Detalles sobre el modelado del comportamiento

En el episodio 7 deAiCR , Joe Furlong conversa con Dick Kazarian, director general del Grupo de Análisis de Prestatarios de MIAC. Dick lleva años desarrollando y aplicando modelos de comportamiento en los mercados hipotecarios a lo largo de múltiples ciclos crediticios, entre ellos la crisis del peso, la gran crisis financiera y la pandemia de la COVID-19. Explica cómo se construyen los modelos, en qué aspectos fallan y por qué los conocimientos especializados no pueden sustituirse únicamente por el aprendizaje automático. 

¿De qué se ocupa el Grupo de Análisis de Prestatarios de MIAC? 

El Grupo de Análisis de Prestatarios de MIAC desarrolla y mantiene los modelos de comportamiento que respaldan las actividades de valoración, cobertura, intermediación y asesoramiento de MIAC. El grupo genera tres tipos de resultados analíticos: valoraciones que calculan el precio de mercado a partir de un diferencial o el diferencial a partir de un precio de mercado; análisis de cobertura que miden cuánto variará un precio si cambian los tipos de interés; y análisis de estrés que simulan escenarios de factores macroeconómicos para proyectar el rendimiento de los activos en condiciones adversas. Los modelos dan soporte tanto a los equipos de producción internos de MIAC como a los clientes externos de software que cuentan con una licencia de la plataforma analítica de MIAC. 

¿Cómo se elaboran los modelos de comportamiento? 

El desarrollo de modelos sigue un ciclo de vida definido. Comienza con la comprensión de los requisitos empresariales, para pasar luego a la adquisición, preparación y normalización de los datos. El equipo identifica qué conjuntos de datos responderán mejor a la pregunta que el modelo pretende abordar, especifica la estructura del modelo y ejecuta el proceso de estimación. A continuación, se llevan a cabo exhaustivas pruebas retrospectivas y trabajos de diagnóstico. A continuación, el modelo debe implementarse en el software, lo que, según Dick, es donde comienza la mayor parte del trabajo real. Las pruebas de implementación sacan a la luz problemas que la estimación por sí sola no detecta. A partir de ahí, el modelo pasa por la documentación y la validación, y luego a una evaluación continua del rendimiento, ya que los modelos quedan obsoletos y deben supervisarse de forma continua. 

¿Por qué es tan importante la calidad de los datos para la modelización del comportamiento? 

La calidad de los datos determina todos los resultados que genera un modelo. Si los datos de entrada están incompletos, son incoherentes o reflejan períodos anómalos que no se han caracterizado con precisión, el modelo producirá resultados en los que no se puede confiar. Dick es tajante: todo el mundo se dedica al negocio de los datos. La única pregunta es si lo harán bien. Los modelos construidos a partir de datos incompletos o distorsionados se ajustarán al pasado, pero no lograrán realizar buenas previsiones. La gran crisis financiera es el ejemplo más claro. Los LTV a nivel de préstamo alcanzaron el 130 % durante la crisis, un escenario para el que ningún modelo creado en 2006 disponía de datos históricos que tuvieran en cuenta, ya que ningún originador concedía préstamos con esos LTV. Los datos para ese escenario simplemente no existían antes de que ocurriera. 

¿Por qué la inteligencia artificial y el aprendizaje automático no pueden sustituir a los conocimientos especializados en la modelización del comportamiento? 

Los modelos de aprendizaje automático desempeñan un papel en el análisis hipotecario, pero no sustituyen a los conocimientos especializados en la materia. Dick identifica las condiciones en las que el aprendizaje automático funciona bien: muchas variables, una intuición económica limitada sobre cómo se relacionan entre sí esas variables, grandes cantidades de datos de entrenamiento y entornos estables sin intervenciones políticas. Los mercados hipotecarios no cumplen varias de esas condiciones. La hipoteca es el mayor pasivo que asumen la mayoría de los propietarios, lo que significa que los reguladores, el Congreso y las agencias estatales intervienen constantemente. El programa HARP cambió la velocidad de amortización anticipada de la noche a la mañana. La ley Dodd-Frank modificó estructuralmente la calidad de las tasaciones. La COVID rompió por completo la relación histórica entre el desempleo y las pérdidas crediticias, ya que los programas de ayuda del gobierno hicieron que a la gente le resultara más rentable estar en paro que trabajando. Un modelo de aprendizaje automático entrenado con datos históricos habría generado resultados erróneos en todos esos escenarios. La experiencia en la materia es lo que permite a un equipo reconocer cuándo los datos son engañosos y ajustarse en consecuencia. 

¿Cómo se establecen las hipótesis sobre el pago anticipado y el impago? 

El comportamiento en materia de amortización anticipada y morosidad viene determinado por una combinación de características del préstamo y factores macroeconómicos. El saldo del préstamo, la relación préstamo-valor (LTV), la calidad crediticia, la antigüedad del préstamo y el tipo de producto son factores importantes. También lo son los tipos de interés, la revalorización de la vivienda, el desempleo y la inflación, tanto a nivel nacional como de las áreas metropolitanas (MSA). Los préstamos VA son un ejemplo útil de cómo interactúan los factores específicos de cada producto. Los préstamos VA se amortizan anticipadamente en torno al 50 % del CPR, mucho más rápido que otros tipos de productos, porque los prestatarios VA suelen tener un crédito sólido y el proceso de refinanciación simplificado de la VA es lo suficientemente eficiente como para que los prestatarios puedan refinanciar rápidamente una vez que bajan los tipos. El LTV es importante tanto para el rendimiento crediticio como para las amortizaciones anticipadas en todos los tipos de productos, pero los prestatarios del VA muestran un mejor rendimiento crediticio que los de la FHA con LTV comparables, lo cual es una distinción importante para cualquiera que elabore o interprete modelos sobre productos de préstamos gubernamentales. 

¿Qué papel desempeñan los datos a lo largo del ciclo en la modelización del comportamiento? 

Para crear modelos que se mantengan válidos en distintos entornos económicos se necesitan datos que abarquen varios ciclos crediticios. Un modelo estimado únicamente a partir de datos de un periodo estable no sabrá cómo se comportan los prestatarios cuando los precios de la vivienda caen bruscamente, el desempleo se dispara o las intervenciones políticas alteran las relaciones normales entre las variables. Las promociones de la burbuja de 2003 a 2005 generaron pérdidas crediticias que los modelos de aquella época no pudieron prever, ya que las distribuciones del LTV que surgieron durante la crisis se situaban fuera del rango de cualquier experiencia de originación previa. Las originaciones posteriores a la crisis mostraron menores pérdidas crediticias que las originaciones previas a la crisis, incluso tras ajustar las diferencias de calidad crediticia, en gran parte porque la calidad de las tasaciones mejoró significativamente después de que las reformas de la ley Dodd-Frank eliminaran las tasaciones solicitadas por los intermediarios. Disponer de datos a lo largo de múltiples ciclos es lo que permite a un equipo de modelización comprender qué relaciones son estructurales y cuáles son específicas de cada período. 

¿Qué le depara el futuro al mercado hipotecario residencial? 

La visión de Dick a principios de 2026 se centra en dos temas. El primero es la ampliación de la disponibilidad de datos. Los datos de las agencias de crédito que muestran el endeudamiento total de un prestatario, y no solo la deuda hipotecaria, son cada vez más accesibles y permitirán elaborar modelos de comportamiento más precisos con el paso del tiempo. El segundo es el riesgo normativo. El mercado hipotecario está sujeto a constantes intervenciones normativas y legislativas, y esas intervenciones pueden provocar cambios radicales en el comportamiento de los pagos anticipados y el crédito. Las estructuras LLPA son actualmente objeto de debate político por parte de ambos bandos, y cualquier cambio en ellas podría tener importantes repercusiones en la velocidad de los pagos anticipados y el rendimiento crediticio. Conclusión de Dick: el riesgo político es muy difícil de predecir y tiene un gran impacto cuando se produce. 

Preguntas frecuentes sobre el modelado del comportamiento en los mercados hipotecarios 

¿Qué es el modelado conductual en el sector hipotecario? 

La modelización del comportamiento en el sector hipotecario consiste en el proceso de elaborar modelos cuantitativos que pronostican el comportamiento de los prestatarios a lo largo del tiempo, concretamente su probabilidad de amortizar anticipadamente, incurrir en impago o entrar en mora. Estos modelos toman como base características específicas de cada préstamo y datos macroeconómicos, y generan resultados que se utilizan para la valoración, la cobertura de riesgos, las pruebas de resistencia y la planificación del capital. 

¿Qué datos utilizan los modelos de prepago y de impago? 

Los modelos de prepago y morosidad utilizan una combinación de características a nivel de préstamo, como la relación préstamo-valor (LTV), el saldo del préstamo, la puntuación crediticia, la antigüedad del préstamo y el tipo de producto, así como factores macroeconómicos como los tipos de interés, la revalorización de la vivienda, el desempleo y la inflación. La interacción entre las características del préstamo y los factores macroeconómicos es lo que determina el comportamiento de los prestatarios, y los modelos necesitan datos que abarquen varios ciclos económicos para reflejar cómo cambian esas relaciones en distintos entornos. 

¿Por qué fracasaron los modelos conductuales durante la gran crisis financiera? 

Los modelos creados antes de la gran crisis financiera carecían de datos históricos sobre el comportamiento de los prestatarios en los niveles de LTV que surgieron durante la crisis. Ningún originador concedía préstamos con un LTV del 130 % en condiciones normales, por lo que no existían datos de entrenamiento para ese escenario. Además, la calidad de las tasaciones era deficiente antes de las reformas de la ley Dodd-Frank, lo que significa que los valores de las garantías subyacentes a los LTV de los préstamos estaban inflados de formas que los modelos no tenían en cuenta. La crisis puso de manifiesto lo mucho que depende la precisión de los modelos de la calidad y la exhaustividad de los datos utilizados para crearlos. 

¿Qué es el Grupo de Análisis de Prestatarios de MIAC? 

El Grupo de Análisis de Prestatarios del MIAC desarrolla y mantiene los modelos de comportamiento que respaldan los servicios de valoración, cobertura y asesoramiento de MIAC. El grupo desarrolla modelos de prepago, impago y gravedad para distintos tipos de préstamos residenciales, comerciales y al consumo, y presta apoyo tanto a las unidades de producción internas de MIAC como a los clientes externos que utilizan la plataforma de software analítico de MIAC.