Ciencia de Datos · Módulo 7 · 14 de julio de 2026

Métodos Bayesianos para Riesgo

¿Qué haces con un portafolio de 300 créditos y cero incumplimientos? La estadística frecuentista se encoge de hombros; los métodos bayesianos responden. Priors como clases de referencia, la maquinaria beta-binomial y shrinkage entre segmentos.

Aquí hay una pregunta que todo equipo de crédito enfrenta tarde o temprano, planteada en su versión más filosa: prestas a 300 acreditados de financiamiento de proyectos durante cinco años y observas cero incumplimientos. ¿Cuál es la PD? La respuesta frecuentista — el estimador de máxima verosimilitud, incumplimientos entre créditos — es 0%. Lo cual no es una estimación; es un deseo. Mete PD = 0 en el pricing, en las provisiones o en la fórmula IRB y acabas de declarar el portafolio libre de riesgo con la evidencia del todavía-no. Todo mundo sabe que eso está mal. Los métodos bayesianos son la maquinaria para decir exactamente qué tan mal, y qué decir en su lugar.

La jugada: la probabilidad como creencia actualizada

La receta bayesiana nunca cambia: empieza con una distribución prior (a priori) sobre lo desconocido (aquí, la PD), observa datos, y produce una posterior (a posteriori) — las creencias después de la evidencia — vía la regla de Bayes:

p(\theta \mid \text{datos}) \;\propto\; p(\text{datos} \mid \theta)\, p(\theta)

El ingrediente polémico es el prior — ¿de dónde salió? En el trabajo de riesgo la respuesta honesta suele ser la clase de referencia: ¿qué ha hecho históricamente este tipo de exposición, en toda la industria, antes de que yo viera mi propio libro? Los estudios de incumplimiento de largo plazo de las agencias calificadoras (Módulo 8 de la ruta de crédito), los propios pisos de Basilea, datos de portafolios de segmentos similares. Lejos de ser anticientífico, un prior disciplinado es la vista exterior — partir de la tasa base de las cosas como esta, y luego dejar que tus datos específicos te jalen lejos de ella exactamente tan rápido como su tamaño de muestra lo merece.

El caballo de batalla: beta-binomial

Para una PD estimada a partir de $k$ incumplimientos en $n$ créditos, la maquinaria conjugada deja todo en forma cerrada. Dale a la PD un prior Beta( $\alpha_0, \beta_0$ ) — parametrizado de la forma más intuitiva como una media prior $m$ y una fuerza del prior $s$ (en pseudo-créditos): $\alpha_0 = ms$ , $\beta_0 = (1-m)s$ . Observa los datos, y la posterior es simplemente

\text{PD} \mid \text{datos} \;\sim\; \text{Beta}(\alpha_0 + k,\; \beta_0 + n - k)

con media posterior

\mathbb{E}[\text{PD} \mid \text{datos}] = \frac{\alpha_0 + k}{s + n} = \underbrace{\frac{s}{s+n}}_{\text{peso del prior}} \cdot m \;+\; \underbrace{\frac{n}{s+n}}_{\text{peso de los datos}} \cdot \frac{k}{n}

Lee la última forma despacio, porque es la filosofía completa en una línea: la estimación es un promedio ponderado de la media del prior y el MLE, con pesos proporcionales a sus tamaños de muestra — $s$ pseudo-créditos de experiencia previa contra $n$ reales. ¿Libro chico? La clase de referencia domina, como debe ser. ¿Diez mil créditos? Tus datos ahogan al prior, como debe ser. La transición es automática, suave y auditable.

Trabaja tú mismo el problema de cero incumplimientos:

Pon $k = 0$ y observa la posterior: se apila cerca de cero pero asigna probabilidad real a PDs de 1–2% — los datos no pueden distinguir “seguro” de “con suerte hasta ahora”, y la posterior dice exactamente eso. Ahora sube $n$ con $k$ todavía en 0: el intervalo de credibilidad se aprieta hacia cero honestamente, al ritmo al que la evidencia de verdad se acumula. Luego voltea el régimen: $n = 2000$ , $k = 30$ — el prior se desvanece hasta ser un susurro. El estimador no necesita supervisión; se vuelve frecuentista exactamente cuando el frecuentismo se lo gana. (Un parche clásico merece mención: la “regla del tres” — con cero eventos en $n$ ensayos, la cota superior al 95% es aproximadamente $3/n$ . Es una aproximación de emergencia decente, y el notebook muestra que queda cerca de lo que dice una posterior con prior plano.)

Shrinkage: muchos segmentos chicos, un portafolio

El problema de un solo segmento se generaliza a la forma que el crédito de verdad tiene: decenas de segmentos, la mayoría demasiado chicos para estimarse solos. Libros regionales, cubetas de industria, variantes de producto — cada uno con su propia PD “verdadera”, cada uno con ridículamente pocos datos. Se presentan dos malas opciones: estimar cada segmento por separado (ruido — el segmento con cero incumplimientos de este año es la vergüenza del que viene) o juntar todo en un solo bote (ceguera — los segmentos genuinamente difieren).

La respuesta bayesiana es el camino de en medio con un mecanismo: modelado jerárquico. Deja que la PD de cada segmento se extraiga de una distribución compartida a nivel portafolio, estima esa distribución con todos los segmentos en conjunto, y entonces la estimación de cada segmento queda jalada — encogida (shrinkage) — hacia el centro del portafolio, con los segmentos chicos jalados fuerte y los grandes apenas movidos. La versión de Bayes empírico es exactamente la beta-binomial de arriba corrida por segmento, con el prior mismo ajustado a partir del corte transversal de segmentos. El efecto sobre una tabla de posiciones es inmediato y saludable: los segmentos extremos de muestra chica (0% aquí, 9% allá, con treinta créditos cada uno) migran hacia el centro, y lo que queda en los extremos son las diferencias que los datos de verdad pueden sostener. Es el mismo fenómeno estadístico detrás de la regresión a la media — usado a propósito, en lugar de padecido.

Donde el prior se convierte en la respuesta

El modo de falla del trabajo bayesiano en riesgo no es la matemática — es la gobernanza. Un prior lo bastante fuerte para dominar a los datos por siempre es una decisión de política disfrazada de distribución de probabilidad. Tres disciplinas lo mantienen honesto: declara el prior en unidades auditables (“equivalente a 200 créditos al 1.5%” es una oración que un validador puede atacar; unos α y β sin explicación no lo son); corre el análisis de sensibilidad (¿qué tan diferente sería la respuesta con un prior plano? ¿con la media del prior duplicada? — si la decisión se voltea, el prior la está cargando, y todos deberían saberlo); y comprométete con el prior antes de ver los datos del segmento, o el “prior” es solo la conclusión, lavada. El mismo escepticismo de SR 11-7 que gobierna a los modelos gobierna a los priors — son supuestos de modelo con confianza filosófica extra.

Intervalos de credibilidad, y decir lo que quieres decir

Una recompensa que vale el marco completo: los intervalos bayesianos significan lo que todo mundo ya cree que los intervalos significan. Un intervalo de credibilidad al 90% es una afirmación sobre el parámetro — “dada la evidencia, la PD está en este rango con probabilidad del 90%”. El intervalo de confianza frecuentista, famosamente, no es eso (es una afirmación sobre la cobertura de largo plazo del procedimiento), y la diferencia deja de ser pedantería exactamente donde vive el riesgo: muestras chicas y casos frontera como $k = 0$ , donde los intervalos clásicos se portan mal y el intervalo de credibilidad se mantiene sensato. Cuando tu declaración de incertidumbre alimenta un colchón de pricing o un ajuste de conservadurismo, quieres la versión que significa lo que el comité inevitablemente va a asumir que significa.

La misma lógica se extiende a todo lo que está aguas abajo de una PD estimada: la posterior es una distribución, así que cualquier cosa que calcules a partir de la PD — pérdida esperada, un número de capital, un precio — hereda una distribución también. En lugar de un número más manoteo, obtienes “la pérdida está entre 40 y 90pb con probabilidad del 90%”, que es el insumo honesto para una decisión sobre colchones. La incertidumbre deja de ser una nota al pie y se convierte en un objeto que puedes propagar.

Cuándo echar mano de esta caja de herramientas

No en todos lados — en los grandes portafolios retail los datos abruman a cualquier prior, y el pipeline frecuentista de scorecards del Módulo 2 es la herramienta correcta. La maquinaria bayesiana se gana su complejidad donde los datos son estructuralmente escasos: portafolios de bajo incumplimiento (soberanos, bancos, financiamiento de proyectos — donde los reguladores exigen explícitamente estimación conservadora de PD y esta es la manera coherente de ser conservador), productos nuevos y segmentos nuevos (sin historia por definición — el prior es la decisión de lanzamiento, hecha explícita), tablas de posiciones de segmentos chicos (shrinkage), LGD con pocas observaciones de recuperación, y mezclas de experto más datos (el juicio de un analista de crédito expresado como pseudo-observaciones, y luego actualizado — en lugar de discutido en juntas). El hilo común: cada vez que alguien dice “no tenemos suficientes datos para estimar eso”, la réplica bayesiana es “entonces seamos precisos sobre qué creíamos de antemano y qué tanto lo mueven estos datos”.

Dónde se conecta

La idea del prior como clase de referencia es la formalización estadística de la vista exterior — la misma disciplina que comparar un segmento contra las tablas de largo plazo de las agencias calificadoras antes de confiar en tu propia historia.
La maquinaria de cero incumplimientos es lo que los reguladores informalmente esperan detrás de las PD de portafolios de bajo incumplimiento que alimentan la fórmula IRB; el análisis de sensibilidad del prior es el desafío efectivo de SR 11-7 aplicado a los supuestos.
El shrinkage reaparece dentro del ML como regularización — una penalización ridge es un prior gaussiano — conectando este módulo con cada modelo regularizado del Módulo 12 de crédito.
Actualizar creencias conforme llegan los datos es la versión con principios de lo que el monitoreo del Módulo 6 hace operativamente.

Pruébalo tú mismo

El notebook de abajo implementa la caja de herramientas completa sin nada más que numpy/scipy: actualización beta-binomial con la parametrización en pseudo-créditos, el problema de cero incumplimientos con intervalos de credibilidad contra la regla del tres, gráficas de tornado de sensibilidad del prior, y un modelo de shrinkage de Bayes empírico sobre veinte segmentos sintéticos — mira la tabla de posiciones reordenarse conforme los segmentos chicos se encogen hacia el centro, y luego revisa cuál versión predice mejor el siguiente año simulado (spoiler: el shrinkage gana, cada vez que la verdad se extrae de la jerarquía). El ejercicio de cierre le pone precio a un colchón de conservadurismo directamente a partir de la posterior.

Métodos Bayesianos para Riesgo de Crédito (notebook de Jupyter)

Descarga gratuita, sin registro (archivo en inglés).

Descargar

#bayesian#low-default#shrinkage#beta-binomial#priors

Recibe los nuevos posts por correo

Un correo por cada artículo nuevo. Sin spam, sin ventas, cancela cuando quieras.