MVAR- Previsibilidade de um sistema de rating aplicado a empresas brasileiras - ABRAPP

Previsibilidade de um sistema de rating aplicado

a empresas brasileirasOs desafios para gestão de investimentos impostos pelas

recentes mudanças no mercado financeiro do Brasil demandamsoluções ousadas e inovadoras por parte dos gestores

POR ALEXANDRE DE OLIVEIRA *

Opinião

FUNDOS DE PENSÃO – JULHO/AGOSTO 2012


Opi

nião

I A

lexa

ndre

de

Oliv

eira

Há muito tempo há consenso sobre anecessidade de redução nas taxas de jurospraticadas no mercado. Argumenta-se quejuros como os historicamente praticados emnosso mercado constitui em um entrave aocrescimento da atividade econômica. Por umlado, para o setor produtivo, que vê váriosprojetos inviabilizados sob uma avaliaçãorisco-retorno nesse contexto e, por outro,para as famílias que terminam por postergardecisões de consumo à espera de créditocom custos mais compatíveis com sua renda.

Essa tendência de redução nos juros, comvários desdobramentos positivos para aeconomia, vem ocorrendo há algum tempo.Porém, recentemente temos observado queesse processo se acentuou.

É relativamente fácil imaginar osbenefícios para a economia em função dessemovimento. Assim como os dois lados deuma moeda, este processo também possuiefeitos colaterais por alterar o modusoperandi, em prática há gerações, de váriossegmentos do mercado financeiro em umcurto período de tempo. Um exemplo foi amudança que se fez necessária naremuneração dos depósitos da Caderneta dePoupança. Para permitir uma redução maior

nos juros, foi alterada sua remuneraçãopermitindo que, pela primeira vez desde asua criação, os depósitos passassem a serremunerados de forma variável em função dopatamar da taxa básica de juros (Selic) e nãomais de forma fixa com 6% ao anoindependente dos juros de mercado.

Uma mudança desse porte, em umproduto financeiro tradicional como esse,denota o empenho do governo em rompercom o paradigma de juros elevadoshistoricamente praticados no Brasil.Consequentemente, reflexos dessa mudançaserão observados em todas as frentes. Nãoapenas na ponta da elevação da atividadeeconômica, mas também na ponta dosinvestimentos destinados ao acúmulo deriqueza além da Caderneta de Poupança.Não é por outro motivo que segmentos comofundos de investimentos e fundos de pensãovêm sofrendo ao longo dos últimos anos paramanter o nível de retorno de outros tempos.

Não que seja completamente impossívelalcançar esse objetivo em termos derentabilidade absoluta, mas em termos deretorno ajustado ao risco certamente ocorreráuma mudança profunda fazendo com que osgestores tenham que assumir mais risco para

alcançar os patamares de retorno até hojeobservados. Mais especificamente, aloca-ções em títulos públicos deverão ser vistascada vez mais como estratégias de proteçãode patrimônio, enquanto que, alocações emtítulos privados e renda variável ganharãocada vez mais força na busca pelo retornoesperado pelo investidor.

Consequentemente, a gestão de riscosganha cada vez mais força. Não que eladeva ser vista como uma proteção suficientecontra perdas, mas como uma práticanecessária a ser adotada para que se possanavegar por águas cada vez mais perigosas,por assim dizer. Portanto, a existência de umsistema de sinalização preventivo torna-sefundamental.

Nesse sentido, apresentamos nesse artigoalguns aspectos fundamentais para a gestãodo risco de crédito. Inicialmente, trataremosda abordagem tradicional essencialmentesob os aspectos da análise fundamentalista.Na sequência, colocaremos em perspectiva aabordagem quantitativa considerando suaevolução e alternativas metodológicas maiscomumente utilizadas e, também, ilustrare-mos sua aplicação de forma sucinta ao casoprático para empresas do mercado brasileiro.

Por fim, concluiremos com algumas conside-rações sobre as virtudes e limitações de cadaabordagem.

Abordagem TradicionalTradicionalmente, créditos de relevância

para a carteira são avaliados de formadetalhada no caso a caso. Tipicamente, essaé a situação para créditos concedidos às em-presas através do mercado de capitais viaemissão de dívida. Nessa situação, normal-mente os potenciais investidores avaliam oschamados fundamentos da empresa¹ avali-ando aspectos como:

*Risco do país: essencialmente avalia-se o ambiente operacional no qual as empre-sas trabalham. Aspectos como marco regu-latório, tarifas, política fiscal, estrutura tribu-tária, controle de fluxos de capitais, riscopolítico, sistema bancário e fatores macroe-conômicos, dentre outros.

*Riscos da indústria: ciclo econômicodo setor, obsolescência de produtos, mudan-ça nas preferências de consumo, mudançasna tecnologia, redução a barreiras de entra-da, elevação da concorrência, crescimentode vendas e poder para estabelecer preçossão alguns exemplos.

Opinião


*Riscos específicos: posição competiti-va em seu setor de atuação, posição de seuscompetidores, participação de mercado,diversidade de produtos e base de clientes,volatilidade de receitas, etc.

*Fator de gestão: nível de governança,planos estratégicos e operacionais, controla-dores, dentre outros.

*Análise financeira: estrutura de endivi-damento. rentabilidade, volatilidade de vem-das, liquidez, margens, fontes de recursos,obrigações contingenciais, análise comparati-va setorial, projeções de fluxo de caixa, etc.

Através de uma avaliação detalhada dequestões como as comentadas acima, umanalista de crédito experiente deve ser capazde avaliar a capacidade de pagamento deuma empresa. Assim, fica evidente a relevân-cia desse tipo de análise para o processo degestão de crédito.

Por último, vale a pena ressaltar que,independentemente do método preferidopara se realizar tal análise, partindo-se dasquestões mais gerais e indo para as maisespecíficas (abordagem top-down) oupercorrendo esse caminho no sentido inverso(bottom-up), podemos destacar duas carac-terísticas nesse tipo de abordagem:

1. Forte presença de fatores qualitativosque conferem à abordagem um destacadocomponente de subjetividade. Isso se faznecessário para se considerar na avaliaçãovários dos pontos destacados nos riscosacima os quais, de outra forma, seriam dedifícil utilização prática a despeito da informa-ção relevante que eventualmente contenham.

2. Variáveis financeiras são tipicamenteconsideradas de forma univariada ou caso acaso. Por exemplo, ao se avaliar a liquidezconsideram-se seus aspectos de forma isola-da de outros fatores como endividamento oumargem.

Quanto à primeira das característicasacima, vemos que se trata de uma análise derelevância para capturar os aspectos quali-tativos relevantes, a despeito de limitaçõesintrínsecas que comentaremos mais adiante.Em relação à segunda dessas caracterís-ticas, veremos na sequência que suas limita-ções são conhecidas há muito tempo poden-do, inclusive, levar a interpretações incor-retas sobre a qualidade do crédito de umtomador.

Por exemplo, uma empresa com endivida-mento elevado pode ser considerada comgrande potencial para gerar problemas de


Opi

nião

I A

lexa

ndre

de

Oliv

eira

crédito. Por outro lado, caso possua elevadaliquidez a situação pode ser julgada de formadiametralmente oposta. Assim, esta potencialambiguidade relativa ao desempenho devárias empresas fica claramente evidente.

Abordagem QuantitativaUma das principais contribuições de mode-

los quantitativos está em estender asanálises univariadas ao caso multivariadoonde a combinação simultânea de váriosfundamentos determina a capacidade depagamento do tomador. Assim, a utilizaçãode variáveis potencialmente explicativas,como indicadores financeiros extraídos dosbalanços, ganha maior ênfase.

De fato, a aplicação de modelos estatísti-cos com esse propósito vem sendo realizadahá várias décadas. Motivado pelo trabalhoseminal em métodos estatísticos declassificação de Fisher², temos os primeirosrelatos de modelos de escoragem aplicadosa cartões de crédito e financiamento deveículos no mercado americano a partir dadécada de 1940.

Contudo, até o trabalho de Edward Altmanem 1968³, a aplicação de tais modelos aocaso de empresas era inédita. Em parte, por

conta do entendimento de que não seria pos-sível prever a qualidade de crédito de em-presas através de modelos quantitativos e,em parte, por conta de se necessitar de umhistórico de dados minimamente adequadopara a aplicação de modelos desse tipo.

Em seu trabalho, Altman derruba aquelavisão construindo um modelo com base nohistórico de 20 anos de demonstrações para66 empresas do setor de manufatura ame-ricano. Seu modelo, contendo 5 indicadoresfinanceiros, conseguia classificar corretamen-te 95% dos casos de bons e maus pagadorescom um ano de antecedência do evento decrédito, o chamado default. Assim, o compor-tamento conjunto dos indicadores financeiroscontidos no modelo, estimado com base empadrões históricos de ocorrência de default,determina um único número - denominado deescore — que representa a capacidade depagamento do tomador com antecedência de1 ano da ocorrência do evento. Note que,comisso, as potenciais ambiguidades das análi-ses univariadas são deixadas de lado.

Ao longo das décadas seguintes, aborda-gens quantitativas em crédito evoluíramdrasticamente. Outros modelos de discrimi-nação estatística de bons e maus pagadores

Opinião


começaram a ser utilizados como logit eprobit, dentre outros. Mais recentementeainda temos a aplicação de algoritmos deredes neurais. de aprendizagem supervisio-nada e não supervisionada.

Além de modelos estatísticos, surge aclasse de modelos ditos estruturais. Baseadona teoria de opções4 sua abordagemespecífica para aplicação no caso deempresas procura estimar o risco de umaempresa a partir de variáveis econômicascomo a estrutura de capital e o valor amercado de seus ativos.

Assim, podemos ter uma noção a respeitoda evolução metodológica no assunto ao lon-go do tempo. Do ponto de vista da avaliaçãode crédito para empresas, entendemos quemodelos estatísticos simples como AnáliseDiscriminante Multivariada (MDA), logit e pro-bit podem desempenhar bem o papel de mo-delos quantitativos sem tirar do analista apossibilidade de avaliar as variáveis que es-tão levando o modelo a gerar determinadaavaliação, algo que não é possível com mo-delos de redes neurais. Modelos estruturais,por outro lado, embora atraentes em suasconsiderações, são dependentes de merca-dos acionários suficientemente líquidos, o

que dificulta sua aplicação em mercadoscomo o brasileiro em que algumas poucasempresas determinam grande parte do seumovimento.

Caso CorporatePara ilustrar a aplicação de modelos quan-titativos na gestão de crédito, construímosum sistema de classificações (sistema derating) a partir de um histórico de demons-trações financeiras de empresas com açõesnegociadas na bolsa. Com base nessesistema, poderemos avaliar a evolução desua classificação, identificando tendências dequalquer empresa da base, e poderemoscompará-la com outras empresas, bem comoanalisar as variáveis que melhor explicam ocomportamento observado.

Este histórico compreende dados trimes-trais de cerca de 350 empresas de 1994 a2011 a partir das quais uma coleção de 45indicadores financeiros são calculados com oobjetivo de servir como potenciais variáveisexplicativas para o modelo. Um exemplodessas variáveis explicativas pode ser arelação entre endividamento de curto e longoprazo com patrimônio. Ainda para esses 17anos de dados coletados, identificamos


Opi

nião

I A

lexa

ndre

de

Oliv

eira

y, a mesma contagem é feita para o grupodos maus pagadores.

No modelo perfeito, por exemplo, teríamosprimeiramente observado a totalidade dosmaus pagadores para somente depois come-çar a observar bons pagadores. Nessa situa-ção, a curva ROC percorreria o eixo y com-pletamente e depois o x. Consequentemente,a área pintada seria o retângulo completo.Como os modelos podem não acertar a tota-lidade das classificações, a curva ROC apre-senta um desvio em relação ao caso ideal.

Um critério comumente utilizado para ava-liar esta informação é a área sob a curva

mais de 80 eventos de default.Após avaliar o poder explicativo de cada

variável, ficamos com 20 candidatas a seremtestadas em conjunto nos modelos MDA(Fisher), logit e probit e, com o auxílio de pro-cedimentos estatísticos de seleção devariáveis do tipo stepwise, obtemos modeloscom 7 variáveis. Testes estatísticos paraavaliar a qualidade das estimações reali-zadas e largamente reportados em trabalhosdeste tipo, como Kolmogorov-Smirnov, Auroc,Wald, dentre outros, são aplicados. O índicede acerto geral das classificações dos bons emaus pagadores chega a 90% indicando queo modelo possui boa qualidade.

Outro indicador muito utilizado e que podeser visto na figura ao lado é a chamada curvaReceiver Operating Characteristic (ROC)para cada modelo ajustado. Basicamente, osescores gerados por cada modelo e tomadorsão ordenados de forma crescente. Quantomaior o poder de discriminação de bons emaus pagadores do modelo, mais separadosos tomadores devem estar. Percorrendo-seos tomadores ordenados, contabilizamos noeixo x o percentual de bons pagadoresencontrados nas observações ordenadas emrelação ao total de bons pagadores. No eixo

Opinião


ROC (AU- ROC) em relação ao modelo ideal.É fácil ver que quanto mais o modelo real seaproxima do ideal, mais seu AUROC se apro-xima da unidade. Dos três modelos estima-dos, o logit se aproximou mais chegando a94,72%.

No entanto, muito mais importante do quecriar um modelo de dois estados — separan-do os bons dos maus pagadores — é utilizarsua saída para criar um sistema de classifica-ções de vários estados, ou seja, uma escalade rating. Há várias considerações técnicasque devem ser observadas para a obtençãodessa escala como granularidade, estabilida-de de classificações e poder de discrimina-ção, dentre outros. De qualquer forma, estatarefa pode ser feita de várias maneiras. Utili-zamos aqui um método de aglomeração nãosupervisionado controlando o número declasses desejadas obtendo uma escala comnove graus os quais denominamos de AAAAA, A, BBB, BB, B, CCC, CC e C.

O gráfico a seguir exemplifica como asobservações dos tomadores da base ficaramclassificadas neste sistema para um conjuntode empresas de um dado setor. Pode-se verque a maioria das classificações fica nosgraus intermediários apresentando poucas

observações nos extremos da escala. Quali-tativamente falando, este fato parece razoá-vel, uma vez que, para uma escala ter poderde diferenciação é de se esperar que sejadifícil encontrar muitos indivíduos classifica-dos nos melhores graus. Por outro lado, amortalidade de indivíduos nos piores graustambém deve ser elevada. Apenas para infor-mação, o AUROC desta escala ficou em82%. De acordo com alguns trabalhos repor-tados na Europa e Estados Unidos, em ter-mos gerais, deve-se esperar AUROCs entre70% e 90%.

Como consequência desse sistema declassificações, pode-se facilmente observar aevolução histórica para qualquer tomador dabase e que pode ser visto através do gráficoa seguir, ilustrativo para um caso. Pode-se


Opi

nião

I A

lexa

ndre

de

Oliv

eira

ver, claramente, que sua classificação degra-dou-se paulatinamente ao longo do tempo.Em particular nesse caso, o tomador emquestão gerou uma ocorrência de default nofinal de 2003.

Este fato deveria chamar a atenção de umanalista com bastante antecedência à ocor-rência do evento, ou seja, 7 ou 8 anos antesjá apresentava sinais de degradação na qua-lidade do crédito. Certamente, um ponto departida seria analisar o comportamento daclassificação gerada em função das variáveisexplicativas originalmente utilizadas nomodelo.

Assim em caso de avaliação paraconcessão, a análise pra uma eventual reco-

mendação positiva deveria ser maisprofundamente embasada. Em caso derevisão de um crédito já em carteira, suarevisão deveria ser mais frequente edetalhada sinalizando de forma clara para osórgãos internos responsáveis a necessidadede uma ação adequada. Vale ressaltar quepara os demais casos de default da base, otempo médio de sinalização anterior àocorrência do evento ficou em torno de 3anos podendo chegar em vários casos em 4anos mostrando o poder de sinalização domodelo.

Comparação entre AbordagensA abordagem tradicional é bastante flexível epermite facilmente incorporar novos fatorespara compor uma análise. Principalmente,questões qualitativas sobre a gestão daempresa, características dos mercados emque opera ou aspectos concorrenciais, dentreoutros. No entanto, essa flexibilidade impõeum grau elevado de subjetividade aoprocesso de avaliação. Dois analistasdistintos podem avaliar os mesmos aspectosqualitativos sob ângulos diferentes alcan-çando conclusões não totalmente concor-dantes sobre um caso específico.

Opinião


Assim surgem questões como impar-cialidade e consistência das avaliações. Comrelação à imparcialidade, em alguns casos,as percepções sobre determinado nome deum tomador podem falar mais alto do que osfatos concretos refletidos no desempenho domesmo. Em relação à consistência, asituação comentada para os dois analistaspode acontecer tanto em situações deanálise distintas no tempo quanto paraavaliações simultâneas, uma vez que o pesodado por cada um para cada informaçãodepende, em grande parte, de suaexperiência em casos passados. Isso impõeum desafio para que as instituições consigampreservar sua referência de análise quandoda troca de algum analista.

Por outro lado, a qualidade das avaliaçõesde uma analista está diretamente ligada aoconhecimento adquirido com os casosanteriores. Não que um analista com poucosanos de experiência não possa fazer análisescorretas e de qualidade, mas é consenso queo aprendizado adquirido ao longo do tempo ébastante relevante para emissão de seuspareceres. Logo, a análise de crédito sob aabordagem tradicional tende a ser bem maiscara além de ser mais artesanal.

Com relação à abordagem quantitativa,esta demanda conhecimentos de modelosmatemáticos e estatísticos mais profundos, oque normalmente não faz parte do perfil deum departamento de análise de crédito. Noentanto, nada impede que esta abordagempossa ser estruturada através de ferramentascomputacionais adequadas livrando o analis-ta da carga de detalhes indesejáveis e seaproveitando das virtudes que esses méto-dos possibilitam aos seus usuários.

Diferentemente da abordagem anterior,esta se caracteriza primordialmente pela im-parcialidade e consistência. Para os mode-los, pouco importa o nome em questão o queimporta são os padrões objetivamente identi-ficados com base na história.

A consistência é plena, pois, a não ser queo modelo seja alterado as avaliações sempreserão baseadas nos mesmos padrões utiliza-dos para sua estimação.

Uma vez definido um modelo, novos toma-dores não contemplados na base originalpodem ser classificados considerando-se quepertençam ao mesmo grupo relevante detomadores. Adicionalmente, uma vez que umanalista faça projeções sobre os números deum tomador com base em cenários futuros, é


Opi

nião

I A

lexa

ndre

de

Oliv

eira

trivial a verificação da eventual classificaçãodo mesmo condicionado a cada cenário.Some-se a isto, seu poder preditivo destaca-do. Além do mais. considerando-se a exis-tência de dados, esta abordagem pode serestendida facilmente para outros segmentosque não apenas de grandes empresas.

Outro aspecto interessante refere-se àincorporação simples de novas informaçõescom o passar do tempo. Por exemplo, nocaso ilustrado, novas informações podem serobtidas a cada trimestre. Portanto. é rápida ebarata a avaliação de toda a base peloincremento de novas informações. Com isso,o processo de revisão é otimizado permitindoque sejam identificados casos problemáticoscom maior antecedência. Assim, revisõespodem ser priorizadas colocando a frentecasos mais relevantes para a instituição, bemcomo determinando o nível de aprofunda-mento da análise.

Além do sistema de rating permitir umagestão de risco mais dinâmica e preditivapara cada tomador da carteira, ainda possibi-lita a estimação de parâmetros como proba-bilidade de default, relevante para avaliar achance de ocorrência de um evento decrédito para cada rating, bem como a matriz

de transição que informa a possibilidade demudança de rating para cada tomador. Taisparâmetros podem ser cruciais para autilização de modelos de risco em carteira.

Por último, ainda vale notar que ummodelo desse tipo possibilita a comparaçãomuito simples entre tomadores ao longo dotempo, bem como permite à instituiçãomapear eventuais oportunidades emsegmentos ou tomadores com quem aindanão possui relacionamento identificandopossibilidades de novos negócios.

¹ Maiores detalhes nesse assunto podem ser vistos emGanguin, B. e Bilardello, J. Fundamentals of CorporateCredit Analysis, McGraw-Hill , 2005.² Fisher, R. A. The Use of Multiple Measurements inTaxonomic Problems, Annals of Eugenics, Sep 1936. Nº.7, pp. 179-188.³ Altman, E. I. Financial Ratios, Discriminant Analysisand the Prediction of Corporate Bankruptcy, The Journalof Finance. Sep 1968. Vol XXIII. pp. 589-609.4 Merton, R. On the Pricing of Corporate Debt: The RiskStructure of lnterest Rates, The Journal of Finance. 1974.Vol XXIX, pp. 449-470.

Opinião


MVAR- Previsibilidade de um sistema de rating aplicado a empresas brasileiras - ABRAPP

Business

Transcript of MVAR- Previsibilidade de um sistema de rating aplicado a empresas brasileiras - ABRAPP