Predição de necessidades de provisionamento

Contexto

Banco com uma carteira de créditos de 50 bilhões de euros sujeita à IFRS9, necessitando o cálculo de provisões ECL (Expected Credit Loss). Os cálculos são realizados pela equipe de risco (8 analistas) com modelos estatísticos e tratamentos em Excel durante 3 semanas por fechamento trimestral. O número de cenários macroeconômicos é limitado a 3 (baseline, otimista, pessimista).

Problema & Desafio

Cálculos de ECL IFRS9 em 3 semanas por fechamento trimestral mobilizando 8 analistas. Cenários macroeconômicos limitados a 3 vs 5-10 recomendados pelos auditores e pelo regulador. Stress tests ad hoc impossíveis: cada cenário adicional requer 1 semana de cálculo. Forward-looking adjustments manuais e subjetivos: fonte de discussão com os auditores a cada fechamento. Impossibilidade de calcular o impacto de provisionamento de uma decisão de concessão em tempo hábil.

Solução & Entregas

Modelos ML de provisionamento IFRS9 acelerando os cálculos ECL (PD, LGD, EAD) por um fator x50. Multi-cenários: 10+ cenários macroeconômicos calculados simultaneamente com ponderação parametrizável. Stress tests sob demanda: resultado de um cenário ad hoc em 30 minutos vs 1 semana. Forward-looking adjustments documentados e auditáveis: cada overlay é rastreado com sua justificativa e seu impacto. Dashboard IFRS9: provisões por stage, por portfólio, sensibilidade aos cenários, comparação entre fechamentos.

Tecnologias