Com a entrada em vigor da Resolução CMN n.º 4.966 em janeiro de 2025, a inteligência artificial (IA) e o machine learning (ML) passaram a desempenhar papel decisivo na validação de modelos de perda de crédito esperada (ECL).
Diante das novas exigências, essas tecnologias se tornaram aliadas essenciais para:
- Aprimorar a precisão das estimativas.
- Monitorar os modelos em tempo real.
- Garantir a conformidade com parâmetros como probabilidade de inadimplência (PD), exposição no momento do default (EAD) e perda dado o default (LGD), principalmente em um cenário de maior complexidade e volatilidade nas provisões.
Emitida pelo Conselho Monetário Nacional (CMN), a Resolução CMN n.º 4.966 estabelece diretrizes para o cálculo das perdas de crédito esperadas em instituições financeiras, alinhando as práticas brasileiras à norma internacional IFRS 9.
Sua implementação demanda estruturas de validação sofisticadas, capazes de lidar com dados prospectivos e variáveis macroeconômicas em constante mudança. Tornam-se necessárias governança reforçada, validação contínua, integração com os processos de negócio e técnicas de backtest que comparem previsões com resultados efetivos.
Nesse cenário, tecnologias como IA e ML têm ganhado protagonismo. Ao viabilizar abordagens mais preditivas, adaptativas e explicáveis, tecnologias inovadoras ajudam a superar as limitações inerentes aos métodos tradicionais.
Tecnologia como aliada estratégica
Na KPMG, desenvolvemos uma abordagem 100% open source para validação de modelos de risco de crédito. Ela permite, entre outras funcionalidades:
- Acompanhar os principais componentes da perda de crédito esperada (PD, EAD, LGD e dados macroeconômicos).
- Gerar indicadores personalizados.
- Identificar tendências e desvios com base em dashboards interativos.
- Aprimorar a governança e a gestão proativa de riscos.
A aplicação de algoritmos e técnicas avançadas permite realizar análises profundas, preditivas e integradas à tomada de decisão. Entre os principais recursos aplicáveis à validação de modelos de risco de crédito, incluem-se:
- XGBoost: algoritmo de boosting que combina múltiplas árvores de decisão para gerar previsões mais precisas, ideal para modelagem preditiva com grande volume de dados.
- Long Short-Term Memory (LSTM): redes neurais recorrentes voltadas à análise de séries temporais, capazes de capturar dependências de longo prazo em dados sequenciais.
- Autoencoders: redes neurais utilizadas para reconstrução de dados e detecção de anomalias, ao identificar padrões que divergem do comportamento esperado.
- SHapley Additive exPlanations (SHAP): técnica de explicabilidade que quantifica a contribuição de cada variável para o resultado final do modelo, promovendo transparência.
A validação inteligente de modelos de risco de crédito com IA e ML fortalece a conformidade, amplia a precisão das estimativas e transforma a gestão de risco nas instituições financeiras.
Três benefícios da IA na implementação da Resolução n.º 4.966
- Visão integrada dos diferentes componentes de risco (PD, EAD, LGD) e suas interações.
- Algoritmos que identificam mudanças no comportamento dos clientes.
- Simulação de impactos de ajustes nos critérios de SICR.
