Em novembro de 2021, o Banco Central (Bacen) estabeleceu um novo modelo de mensuração de provisão para perdas esperadas associadas ao risco de crédito para os bancos por meio da Resolução CMN 4.966/21, que tem como base a regra internacional do IASB, IFRS 9. Essa nova regulamentação entrará em vigor em janeiro de 2025.
Porém, em 2023, as instituições financeiras precisam iniciar a implementação e os testes para a geração desse novo cálculo de provisão de crédito, uma vez que, no ano que vem, será necessário gerar uma série de relatórios e avaliações extraoficiais para efeitos de comparação entre os resultados atuais de provisão de crédito e os novos, à luz da CMN 4.966/21.
O novo desafio para os bancos a partir dessa resolução reside em estimar e operacionalizar, de forma adequada e em grande escala, o risco de crédito com novas variáveis que não entravam no cálculo anteriormente; e em uma esteira produtiva que consiga trazer governança e segurança com o mínimo de esforço.
“Será preciso aplicar essa nova análise do risco de crédito mesmo que o rating de um cliente seja bom, pois o modelo de perda esperada deve focar na capacidade de pagamento futura do cliente e não apenas em sua situação atual”, explica o gerente de soluções do SAS, Thiago Escrivão. “Por exemplo, a concessão de crédito para uma empresa de um setor que será afetado pelo risco climático. Mesmo que a situação financeira dessa empresa seja saudável, o novo modelo de perda esperada já deveria refletir a dificuldade futura de geração de receita do cliente, penalizando o rating atual.”
Ou seja, é preciso levar em consideração o cenário macroeconômico e a situação projetada de cada empresa ou setor para calcular a perda esperada. Ter capacidade de projetar e simular a carteira de crédito levando em consideração o impacto dessas novas variáveis passa a ser importante para o banco, já que assim ele consegue controlar os efeitos no resultado da instituição e suas consequências em termos de capital e distribuição de dividendos. “Por isso, a aplicação e teste de novos modelos, e a utilização de novas variáveis demandará um alto nível de análise de dados e a necessidade de aperfeiçoamento do processo como um todo”, explica Escrivão.
Inteligência Artificial (IA) no cumprimento da lei
O especialista destaca que, por meio de soluções analíticas abrangentes e robustas, como as de IA e Machine Learning (ML), os bancos podem acelerar a adequação à Resolução CMN 4.966/21 e, no processo, fortalecer a cultura de gestão do negócio em reconhecimento ao seu risco inerente. O uso do analytics também facilita o processo de estimar as perdas esperadas de crédito, algo fundamental não apenas no cumprimento da norma, mas na gestão dos resultados.
“Isso significa criar modelos, critérios e cenários para poder gerar os testes, comparações e validações correspondentes na busca dos modelos mais adequados para cada carteira e/ou setor. Além de ter que desenvolver novos relatórios e deliberações de rating de crédito, face a prazos de execução cada vez mais curtos. Isso significa, em muitos aspectos, otimizar o negócio e o processo de avaliação”, afirma.
Para o executivo, as instituições financeiras devem, portanto, enfrentar esses desafios de forma holística para se adaptar às mudanças. “Partir de uma abordagem bem estruturada e integrada de gestão de dados, modelos corporativos, processos e divulgação consistente de informações, fomenta essa cultura saudável que inspira confiança no mercado e abre as portas para uma maior competitividade e sustentabilidade ao longo do tempo.”
Escrivão explica que as organizações devem resolver esses problemas de forma integrada e abrangente considerando várias áreas, como finanças, riscos, contabilidade e tecnologia. Caso contrário, os custos gerais de conformidade podem se tornar altos, especialmente se várias partes da organização criarem processos redundantes ou sobrepostos. Nesse sentido, uma tecnologia robusta também é essencial para diminuir o tempo gasto pela equipe na execução do projeto e na sobrecarga de gerenciamento de várias plataformas.
“A solução SAS para atendimento da CMN 4.966/21 combinada ao hub de analytics baseado em IA e ML conseguem endereçar de ponta a ponta esse cálculo da perda esperada, desde a preparação dos dados até as regras de alocação de estágio e SPPI (Solely Payment of Principal and Interest, na sigla em inglês) , com um motor de cálculo que permite realizar n combinações e testes de modelos antes de realmente serem colocados em produção, gerando todos os relatórios que a área contábil vai precisar”, esclarece.
O executivo ressalta que os processos de modelagem analítica de perda esperada de uma instituição financeira devem ser robustos, porém flexíveis o suficiente para acomodar mudanças dinâmicas que o processo de aperfeiçoamento dos modelos pode exigir. Dessa forma, uma biblioteca de modelos centralizada, de fácil replicação e manutenção fornece uma estrutura integrada para manter a governança sobre o processo e evolução das simulações de uma forma ágil.
“A transição para a Resolução CMN 4.966/21 apresenta muitos desafios financeiros e operacionais — agravados pelos inúmeros detalhes de implementação que fazem parte do negócio como um todo. Porém, a implementação proativa de uma abordagem analítica bem governada aumentará a capacidade dos bancos de gerenciar problemas críticos agora e no futuro”, conclui.
Leia nesta edição:
CAPA | TECNOLOGIA
Centros de Dados privados ainda geram bons negócios
TENDÊNCIA
Processadores ganham centralidade com IA
TIC APLICADA
Digitalização do canteiro de obras
Esta você só vai ler na versão digital
TECNOLOGIA
A tecnologia RFID está madura, mas há espaço para crescimento
Baixe o nosso aplicativo