Projeção de índices de perda esperada: um processo de seleção e otimização de modelos de séries temporais

Abstract

Neste trabalho, propomos uma metodologia para seleção e combinação de modelos de séries temporais com o objetivo de projetar índices de provisão para cada faixa de classificação de risco (rating) de operações de crédito, conforme estabelecido pela norma IFRS-9 para apuração de perdas esperadas (Expected Credit Losses – ECL). A proposta foi desenvolvida tendo em vista o contexto de séries curtas, com poucos pontos de observação, e a necessidade de previsões robustas, estáveis e interpretáveis para fins regulatórios. O método utiliza de diferentes abordagens de previsão em um processo de combinação, em um procedimento lógico que considera métricas padronizadas de desempenho e aplica critérios de diversificação para reduzir redundância entre os modelos selecionados. A heurística de combinação é inspirada nos princípios de diversificação de portfólios, mas adaptada à realidade de seleção e ponderação de previsões, e não à alocação de capital. A seleção dos modelos ocorre de forma automática e é baseada no desempenho preditivo dos candidatos, com ajustes de pesos obtidos por regressão regularizada. A proposta é avaliada em dois contextos: (i) estudo de simulações com diferentes tipos de séries e (ii) aplicação com dados reais de uma instituição financeira de varejo, onde o processo atualmente utilizado apresenta baixa acurácia. Os resultados indicam que o método desenvolvido é competitivo em relação às abordagens tradicionais, contribuindo para melhorar a precisão das projeções e otimizando os valores alocados à Provisão para Devedores Duvidosos (PDD).

This study introduces a methodology for the selection and combination of time series models to project provisioning indices for each credit risk rating category, in accordance with the IFRS-9 standard for calculating Expected Credit Losses (ECL). The approach is tailored to the context of short time series (characterized by a limited number of observations) and addresses the need for robust, stable, and interpretable forecasts for regulatory applications. The method integrates multiple forecasting approaches within a structured combination framework, employing standardized performance metrics and diversification criteria to minimize redundancy among the selected models. The combination heuristic draws inspiration from portfolio diversification principles but is adapted to the context of forecast selection and weighting, rather than capital allocation. Model selection is fully automated and driven by the predictive performance of candidate models, with weighting parameters estimated through regularized regression. The methodology is assessed in two settings: (i) simulation studies involving different types of time series, and (ii) application to real-world data from a retail financial institution, where the existing process demonstrates low predictive accuracy. Results show that the proposed method performs competitively against traditional approaches, enhancing forecast precision and optimizing allocations to the Provision for Doubtful Debts (PDD).