Dissertacao de Mestrado em Finanças: Risco de Crédito

7.544 visualizações

Publicada em

Pode usar a vontade, desde que os créditos sejam citados, não precisa plagiar.

Resumo:
As mudanças testemunhadas na economia brasileira após a introdução do Plano Real em julho de 1994, alçaram a questão de administração de risco de crédito a uma posição de destaque nas instituições financeiras nacionais. Antes disso, a alta inflação havia inibido o crescimento do mercado de empréstimos no país.

A expansão das operações de crédito, no Brasil após o Plano Real foi abrangente em vários segmentos da economia, entretanto, as operações de crédito para pessoas físicas foram as que mais cresceram nos últimos anos. Nas últimas décadas diversos modelos estatísticos de probabilidade foram desenvolvidos pelas instituições financeiras, porém, estes modelos, na maioria das vezes, são específicos para o segmento de pessoas jurídicas. A funcionalidade de modelos estatísticos quando aplicados ao gerenciamento do crédito para pessoas físicas no Brasil ainda é uma incógnita.

Diante disso, este trabalho apresenta o desenvolvimento de modelos probabilísticos multivariados para o segmento de pessoas físicas em um banco de varejo brasileiro. Para a construção desses modelos aplicou-se às técnicas de regressão logística e análise discriminante. Foram desenvolvidos dois tipos de modelos: Modelos específicos para a concessão de crédito, e modelos específicos para o gerenciamento do risco de
crédito (behavioural scoring). Por fim faz-se uma avaliação comparativa das técnicas
estatísticas utilizadas e da funcionalidade dos modelos apresentados.

Publicada em: Educação
0 comentários
2 gostaram
Estatísticas
Notas
  • Seja o primeiro a comentar

Sem downloads
Visualizações
Visualizações totais
7.544
No SlideShare
0
A partir de incorporações
0
Número de incorporações
2
Ações
Compartilhamentos
0
Downloads
147
Comentários
0
Gostaram
2
Incorporações 0
Nenhuma incorporação

Nenhuma nota no slide

Dissertacao de Mestrado em Finanças: Risco de Crédito

  1. 1. Modelagem do risco de crédito: um estudo do segmento de pessoas físicas em um banco de varejo. Antônio Alves Amorim Neto
  2. 2. Universidade Federal de Pernambuco Centro de Ciências Sociais Aplicadas Curso de Mestrado em Administração Modelagem do risco de crédito: um estudo do segmento de pessoas físicas em um banco de varejo. Antônio Alves Amorim Neto Dissertação apresentada como requisito complementar para obtenção do grau de Mestre em Administração Recife, 2002.
  3. 3. Agradecimentos Ao meu orientador Professor Charles Carmona, pelas contribuições à dissertação, e, por todo apoio e incentivo em prosseguir na carreira acadêmica. À Fátima Braga, colega do Banco do Brasil, por todo o apoio concedido durante o curso de mestrado. Aos meus pais que sempre me deram segurança e apoio em todas as situações. Gostaria de agradecer especialmente à minha companheira, Ana Paula Cabral, pelos intermináveis finais de semana que trabalhou junto comigo neste trabalho, pela eterna disposição em me ajudar, pelo estímulo para eu prosseguir no curso de mestrado, enfim, por viver cada momento deste trabalho ao meu lado.
  4. 4. Resumo As mudanças testemunhadas na economia brasileira após a introdução do Plano Real em julho de 1994, alçaram a questão de administração de risco de crédito a uma posição de destaque nas instituições financeiras nacionais. Antes disso, a alta inflação havia inibido o crescimento do mercado de empréstimos no país. A expansão das operações de crédito, no Brasil após o Plano Real foi abrangente em vários segmentos da economia, entretanto, as operações de crédito para pessoas físicas foram as que mais cresceram nos últimos anos. Nas últimas décadas diversos modelos estatísticos de probabilidade foram desenvolvidos pelas instituições financeiras, porém, estes modelos, na maioria das vezes, são específicos para o segmento de pessoas jurídicas. A funcionalidade de modelos estatísticos quando aplicados ao gerenciamento do crédito para pessoas físicas no Brasil ainda é uma incógnita. Diante disso, este trabalho apresenta o desenvolvimento de modelos probabilísticos multivariados para o segmento de pessoas físicas em um banco de varejo brasileiro. Para a construção desses modelos aplicou-se às técnicas de regressão logística e análise discriminante. Foram desenvolvidos dois tipos de modelos: Modelos específicos para a concessão de crédito, e modelos específicos para o gerenciamento do risco de crédito (behavioural scoring). Por fim faz-se uma avaliação comparativa das técnicas estatísticas utilizadas e da funcionalidade dos modelos apresentados.
  5. 5. Abstract The changes that happened in Brazil after the introduction of the Plano Real, in July 1994, raised credit risk management to a highlight position in the national financial institutions. Before that, the high inflation rate has inhibited the growth of the loan market in the country. The expansion of loan operations after Plano Real, was wide in several economic segments, however, the personal credit loans presents the higher rates of growth in the last few years. In the last decades, several probability models were developed by the financial institutions, however this models, several times, are specifics for the firms sector. The functionality for statistical models when applied at the personal loans remains a doubt. This Work shows the application of the multivariate probabilistic models for the personal credit loans in a Brazilian commercial bank. For the construction of the models we apply the logistic regression and discriminant analysis techniques. We develop two models: Loan concession specific models, and behavioral scoring models. Finally, we do a comparative evaluation of the statistical techniques and the functionality of the models.
  6. 6. Sumário Pg. 1 Introdução 09 1.1 Apresentação do Tema 09 1.2 Justificativa 11 1.3 Problema de pesquisa 12 1.4 Objetivos da pesquisa 14 1.5 Delimitação 15 2 Aspectos conceituais e considerações 16 2.1 Risco 16 2.2 Crédito 19 2.2.1 Definição 19 2.2.2 Crédito bancário 20 2.3 Crédito pessoal 22 2.3.1 Evolução recente 22 2.3.2 Operações 24 2.3.2.1 Crédito rotativo 26 2.3.2.2 Crédito fixo 27 3 Referencial teórico 29 3.1 Definição e classificação de risco de crédito 29 3.2 Modelos 31 3.2.1 Conceito e história 31 3.2.2 Classificação dos modelos 33 3.2.3 Sistemas especialistas 33 3.2.4 Sistemas de pontuação de crédito (credit scoring) 39 3.2.4.1 Conceito 39 3.2.4.2 Behavioural scoring 41 3.2.4.3 Histórico 42 3.2.4.4 Vantagens dos modelos de credit scoring 46 3.2.4.5 Limitações e desvantagens dos modelos de credit scoring 47 3.2.5 Sistemas de classificação (rating) 49 3.2.6 A abordagem da carteira 51 3.2.6.1 Conceito 51 3.2.6.2 Creditmetrics 53 3.3 Métodos estatísticos aplicados em modelos de credit scoring 54 3.3.1 Análise dicriminante 55 3.3.2 Regressão logística 59 3.3.3 Redes neurais artificiais 61
  7. 7. 4 Metodologia 64 4.1 Credit scoring 64 4.2 Finalidade 65 4.2.1 Modelo de concessão de crédito 65 4.2.2 Modelo de concessão de crédito 65 4.3 Base de dados 66 4.3.1 Composição da amostra 66 4.3.2 Conceito de cliente inadimplente 67 4.3.3 Método de seleção 67 4.3.4 Parâmetro da amostra 68 4.3.5 Tratamento dos dados 69 4.4 Variáveis 69 4.4.1 Descrição das variáveis originais 69 4.4.2 Estudo das variáveis originais 70 4.4.3 Descrição das variáveis derivadas 74 4.4.4 Estudo das variáveis derivadas 75 4.4.5 Variáveis utilizadas para desenvolver os modelos 76 4.5 Avaliação dos modelos 77 4.6 Principais limitações da metodologia 78 5 Resultados 81 5.1 Modelos de concessão de crédito 81 5.1.1 Análise discriminante 81 5.1.2 Regressão logística 82 5.2 Modelos de escoragem de crédito 84 5.2.1 Análise discriminante 84 5.2.2 Regressão logística 86 6 Conclusões 88 Referências bibliográficas 95 Apêndices 99 Anexos 104
  8. 8. 9 1 Introdução 1.1 Apresentação do tema As mudanças na economia mundial nas últimas décadas, ocasionadas pelo fenômeno da globalização e intensificadas pela introdução de novas tecnologias de comunicação e informação provocaram mudanças bruscas no cenário financeiro mundial. A desregulamentação da taxa de juros e de câmbio resultantes da queda de fronteiras das atividades financeiras, assim como alterações repentinas na situação macroeconômica dos países e o aumento da competição bancária geraram a necessidade de administrar de forma eficaz o risco de crédito. Segundo Saunders (2000) existem pelo menos sete motivos para o súbito interesse na gestão do risco de crédito observado na última década: a) Aumento estrutural de falências – Embora a recessão tenha atingido diferentes países em momentos diferentes, as estatísticas mostram um significativo aumento de falências em comparação com a recessão anterior, especula-se que isto seja conseqüência do aumento da competição global.
  9. 9. 10 b) Desintermediação – A expansão dos mercados de capitais fez com que estes se tornassem acessíveis as maiores empresas, ou seja, grandes empresas deixaram de tomar recursos junto a bancos e outras instituições financeiras tradicionais. c) Margens mais competitivas – As margens de juros, ou spreads, especialmente em mercados de empréstimos por atacado tem se tornado mais estreitas, ou seja, a compensação risco-retorno piorou. Várias razões são citadas, mas um fator importante tem sido a competição por tomadores de menor qualidade, intensificada por parte das empresas financeiras. d) Valores declinantes e voláteis de garantias reais – Valores de imóveis e de ativos físicos são muitos difíceis de prever e de realizar através de liquidação. Quanto mais fracos e incertos forem os valores das garantias reais, mais arriscada se torna a concessão de empréstimos. Com efeito, preocupações atuais com a “deflação” em todo o mundo acentuaram as preocupações com o valor de garantias reais como ativos físicos. e) O crescimento de derivativos extrabalanço – Devido à fenomenal expansão dos mercados de derivativos, a exposição ao risco estendeu a necessidade da análise de crédito para além dos registros contábeis de empréstimos. f) Tecnologia – Avanços em sistemas de computadores e avanços relacionados com a tecnologia da informação, têm dado aos bancos e às instituições financeiras a oportunidade de testar técnicas sofisticadas de modelagem. g) As exigências para capital baseado no risco do Bank of International Settlements (BIS) Um dos grandes motivos para os bancos desenvolverem novos modelos de risco de crédito deve-se provavelmente as exigências de capital para empréstimos impostas pelo BIS, uma política de tamanho único, em que todos empréstimos a contrapartes do setor privado estão sujeitos ao mesmo coeficiente de capital, independente da qualidade do crédito. Diante desta realidade, os bancos vêm desenvolvendo modelos internos de gerenciamento de risco de crédito que buscam oferecer ferramentas mais eficientes para a
  10. 10. 11 valoração da carteira, medição de riscos, e precificação de novos empréstimos, potencializando os ganhos dos capitais emprestados, e adequando ao montante de capital que estes devem manter como parte de sua estrutura de capital. 1.2 Justificativa As mudanças testemunhadas na economia brasileira após a introdução do Plano Real em julho de 1994, alçaram a questão de administração de risco de crédito a uma posição de destaque nas instituições financeiras locais. Antes disso, a alta inflação havia inibido o crescimento do mercado de empréstimos no país. “Ao invés de emprestar a clientes do setor privado (a um risco de crédito maior), os grandes bancos comerciais preferiam financiar a dívida interna do país (a um risco de crédito menor), com maior liquidez, mas ainda assim cobrando taxas de juros substanciais” (PRADO, BASTOS e DUARTE JR., 2000). A expansão das operações de crédito, no Brasil após o Plano Real foi abrangente em vários segmentos da economia, entretanto, as operações de crédito para pessoas físicas foram as que mais cresceram nos últimos anos. As informações consolidadas divulgadas pelo Banco Central do Brasil para cada modalidade de credito do sistema financeiro nacional mostram que já no início do ano 2001 o saldo total das operações concedidas a pessoas físicas representava um volume superior a 50% do saldo total das operações concedidas a pessoas jurídicas (ver anexo 1), esclarecimentos adicionais sobre a metodologia usada na prestação dessas informações podem ser obtidos na Circular nº 2.957, de dezembro de 1999 (ver anexo 2).
  11. 11. 12 O crédito para pessoa física extrapolou as barreiras bancárias e cresceu através do comércio, cooperativas de crédito mútuo, empresas de cartões de crédito, etc. Apesar de apresentar um volume de operações de crédito expressivo e crescente, este segmento tradicionalmente tem sido pouco abordado pela literatura especializada. Sobre a tendência mundial de ênfase no estudo e desenvolvimento do risco de crédito Kassai e Kassai (1998, p.6) dizem: “No Brasil, ainda que com certo atraso, essa tendência se repetirá. Para isso, a academia pode contribuir de forma significativa, explorando com mais força o tema. Novos estudos sobre o assunto - incluindo a elaboração de modelos preditivos revisados ou atualizados - serão, com certeza, muito bem vindos”. O presente trabalho justifica-se por tratar de um tema de fundamental importância para as empresas que trabalham com crédito para pessoas físicas. O propósito deste trabalho, portanto, consiste em preencher uma lacuna existente no meio acadêmico no que se refere ao gerenciamento e concessão do crédito para pessoas físicas. 1.3 Problema de pesquisa As instituições financeiras constituem sua Provisão para Crédito de Liquidação Duvidosa (PCLD), normalmente, nos valores de contas a receber vencidos, voltadas exclusivamente para fins fiscais, desprezando os aspectos históricos e as características do tomador do crédito. A imposição de normas internacionais pelo Bank of International
  12. 12. 13 Settlements (BIS)1 , e, o próprio reconhecimento da necessidade de controle do risco de crédito através de procedimentos gerenciais determinou o uso de modelos estatísticos de probabilidade pelas instituições financeiras para prever, adequar e ajustar seu volume de crédito a PCLD. Nas últimas décadas diversos modelos estatísticos de probabilidade foram desenvolvidos pelas instituições financeiras. Estes modelos, no entanto, na maioria das vezes são específicos para análise do crédito de empresas. O segmento de pessoas físicas ao contrário do segmento de pessoas jurídicas é bastante homogêneo sob a ótica financeira, isto é este segmento possui poucos índices financeiros para serem analisados. As principais diferenças entre os clientes bancários do segmento de pessoas físicas estão relacionadas ao seu comportamento. A funcionalidade de modelos estatísticos multivariados quando aplicados ao gerenciamento do crédito para pessoas físicas no Brasil ainda é uma incógnita. Diante deste contexto, podemos formular a seguinte questão-problema: É possível através de modelagem estatística fazer a previsão da inadimplência em operações de crédito do segmento de pessoas físicas em um banco de varejo brasileiro? 1 A resolução 2.682 do Banco Central do Brasil dispõe sobre critérios de classificação das operações de crédito e regras para a constituição de provisão para créditos de liquidação duvidosa, determinando nove categorias de risco (Rating) e o valor percentual da provisão para devedores duvidosos.
  13. 13. 14 1.4 Objetivos da pesquisa Este trabalho visa atingir o seguinte objetivo geral: • Aplicar técnicas estatísticas multivariadas no desenvolvimento de modelos para previsão de inadimplência no segmento de pessoas físicas em um banco comercial brasileiro. Para atingirmos este objetivo, delineamos os seguintes objetivos específicos: • Definir risco financeiro e suas modalidades; • Apresentar o conceito de crédito, crédito bancário e crédito pessoal; • Definir e classificar risco de crédito; • Classificar e dissertar sobre as principais abordagens de medição do risco de crédito. • Apresentar e descrever os métodos estatísticos aplicados nos modelos de escoragem de crédito (credit scoring); • Descrever detalhadamente a metodologia selecionada e especificar seus parâmetros; • Apresentar as principais limitações da metodologia selecionada; • Identificar e descrever as variáveis determinantes da inadimplência; • Desenvolver um modelo de credit scoring para a concessão de crédito utilizando a técnica de análise discriminante; • Desenvolver um modelo de credit scoring para a concessão de crédito utilizando a técnica de regressão logística; • Comparar a eficácia dos modelos de credit scoring para a concessão de crédito e avaliar se esses modelos são instrumentos eficazes para determinar a inadimplência;
  14. 14. 15 • Desenvolver um modelo de credit scoring para o gerenciamento do crédito utilizando a técnica de análise discriminante; • Desenvolver um modelo de credit scoring para o gerenciamento do crédito utilizando a técnica de regressão logística; • Fazer uma avaliação comparativa das técnicas estatísticas utilizadas para a construção dos modelos; • Comparar a eficácia dos modelos de credit scoring para gerenciamento do crédito e avaliar se os modelos desenvolvidos para gerenciamento do crédito são instrumentos eficazes para determinar a inadimplência; 1.5 Delimitação Serão utilizados dados referentes a operações de crédito concedidas exclusivamente a pessoas físicas. A amostra é composta por indivíduos clientes de um único banco comercial brasileiro, e limita-se aos indivíduos coletados de agências sediadas no município de Recife (PE).
  15. 15. 16 2 Aspectos conceituais e considerações 2.1 Risco Gitman (1994) tem uma definição simples para risco: “No sentido básico, risco pode ser definido como a probabilidade de perda”. Os estatísticos utilizam conceitos diferentes para risco e incerteza. Resumidamente podemos dizer que: Risco – Existe quando o tomador da decisão pode embasar-se em probabilidades para estimar diferentes resultados, de modo que sua expectativa se baseie em dados históricos. Isto é a decisão é tomada a partir de estimativas julgadas aceitáveis. Incerteza – Ocorre quando o tomador da decisão não dispõe de dados históricos acerca de um fato, o que poderá exigir que a decisão se faça de forma subjetiva. Para Ross, Westerfield e Jaffe (1995) não há definição universalmente aceita de risco. Uma das maneiras de pensar a respeito do risco dos retornos em ações ordinárias é em termos do grau de dispersão da distribuição de freqüências. A dispersão de uma distribuição é uma medida de quanto um dado retorno pode se afastar do retorno médio. Se a distribuição apresentar uma dispersão muito grande, os retornos que poderão ocorrer serão muito incertos. Ao contrário, uma distribuição cujos retornos se situam todos dentro
  16. 16. 17 de uns poucos percentuais de distância do retorno médio é concentrada e os retornos são menos prováveis. Existem várias abordagens para classificação do risco em finanças. Uma das abordagens mais simples e mais utilizadas é a de classificar o risco em sistemático e não sistemático. Um risco sistemático seria aquele com origem nas flutuações da economia, risco que atinge um maior número de ativos, com diferentes graus de intensidade para cada um. O risco não sistemático trata-se da parcela do risco total associado às características ou atividade da empresa ou segmento empresarial. É o risco que afeta especificamente um ativo, ou um pequeno grupo de ativos. Dentro dessa classificação o risco de crédito, objeto de estudo desta pesquisa, é especificado por muitos autores como risco não-sistemático, no entanto, essa conceituação não é valida quando utilizamos modelos em que os parâmetros usados para estimar o risco de crédito são baseados no mercado de ações. Segundo Duarte Jr. (2000) o risco está presente em qualquer operação do mercado financeiro, e apresenta outro sistema classificatório para os riscos: “Risco é um conceito multidimensional que cobre quatro grandes grupos: risco de mercado, risco operacional, risco de crédito e risco legal”. Conforme ilustrado na figura 2.1. O primeiro grande grupo, o risco de mercado depende do comportamento do preço do ativo diante das condições de mercado e está dividido em quatro áreas: risco do mercado acionário, risco do mercado de câmbio, risco do mercado de juros e risco de comoditties. O risco operacional está relacionado a possíveis perdas como resultado de sistemas e/ou controles inadequados, falhas de gerenciamento e erros humanos. O risco operacional, por sua vez, está dividido em três grandes áreas: risco organizacional relativo à ineficiência da organização (administração ineficiente), risco relativo a operações de
  17. 17. 18 sistemas (telefonia, elétrico, computacional, etc), e risco de pessoal (falta de qualificação, motivação, etc). O risco legal está relacionado a possíveis perdas quando um contrato não pode ser legalmente amparado. Pode-se incluir aqui riscos de perdas por documentação ineficiente, insolvência, ilegalidade, falta de representatividade e/ou autoridade por parte de um negociador, etc. Finalmente, o risco de crédito, está relacionado a possíveis perdas quando um dos contratantes não honra seus compromissos. As perdas aqui estão relacionadas aos recursos que não mais serão recebidos. Figura 2.1 Quatro grandes grupos de risco. Fonte: DUARTE JÚNIOR, 2000, p.3 A atividade de concessão de crédito está sujeita a uma série de riscos. “Nem sempre é fácil diferenciar qual o tipo de risco presente em determinada situação. O tipo de risco pode variar dependendo da ótica sob o qual o problema é observado” DUARTE JR (2000).
  18. 18. 19 Apesar do risco de mercado atuar diretamente sobre a capacidade de pagamento dos clientes, assim como no custo do capital, nesta pesquisa será utilizada uma abordagem objetiva, focada exclusivamente em variáveis cadastrais, portanto, alijando de nossos modelos variáveis conjunturais e demais espécies de risco. 2.2 Crédito 2.2.1 Definição A palavra “crédito” deriva do latim credere, que significa acreditar, confiar, ou seja: acreditamos, confiamos nos compromissos de alguém para conosco (PAIVA, 1997, p.3). No Novo Dicionário da Língua Portuguesa, Aurélio Buarque de Holanda Ferreira (1993), traz que: crédito (sm)- palavra que significa confiança entre duas ou mais pessoas. São muitos e variados os modos pelos quais o crédito é visto, gerando conseqüentemente uma série de conceitos, de acordo com cada aspecto. Sob o ponto de vista empresarial, a concessão de crédito significa a transferência da posse de um bem, ou de uma quantia em dinheiro, mediante a promessa de pagamento futuro. De acordo com este conceito, pode-se entender o crédito a disposição de uma pessoa, física ou jurídica, como a capacidade da mesma em obter dinheiro, produtos ou serviços mediante compromisso de pagamento num determinado período de tempo (GUIMARÃES, 2000). No dicionário de economia encontramos que crédito é toda transação comercial em que um comprador recebe imediatamente um bem ou serviço adquirido, mas só fará
  19. 19. 20 pagamento depois de algum tempo determinado (SANDRONI, 1992, p.72). É possível observar que o crédito no aspecto econômico, basicamente tem a mesmo significado, a diferença, portanto, é que sob esse aspecto a confiança é estabelecida entre pessoas que têm interesse comercial comum. A definição de crédito, portanto, encontra-se associada à troca de bens ou serviços oferecidos no presente, por uma promessa de pagamento no futuro das compensações relativas ao fornecimento de bens e serviços. 2.2.2 Crédito bancário O crédito bancário, no contexto desse trabalho, pode ser definido como todo crédito concedido por bancos comerciais2 e/ou bancos múltiplos (que possuam carteira comercial) integrantes do Sistema Financeiro Nacional (SFN). Segundo Cavalcante e Neto (2002), o crédito bancário pode ser dividido em 6 grupos distintos quanto a sua destinação: crédito industrial, crédito para o comércio, crédito para o setor de serviços, crédito para habitação, crédito rural e crédito pessoal. O crédito industrial engloba o crédito concedido para financiamento das atividades de extração, beneficiamento e transformação, inclusive de produtos agropecuários, construção de edificações residenciais e não residenciais e outras obras contratadas por pessoas jurídicas, serviços industriais de utilidade pública, produção, 2 Instituições financeiras cujo controle acionário pode ser público ou privado, constituído sob a forma de sociedade anônima, especializada em operações de curto e médio prazo, oferecendo capital de giro para o comércio, indústria, empresas prestadoras de serviço, pessoas físicas, e, ainda atuando no crédito rural.
  20. 20. 21 transmissão e distribuição de energia elétrica, distribuição de gás encanado e água, e serviços de saneamento. O crédito para o setor comercial refere-se aos valores concedidos às entidades que operam como intermediários na compra e venda de bens, abrangendo as atividades atacadistas e varejistas. O crédito para o setor serviços compreende as operações concedidas as entidades do setor privado que atuam, entre outras, nas áreas de transporte, serviços postais e de telecomunicações, educação e cultura, assistência médico-hospitalar, conservação e reparação, diversões, jornais, rádio e televisão, publicidade e propaganda, informática, segurança, mão de obra, assessoria e consultoria, filantropia, etc. O crédito habitacional abrange as operações realizadas com pessoas físicas ou cooperativas habitacionais com a finalidade de construção, reforma ou aquisição de unidades residenciais. As operações de crédito voltadas a empreendimentos imobiliários não residenciais classificam-se em crédito industrial. O crédito rural compreende as operações realizadas em conformidade com as normas específicas do crédito rural, deferidas a produtores rurais. Finalmente, o setor de crédito pessoal, objeto de estudo desse trabalho refere-se às operações de responsabilidade direta de pessoas físicas, exceto as deferidas para construção, reforma ou aquisição de habitações.
  21. 21. 22 2.3 Crédito pessoal 2.3.1 Evolução recente Definimos, anteriormente, crédito pessoal como operações de responsabilidade direta de pessoas físicas, exceto as deferidas para construção, reforma ou aquisição de habitações. Dentro desse conceito é importante salientar que as operações específicas para produtores rurais pessoa física não são classificadas como crédito pessoal. As operações destinadas ao crédito pessoal foram as que mais cresceram desde a estabilização da moeda brasileira com a implantação do plano Real em 1994. Cavalcante e Neto (2002) elaboraram um quadro com base em informações do banco central que mostra a evolução das operações de crédito do sistema financeiro privado para os diversos setores privados sobre o PIB mensal. Quadro 2.3.1.a Crédito do sistema financeiro privado para o setor privado sobre o PIB mensal. Fonte: CAVALCANTE e NETO, 2002, p.14 Sobre a expansão do setor de pessoa física Cavalcante e Neto (2002) acrescentam:
  22. 22. 23 Note que o crédito para pessoa física não foi priorizado inicialmente pelas instituições privadas, onde as operações de crédito dessa rubrica se mostrava com tímida evolução até meados de 1996. Duas fases de forte expansão são observadas entre meados de 1996 e meados de 1997, e após o primeiro trimestre de 2000. Isto mostra que o nicho de mercado de crédito para pessoas físicas não foi devidamente explorado após a expansão de crédito, sendo intensivamente explorado posteriormente. O crescimento do segmento de pessoas físicas continuou após o ano 2000. Os dados do Banco Central, em conformidade com a circular 2.957/99 (ver Anexo 2) que dispõe sobre a prestação de informações relativas a operações de credito praticadas no mercado financeiro, mostram que entre maio de 2000 e agosto de 2002 as operações de crédito para o segmento de pessoas físicas tiveram um crescimento de 99,87%, enquanto o crescimento das operações de crédito para o segmento de pessoa jurídica evoluiu 54,69% no mesmo período. O gráfico da figura 2.3.1.b apresenta a evolução do crédito concedido aos segmentos de pessoa física e jurídica entre maio de 2000 e agosto de 2002, segundo dados3 do Banco Central do Brasil (ver anexo 1). Em maio de 2000 o volume de crédito concedido ao segmento de pessoas físicas correspondia a R$ 38,13 bilhões, enquanto que o volume de crédito concedido ao segmento de pessoa jurídica correspondia a R$ 85,34 bilhões. No mês de agosto de 2002 o volume de crédito concedido ao segmento de pessoas físicas correspondia a R$ 76,21 bilhões, e o volume de crédito concedido ao segmento de pessoa jurídica correspondia a R$ 132,02 bilhões. 3 Metodologia de cálculo, instituições prestadoras de informação e produtos bancários estão delimitados na circular 2.957/99 do Banco Central do Brasil (Anexo 2).
  23. 23. 24 Figura 2.3.1.b Volume de crédito concedido aos segmentos de pessoa física e jurídica em R$ milhões. 0 20 000 40 000 60 000 80 000 100 000 120 000 140 000 160 000 m ai/00 jul/00 set/00 nov/00 jan/01 m ar/01 m ai/01 jul/01 set/01 nov/01 jan/02 m ar/02 m ai/02 jul/02 Pessoa Física Pessoa Jurídica Fonte: Banco Central do Brasil – Set/2002 2.3.2 Operações As operações bancárias de crédito pessoal podem ser divididas em dois grupos: crédito rotativo e crédito fixo. O crédito rotativo é caracterizado por operações de curto prazo onde o limite é composto de acordo com a cobertura do saldo devedor. O crédito fixo é caracterizado por operações de médio prazo, normalmente de 3 a 36 meses, onde os recursos são colocados a disposição do consumidor para sua livre utilização, ou para financiamento destinado a aquisição de bens ou serviços. Em geral os produtos de crédito oferecidos pelas instituições financeiras para o segmento de pessoas físicas são bastante homogêneos. A circular 2.957/99 do Banco Central do Brasil, através de seu Artigo 1. , apresenta as seguintes classificações de produto para fins de prestação de informações pelos bancos:
  24. 24. 25 Art. 1. Estabelecer que os bancos múltiplos, bancos comerciais, bancos de investimento, bancos de desenvolvimento, sociedades de crédito, financiamento e investimento, sociedades de credito imobiliário, associações de poupança e empréstimo e Caixa Econômica Federal devem remeter ao Banco Central do Brasil/Departamento de Cadastro e Informações do Sistema Financeiro (DECAD) informações sobre as taxas medias ponderadas, as taxas mínimas e máximas, o valor liberado na data-base, o saldo dos créditos concedidos, os respectivos níveis de atraso e os prazos médios das operações abaixo especificadas, segregadas por tipo de encargo pactuado: I - com pessoas jurídicas: a) hot money; b) desconto de duplicatas; c) desconto de notas promissórias; d) capital de giro; e) conta garantida; f) financiamento imobiliário; g) aquisição de bens; h) "vendor"; i) adiantamentos sobre contratos de cambio; j ) export notes; l) repasses de empréstimos externos, com base na Resolucao n. 63, de 21 de agosto de 1967; m) outras; II - com pessoas físicas: a) cheque especial; b) credito pessoal; c) financiamento imobiliário; d) aquisição de bens - veículos automotores; e) aquisição de bens - outros bens; f) oriundas de cartão de credito; g) outras. A figura 2.3.2, obtida através de dados do Banco Central do Brasil apresenta a distribuição percentual das operações de crédito para o segmento de pessoas físicas em agosto de 2002: cheque especial (12%), crédito pessoal (33%), financiamento imobiliário (2%), aquisição de bens – veículos automotores (35%), aquisição de bens – outros bens (5%), operações oriundas de cartão de crédito (6%), demais operações não classificadas anteriormente (7%).
  25. 25. 26 Figura 2.3.2 Gráfico de distribuição das operações no segmento de pessoas físicas Cheque Especial 12% Cartão de Credito 6% Crédito Pessoal 33% Fin.Imobil. 2% Fin.Veículos 35% Fin.Outros 5% Demais Operacoes 7% Fonte: Banco Central do Brasil – Set/2002 2.3.2.1 Crédito rotativo O cheque especial e o cartão de crédito são os produtos de crédito para pessoa física classificados, nesse trabalho, como crédito rotativo conforme definição anterior. A taxa de juros do crédito rotativo em geral, por se tratar de recurso de curto prazo, é bastante elevada, logo, sua utilização racional deve restringir-se a necessidades eventuais e de curtíssimo prazo. Cheque Especial - O cheque especial se caracteriza como um crédito rotativo pré-aprovado que os bancos colocam a disposição dos clientes para ser usado sempre que haja um débito na conta corrente superior ao saldo disponível, assim, o limite é recomposto de acordo com a cobertura do saldo devedor. Na prática é um "saldo extra", que o cliente pode utilizar
  26. 26. 27 quando não possuir saldo disponível na conta corrente para débitos como cheques, tarifas, os próprios juros do cheque especial, etc. Cartão de Crédito - O cartão de crédito é um produto de múltiplas características e funções. A função mais utilizada é a de financiamento de compras, que podem ser financiadas através do pagamento mínimo mensal da fatura, que normalmente corresponde a 20% do valor total, ou através de parcelamento com os juros prefixados da empresa administradora do cartão de crédito, ou, do próprio estabelecimento de venda. A sua segunda função seria a de limite adicional de crédito, também chamada de limite de crédito rotativo, ou seja, o detentor de uma conta de cartão de crédito pode sacar um limite pré-estabelecido e pagar os juros mensais proporcionais aos dias em que utilizou esses recursos. 2.3.2.2 Crédito fixo Para essa pesquisa, classificamos como crédito fixo de acordo com a divisão dos produtos bancários para pessoa física da circular 2.957/99 do Banco Central do Brasil (ver anexo 2) segundo definição anterior os seguintes produtos: crédito pessoal, crédito para aquisição de bens - veículos automotores/outros bens: Crédito Pessoal – Se caracteriza por um empréstimo onde os recursos são colocados à disposição do tomador para sua livre utilização. A livre destinação do recurso é a principal característica desse produto, que normalmente tem um prazo para pagamentos entre 1 e 24 meses. Crédito para aquisição de bens - veículos automotores / outros bens – É um financiamento destinado à aquisição de bens duráveis e serviços, também conhecido como crédito direto
  27. 27. 28 ao consumidor (CDC). Caouette, Altman e Narayanan (1998, p.175.) apresentam a seguinte delimitação para crédito ao consumidor: “crédito ao consumidor inclui crédito a curto e médio prazos que são estendidos por canais de negócios comuns para financiar a compra de mercadorias e serviços de consumo pessoal, ou para refinanciar dívidas incorridas para tais propósitos”. Em geral são operações com juros prefixados, em que os bens financiados são dados como garantia através de alienação fiduciária e possuem prazo que variam normalmente entre 3 e 36 meses.
  28. 28. 29 3 Referencial teórico 3.1 Definição e classificação de risco de crédito O risco de crédito é a mais antiga forma de risco no mercado financeiro. É conseqüência de uma transação financeira contratada entre um fornecedor de fundos (doador do crédito) e um usuário (tomador do crédito). Antes de qualquer sofisticação, produto da engenharia financeira, o puro ato de emprestar uma quantia a alguém traz embutido em si a probabilidade de ela não ser recebida, a incerteza em relação ao retorno. Isto é, na essência, o risco de crédito, e que se pode definir como: o risco de uma contraparte, em um acordo de concessão de crédito, não honrar seu compromisso (FIGUEIREDO, 2001). Caouette, Altman e Narayanan (1998, p.1) dizem que se podemos definir crédito como “a expectativa de uma quantia em dinheiro, dentro de um espaço de tempo limitado”, então o risco de crédito é a chance que esta expectativa não se cumpra. Na administração financeira, portanto, risco de crédito é a possibilidade de perda ou falha nos pagamentos durante a vida de uma transação financeira.
  29. 29. 30 Silva (2000) classifica o risco de crédito de um banco em quatro grupos: risco de administração do crédito, risco da operação, risco de concentração, e risco do cliente. O risco de administração do crédito está relacionado aos recursos humanos do banco, ou seja, quanto maior for a capacidade da instituição na avaliação do risco do cliente, menor será a probabilidade de perda. O risco da operação, por sua vez, está relacionado aos componentes de uma operação. Os principais componentes de uma operação são: produto, montante, prazo, forma de pagamento, garantias e o preço (SILVA, 2000, p.79). A inadequação na determinação do produto ou do valor pode levar o tomador a inadimplência. O risco de uma carteira de crédito de um banco depende de sua diversificação, a regra geral diz que quanto maior a diversificação menor será o risco da carteira. Caouette, Altman e Narayanan (1998, p.103) dizem que muitas das recentes perdas em créditos sofridas por bancos resultaram de concentrações excessivas de carteiras em setores específicos. Finalmente, o risco do cliente, ou risco intrínseco, modalidade do risco de crédito bancário foco deste trabalho. Risco intrínseco compreende o tomador de crédito e decorre de suas características. Logo, nessa modalidade de risco de crédito o não cumprimento da promessa de pagamento pelo devedor decorre de um conjunto de fatores associados ao próprio devedor (SILVA, 2000, p.78).
  30. 30. 31 3.2 Modelos 3.2.1 Conceito e história Sousa e Chaia (2000 p.13) dizem que de acordo com a literatura financeira, o objetivo principal do administrador é a maximização da riqueza dos proprietários, no entanto existe um dilema: Qual a melhor opção para o administrador financeiro maximizar os lucros e reduzir a segurança ou aumentar a segurança e reduzir os lucros? A função financeira de crédito é a administração de ativos com a disposição de assumir riscos, visando o melhor resultado. A alocação eficiente do capital usado para as operações de crédito, com vistas a maximizar o retorno frente ao risco é o principal objetivo e fator comum aos diversos modelos de medição e gestão do risco de crédito. As preocupações formais com o risco de uma concessão de crédito problemática remontam o século XIX, vide a fundação da Dun & Bradstreet, Inc. em 1849 com o objetivo de fornecimento de informações independentes de crédito. Na área acadêmica não existe um consenso sobre o início das pesquisas sobre modelos de risco de crédito. Silva (2000) diz que os estudos acadêmicos sobre modelagem quantitativa do risco de crédito iniciaram-se no início da década de 30 com modelos univariados (ver Quadro 3.2.1), e, evoluíram para modelos multivariados a partir do desenvolvimento do modelo Escore-Z de Altman (1968). O quadro 3.2.1 foi construído com base nos modelos de risco de crédito univariados apresentados por Silva (2000, p. 278-280).
  31. 31. 32 Quadro 3.2.1 Modelos de risco de crédito univariados Autor Período Amostra Resultados Paul J. Fitz Patrick (EUA-1932). 1920 a 1929. 38 empresas americanas: 19 empresas falidas, e, 19 empresas bem sucedidas. Os índices financeiros das empresas bem sucedidas ultrapassavam, na maioria dos casos, os índices das empresas falidas. Winakor e Smith (EUA). 1923 a 1931. 183 empresas americanas falidas. Em um estudo que utilizou 21 índices financeiros em um período de 10 anos antecedentes à falência, observou-se que à medida que se aproximava o ano da falência, os índices financeiros iam-se deteriorando. Charles L. Merwin (EUA). ???? Sociedades anônimas manufatureiras americanas, com ativos totais inferiores a US$ 250.000. Após examinar três índices financeiros diferentes, Merwin concluiu que o Capital de Giro sobre ativo total foi o melhor indicador de falência. Tamari (EUA). 1956 a 1960. Empresas industriais americanas. Foram utilizados seis índices, cujos valores foram obtidos um ano antes da falência destas empresas. A conclusão do estudo foi que os índices eram indicadores de insolvência, porém não necessariamente implicavam em falência. Beaver (EUA-1966). 1954 a 1964. 158 empresas americanas: 79 empresas inadimplentes ou falidas, e, 79 empresas com boa saúde financeira. A pesquisa mostrou que dos trinta índices financeiros inicialmente examinados, com apenas dois índices chegava-se a um erro de 13% para previsão de falências na amostra para o intervalo de um ano. Fonte: SILVA (2000, p. 278-280) Posteriormente, seguiram-se várias publicações acadêmicas que tentavam, de diversas maneiras, prever falências, e evitar inadimplementos. Estes trabalhos consistiram no desenvolvimento de sistemas de classificação de crédito/alerta prematuro novos e mais
  32. 32. 33 sofisticados; no abandono da análise exclusiva do risco de crédito de empréstimos pessoais e valores mobiliários para o desenvolvimento de medidas de risco de concentração de crédito (como a mensuração do risco de portfólio de valores mobiliários de renda fixa); na criação de novos modelos para dar preço ao risco de crédito; no aperfeiçoamento de modelos para mensurar melhor o risco de crédito de instrumentos fora do balanço patrimonial. Em outras palavras, um processo de contínua evolução (BRUNI, MURRAY e FAMÁ, 1998). 3.2.2 Classificação dos modelos Neste trabalho os modelos estão classificados de acordo com Saunders (2000), que divide as abordagens de medição do risco de crédito em tradicionais e novas. As novas abordagens seriam os modelos de gestão de carteiras, enquanto que os modelos tradicionais seriam divididos em três classes: (1) Sistemas especialistas; (2) Credit Scoring - sistemas de pontuação de crédito e; (3) Rating - sistemas de classificação. 3.2.3 Sistemas Especialistas Conforme foi visto anteriormente a análise do crédito preocupa-se em examinar as condições do candidato frente a um determinado volume solicitado. A análise
  33. 33. 34 clássica do crédito é um sistema especializado que depende, acima de tudo, do julgamento subjetivo de profissionais treinados (CAOUETTE, ALTMAN e NARAYANAN, 1998, p.93). Em um sistema especialista, a decisão de crédito fica a cargo do gerente de crédito e/ou de negócios local ou da agência. “O conhecimento especializado desta pessoa, seu julgamento subjetivo, e sua atribuição de peso a certos fatores-chave são, implicitamente, as mais importantes determinantes na decisão de conceder, ou não” (SAUNDERS,2000,p.7). Muitos autores apresentam os chamados “Cs” do crédito para ilustrar a definição de sistemas especialistas: “Os fatores potenciais e os sistemas que um gerente de crédito poderia examinar são infinitos; entretanto, um dos sistemas especialistas mais comuns os cinco “C’ do crédito oferecerá compreensão suficiente. O especialista analisa estes cinco fatores- chaves, atribui peso a cada um subjetivamente, e chega a uma decisão de crédito” (SAUNDERS, 2000, p. 7). “As idéias de Weston (1972, p. 536-537) dos chamados C’s do crédito é uma das formas mais utilizadas como base para a análise de crédito, somadas às suas variações, são várias as formas adaptadas de análise do crédito” (SECURATO, 1998). Os 6 Cs do crédito, amplamente utilizados no desenvolvimento de sistemas especialistas no Brasil, são uma adaptação do professor José Pereira da Silva dos 5 Cs do crédito enumerados pelos autores Weston e Brigam (1972): Há cerca de vinte anos, era comum se quantificar o risco de uma eventual inadimplência com base em análises subjetivas ou em sistemas especialistas bancários. Os analistas, solicitavam determinadas informações do tomador de empréstimos, também chamadas de os cinco Cs do crédito, e procuravam decidir se o solicitante mereceria ou não o empréstimo. Isso incluiria análises do capital , caráter, colateral (ou garantias associadas diretamente ao empréstimo), capacidade e condições. Alguns autores, como Silva (1983), ainda incluiriam um sexto C : o do conglomerado (onde o crédito da empresa deveria ser analisado de forma conjunta para companhias coligadas)” (BRUNI, FUENTES e FAMÁ, 1997, p.2)
  34. 34. 35 Os chamados Cs do crédito (Caráter, Capital, Capacidade, Colateral, Conglomerados e Condições) contêm as variáveis relacionadas com o risco do cliente (risco intrínseco), as quais poderão fornecer a base para a classificação do risco (rating) (SILVA, 2000, p.79). Abaixo a descrição dos seis Cs do crédito: Caráter Refere-se a intenção do devedor (ou mesmo do garantidor) de cumprir a promessa de pagamento. Mesmo sendo uma característica essencialmente subjetiva, uma forma de apurá-la é obter informações junto à banco de dados (SERASA, SPC, CADIN) e cartórios de títulos e protestos. Essas informações versam sobre a conduta do cliente no que diz respeito à pontualidade e constância com que tem liquidado seus títulos e obrigações. Capacidade Envolve o gerenciamento da empresa em sua plenitude. A capacidade de gestão está intimamente relacionada ao desempenho da empresa. Em outras palavras, o fator capacidade avalia a possibilidade da empresa satisfazer seus compromissos. Os elementos base para essa avaliação são os dados relativos a fluxos de rendimentos e despesas, no entanto, seu desempenho não está ligado somente ao demonstrativo de resultados, mas a outros fatores, tais como participação relativa no mercado, níveis de qualidade e produtividade, e grau de satisfação e lealdade dos clientes. Estes são fatores difíceis de se mensurar sem uma profunda pesquisa na empresa e a outras fontes de informações.
  35. 35. 36 Condições Refere-se aos fatores não controláveis pela empresa. Mencionam-se os seguintes fatores: legais (legislações interna e externa, nacional e internacional), econômicos (desenvolvimento global e setorial, condições de oferta e demanda), sócio- culturais (mudanças nos hábitos de consumo, normas culturais, nível de satisfação dos funcionários, comportamento político), ecológicos (reação a novos regulamentos, reação a pressão de grupos). Capital Abrange a análise financeira e patrimonial do tomador de recursos. Ele estende-se desde a provisão de receitas e despesas, passando pelos investimentos no ativo permanente, pelo comportamento das contas no balanço patrimonial, pelo prazo das obrigações, até à análise da qualidade dos ativos. Em síntese, busca-se confrontar, por meio de índices extraídos do balanço patrimonial, os quais estabelecem sua situação econômico-financeira, todos os bens e recursos possuídos pela empresa com suas obrigações. Colateral Refere-se à capacidade do cliente em oferecer garantias colaterais, espécie de segurança adicional necessária à concessão do crédito que atenua o risco da operação. As garantias são divididas em reais e pessoais. As garantias reais são o direito especial de garantia sobre móveis ou imóveis, além da promessa de contra prestação, tais como alienação fiduciária, hipoteca, penhor mercantil, caução, ações, cédula hipotecária, certificado de depósito, debêntures, duplicatas, letras de câmbio, letra, hipotecária, nota promissória, título de dívida, etc. As garantias pessoais se resumem à promessa de contra-
  36. 36. 37 prestação. Neste caso, o credor se contenta com a garantia comum representada pelo patrimônio presente e futuro do devedor, avalista ou fiador. Como exemplos de garantias pessoais, tem-se: aval, carta de crédito e carta de fiança. Conglomerado Abrange a apreciação dos fatores de risco relativos a coligações, controles e vínculos. Conglomerado diz respeito à análise não apenas de uma empresa específica que esteja pleiteando crédito, mas ao exame do conjunto, do conglomerado de empresas no qual a pleiteante de crédito esteja contida. É preciso termos uma visão global (do conjunto), para sabermos qual o risco que esse conjunto de empresas controladas por uma família ou grupo de pessoas. Ocasionalmente, podemos encontrar situações de empresas que se apresentam com aparência aceitável para crédito que fazem parte de um conjunto de empresas em fase de deterioração financeira. A tomada de recursos de uma empresa no mercado financeiro, por uma empresa, e o repasse interno desses recursos para outras empresas do grupo pode ser uma prática que acarreta perigo para os credores. Sobre as vantagens e desvantagens dos sistemas especialistas: Vicente (2001, p.42) diz que as formas qualitativas têm a grande vantagem de tratar caso-a-caso, onde o cliente tomador de crédito e o representante da organização que concede o crédito podem interagir e obter informações não quantitativas, um em relação ao outro. Tem, porém a desvantagem de grande dependência da experiência do analista, do baixo volume de produção da análise e do envolvimento pessoal do concedente. Sousa e Chaia (2000, p.19) acrescentam que apesar da análise dos 5 C’s do crédito ser bem tradicional, ela apresenta três desvantagens, do ponto de vista da empresa:
  37. 37. 38 • Não apresenta consistência temporal nas decisões de concessão • Necessita que o analista possua Experiência anterior para que possa obter bons resultados • Não está ligada diretamente ao objetivo final da empresa, isto é, esse método não considera as perdas geradas pela recusa de financiamento a bons clientes, o que reduz a margem de lucro. Embora muitos bancos ainda utilizem sistemas especialistas como parte de seus processos de tomada de decisões de crédito, estes sistemas têm dois problemas principais: consistência (quais os fatores comuns importantes a serem analisados em diferentes tipos de tomadores?) e subjetividade (quais os pesos ótimos a serem atribuídos aos fatores escolhidos). Como resultado, padrões bastante diferentes podem ser aplicados por gerentes de crédito em um dado banco ou instituição financeira (IF), para tipos semelhantes de tomadores. (SAUNDERS, 2000, p. 8-9). Diante de uma série de desvantagens em relação aos modelos mais recentes de avaliação do risco de crédito, a limitação para atuar em mercados massificados é sem dúvida o maior motivo para a rejeição desse modelo pelas instituições financeiras: “A análise clássica de crédito está intimamente associada a uma maneira altamente burocrática de se fazerem negócios. Nos mercados de hoje, contudo, a guerra de guerrilha é, cada vez mais, a ordem do dia. O mundo financeiro recompensa agilidade, sofisticação e flexibilidade” (CAOUETTE, ALTMAN e NARAYANAN, 1998, p.102).
  38. 38. 39 3.2.4 Sistemas de pontuação de crédito (credit scoring) 3.2.4.1 Conceito Sistemas de pontuação de crédito ou credit scoring pode ser definido como o processo de atribuição de pontos às variáveis de decisão mediante técnicas estatísticas. Trata-se de processo que define a probabilidade de que um cliente com certas características, pertença ou não a um grupo possuidor de outras determinadas características consideradas desejáveis, hipótese em que se aprova um limite de crédito, esta técnica, portanto, estabelece uma regra de discriminação de um determinado cliente solicitante de crédito (VICENTE, 2001, p.49). Os sistemas de pontuação de crédito definem a probabilidade de um cliente vir a ser “bom pagador” ou “mau pagador” com base em suas características: “Existem vários fatores que estão associados à possibilidade de inadimplência. Um modelo de escoragem de crédito combina os fatores mais importantes associados à possibilidade de inadimplência, determina o inter-relacionamento entre eles e atribui números para gerar o escore final. A prática tem por objetivo produzir um modelo de escoragem de crédito no qual quanto maior for o escore, menor será o risco de perda com devedores duvidosos” (GHERARDI e GHIELMETTI, 1997). Os sistemas de pontuação de crédito são encontrados em praticamente todos os tipos de análises de crédito, desde crédito ao consumidor até empréstimos comerciais. A idéia é essencialmente a mesma: A pré-identificação de certos fatores-chave que determinam a probabilidade de inadimplência, e sua combinação ou ponderação para produzir uma pontuação quantitativa (SAUNDERS, 2000, p. 13).
  39. 39. 40 Os modelos tradicionais de credit scoring atribuem pesos estatisticamente predeterminados a alguns dos atributos dos solicitantes, para gerar um escore de crédito. Se esse escore é favorável, quando comparado a um valor de corte, então a solicitação é aprovada (CAOUETTE, ALTMAN e NARAYANAN, 1998, p.182). A figura abaixo, apresentada por Sousa e Chaia (2000) ilustra o processo de concessão de crédito através do uso de modelos de credit scoring: Figura 3.2.4.1 Processo de concessão de crédito através do uso de modelos de credit scoring Fonte: SOUSA e CHAIA, 2000, p.21 Apesar do credit scoring representar um processo científico, ele não inibe a possibilidade de se recusar um bom pagador ou se aceitar um “mau” pagador. Isto ocorre porque nenhum sistema de gestão de crédito consegue o total de informações relevantes na classificação do devedor, e, mesmo que conseguisse, o seu custo tornaria a análise economicamente inviável (SOUSA e CHAIA, 2000, p.21).
  40. 40. 41 3.2.4.2 Behavioural scoring Os modelos de credit scoring se dividem em duas categorias: modelos de aprovação de crédito e modelos de escoragem comportamental, também conhecidos como behavioural scoring (CAOUETTE, ALTMAN e NARAYANAN, 1998, p.180). O behavioural scoring é uma ferramenta para previsão de eventos associados ao risco de crédito, como a inadimplência e pagamentos em dia, entre outras características. Para tanto leva em consideração aspectos comportamentais e de atividades de clientes da instituição (VICENTE, 2001, p.47). A principal diferença entre as duas categorias é que nos modelos de escoragem comportamental, a instituição financeira analisa o comportamento do cliente em operações anteriores, enquanto que nos modelos de aprovação de crédito a instituição financeira não conhece o cliente: A informação adicional no behavioural scoring é o histórico de compras e pagamentos do cliente (THOMAS, 2000). No behavioural scoring são utilizadas variáveis tais como número de atrasos no último ano, volume da transação, utilização média da linha. Desta maneira cada operação recebe uma classificação, que representa seu risco de crédito relacionado ao comportamento do tomador. Enquanto os modelos de aprovação de crédito preocupam-se apenas com a concessão e o volume de crédito, os modelos de escoragem comportamental podem ser utilizados para gestão de limites de crédito rotativo, autorizações de compra acima do limite em caso de cartões de crédito, ofertas de crédito, cobrança preventiva, entre outras estratégias (VICENTE, 2001, p.48).
  41. 41. 42 3.2.4.3 Histórico David Durand em 1941 foi o primeiro a reconhecer que a técnica de análise discriminante, inventadas por Fisher em 1936, poderia ser usada para separar bons e maus empréstimos (THOMAS, 2000, p. 6). Em “Risk Elements in Consumer Installment Financing, 1941 (National Bureau of Economic Research, N.Y.)”, Durand apresentou um modelo que atribuía pesos para cada uma das variáveis usando análise discriminante (KANG e SHIN, 2000, p.2198). A popularização dos sistemas de credit scoring, no entanto, só ocorreu nos anos 60: “A chegada dos cartões de crédito na década de 60 fez com que os bancos intensificassem o uso de credit scoring. O número de pessoas que solicitavam cartão de crédito a cada dia tornou economicamente impossível ter mão-de-obra suficiente para decisões de empréstimos que não fossem automatizadas” (THOMAS, 2000). O quadro 3.2.4.3.a apresenta um exemplo de um sistema de pontuação de crédito para pessoa física: Quadro 3.2.4.3.a Exemplo de sistema de pontuação de crédito para pessoa física Fonte: SOUSA e CHAIA, 2000, p. 22
  42. 42. 43 No meio acadêmico os estudos começaram na década de 60. O modelo de Altman (1968) é considerado um marco teórico no estudo do risco de crédito: Os estudos acadêmicos sobre o risco, no entanto, remontam ao final da década de 60, num dos trabalhos pioneiros sobre risco de crédito, Altman (1968) argumentava que o desenvolvimento de um novo modelo preditivo era necessário em função do crescimento das falências e mudanças financeiras nas organizações, agravado pelo drástico aumento do tamanho médio de empresas falidas. Apresentou então, o clássico modelo de análise discriminante de sete variáveis ZETA, continuação dos trabalhos já apresentados em 1968 com cinco variáveis”(BRUNI, FUENTES e FAMÁ, 1997, p.1) “Na linha de análise financeira tem-se o modelo de análise discriminante de ALTMAN (1968), que procura estabelecer a possibilidade de uma empresa estar ou não insolvente” (SECURATO e PEROBELLI, 2000). Um dos pioneiros na análise discriminante múltipla, como previsão de falência, Altman (1968) tenta superar as deficiências das análises com base em um único índice e obtém o modelo Z (VICENTE, 2001). O quadro 3.2.4.3.b mostra o resumo do estudo de Altman (1968) entre outros modelos multivariados de previsão de insolvência para pessoa jurídica que Silva (2000) relaciona como os mais relevantes. Em relação aos modelos desenvolvidos no Brasil: “No Brasil, podemos relacionar os trabalhos sobre risco de crédito de Kanitz, Elizabetzky, Matias, Altman4 , Pereira, Bragança - baseados em modelos de análise discriminante - e Matias e Siqueira - usando análise logit – buscaram desenvolver técnicas que permitissem a previsão de problemas financeiros futuros, fornecendo novas ferramentas de análise” (BRUNI, MURRAY e FAMÁ, 1998).
  43. 43. 44 Quadro 3.2.4.3.b Modelos de risco de crédito multivariados Autor Período Amostra Resultados Edward I. Altman (EUA-1968). 1946 a 1965. 66 empresas americanas de manufatura, separadas em dois grupos: Grupo 1 = 33 empresas falidas; Grupo 2 = 33 empresas saudáveis. Altman através da técnica estatística de análise discriminante desenvolveu um modelo de abordagem multivariada construída com base nos valores das medidas univariadas de nível de índice e categóricas, que ficou conhecido como Escore-Z. Morton Backer e Martin Gosman. (EUA-1978). 1947 a 1975. Debêntures, Crédito Comercial, e Empréstimos Bancários de empresas americanas. Backer e Gosman analisaram 33 índices financeiros em sua pesquisa sobre o nível de liquidez. Na análise estatística os autores utilizaram: teste T, análise fatorial e análise discriminante. Os resultados da pesquisa indicaram que os fatores responsáveis sobre o declínio da liquidez foram: a insuficiência de fluxo de caixa para satisfazer o pagamento de dividendos e as necessidades de investimentos, assim como a tendência de alavancagem financeira através do endividamento. Letícia E. Topa (Argentina-1979) ???? Empresas Argentinas Topa utilizou um modelo de probabilidade subjetiva, baseado no Teorema de Bayes. A autora classificou os fatores a serem considerados para fins de concessão de crédito em duas categorias: fatores determinantes e fatores complementares. O modelo foi submetido pela autora a uma comprovação empírica, tendo sido constatado sua validade em um teste com 55 empresas Fonte: SILVA (2000, p. 278-280) 4 Altman desenvolveu um modelo com empresas brasileiras em 1978
  44. 44. 45 “No Brasil o modelo de Kanitz foi um dos precursores. Atualmente outros pesquisadores já desenvolveram modelos semelhantes e mais atualizados, como Elizabetski, Matias e Pereira” (KASSAI e KASSAI, 1998). O quadro 3.2.4.3.c mostra o resumo dos modelos brasileiros multivariados de previsão de insolvência5 para pessoa jurídica que Silva (2000) relaciona como os mais relevantes: Quadro 3.2.4.3.c Modelos de risco de crédito multivariados brasileiros Autor Período Amostra Grau de Precisão6 Stephen Charles Kanitz – 1978. 1970 a 1974. 42 médias empresas brasileiras – 21 falidas e 21 não-falidas. 74%. Roberto Elizabetsky - 1976. 1976. 373 empresas brasileiras do ramo de confecções sendo 99 más e 274 boas. 69%. Alberto Borges Matias – 1978. 1978 100 empresas (50 boas e 50 insolventes). 74%. José Pereira da Silva – 1982. 1977 a 1980 419 empresas brasileiras (160 empresas insolventes). 88%. Fonte: SILVA (2000, p. 278-280) As técnicas de credit scoring, graças ao uso de computadores, atualmente são bastante populares em todo o mundo: “Graças ao uso difundido de avançadas tecnologias computacionais, o acesso a poderosos sistemas de simulação capazes de modelar a exposição ao crédito, estão disponíveis para o usuário médio” (BRUNI, FUENTES e FAMÁ, 1997). 5 Todos os modelos utilizaram a técnica de análise discriminante. 6 Grau de precisão segundo estudo de SILVA(2000)
  45. 45. 46 O avanço na computação permitiu o uso de outras técnicas na construção de sistemas de credit scoring. Nos anos 80 foram introduzidas as técnicas de regressão logística e regressão linear, as duas principais técnicas utilizadas atualmente para a construção dos modelos. Mais recentemente técnicas de inteligência artificial como sistemas especialistas e redes neurais artificiais foram implantadas com sucesso (THOMAS, 2000, p.7). 3.2.4.4 Vantagens dos modelos de credit scoring Sobre as vantagens relativas ao uso dos modelos de credit scoring: Os modelos de credit scoring oferecem muitas vantagens. São objetivos e consistentes, que são características desejáveis para qualquer instituição, e especialmente para aquelas que não possuem uma forte cultura de crédito. Se desenvolvidos apropriadamente, eles podem eliminar práticas discriminatórias nos empréstimos. Eles tendem a ser relativamente inexpressivos, bastante simples e de fácil interpretação. A instalação de tais modelos é relativamente fácil. As metodologias usadas para construir esses modelos são comuns e bem entendidas, assim como as abordagens usadas para avalia-los. Os regulamentadores aprovam modelos bem projetados e baseados em estatísticas. Uma instituição é capaz de proporcionar melhor serviço ao consumidor pela sua habilidade de aprovar ou negar um pedido de empréstimo rapidamente. Esse é um fator importante no mundo de mudanças rápidas como o atual (CAOUETTE, ALTMAN e NARAYANAN, 1998) Silva (2000) diz: “A agilidade que o banco ou a empresa que concede crédito ganha é altamente valiosa, pois ao invés do analista ficar examinando e concluindo sobre cada um dos índices, poderão dedicar seus tempos a outros assuntos relevantes e que não possam ser sistematizados”. Parkinson e Ochs (1998, p.26-27) elaboraram um resumo com as principais vantagens do uso de sistemas de credit scoring:
  46. 46. 47 Revisões de crédito consistente: Os dados históricos de outros devedores são um bom indicador de consistência para revisão de crédito. Informações Organizadas: A sistematização e organização das informações contribuem para a melhoria do processo. Eficiência no trato de dados fornecidos por terceiros: O processo de credit scoring torna as informações de banco de dados fornecido por terceiros, anteriormente classificadas como dados acessórios, parte integrante do sistema. Diminuição da metodologia subjetiva: O uso de um sistema quantitativo parametrizado minimiza o subjetivismo. Compreensão do processo: O modelo construído sintetiza o processo de concessão de crédito da empresa, fornecendo maiores subsídios para entendê-lo. Maior eficiência do processo: A análise de crédito é centrada em um número menor de fatores, reduzindo o tempo do processo e melhorando a eficiência. 3.2.4.5 Limitações e desvantagens dos modelos de credit scoring Entre as principais limitações dos modelos de credit scoring, Silva (2000) destaca o aspecto temporal da amostra: O tempo (a época) é uma das principais limitações apresentadas pelos modelos desenvolvidos a partir do uso de análise discriminante. Com o decorrer do tempo, tanto as variáveis quanto seus pesos relativos sofrem alterações. As variáveis que, segundo a análise discriminante, são as que melhor classificam sob determinada conjuntura econômica, podem não ser em outra situação. Caouette, Altman e Narayanan (1998) também destacam o aspecto temporal: “Um modelo de credit scoring pode degradar-se pelo tempo se a população que ele é aplicado diverge da população original que foi usada para construir o modelo”.
  47. 47. 48 O aspecto geográfico é outra grande limitação para os sistemas de credit scoring: “Os aspectos da região geográfica limitam o uso de um modelo único, sendo que o desenvolvimento de diversos modelos poderá exigir que se disponha de amostras muito grandes” (SILVA, 2000, p.308). Parkinson e Ochs (1998, p.26-27) destacaram as seguintes desvantagens do uso de sistemas de credit scoring: Custo de desenvolvimento: o desenvolvimento de um sistema de credit scoring traz não apenas os custos do sistema, mas altos custos de manutenção com suporte técnico e recursos humanos. Modelos com “excesso de confiança”: Os modelos de credit scoring podem adquirir rótulos de “Perfeitos”, não permitindo crítica de seus resultados. Problemas de “Valores não preenchidos”: A falta de dados não característicos de determinados clientes, ou mesmo a falta de informação pode causar problemas na sua utilização, assim como resultados não esperados. Interpretação equivocada dos escores: O uso inadequado do sistema devido à falta de conhecimento pode ocasionar problemas para a instituição. Kassai e Kassai (1998) fazem o seguinte comentário no final do artigo: “Esperamos ter contribuído para despertar nos leitores o interesse pelo uso das técnicas estatísticas, em especial a análise discriminante e alertamos para o fato de que, apesar da perfeição matemática desses modelos preditivos, ainda não substituem o ser humano em suas decisões”.
  48. 48. 49 3.2.5 Sistemas de classificação (rating) Os sistemas de classificação de crédito são sistemas em que se classificam os empréstimos de acordo com a sua probabilidade de perda. Cada classe possui uma reserva de capital que identifica uma probabilidade de inadimplência diferente. Para elaboração de um sistema de rating consideram-se escalas de alta, média e baixa qualidade de crédito por meio de parâmetros geralmente simbolizado por letras e números (BRITO, 2000, p.82). Um exemplo de sistema de classificação de empréstimos, apresentado por Saunders (2000) com escala de 1 a 10, e seu mapeamento em classificações equivalentes para bonds é mostrado no quadro 3.2.5. Quadro 3.2.5 Classificação de rating Classificação Classificação Nível de Risco AAA 1 Mínimo AA 2 Modesto A 3 Médio BBB 4 Aceitável BB 5 Aceitável com cautela B 6 Atenção CCC 7 Menção Especial CC 8 Abaixo do padrão C 9 Duvidoso D 10 Prejuízo FONTE: SAUNDERS, 2000, p.11 Ao implantar-se um sistema de avaliação da qualidade do crédito de uma transação, definindo-se conceitos, procedimentos e atribuindo-se a cada categoria um
  49. 49. 50 escore. Institui-se um importante instrumento de gestão e controle da carteira de risco de crédito que permitirá analisá-la segundo diversas óticas. A avaliação da análise do crédito de uma transação consiste na análise dos elementos que a constituem, ou seja, o cliente, a garantia e a natureza da operação (BRITO, 2000, p.83). Além de servir como referencial para a inadimplência de operações, os sistemas de rating visam atender as exigências das autoridades monetárias do país, que segue uma tendência internacional de utilização de sistemas de classificação de risco (rating) como uma forma de graduar a carteira de crédito de um banco e, conseqüentemente orientar a PCLD (SILVA, 2000, p.76). No Brasil a classificação adotada pela resolução nº 2682/99 do Banco Central do Brasil (ver anexo 3) definiu as classes de risco e o respectivo provisionamento para as operações de crédito conforme o nível de risco. O quadro 3.2.5.2 apresenta a classificação adotada pelo Banco Central do Brasil mostrando as classes de risco e o percentual de provisão de cada classe de acordo com o tempo de atraso. Quadro 3.2.5.2 Rating Resolução nº 2682/99 CLASSES DE RISCO DIAS DE ATRASO PROVISIONAMENTO A Até 14 dias 0,5 % B De 15 até 30 dias 1,0 % C De 31 até 60 dias 3,0 % D De 61 até 90 dias 10,0 % E De 91 até 120 dias 30,0 % F De 121 até 150 dias 50,0 % G De 151 até 180 dias 70,0 % H Acima de 180 dias 100,0 % Fonte: Banco Central do Brasil – Resolução 2.682/99
  50. 50. 51 A resolução nº 2682/99 determina, também, que as operações sejam revisadas mensalmente, com base nos atrasos, e, que os dias de atraso impõem automaticamente nova classificação de risco. 3.2.6 A abordagem da carteira 3.2.6.1 Conceito A distinção entre as abordagens tradicionais à medição do risco de credito e as "novas abordagens" é difícil, pois as novas abordagens utilizam-se de muitas idéias dos modelos tradicionais. Como apresentamos anteriormente, a abordagem regulatória “simplista” recomendada pelo BIS a partir do final da década de 1990 e estabelecida por bancos centrais de todo o mundo fez com que o mercado financeiro concentrasse substancial esforço no desenvolvimento de “modelos internos” de medição de risco. A tendência atual é que estes modelos, advindos do mercado, devido a sua maior eficácia na gestão do risco de crédito substituam gradualmente o modelo proposto pelo BIS. As novas abordagens de gestão do risco de crédito estão intimamente ligadas aos modelos de carteira. A abordagem de carteira tem sua origem na teoria da diversificação de Harry Markowitz (1952). A idéia por trás da teoria de Markowitz é que o risco do retorno de um título pode ser caracterizado por sua variância. Esta variância, combinada à covariância de um grupo de títulos determina o retorno da carteira composta por esses títulos. O estudo apresentado por Harry Markowitz apresenta um modelo de
  51. 51. 52 diversificação que propõe reduzir o risco até muito próximo ao risco sistemático, caso o analista consiga formar carteiras cujos títulos tenham correlação suficientemente baixa. A diversificação, entretanto, não deve ser supérflua ou aleatória. Análises posteriores demonstraram que uma diversificação "máxima" poderia reduzir o retorno da carteira desnecessariamente e os investidores preferem carteiras com retorno maior e risco menor ou vice-versa. Em um mercado eficiente, portanto, o investidor deveria preocupar- se com o relacionamento do título com a carteira. Perera (1999) diz que a importância da metodologia do portfolio tem dois aspectos relevantes: o primeiro considera não somente o risco do próprio ativo, mas o relaciona com o risco geral do portfolio, considerando-o numa base agregada; segundo, a correlação de qualidade do crédito também é levada em consideração. Conseqüentemente os benefícios da diversificação e custos de concentração podem ser adequadamente quantificados. A abordagem da carteira permite aos administradores: quantificar e controlar a concentração de risco que aumenta a partir da exposição de um devedor ou grupo correlacionado de devedores, o qual somente pode ser reduzido através da diversificação ou hedging. Segundo Andrade (2000) no mercado internacional existem duas abordagens para a construção de modelos de medição do risco de crédito de uma carteira: a chamada abordagem de “default” e a “marcada a mercado”. A primeira considera que uma perda devido a risco de crédito só ocorre quando um devedor se torna inadimplente. A outra, que geralmente é associada ao modelo creditmetrics™ do J.P.Morgan, reconhece que a deterioração da qualidade de crédito de um devedor, mesmo antes da inadimplência de fato, pode reduzir o valor de mercado de uma posição, desta forma, o risco de crédito é tratado como uma fonte adicional de risco de mercado.
  52. 52. 53 3.2.6.2 Creditmetrics Em abril de 1997, o J.P. Morgan anunciou o creditmetrics (GUPTON, FINGER e BATHIA, 1997), um modelo de avaliação de riscos, específico para riscos de crédito. Este modelo foi projetado para captar riscos de concentração, quantificando por ramo, localização geográfica e setor, além de disponibilizar quanto uma tomada de posição (empréstimo ou ativo) ou saída traz de risco à carteira, calculando as contribuições de risco marginais baseadas na quantidade de diversificação ou de concentração que cada posição traz. Uma das principais vantagens do creditmetrics é medir a deterioração através de matrizes de probabilidade de inadimplência: “Técnicas ad hoc utilizadas até muito recentemente por profissionais de crédito experientes são hoje consideradas obsoletas. Elas têm sido substituídas por metodologias que levam em consideração a migração dos créditos e todos os efeitos de diversificação de portfólio” (PRADO, BASTOS e DUARTE JR, 2000). Dentro da análise e avaliação do risco de crédito, a metodologia apresentada trata as mudanças de qualidade de crédito, desenvolvendo três componentes básicos: 1 - Definição do valor exposto ao risco de crédito; 2 - Mensuração das volatilidades de valor devido à mudança da qualidade do crédito; 3 - Medição das correlações entre os ativos. O creditmetrics procura identificar o Value-at-Risk (VaR) da carteira de empréstimos em um horizonte de risco que inclui valorizações e desvalorizações da qualidade de crédito, as possíveis migrações de classificação (rating), além da probabilidade de inadimplência. O objetivo do creditmetrics é proporcionar um processo de estimativa da distribuição de valor de qualquer carteira de ativos sujeitos a alterações de qualidade de crédito (inclusive de inadimplência).
  53. 53. 54 O cálculo das contribuições de riscos marginais é efetuado de acordo com a concentração e diversificação que cada nome traz a carteira. Por exemplo, nos Estados Unidos, se um empréstimo para uma empresa de serviços públicos elétricos não-nucleares for acrescentado a uma carteira já concentrada, em exposição, do setor bancário, então as correlações e o risco marginal resultante do empréstimo novo serão bastante altos porque tanto os bancos como as empresas de energia elétrica são sensíveis à taxa de juros. O creditmetrics oferece, assim, uma abordagem mais ponderada aos limites de crédito. 3.3 Métodos estatísticos aplicados em modelos de credit scoring As três principais técnicas para elaboração de sistemas de credit scoring são a análise discriminante, a regressão logística e, mais recentemente modelos baseados em redes neurais. A técnica de análise discriminante foi a primeira técnica estatística utilizada na criação de modelos de escoragem de crédito: A aplicação de modelos matemáticos e estatísticos para a decisão de concessão de crédito ganhou reconhecimento quando David Duran, da National Bureau of Economic Research (Agência Nacional de Pesquisa Econômica), em Nova Iorque, publicou o seu estudo em 1941 intitulado “Risk Elements in Consumer Installment Financing” (Elementos de Risco no Financiamento a Prazo do Consumidor). Ele foi o primeiro a usar a análise discriminante para medir o risco de crédito. Subseqüentemente, foram feitas várias tentativas para investigar os sistemas de crédito estatísticos, mas a indústria de crédito não considerou seriamente os modelos de pontuação de crédito até meados da década de sessenta” (COLE e MISHLER, 1998).
  54. 54. 55 A partir da década de 80 foi introduzida a técnica de regressão logística, e mais recentemente foram implantados métodos de análise de crédito baseados em redes neurais (THOMAS, 2000). Os modelos mais utilizados atualmente continuam sendo os modelos de análise discriminante e os modelos de regressão logística: “A evolução das técnicas preditivas de insolvência possibilitou a utilização de modelos estatísticos mais sofisticados como a Análise Discriminante Múltipla (ADM) ou a Análise de Regressão Logística (Logit), presentes em boa parte dos modelos acadêmicos elaborados” (BRUNI, MURRAY e FAMÁ, 1998). Caouette, Altman e Narayanan (1998, p.182) dizem que em geral utiliza-se técnicas estatísticas multivariadas tais como análise discriminante e análise de regressão. Sobre o uso de redes neurais os autores comentam: “A tecnologia de redes neurais vem sendo aplicada mais recentemente aos sistemas de credit scoring”. 3.3.1 Análise discriminante Os primeiros estudos acadêmicos sobre riscos de insolvência se baseavam em análises de quocientes, índices contábeis, e deduziam que empresas em processos de insolvência apresentavam quocientes bastante diferenciados das solventes. Nestes estudos, uma das principais questões levantadas consistia em se determinar quais índices seriam os mais importantes na predição e qual a ponderação ideal desses índices. Surgiu, então, a análise discriminante multivariada como capaz de solucionar este questionamento (BRUNI, MURRAY e FAMÁ, 1998).
  55. 55. 56 Segundo Guimarães (2000, p.31), a análise discriminante consiste em uma técnica estatística multivariada usada na resolução de problemas que envolvem separação de conjuntos distintos de objetos, ou observações, e a alocação de novos objetos, ou observações em um grupo específico. A análise discriminante, também chamada de análise do fator discriminante ou análise discriminante canônica, é uma técnica estatística desenvolvida a partir dos cálculos de regressão linear e, ao contrário desta, permite resolver problemas que contenham não apenas variáveis numéricas, mas também variáveis de natureza “qualitativa”, como é o exemplo de empresas “solventes” e “insolventes”. KASSAI E KASSAI (1998, p.6) A análise discriminante permite descobrir as ligações que existem entre um caráter qualitativo a ser explicado e um conjunto de caracteres quantitativos explicativos. Também permite prever, por meio de um modelo, os valores da variável que derivam dos valores tomados pelas variáveis explicativas (GIMENES e URIBE-OPAZO, 2001, p.67). O objetivo fundamental da análise discriminante é a alocação de todos os elementos da amostra em grupos bem definidos, evitando todas as formas de superposição. Os dados de cada elemento, de cada um dos grupos, são coletados e, em seguida procura-se derivar uma função, que nada mais é que uma combinação linear, para melhor discriminar os grupos entre si. O resultado almejado é a obtenção de um conjunto único de coeficientes para cada uma das variáveis independentes e que classifique, com a máxima precisão, cada elemento observado nos grupos previamente definidos (GUIMARÃES 2000, p.33). A função discriminante linear tem a forma: Yx = â0 + â1X1 + â2X2 + â3X3 + …. + ÂnXn
  56. 56. 57 Onde: Yx = Variável Dependente, reflete o valor do escore; â0 = Intercepto; â1, â2, â3, … , ân = Pesos atribuídos a cada variável; X1, X2, X3,… , Xn = Variáveis discriminantes; A classificação de cada cliente é efetuada a partir da função discriminante estimada, e através do cálculo do valor dessa função para cada cliente (escore). De acordo com o critério de classificação de Fisher para dois grupos, o cliente deverá ser classificado como bom pagador se estiver mais próximo do centróide deste grupo do que do centróide do grupo dos maus pagadores, isto é, se a distância entre o seu escore discriminante e o centróide do grupo 1 for menor que a distância entre o seu escore e o centróide do grupo 2, e no grupo dos maus pagadores no caso contrário (COSTA, 1992, p.62). Sejam X1 e X2 as variáveis observadas para cada indivíduo de cada grupo. No gráfico abaixo estão representadas as observações efetuadas: Figura 3.3.1 Espaço discriminante Fonte: GUIMARÃES, 2000, p.33
  57. 57. 58 A função de análise discriminante assume os seguintes pressupostos: (COSTA,1992, p.60) • As variáveis discriminantes têm uma distribuição normal multivariada; • A variabilidade interna dos grupos são idênticas, ou seja, as matrizes de variância e covariância são iguais; • Existem pelo menos duas observações em cada grupo; • O número total de variáveis discriminantes (n) é menor que o número total de clientes (C) menos dois (0 < n < C-2); • Nenhuma das variáveis independentes é combinação linear das restantes. Por causa da natureza ad hoc, os autores raramente citam em seus trabalhos os pressupostos do modelo de análise discriminante linear, e conseqüentemente, as limitações desses modelos. Gimenes e Uribe-Opazo (2001, p.67) justificam essa ausência de testes para os pressupostos: “Para análise discriminante, bem como para outros métodos multivariados, existe a necessidade de suposições que nem sempre podem ser verificadas. Por exemplo, a multinormalidade requerida em alguns testes, além de difícil constatação nas situações gerais, torna-se as vezes impossível de ser constatada nos estudos de finanças”. Muitos autores consideram o fato de o modelo de análise discriminante usar apenas dois valores (0 e 1) para representar os indivíduos ser mais uma limitação dessa técnica: “A limitação da metodologia do modelo de regressão linear é não representar valores entre 0 e 1, que costumam ser úteis para interpretar a probabilidade” (HAND, 2001, p.146).
  58. 58. 59 3.3.2 Regressão logística Os modelos de risco de crédito que utilizam a regressão logística começaram a ser usados na década de 80: “Desde Ohlson (1980) a análise LOGIT é usada freqüentemente para a avaliação de riscos de inadimplência, baseada em características financeiras (i.e: índices) das empresas” (ALMEIDA e DUMONTIER, 1996, p.57). A análise de regressão logística é uma técnica de probabilidade condicional que é usada para estudar a relação entre uma série de características de um indivíduo e a probabilidade de que o indivíduo pertença a um entre dois grupos estabelecidos anteriormente (GIMENES e URIBE-OPAZO, 2001). A técnica de regressão logística (LOGIT) é aplicada em situações nas quais se deseja prever a presença ou ausência de uma característica, ou resultado, baseado em valores de um conjunto de variáveis independentes. No caso da mensuração do risco de crédito, a regressão logística é utilizada para a avaliação da probabilidade de insolvência (ou inadimplência) de determinado grupo de clientes, relativos a situações de empréstimo ou financiamento (VICENTE, 2001, p.82). Os modelos elaborados com base na análise LOGIT usam um conjunto de variáveis contábeis para prever a probabilidade de inadimplência do tomador de empréstimo, assumindo que a probabilidade de inadimplência é distribuída logisticamente, ou seja, estatisticamente assume uma forma funcional logística, e é, por definição, forçada a cair entre 0 e 1 (BRUNI, MURRAY e FAMÁ, 1998). O modelo LOGIT cria para cada empresa um escore Z: Z = á + âXi Onde Xi é o valor da i-ésima variável.
  59. 59. 60 A função de probabilidade é dada por: Como P se situa entre 0 e 1, o escore Z é freqüentemente interpretado como a probabilidade de inadimplência. Esta capacidade de estimar as probabilidades individuais constitui a principal vantagem da regressão logística em relação à análise discriminante. Estudos comparativos entre modelos que utilizam técnicas de regressão logística e os modelos de análise discriminante mostrou que a capacidade de previsão desses modelos são similares, portanto, não existe uma técnica estatística predominante. Gimenes e Uribe-Opazo (2001, p.74) concluem a comparação entre as técnicas de análise discriminante e LOGIT com o seguinte comentário: “Na realidade, não há uma metodologia única para a construção de modelos de previsão de insolvência: muito menos existe um consenso teórico sobre qual das metodologias é a melhor”. Os autores dizem também que é importante destacar que na análise LOGIT não existem restrições à normalidade multivariada na distribuição das variáveis independentes, nem a igualdade de matrizes de covariância dos dois grupos, como ocorre na análise discriminante, onde se pressupõe a existência dessas condições.
  60. 60. 61 3.3.3 Redes neurais artificiais Caouette, Altman e Narayanan (1998, p.188) dizem que redes neurais são sistemas de inteligência artificial desenvolvidos para simular os processos humanos de raciocínio e aprendizado: Os algoritmos de redes neurais são um conjunto de dados (neste caso variáveis usadas na solicitação do crédito) que são transformadas matematicamente através de uma função de transferência para gerar um resultado (no caso, se o crédito de um solicitante seguirá curso normal ou será cancelado). Durante a fase de treinamento ou de aprendizado, os pesos serão modificados para reduzir a diferença entre o resultado desejado (previsão correta) e o resultado real (previsão gerada). Diversos modelos de redes neurais são encontrados na literatura. Os modelos são divididos em dois grupos principais: redes feed-forward e redes feed-backward. Uma rede neural compreende um conjunto de nós interligados. Esses dois modelos diferem quanto à maneira pela qual estes nós, os neurônios, se interligam para transmitir a informação. Em redes feed-backward há apenas uma camada de neurônios e todos os neurônios são interligados entre si (ALMEIDA e DUMONTIER, 1996, p.3). A rede tipo feed-forward, por sua vez, possui multicamadas. A figura 3.3.3 apresenta um exemplo de uma rede tipo feed-forward. Sobre o poder explicativo das redes neurais, Saunders (2000, p.14) diz que em vez de presumir existir apenas um efeito linear e direto das variáveis Xi sobre Z (a pontuação de crédito) ou na linguagem de redes neurais da camada de entrada para a camada de saída, as redes neurais permitem poder explicativo adicional através de complexas correlações e interações entre as variáveis Xi.
  61. 61. 62 Figura 3.3.3 Um exemplo de rede do tipo multicamada Fonte: ALMEIDA, 1995, p.51 O autor critica os modelos de redes neurais artificiais por causa de suas tênues ligações com a teoria econômica existente e exemplifica: “Por exemplo, qual o significado econômico de uma soma exponencialmente transformada do coeficiente de alavancagem com o coeficiente de vendas para ativos totais”. Caouette, Altman e Narayanan (1998, p.188) argumentam que devido a dificuldade de explorar as previsões em termos de entrada de dados, os modelos baseados em redes neurais são mais úteis para revisão de limites e detectação de fraudes: “Nestas situações , a precisão do resultado é o critério primeiro, e não a teoria por trás do método”. Os modelos de redes neurais artificiais, apesar de utilizar uma técnica mais avançada, possuem a mesma capacidade de previsão dos modelos que utilizam a regressão logística e análise discriminante (ALMEIDA e SIQUEIRA, 1997). Apesar de apresentar capacidade de previsão similar aos outros métodos, a dificuldade de interpretar o modelo resultante a luz da teoria financeira é o principal
  62. 62. 63 entrave para a aplicação desses modelos, diante disso, detectar fraudes é o verdadeiro sucesso dos modelos baseados em redes neurais nas aplicações referentes ao crédito (THOMAS, 2000, p.19). O quadro 3.3.3 mostra os resultados obtidos através de um estudo comparativo entre as taxas de acertos das técnicas de redes neurais e regressão logística (Regressão logística 1 - Método FORWARD STEPWISE com estatística WALD; Regressão logística 2 - Método ENTER - todas as variáveis obrigatoriamente entram no modelo) em modelos de previsão de inadimplência para bancos brasileiros. Quadro 3.3.3 Comparação entre regressão logística e redes neurais Fonte: ALMEIDA e SIQUEIRA, 1997
  63. 63. 64 4 Metodologia 4.1 Credit scoring A premissa fundamental do credit scoring é que as características dos clientes que ficarão inadimplentes no futuro serão similares às características dos clientes que ficaram inadimplentes no passado. A amostra deve ser extraída de período de tempo adequado. Os enquadramentos devem ser suficientemente antigos para permitir classificar as operações como “boas” ou “más”, mas não tão antigos que não possam representar a população atual dos solicitantes de crédito. As características associadas aos indivíduos são determinadas pelo uso de metodologias estatísticas. Cada característica dá origem a pesos numéricos, fornecendo um ponto de escore do qual deriva a probabilidade de risco. 4.2 Finalidade Conforme conceituação anterior: “Os modelos de credit scoring se dividem em duas categorias: modelos de aprovação de crédito e modelos de escoragem
  64. 64. 65 comportamental, também conhecidos como behavioural scoring” (CAOUETTE, ALTMAN e NARAYANAN, 1998, p.180). 4.2.1 Modelo de concessão de crédito (modelo 1) OBJETIVO: Definir se deve ou não ser concedido crédito a um novo cliente. VARIÁVEIS: Serão utilizadas variáveis referentes a dados pessoais, profissionais e residenciais. 4.2.2 Modelo de escoragem comportamental (modelo 2) OBJETIVOS: Gestão de limites de crédito, ofertas de crédito e cobrança preventiva. VARIÁVEIS: Serão utilizadas variáveis referentes a dados pessoais, profissionais e residenciais, histórico de restrições e saldo devedor, ou seja, neste tipo de modelo analisa-se o comportamento do cliente em relação ao histórico de suas operações.
  65. 65. 66 4.3 Base de dados 4.3.1 Composição da amostra Sobre a amostra ideal para um sistema de pontuação de crédito: Em geral, seleciona-se subamostras com tamanhos que variam entre 500 a 1500 clientes. Em muitos casos por limitações operacionais, trabalha-se com amostras de tamanho bem menor. Isto compromete a segmentação da amostra e a sua divisão em duas, para desenvolvimento e teste, mas viabiliza o desenvolvimento de um primeiro sistema de credit scoring (SICSU, 1998). A proposta inicial deste trabalho era coletar dados referentes a 1000 indivíduos, no entanto, devido a limitações técnicas isso não foi possível. Coletamos dados de aproximadamente 500 indivíduos, porém, eliminamos os que não satisfaziam os parâmetros da amostra. Por motivo de segurança, o sistema de informações do banco que cedeu a amostra é “fechado”, ou seja, os dados não puderam ser importados e convertidos, mas impressos individualmente e depois digitados em uma planilha eletrônica. O período de coleta de dados durou cerca de 4 meses e encerrou-se por causa de mudanças no sistema de informações do banco, que passou a não disponibilizar tais informações. A amostra desta pesquisa está formada por dois grupos de indivíduos selecionados aleatoriamente entre os tomadores de empréstimo pessoa física de um banco comercial: a) Grupo “A” = 172 clientes sem atraso no pagamento de suas operações, classificados como risco nível “A”; b) Grupo “H” = 172 clientes inadimplentes.
  66. 66. 67 4.3.2 Conceito de cliente inadimplente Nessa pesquisa os clientes inadimplentes são caracterizados como indivíduos com atraso no pagamento de suas operações superior a 180 dias e inferior a 360 dias, classificados de acordo com a resolução 2.682/99 do Banco Central do Brasil como risco nível “H”. 4.3.3 Método de seleção Os dados utilizados referem-se a operações de crédito concedidas a pessoas físicas pelas agências sediadas na cidade de Recife (PE) de um banco comercial brasileiro. Estas informações estão disponíveis em seu sistema de informações interno através do aplicativo específico para esse fim. Os dados coletados foram impressos e arquivados para futuras eventuais consultas. Para selecionar os indivíduos da amostra utilizamos métodos de aleatoriedade baseados em números gerados por computador (aplicativo Microsoft Excel). Todos os indivíduos foram numerados. Atribuiu-se uma numeração para os indivíduos alocados na classe de risco “A” e outra numeração para os indivíduos alocados na classe de risco “H”. Eliminamos da amostra 4 agências pelo motivo de que estas não se relacionavam com indivíduos do segmento de pessoas físicas. Outras duas agências foram eliminadas porque eram muito recentes, logo, seus clientes não possuíam um ciclo de operações de crédito maduro. Duas agências com um quantitativo de clientes pouco significante no conjunto, não tiveram clientes contemplados na amostra gerada por números aleatórios.
  67. 67. 68 4.3.4 Parâmetros da amostra A classificação consiste em dados referentes à situação/classificação das operações no mês de julho do ano de 2001, e obedece aos seguintes parâmetros: a) Indivíduos com responsabilidade cujo valor seja superior a R$ 200,00 – Foram relacionados apenas indivíduos cujo valor mínimo do somatório de suas operações seja de duzentos reais, pois operações cujo limite seja inferior a 200 reais muitas vezes são deferidas sem a necessidade da atualização de dados cadastrais, o que impossibilita a coleta de dados. Será assumido o pressuposto de que as operações com valores inferiores a duzentos reais representam um percentual insignificante no montante da carteira de crédito; b) Clientes que possuam operações a pelo menos 12 meses – Será assumido o pressuposto que clientes com operações com prazo menor que 12 meses em julho/2001 podem estar classificados indevidamente no grupo de “bons pagadores” devido ao curto período de tempo analisado; c) Clientes que permaneceram 12 meses no mesmo “status” – Em julho/2002 foram eliminados da amostra clientes inadimplentes que pagaram suas dívidas, assim como, clientes adimplentes que se tornaram inadimplentes.
  68. 68. 69 4.3.5 Tratamento dos dados O tratamento dos dados consistiu em criar variáveis a partir dos dados coletados, identificar as variáveis estatisticamente significantes e desenvolver os modelos de escoragem do crédito. Para desenvolver os modelos de escoragem do crédito utilizamos duas técnicas estatísticas distintas, Análise Discriminante e Regressão Logística, sendo que para cada técnica foram desenvolvidos dois modelos: Um modelo classificatório para a concessão do crédito, e um modelo classificatório para o gerenciamento do crédito. Estes modelos foram comparados e avaliados. 4.4 Variáveis 4.4.1 Descrição das variáveis originais Conforme visto anteriormente. Os modelos deste trabalho foram divididos em: Modelos de concessão de crédito e modelos de escoragem comportamental (Behavioural scoring). Para o modelo de concessão de crédito foram utilizadas inicialmente as variáveis presentes no quadro 4.4.1.a.
  69. 69. 70 Quadro 4.4.1.a Variáveis originais do modelo de concessão de crédito VARIÁVEL DEFINIÇÃO FORMATO/VALORES NATURAL A naturalidade (origem de nascimento) do tomador de crédito. 1 = Recife – Capital. 2 = Pernambuco – Interior. 3 = Outro Estado da Federação. 4 = Outro País. IDADE A idade do tomador de crédito. Números inteiros (anos). ESCOLAR Grau de escolaridade. 1 = Nível Fundamental. 2 = Nível Médio. 3 = Nível Superior. SEXO Sexo do tomador de crédito. 1 = Masculino. 2 = Feminino. ESTCIVIL Estado Civil. 1 = Solteiro 2 = Casado + União estável 3 = Separado ou divorciado. 4 = Viúvo. LRESID Local onde reside atualmente o tomador de crédito. 1 = Recife – Capital. 2 = Pernambuco – Interior 3 = Outro Estado da Federação. NOCUP Quantidade de ocupações (ou fontes de renda) declaradas. Números Inteiros. NATOCUP Natureza da ocupação principal. 1 = Funcionário de empresa privada ou autônomo. 2 = Funcionário de empresa de economia mista. 3 = Funcionário Público. RENDA Renda mensal declarada pelo proponente. Números Inteiros. Valor em Reais (R$). TPOSSE Tempo de posse na ocupação principal, ou desde quando o indivíduo recebe a renda principal. Números inteiros Anos.
  70. 70. 71 Para desenvolver o modelo de escoragem comportamental, além das variáveis utilizadas no modelo de concessão de crédito, foram utilizadas as seguintes variáveis: Quadro 4.4.1.b Variáveis adicionadas ao modelo de concessão de crédito para desenvolvimento do modelo de escoragem comportamental VARIÁVEL DEFINIÇÃO FORMATO/VALORES TCADAST Tempo de cadastro no banco. Anos. RESTBX Já possuiu restrição de crédito em seu tempo de cadastro no banco. 0 = Não. 1 = Sim. ENDIVIDA Dívida total no banco, em julho/2001, dividida pela renda mensal. Percentual. CARTAO Dívida total oriunda de cartão de crédito no banco, em julho/2001, dividida pela renda mensal. Percentual. CHEQUE Dívida total oriunda de cheque especial no banco, em julho/2001, dividida pela renda mensal. Percentual. PESSOAL Dívida total oriunda de empréstimos pessoais sem garantias reais no banco, em julho/2001, dividida pela renda mensal. Percentual. VEICULO Dívida oriunda de empréstimos para financiamento de veículos no banco (julho/2001dividida pela renda mensal).Garantia = Alienação do Bem. Percentual. 4.4.2 Estudo das variáveis originais Os quadros 4.4.2.a e 4.4.2.b apresentam os resultados do teste “t” de diferença de médias para amostras independentes e os significados das análises. Para efetuar o teste “t de student” foi utilizado um intervalo de confiança de 95%.
  71. 71. 72 Quadro 4.4.2.a Estudo das variáveis originais do modelo de concessão de crédito Variável Média de “A” (Adimplentes) Média de “H” (Inadimplentes) A diferença é significativa? Principais Conclusões. (Teste “t” – Sig. = 5%). NATURAL 1,6047. 1,5523. Não. A naturalidade não tem influência sobre a inadimplência. IDADE 46,1744. 37,1919. Sim. Os indivíduos do grupo dos inadimplentes são mais jovens. ESCOLAR 2,250. 1,697. Sim. Os indivíduos do grupo dos inadimplentes possuem menor grau de escolaridade. SEXO 1,4477. 1,4070. Não. O sexo não tem influência sobre a inadimplência. ESTCIVIL 1,7267. 1,5523. Sim. O grupo dos inadimplentes tem maior proporção de indivíduos solteiros. LRESID 1,2384. 1,4826. Sim. O grupo dos inadimplentes tem maior proporção de indivíduos que moram fora da capital. NOCUP 1,1395. 1,0755. Não. A quantidade de fontes de renda não possui influência na inadimplência. NATOCUP 2,2267. 1,7151. Sim. O grupo de inadimplentes tem maior proporção de indivíduos oriundos de empresas privadas. RENDA 1987,31. 855,50. Sim. A renda mensal média do grupo dos inadimplentes é sensivelmente menor. TPOSSE 12,6802. 6,7616. Sim. O tempo de posse dos indivíduos do grupo de inadimplentes é sensivelmente menor.
  72. 72. 73 Quadro 4.4.2.b Estudo das variáveis originais adicionadas para desenvolvimento do modelo de escoragem comportamental TCADAST 1,9186. 1,3488. Sim. Os indivíduos do grupo de inadimplentes possuem cadastros mais recentes. RESTBX 47,09%. 79,65%. Sim. O grupo de inadimplentes possui maior proporção de restrições de crédito baixadas. ENDIVIDA 237%. 324%. Não. O endividamento médio dos dois grupos é equivalente. CARTAO 14,38%. 3,2%. Sim. Os indivíduos do grupo de inadimplentes possuem menor taxa de endividamento em cartão de crédito. CHEQUE 34,52% 43,51%. Não. O endividamento médio em cheque especial dos dois grupos é equivalente. PESSOAL 135%. 271%. Sim. Os indivíduos do grupo de inadimplentes possuem maior taxa de endividamento em empréstimos pessoais. VEICULO 9,4% 0. Não, apesar de nenhum indivíduo do grupo dos inadimplentes utilizar linha de crédito para financiamento de veículos, o volume do grupo dos adimplentes é estatisticamente insignificante. Variável Média de “A” (Adimplentes) Média de “H” (Inadimplentes) A diferença é significativa? Principais Conclusões. (Teste “t” – Sig. = 5%).

×