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.
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.
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.
A obra como arquitetura de risco
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.
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.
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.
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.
Risk
Decisão
Concessão, limite, pricing, covenant, monitoramento e cobrança.
Contabilidade
Mensuração de perda esperada, staging e reconhecimento de deterioração.
Capital & gestão
Unexpected loss, concentração, apetite a risco, RAROC e stress.
Leitura técnica do capítulo introdutório
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.
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.
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.
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.
O site agora torna visível a costura entre modelagem e contabilidade: a mesma mecânica que estima risco também sustenta provisão, explicação executiva e governança.
| Stage | Trigger | Horizonte |
|---|---|---|
| 1 | sem aumento significativo de risco | 12 meses |
| 2 | deterioração relevante | lifetime |
| 3 | default / credit-impaired | lifetime + juros líquidos |
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.
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.
Da carteira à provisão reportada, em nove passos
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).
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%.
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.
- Sobrevivência: S(t) = ∏ (1 − hₖ)
- PD marginal: mPDₜ = S(t−1)·hₜ
- Perda do período: ELₜ = mPDₜ·LGDₜ·EADₜ
- Desconto e soma: ECL = Σ ELₜ·(1+EIR)⁻ᵗ
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).
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.
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.
Desigualdade de Jensen na provisão
Premissas do simulador: PD de longo prazo 2,5%, ρ = 12%, LGD 45%, otimista Z = +1 com peso de 15%.
Basileia (IRB) × IFRS 9
| Parâmetro | Capital · IRB | Provisão · IFRS 9 |
|---|---|---|
| PD | 12 meses, TTC, com margem de conservadorismo e piso | 12 meses ou lifetime, PIT, condicional a cenários, sem viés |
| LGD | downturn, com custos indiretos e margens | expectativa corrente e prospectiva, sem downturn |
| EAD / CCF | horizonte de 1 ano; CCF próprio restrito | perfil ao longo da vida, incluindo a vida comportamental de rotativos |
| Desconto | taxa que reflete custo de capital e risco | taxa efetiva de juros original (EIR) |
| Cenários | implícitos no quantil de 99,9% | explícitos e ponderados por probabilidade |
IFRS 9 × Resolução CMN 4.966
| Tema | IFRS 9 | CMN 4.966 · em linhas gerais |
|---|---|---|
| Estágios | três estágios pela variação do risco | mesma lógica de três estágios |
| SICR | presunção refutável a 30 dias de atraso | atraso > 30 dias como indicativo de aumento significativo |
| Default | presunção refutável a 90 dias | ativo com problema de recuperação de crédito (inclui > 90 dias) |
| Juros no Estágio 3 | receita sobre o valor contábil líquido | vedado reconhecer receita ainda não recebida |
| Pisos | não há | provisão mínima para ativos inadimplidos por carteira e tempo de atraso |
Síntese educacional; não substitui a leitura dos normativos vigentes.
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
Ponte aplicada: ECL e staging
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.
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.
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.
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.
Weight of Evidence
Transforma categorias/faixas em evidência logarítmica relativa entre bons e maus, favorecendo monotonicidade e interpretação.
Quatro armadilhas que “inflam” performance
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.
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.
Passe o cursor sobre o gráfico para ler cada safra no mês selecionado.
Dados antes do algoritmo
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.
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.
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.
Da função linear à probabilidade
O logit liga variáveis explicativas a odds de default, mantendo a probabilidade no intervalo [0,1].
Separação entre bons e maus
Mova o cut-off e observe como a decisão troca falsos positivos por falsos negativos.
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.
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.
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.
Scoring como sistema de ordenação
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.
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.
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.
Probabilidade condicional por período
Intensidade instantânea
A leitura contínua é particularmente útil quando a data do evento carrega informação e o tempo entre observações não é naturalmente discreto.
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.
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.
Sete passos entre o dado e a curva de PD
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.
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.
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.
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.
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.
- Limiar de default: c = Φ⁻¹(PD_TTC)
- Ativos condicionais ao ciclo: A = √ρ·Zₜ + √(1−ρ)·ε
- Probabilidade condicional: P(A < c | Zₜ)
- Sistema híbrido: PD_hib = PD_TTC^(1−α)·PD_PIT^α
Escala mestra geométrica
| Classe | Faixa de PD | Central |
|---|---|---|
| 1 | < 0,04% | 0,03% |
| 2 | 0,04 – 0,09% | 0,06% |
| 3 | 0,09 – 0,17% | 0,12% |
| 4 | 0,17 – 0,35% | 0,25% |
| 5 | 0,35 – 0,71% | 0,50% |
| 6 | 0,71 – 1,41% | 1,0% |
| 7 | 1,41 – 2,83% | 2,0% |
| 8 | 2,83 – 5,66% | 4,0% |
| 9 | 5,66 – 11,3% | 8,0% |
| 10 | > 11,3% | 16% |
| D | default | 100% |
Escala ilustrativa; fronteiras na média geométrica das PDs centrais vizinhas.
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)
PD como problema temporal
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 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.
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.
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.
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.
Prior estabiliza onde há pouca evidência
Uma distribuição Beta é conjugada à Binomial e permite atualizar uma crença anterior sobre PD com defaults observados.
Incerteza em portfólios com poucos defaults
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.
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.
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.
Fator sistêmico + componente idiossincrático
Quanto maior ρ, mais contratos respondem juntos ao mesmo estado macroeconômico.
Vasicek / Gaussian latent factor
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.
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.
Como PD, LGD e EAD viram requerimento de capital
Dependência e risco de carteira
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.
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.
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.
Recuperação deve ser trazida a valor presente
Quanto maior o tempo até recuperar e maior o custo de cobrança/workout, maior tende a ser a LGD econômica.
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.
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.
Do default à LGD econômica, em sete passos
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.
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.
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.
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.
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.
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).
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
Severidade, recuperação e valor econômico
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.
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.
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.
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.
Da linha disponível à exposição futura
Adverse selection / drawdown
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.
Oito passos entre o limite concedido e a EAD
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.
| Fator | Denominador | Quando usar |
|---|---|---|
| CCF / LEQ (loan equivalent) | margem disponível | linhas com espaço relevante de saque |
| EADF (EAD factor) | saldo utilizado | alta utilização inicial, margem quase nula |
| UF (utilisation factor) | limite total | rotativos em que o limite ancora o comportamento |
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.
Referência sempre 12 meses antes do default.
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.
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.
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
Exposição futura e adverse selection
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.
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.
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.
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.
“Não estimamos apenas um número; estimamos uma distribuição sobre o risco.”
Mais evidência → menor incerteza
Simulação Beta-Binomial ilustrativa. A amostra aumenta mantendo uma taxa de default próxima, e a posterior se concentra.
Bayes e aprendizagem sob incerteza
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.
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.
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.
AUC / Gini
Mede capacidade de ordenação. Não garante que 2% previsto seja 2% observado.
Previsto deve conversar com observado
A calibração pode ser testada globalmente, por faixas, safras, produto e tempo.
Population Stability Index
PSI sinaliza mudança de distribuição, mas não substitui diagnóstico causal do drift.
Ideal vs observado
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.
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.
Da PD prevista à decisão de recalibrar
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).
Três testes, três hipóteses
O que validar em cada parâmetro
| Parâmetro | Discriminação | Calibração / acurácia | Estabilidade | Backtesting |
|---|---|---|---|---|
| PD | AUC, Gini, KS, CAP | Jeffreys e binomial por classe, HL, Brier | PSI do escore, matriz de migração | taxa de default por safra × PD prevista |
| LGD | Spearman, CAP de severidade | LGD realizada × estimada (viés, MAE) por segmento | mix de garantias, perfil de recuperação | coortes de workout encerrado |
| EAD / CCF | ordenação do CCF por faixa | EAD realizada / estimada, viés por utilização | distribuição de utilização inicial | defaults recentes × CCF vigente |
| ECL | — | perda realizada × ECL de 12 meses, fluxo de estágios | estabilidade do staging e dos pesos de cenário | waterfall e análise de sensibilidade |
Validação como prova multidimensional
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.
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.
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.
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.
Matriz de transição
O heatmap resume como a carteira migra entre estágios. Cenários mais duros aumentam massa fora da diagonal principal.
Monitoramento como extensão da validação
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.
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.
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.
Base × Adverse × Severe
Stress testing como análise de vulnerabilidade
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.
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.
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.
RAROC
O retorno precisa remunerar o risco assumido, não apenas produzir margem nominal.
Unexpected Loss
EL tende a ser preço/provisão; UL aproxima a necessidade de capital para eventos de cauda.
HHI
Concentração por cliente, grupo, setor, região e produto pode amplificar perdas conjuntas.
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.
Quatro ações gerenciais
| Risco | Retorno | Ação |
|---|---|---|
| baixo | alto | crescer |
| baixo | baixo | reprecificar |
| alto | alto | limitar |
| alto | baixo | reduzir / sair |
Da mensuração à decisão
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.
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.
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.
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.
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.
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.
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.
Interpretação dos experimentos visuais
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.
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.
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.
Governança como camada de arquitetura
| Camada | Controle | Evidência | Trigger |
|---|---|---|---|
| Dados | qualidade + temporalidade | checks, lineage | quebra de SLA / drift |
| Modelo | versão + reproducibilidade | run, artifact, hash | novo challenger |
| Performance | discriminação | AUC, Gini, KS | queda material |
| Calibração | nível de risco | O/E, Brier, bins | bias persistente |
| População | estabilidade | PSI, drift tests | mudança de mix |
| Uso | policy alignment | override, cut-offs | desvio de política |
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 RISKOOT / Backtesting
Validação temporal fora da janela de desenvolvimento.
TEMPORALLineage
Da previsão produzida de volta ao dado, código, feature e versão.
AUDITABLEDa modelagem clássica à arquitetura moderna
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.
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.
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.
Como era · como implementaríamos hoje
| Camada | Padrão da obra (2016) | Implementação contemporânea |
|---|---|---|
| Dado | extração periódica para uma base analítica única | camadas versionadas em lakehouse, com contrato de esquema e testes por carga |
| Variáveis | macro de transformação replicada entre projetos | feature store com a mesma definição no treino e na inferência |
| Treino | script executado na estação do modelador | pipeline reprodutível, com semente, ambiente e dados fixados |
| Artefato | equação transcrita para o sistema de decisão | modelo registrado, versionado e promovido por estágios |
| Validação | relatório em documento estático | bateria automatizada executada a cada versão candidata |
| Monitoramento | revisão anual de performance | PSI, calibração e integridade com gatilhos e responsáveis definidos |
| Explicação | coeficientes e pontos do scorecard | atribuição local para modelos não lineares, com custo computacional medido |
| Auditoria | anexos e memórias de cálculo | linhagem 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.
Ciclo de vida contemporâneo
Para onde vai a exposição: originação, estágios e desfecho
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.
O que envelheceu e o que permaneceu
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.
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.
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.”
PD
Quem, quando e com que intensidade o default tende a ocorrer.
LGD
Quanto se perde, líquido de recuperações e custos.
EAD
Quanto estará efetivamente exposto no momento do evento.
Síntese do framework
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.
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.
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.
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.
| English | Português | Em uma linha | Onde |
|---|---|---|---|
| Expected loss (EL) | perda esperada | média da perda: PD × LGD × EAD | Cap. 1 |
| Unexpected loss (UL) | perda inesperada | perda além da média até um quantil; coberta por capital | Caps. 1, 9 |
| Default | default · inadimplência | evento de crédito: atraso > 90 dias ou improbabilidade de pagamento | Cap. 1 |
| Obligor | devedor · tomador | contraparte obrigada pelo contrato de crédito | Cap. 1 |
| Exploratory data analysis | análise exploratória de dados | perfil, distribuições, ausências e valores atípicos antes do modelo | Cap. 3 |
| Missing values · outliers | valores ausentes · valores atípicos | tratamentos que podem carregar informação de risco | Cap. 4 |
| Coarse classification · binning | discretização em faixas | agrupar valores em faixas de risco homogêneo e monotônico | Cap. 4 |
| Weight of evidence (WoE) | peso da evidência | ln(%bons / %maus) de cada faixa | Cap. 4 |
| Information value (IV) | valor de informação | poder univariado de separação de uma variável | Cap. 4 |
| Data leakage | vazamento de informação | uso de dado posterior ao ponto de decisão | Cap. 4 |
| Vintage · cohort | safra · coorte | contratos originados no mesmo período, acompanhados juntos | Caps. 3–4 |
| Credit scoring | escoragem de crédito | ordenar tomadores por risco relativo | Cap. 5 |
| Scorecard | tabela de pontuação | modelo aditivo com pontos por atributo | Cap. 5 |
| Cut-off | ponto de corte | escore mínimo para aprovação | Cap. 5 |
| Odds | chances (bons : maus) | razão entre probabilidade de bom e de mau | Cap. 5 |
| Points to double the odds (PDO) | pontos para dobrar as chances | parâmetro de escala do escore | Cap. 5 |
| Reject inference | inferência de rejeitados | hipóteses sobre o desfecho de quem foi recusado | Cap. 5 |
| Area under the ROC curve (AUC) | área sob a curva ROC | probabilidade de um mau ter escore pior que um bom | Caps. 5, 13 |
| Kolmogorov–Smirnov (KS) | estatística KS | separação máxima entre as distribuições de bons e maus | Caps. 5, 13 |
| Hazard rate | taxa de risco (risco condicional) | P(default em t | sobreviveu até t) | Cap. 6 |
| Survival function | função de sobrevivência | probabilidade de chegar a t sem default | Cap. 6 |
| Censoring | censura | contrato sem desfecho observado até o fim da amostra | Caps. 6–7 |
| Marginal PD | PD marginal | probabilidade incondicional de default em cada período | Cap. 6 |
| Cumulative · lifetime PD | PD acumulada · de vida inteira | probabilidade de default até o horizonte | Cap. 6 |
| Proportional hazards (Cox) | riscos proporcionais | risco de base comum × multiplicador das covariáveis | Cap. 7 |
| Baseline hazard | risco de base | parte do hazard comum a todos os contratos | Cap. 7 |
| Competing risks | riscos concorrentes | default e pré-pagamento disputam o mesmo contrato | Cap. 7 |
| Through-the-cycle (TTC) | através do ciclo | PD média de longo prazo, estável no ciclo | literatura |
| Point-in-time (PIT) | no ponto do ciclo | PD condicional ao estado corrente da economia | literatura |
| Transition matrix | matriz de transição · de migração | probabilidades de mudar de classe em um período | literatura |
| Master scale | escala mestra | régua comum de classes com PD central | extensão |
| Low default portfolio (LDP) | carteira de baixa inadimplência | carteira com tão poucos defaults que a PD fica incerta | Cap. 8 |
| Rule of three | regra dos três | com zero defaults em n, PD ≤ 3/n a 95% | Cap. 8 |
| Asset correlation | correlação de ativos | peso do fator sistêmico no valor dos ativos | Cap. 9 |
| Default correlation | correlação de default | correlação entre indicadores binários de default | Cap. 9 |
| Systematic factor | fator sistêmico | estado comum da economia que move todos os devedores | Cap. 9 |
| Idiosyncratic risk | risco idiossincrático | parte do risco específica de cada devedor | Cap. 9 |
| Value at Risk (VaR) | valor em risco | quantil da distribuição de perdas | Cap. 9 |
| Expected shortfall (ES) | perda média na cauda | média das perdas além do VaR | Cap. 9 |
| Concentration risk | risco de concentração | perda conjunta por nome, setor ou região | Cap. 9 |
| Internal Ratings-Based (IRB) | abordagem por classificações internas | capital regulatório a partir de PD, LGD e EAD próprias | Cap. 9 |
| Risk weight (RW) | fator de ponderação de risco | RWA por unidade de exposição: 12,5 × K | Cap. 9 |
| Loss given default (LGD) | perda dado o default | fração da exposição perdida após o default | Cap. 10 |
| Recovery rate (RR) | taxa de recuperação | RR = 1 − LGD | Cap. 10 |
| Workout LGD | LGD de recuperação | fluxos de recuperação e custos descontados até o default | Cap. 10 |
| Market LGD | LGD de mercado | inferida do preço do título logo após o default | Cap. 10 |
| Cure · cure rate | cura · taxa de cura | retorno à adimplência sem perda material | Cap. 10 |
| Collateral | garantia · colateral | ativo que reduz a perda se executado | Cap. 10 |
| Haircut | desconto sobre a garantia | diferença entre valor de avaliação e valor realizado | Cap. 10 |
| Loan-to-value (LTV) | razão empréstimo / garantia | exposição dividida pelo valor da garantia | Cap. 10 |
| Downturn LGD | LGD de recessão | severidade em períodos de default elevado | Cap. 10 |
| Fractional response regression | regressão de resposta fracionária | modelo para variáveis entre 0 e 1 com ligação logística | Cap. 10 |
| Beta regression | regressão beta | modelo para proporções com distribuição beta | Cap. 10 |
| Exposure at default (EAD) | exposição no default | montante devido no instante do default | Cap. 11 |
| Credit conversion factor (CCF) | fator de conversão de crédito | fração da margem não sacada convertida até o default | Cap. 11 |
| Loan equivalent (LEQ) | equivalente de empréstimo | outro nome do CCF sobre a margem | Cap. 11 |
| Drawn · undrawn amount | saldo utilizado · margem não sacada | parte usada e parte disponível do limite | Cap. 11 |
| Adverse selection | seleção adversa | devedores em deterioração sacam mais antes do default | Cap. 11 |
| Fixed-horizon · cohort · variable time horizon approach | horizonte fixo · coorte · horizonte variável | formas de escolher a data de referência do CCF | Cap. 11 |
| Prior · posterior | a priori · a posteriori | crença antes e depois de observar os dados | Cap. 12 |
| Likelihood | verossimilhança | compatibilidade dos dados com o parâmetro | Cap. 12 |
| Shrinkage | encolhimento | puxar estimativas de segmentos pequenos para a média | Cap. 12 |
| Markov chain Monte Carlo (MCMC) | Monte Carlo via cadeias de Markov | amostragem da posterior fora dos casos conjugados | Cap. 12 |
| Discrimination | discriminação | capacidade de ordenar bons e maus | Cap. 13 |
| Calibration | calibração | aderência do nível previsto ao observado | Cap. 13 |
| Backtesting | teste retrospectivo | comparar previsões passadas com desfechos realizados | Cap. 13 |
| Out-of-time validation | validação fora do tempo | teste em safras posteriores ao desenvolvimento | Cap. 13 |
| Population stability index (PSI) | índice de estabilidade populacional | mede o deslocamento da distribuição | Cap. 13 |
| Binomial test | teste binomial | defaults observados × esperados sob independência | Cap. 13 |
| Jeffreys test | teste de Jeffreys | p-valor bayesiano de calibração com prior Beta(½, ½) | extensão |
| Champion · challenger | modelo vigente · desafiante | comparação contínua com uma alternativa | Cap. 13 |
| Stress testing | teste de estresse | efeito de um cenário adverso sobre perdas e capital | Cap. 14 |
| Reverse stress test | teste de estresse reverso | busca o cenário que produziria um desfecho crítico | Cap. 14 |
| Satellite model | modelo satélite | liga variáveis macro a PD, LGD e utilização | Cap. 14 |
| Expected credit loss (ECL) | perda esperada de crédito | provisão contábil prospectiva de 12 meses ou vida inteira | extensão |
| Staging | alocação em estágios | classificação em Estágios 1, 2 e 3 | extensão |
| Significant increase in credit risk (SICR) | aumento significativo do risco de crédito | gatilho de transferência para o Estágio 2 | extensão |
| Credit-impaired | com problema de recuperação de crédito | ativo em default, alocado no Estágio 3 | extensão |
| Effective interest rate (EIR) | taxa efetiva de juros | taxa de desconto da ECL | extensão |
| Days past due (DPD) | dias de atraso | contagem usada nos gatilhos de 30 e 90 dias | extensão |
| Forward-looking information | informação prospectiva | cenários macroeconômicos incorporados à ECL | extensão |
| Post-model adjustment · overlay | ajuste pós-modelo | correção temporária e documentada de uma limitação do modelo | extensão |
| Behavioural life | vida comportamental | período efetivo de exposição de linhas rotativas | extensão |
| Write-off | baixa contábil | reconhecimento de que a recuperação não é mais esperada | extensão |
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.
Estrutura temática do percurso
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.
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.xCox, 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.xGordy, 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)00040-8Altman, 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.xVasicek, 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/10.2.481Papke, 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:10.1080/0266476042000214501Frye, 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.
Regulação vigente e engenharia de modelos
IASB. (2014). IFRS 9 Financial Instruments. London: IFRS Foundation.
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.
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.
Basel Committee on Banking Supervision. (2017). Basel III: Finalising post-crisis reforms. Basel: Bank for International Settlements.
European Banking Authority. (2017). Guidelines on PD estimation, LGD estimation and the treatment of defaulted exposures (EBA/GL/2017/16). Paris: EBA.
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.
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.
O que é do livro, o que é interpretação
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.