Revisão técnica de modelos de perda esperada na Resolução 4.966 (IFRS 9): como validar modelos e o que muda para S4 e S5

Com a consolidação da Resolução CMN nº 4.966/2021 (alinhada à norma internacional IFRS 9), as instituições financeiras, fundos de investimento (FIDC) e plataformas de crédito passaram a operar sob um novo e rigoroso paradigma de contabilização: a transição da perda incorrida para a Perda Esperada de Crédito (Expected Credit Loss - ECL).

Nas instituições que usam o modelo completo de perda esperada, essa mudança exige que os modelos matemáticos e estatísticos projetem o risco futuro das carteiras com base em dados históricos, cenários macroeconômicos e, em alguns casos, algoritmos de aprendizado de máquina (Machine Learning).

Contudo, para comitês de risco, diretores de compliance e auditorias internas, surge um desafio técnico crítico: como garantir que os algoritmos de risco não sejam uma "caixa-preta" (black box) e estejam em estrita conformidade com as exigências regulatórias do Banco Central e auditores independentes?

Neste artigo, abordamos a metodologia de revisão técnica independente de modelos de crédito, com técnicas de TI forense, para reduzir riscos de parametrização e tornar a perda esperada reprocessável e explicável.

1. O Risco de Vício Algorítmico e Falha de Calibragem no Modelo Completo

No modelo completo (metodologia completa, segmentos S1 a S3), as operações de crédito são classificadas em três estágios, e a provisão varia conforme o aumento significativo do risco de crédito (SICR - Significant Increase in Credit Risk).

A parametrização desses modelos envolve variáveis complexas:

• Probability of Default (PD): Probabilidade de inadimplência projetada ao longo da vida da operação (Lifetime PD).
• Loss Given Default (LGD): Percentual de perda estimado em caso de inadimplência, considerando garantias e curva de recuperação.
• Exposure at Default (EAD): Exposição total estimada no momento da inadimplência.

Onde os Modelos Falham:

• Deriva de Dados (Data Drift): Modelos treinados em períodos atípicos perdem a capacidade de predição conforme o cenário macroeconômico muda, gerando subprovisionamento ou superprovisionamento injustificado.
• Opacidade e Vício de Parâmetro (Bias): Algoritmos avançados (como Gradient Boosting ou redes neurais) sem camadas de explicabilidade impedem a verificação da lógica de transição entre estágios por órgãos fiscalizadores.
• Ausência de Trilha de Auditoria Forense: Impossibilidade de reconstituir a foto exata dos dados e parâmetros computacionais utilizados para gerar a provisão de uma data-base passada.

2. A Metodologia de Revisão Técnica com TI Forense

A revisão técnica de modelos de crédito não é um teste de software tradicional; é uma análise matemática e sistêmica da integridade das decisões computacionais. Não é auditoria das demonstrações financeiras e não substitui a opinião do auditor independente.

A. Validação de Integridade e Cadeia de Custódia dos Dados

Verificamos se a base de dados usada no treinamento e na execução do modelo é autêntica, completa e livre de distorções de extração de ERPs ou Core Bankings.

B. Backtesting e Stress Testing Forense

Submetemos os algoritmos a testes retroativos (Backtesting) comparando a Perda Esperada calculada pelo modelo no passado com as perdas reais efetivamente observadas na carteira. Além disso, executamos simulações de cenários prospectivos estressados (Forward-Looking Information).

C. Desmistificação da Caixa-Preta (Explainable AI - XAI)

Utilizamos frameworks matemáticos de explicabilidade (como SHAP Values e LIME) para isolar o peso de cada variável na decisão de classificação de risco e transição de estágio, o que permite explicar a lógica do modelo ao Banco Central e aos auditores externos.

3. O Que a Revisão Independente Entrega à Instituição

Uma revisão técnica independente dos modelos de crédito ajuda a instituição em três frentes:

• Evidência organizada para a auditoria externa: relatório técnico com método reprodutível, que a auditoria pode considerar na própria avaliação. A opinião sobre as demonstrações continua sendo do auditor independente.
• Falhas encontradas antes da fiscalização: pontos fracos na governança de modelos identificados e tratados pela própria instituição, antes de um eventual apontamento do Banco Central.
• Provisão na medida da norma: indicação de provisões acima ou abaixo do que a metodologia aplicável exige, com a causa de cada diferença.

Nenhuma revisão independente garante o resultado de uma auditoria ou de uma fiscalização; ela reduz a chance de surpresa e documenta o que foi verificado.

4. Roteiro de Revisão Técnica de Modelos na Resolução 4.966

Uma revisão técnica robusta segue uma sequência de método, não um checklist administrativo:

• Fase 1 — Levantamento e cadeia de custódia: mapear todas as fontes de dados do modelo (Core Banking, ERPs, bureaus) e extrair uma cópia forense com hash de integridade, preservando a cadeia de custódia antes de qualquer teste.
• Fase 2 — Backtesting e stress testing: comparar as previsões históricas de PD/LGD/EAD com as perdas reais observadas na carteira e simular cenários prospectivos estressados (Forward-Looking Information).
• Fase 3 — Explicabilidade e revisão de vieses: aplicar SHAP/LIME para isolar o peso de cada variável na transição de estágio, verificando se atributos aparentemente neutros introduzem viés sistemático por correlação indireta.
• Fase 4 — Relatório técnico e plano de correção: consolidar os achados em relatório com padrão de laudo, indicando eventuais recalibragens necessárias antes da próxima data-base.

5. Erros Mais Comuns na Validação de Modelos de Crédito

Quando a instituição não consegue explicar o modelo ao Banco Central, a falha costuma ser de processo, não de estatística:

• Tratar a revisão como evento único: um parecer pontual não substitui um processo recorrente vinculado ao ciclo de revisão de modelo — cada nova data-base relevante exige reavaliação.
• Explicabilidade só na apresentação: aplicar SHAP apenas para o auditor externo, sem documentar a trilha internamente, inviabiliza reconstituir os parâmetros de uma data-base passada quando questionada meses depois.
• Ignorar viés indireto: variáveis aparentemente neutras (CEP, setor de atuação) podem estar correlacionadas com atributos sensíveis e reproduzir discriminação mesmo sem o modelo usar esses atributos diretamente.

Perguntas Frequentes sobre Revisão de Modelos e Resolução 4.966