Crises bancárias raramente surgem do nada. Em muitos casos, os sinais estão presentes nos dados, mas passam despercebidos por modelos estatísticos tradicionais ou por relatórios que olham para trás, e não para frente.
Pesquisadores da Autoridade Bancária Europeia (EBA) demonstraram, em reportagem recente do Financial Times, que modelos de machine learning conseguem identificar violações em indicadores prudenciais com antecedência. Esses “breaches” funcionam como alertas precoces, ampliando a capacidade preditiva ao explorar padrões em conjuntos de dados muito maiores do que o número limitado de falências passadas permitiria.
No Brasil, o Banco Central dispõe de bases semelhantes, com séries históricas longas, detalhadas e atualizadas, ideais para treinar algoritmos com esse objetivo. Mas o desafio principal não é técnico, e sim estrutural.
Fintechs, modelos de crédito alternativo e novas formas de intermediação financeira criaram um perímetro regulatório mais difuso. O risco pode não estar mais concentrado no sistema bancário tradicional, mas em zonas menos visíveis, onde o acompanhamento ainda depende de relatórios agregados e métricas convencionais.
Para aumentar a visibilidade sobre essas áreas, será necessário adaptar os modelos e incorporar fontes novas, como dados de pagamentos instantâneos (Pix), registros de derivativos, plataformas de crédito e informações do open finance. A integração dessas camadas pode permitir uma leitura mais fina dos fluxos de risco sistêmico e, com isso, acionar alarmes antes que seja tarde.
Dados não faltam. Falta calibrar os algoritmos para enxergar o que já está neles.
