragilidade.

“O modelo não termina quando gera uma probabilidade. Ele termina quando a probabilidade é interpretável, validada, governada e útil para decisão.”

Frequency · frequência

PD

Quem, quando e com que intensidade o default tende a ocorrer.

Severity · severidade

LGD

Quanto se perde, líquido de recuperações e custos.

Exposure · exposição

EAD

Quanto estará efetivamente exposto no momento do evento.

Leitura técnica referenciada

Síntese do framework

Cap. 15 — Concluding Remarks · pp. 475–480

Ao fim do percurso, a impressão que fica é que risco de crédito é menos um conjunto de modelos e mais um sistema de inferência sob incerteza, com consequências contábeis, econômicas e regulatórias imediatas.

O que se repete em todos os capítulos

Três padrões atravessam a obra inteira. O primeiro é que a definição do problema — o que é default, qual o horizonte, qual a população — determina mais o resultado do que a técnica escolhida. O segundo é que estimativas sem incerteza declarada são perigosas, especialmente onde os dados são escassos. O terceiro é que a validade de um modelo é temporária: ela precisa ser reafirmada continuamente contra uma realidade que muda por razões alheias à estatística.

Modelar risco de crédito é aceitar que a resposta correta é uma distribuição, e que a decisão precisa de um número.

Do framework à prática

PD, LGD e EAD são instrumentos de mensuração; provisão, capital, preço e limite são decisões. A ponte entre os dois é feita por validação, monitoramento e governança — camadas que não produzem estimativas novas, mas determinam se as existentes podem ser usadas. Instituições que investem apenas nas primeiras acumulam modelos; instituições que investem em ambas acumulam capacidade de decisão.

Onde continuar

A extensão natural desta leitura passa por três frentes: aprofundamento estatístico em análise de sobrevivência e modelos hierárquicos; engenharia de dados e de pipelines aplicada a risco; e o arcabouço normativo vigente, que no contexto brasileiro combina IFRS 9, a Resolução CMN 4.966/2021 e os requisitos prudenciais de Basileia. As três frentes se retroalimentam — e nenhuma delas basta isoladamente.

Síntese editorial original, escrita a partir da estrutura temática e dos conceitos canônicos do campo; não reproduz o texto do livro.
15 · Compact legend

Uma legenda para ler
o sistema inteiro.

Para tornar a leitura ainda mais fluida, a edição fecha com uma legenda compacta dos símbolos e métricas usados nos capítulos e nos modelos e com um glossário bilíngue dos termos da obra. É uma pequena camada editorial que ajuda a transformar o site em livro de consulta.

Key symbols · símbolos-chave
PD
Probability of Defaultfrequência / timing do evento
LGD
Loss Given Defaultseveridade econômica da perda
EAD
Exposure at Defaultexposição no momento do evento
EL
Expected LossPD × LGD × EAD
CCF
Credit Conversion Factorfração da margem sacada até o default
ECL
Expected Credit Lossperda esperada contábil, 12m ou lifetime
SICR
Significant Increase in Credit Riskgatilho de transferência para o Estágio 2
EIR
Effective Interest Ratetaxa de desconto da ECL
TTC · PIT
Through-the-cycle · Point-in-timemédia de longo prazo × estado corrente
hₜ · S(t)
Hazard · Sobrevivênciarisco condicional e probabilidade de sobreviver
mPD
PD marginalprobabilidade de default em cada período
ρ
Correlação de ativospeso do fator sistêmico comum
WoE · IV
Weight of Evidence · Information Valueevidência por faixa e poder univariado
AUC
Area Under Curveordenação / discriminação
KS
Kolmogorov–Smirnovseparação máxima entre bons e maus
PSI
Population Stability Indexmudança de mix populacional
LTV
Loan-to-Valueexposição sobre valor da garantia
DR
Default Ratetaxa de default observada no período
UL
Unexpected Lossperda além da média até o quantil
VaR · ES
Value at Risk · Expected Shortfallquantil e média da cauda
K · RWA
Capital IRB · Risk-Weighted AssetsRWA = 12,5 × K × EAD
RAROC
Risk-Adjusted Return on Capitalretorno líquido de EL sobre capital
HHI
Herfindahl-Hirschman Indexconcentração da carteira
Brier
Brier scoreerro quadrático das probabilidades
Bilingual glossary · glossário bilíngue English → Português

Os termos da obra, em inglês e em português

A obra é escrita em inglês; esta edição usa o termo em português com o original entre parênteses na primeira menção. O glossário reúne os termos na ordem dos capítulos, com uma definição de uma linha e o capítulo cujo tema os desenvolve.

EnglishPortuguêsEm uma linhaOnde
Expected loss (EL)perda esperadamédia da perda: PD × LGD × EADCap. 1
Unexpected loss (UL)perda inesperadaperda além da média até um quantil; coberta por capitalCaps. 1, 9
Defaultdefault · inadimplênciaevento de crédito: atraso > 90 dias ou improbabilidade de pagamentoCap. 1
Obligordevedor · tomadorcontraparte obrigada pelo contrato de créditoCap. 1
Exploratory data analysisanálise exploratória de dadosperfil, distribuições, ausências e valores atípicos antes do modeloCap. 3
Missing values · outliersvalores ausentes · valores atípicostratamentos que podem carregar informação de riscoCap. 4
Coarse classification · binningdiscretização em faixasagrupar valores em faixas de risco homogêneo e monotônicoCap. 4
Weight of evidence (WoE)peso da evidêncialn(%bons / %maus) de cada faixaCap. 4
Information value (IV)valor de informaçãopoder univariado de separação de uma variávelCap. 4
Data leakagevazamento de informaçãouso de dado posterior ao ponto de decisãoCap. 4
Vintage · cohortsafra · coortecontratos originados no mesmo período, acompanhados juntosCaps. 3–4
Credit scoringescoragem de créditoordenar tomadores por risco relativoCap. 5
Scorecardtabela de pontuaçãomodelo aditivo com pontos por atributoCap. 5
Cut-offponto de corteescore mínimo para aprovaçãoCap. 5
Oddschances (bons : maus)razão entre probabilidade de bom e de mauCap. 5
Points to double the odds (PDO)pontos para dobrar as chancesparâmetro de escala do escoreCap. 5
Reject inferenceinferência de rejeitadoshipóteses sobre o desfecho de quem foi recusadoCap. 5
Area under the ROC curve (AUC)área sob a curva ROCprobabilidade de um mau ter escore pior que um bomCaps. 5, 13
Kolmogorov–Smirnov (KS)estatística KSseparação máxima entre as distribuições de bons e mausCaps. 5, 13
Hazard ratetaxa de risco (risco condicional)P(default em t | sobreviveu até t)Cap. 6
Survival functionfunção de sobrevivênciaprobabilidade de chegar a t sem defaultCap. 6
Censoringcensuracontrato sem desfecho observado até o fim da amostraCaps. 6–7
Marginal PDPD marginalprobabilidade incondicional de default em cada períodoCap. 6
Cumulative · lifetime PDPD acumulada · de vida inteiraprobabilidade de default até o horizonteCap. 6
Proportional hazards (Cox)riscos proporcionaisrisco de base comum × multiplicador das covariáveisCap. 7
Baseline hazardrisco de baseparte do hazard comum a todos os contratosCap. 7
Competing risksriscos concorrentesdefault e pré-pagamento disputam o mesmo contratoCap. 7
Through-the-cycle (TTC)através do cicloPD média de longo prazo, estável no cicloliteratura
Point-in-time (PIT)no ponto do cicloPD condicional ao estado corrente da economialiteratura
Transition matrixmatriz de transição · de migraçãoprobabilidades de mudar de classe em um períodoliteratura
Master scaleescala mestrarégua comum de classes com PD centralextensão
Low default portfolio (LDP)carteira de baixa inadimplênciacarteira com tão poucos defaults que a PD fica incertaCap. 8
Rule of threeregra dos trêscom zero defaults em n, PD ≤ 3/n a 95%Cap. 8
Asset correlationcorrelação de ativospeso do fator sistêmico no valor dos ativosCap. 9
Default correlationcorrelação de defaultcorrelação entre indicadores binários de defaultCap. 9
Systematic factorfator sistêmicoestado comum da economia que move todos os devedoresCap. 9
Idiosyncratic riskrisco idiossincráticoparte do risco específica de cada devedorCap. 9
Value at Risk (VaR)valor em riscoquantil da distribuição de perdasCap. 9
Expected shortfall (ES)perda média na caudamédia das perdas além do VaRCap. 9
Concentration riskrisco de concentraçãoperda conjunta por nome, setor ou regiãoCap. 9
Internal Ratings-Based (IRB)abordagem por classificações internascapital regulatório a partir de PD, LGD e EAD própriasCap. 9
Risk weight (RW)fator de ponderação de riscoRWA por unidade de exposição: 12,5 × KCap. 9
Loss given default (LGD)perda dado o defaultfração da exposição perdida após o defaultCap. 10
Recovery rate (RR)taxa de recuperaçãoRR = 1 − LGDCap. 10
Workout LGDLGD de recuperaçãofluxos de recuperação e custos descontados até o defaultCap. 10
Market LGDLGD de mercadoinferida do preço do título logo após o defaultCap. 10
Cure · cure ratecura · taxa de curaretorno à adimplência sem perda materialCap. 10
Collateralgarantia · colateralativo que reduz a perda se executadoCap. 10
Haircutdesconto sobre a garantiadiferença entre valor de avaliação e valor realizadoCap. 10
Loan-to-value (LTV)razão empréstimo / garantiaexposição dividida pelo valor da garantiaCap. 10
Downturn LGDLGD de recessãoseveridade em períodos de default elevadoCap. 10
Fractional response regressionregressão de resposta fracionáriamodelo para variáveis entre 0 e 1 com ligação logísticaCap. 10
Beta regressionregressão betamodelo para proporções com distribuição betaCap. 10
Exposure at default (EAD)exposição no defaultmontante devido no instante do defaultCap. 11
Credit conversion factor (CCF)fator de conversão de créditofração da margem não sacada convertida até o defaultCap. 11
Loan equivalent (LEQ)equivalente de empréstimooutro nome do CCF sobre a margemCap. 11
Drawn · undrawn amountsaldo utilizado · margem não sacadaparte usada e parte disponível do limiteCap. 11
Adverse selectionseleção adversadevedores em deterioração sacam mais antes do defaultCap. 11
Fixed-horizon · cohort · variable time horizon approachhorizonte fixo · coorte · horizonte variávelformas de escolher a data de referência do CCFCap. 11
Prior · posteriora priori · a posterioricrença antes e depois de observar os dadosCap. 12
Likelihoodverossimilhançacompatibilidade dos dados com o parâmetroCap. 12
Shrinkageencolhimentopuxar estimativas de segmentos pequenos para a médiaCap. 12
Markov chain Monte Carlo (MCMC)Monte Carlo via cadeias de Markovamostragem da posterior fora dos casos conjugadosCap. 12
Discriminationdiscriminaçãocapacidade de ordenar bons e mausCap. 13
Calibrationcalibraçãoaderência do nível previsto ao observadoCap. 13
Backtestingteste retrospectivocomparar previsões passadas com desfechos realizadosCap. 13
Out-of-time validationvalidação fora do tempoteste em safras posteriores ao desenvolvimentoCap. 13
Population stability index (PSI)índice de estabilidade populacionalmede o deslocamento da distribuiçãoCap. 13
Binomial testteste binomialdefaults observados × esperados sob independênciaCap. 13
Jeffreys testteste de Jeffreysp-valor bayesiano de calibração com prior Beta(½, ½)extensão
Champion · challengermodelo vigente · desafiantecomparação contínua com uma alternativaCap. 13
Stress testingteste de estresseefeito de um cenário adverso sobre perdas e capitalCap. 14
Reverse stress testteste de estresse reversobusca o cenário que produziria um desfecho críticoCap. 14
Satellite modelmodelo satéliteliga variáveis macro a PD, LGD e utilizaçãoCap. 14
Expected credit loss (ECL)perda esperada de créditoprovisão contábil prospectiva de 12 meses ou vida inteiraextensão
Stagingalocação em estágiosclassificação em Estágios 1, 2 e 3extensão
Significant increase in credit risk (SICR)aumento significativo do risco de créditogatilho de transferência para o Estágio 2extensão
Credit-impairedcom problema de recuperação de créditoativo em default, alocado no Estágio 3extensão
Effective interest rate (EIR)taxa efetiva de jurostaxa de desconto da ECLextensão
Days past due (DPD)dias de atrasocontagem usada nos gatilhos de 30 e 90 diasextensão
Forward-looking informationinformação prospectivacenários macroeconômicos incorporados à ECLextensão
Post-model adjustment · overlayajuste pós-modelocorreção temporária e documentada de uma limitação do modeloextensão
Behavioural lifevida comportamentalperíodo efetivo de exposição de linhas rotativasextensão
Write-offbaixa contábilreconhecimento de que a recuperação não é mais esperadaextensão
16 · Bibliography

Referências, camadas
e atribuição.

Esta edição separa explicitamente três camadas: a obra de referência que organiza a arquitetura temática, a literatura fundacional que sustenta os modelos discutidos e a extensão contemporânea de engenharia e regulação, que não pertence ao escopo original do livro.

Camada 1 · Obra de referência

Estrutura temática do percurso

Referência principal

Baesens, B., Rösch, D., & Scheule, H. (2016). Credit Risk Analytics: Measurement Techniques, Applications, and Examples in SAS. Hoboken, NJ: Wiley / SAS Institute.

Os títulos e a sequência dos capítulos são usados como espinha dorsal editorial. Nenhum trecho do texto original é reproduzido: explicações, exemplos numéricos, gráficos e simulações são produção própria.

Camada 2 · Literatura fundacional

Trabalhos que sustentam os modelos discutidos

Merton, R. C. (1974). On the pricing of corporate debt: The risk structure of interest rates. The Journal of Finance, 29(2), 449–470.

doi:10.1111/j.1540-6261.1974.tb03058.x

Cox, D. R. (1972). Regression models and life-tables. Journal of the Royal Statistical Society: Series B, 34(2), 187–202.

doi:10.1111/j.2517-6161.1972.tb00899.x

Gordy, M. B. (2003). A risk-factor model foundation for ratings-based bank capital rules. Journal of Financial Intermediation, 12(3), 199–232.

doi:10.1016/S1042-9573(03)00040-8

Altman, E. I. (1968). Financial ratios, discriminant analysis and the prediction of corporate bankruptcy. The Journal of Finance, 23(4), 589–609.

doi:10.1111/j.1540-6261.1968.tb00843.x

Vasicek, O. (2002). The distribution of loan portfolio value. Risk, 15(12), 160–162.

Thomas, L. C., Edelman, D. B., & Crook, J. N. (2002). Credit Scoring and Its Applications. Philadelphia: SIAM.

Basel Committee on Banking Supervision. (2005). An explanatory note on the Basel II IRB risk weight functions. Basel: Bank for International Settlements.

Jarrow, R. A., Lando, D., & Turnbull, S. M. (1997). A Markov model for the term structure of credit risk spreads. The Review of Financial Studies, 10(2), 481–523.

doi:10.1093/rfs/10.2.481

Papke, L. E., & Wooldridge, J. M. (1996). Econometric methods for fractional response variables with an application to 401(k) plan participation rates. Journal of Applied Econometrics, 11(6), 619–632.

Ferrari, S., & Cribari-Neto, F. (2004). Beta regression for modelling rates and proportions. Journal of Applied Statistics, 31(7), 799–815.

doi:10.1080/0266476042000214501

Frye, J., & Jacobs, M. (2012). Credit loss and systematic loss given default. Journal of Credit Risk, 8(1), 109–140.

Siddiqi, N. (2017). Intelligent Credit Scoring: Building and Implementing Better Credit Risk Scorecards (2nd ed.). Hoboken, NJ: Wiley.

Camada 3 · Extensão contemporânea

Regulação vigente e engenharia de modelos

Normativo

IASB. (2014). IFRS 9 Financial Instruments. London: IFRS Foundation.

Normativo · Brasil

Conselho Monetário Nacional. (2021). Resolução CMN nº 4.966, de 25 de novembro de 2021 — instrumentos financeiros e provisão para perdas esperadas associadas ao risco de crédito. Brasília: Banco Central do Brasil.

Normativo · Brasil

Banco Central do Brasil. (2023). Resolução BCB nº 352, de 23 de novembro de 2023 — procedimentos contábeis complementares à Resolução CMN nº 4.966, incluindo a provisão para perdas esperadas. Brasília: BCB.

Prudencial

Basel Committee on Banking Supervision. (2017). Basel III: Finalising post-crisis reforms. Basel: Bank for International Settlements.

Supervisão

European Banking Authority. (2017). Guidelines on PD estimation, LGD estimation and the treatment of defaulted exposures (EBA/GL/2017/16). Paris: EBA.

Aplicado

Bellini, T. (2019). IFRS 9 and CECL Credit Risk Modelling and Validation: A Practical Guide with Examples Worked in R and SAS. London: Academic Press.

Extensão editorial

As discussões sobre pipelines, versionamento de dados e modelos, feature store, champion-challenger em produção, explicabilidade operacional e governança de modelos de linguagem constituem extensão contemporânea escrita para esta edição digital. Não integram o escopo da obra de referência e devem ser lidas como interpretação do autor deste companion. Os simuladores de parâmetros — ECL, SICR, cenários, Markov, TTC/PIT, workout, LTV, Frye–Jacobs, CCF, perfil de EAD, Jeffreys e IRB — usam premissas ilustrativas e não representam nenhuma carteira real.

Nota de atribuição

O que é do livro, o que é interpretação

Política editorial · edição interativa

A separação entre fonte, interpretação e extensão é uma exigência de honestidade intelectual — e, em contexto de risco de modelo, também uma exigência de rastreabilidade.

Da obra de referência vêm a arquitetura temática, a sequência dos assuntos e o recorte dos problemas tratados. Da literatura fundacional vêm as formulações matemáticas canônicas — o modelo estrutural de solvência, o modelo de riscos proporcionais, o fator único assintótico — que são propriedade coletiva do campo e aqui reapresentadas em linguagem própria.

A camada interpretativa compreende as escolhas de visualização, os exemplos numéricos, os parâmetros padrão dos simuladores e as ênfases gerenciais. A camada de extensão compreende engenharia de dados, MLOps aplicado a risco e a leitura regulatória brasileira contemporânea. Nenhuma das duas deve ser atribuída aos autores originais.

Companion técnico independente, sem vínculo com a editora, o SAS Institute ou os autores da obra de referência.
NOW READINGMapa do livro
0%