💰 quantitative finance

Climate aware lending allocation under NGFS scenarios - A Monte Carlo approach

Este artículo presenta un marco basado en Monte Carlo que integra los escenarios climáticos de la NGFS en un modelo estructural de riesgo de crédito para simular las probabilidades de incumplimiento de los deudores y optimizar la asignación de la cartera de préstamos, permitiendo así que los bancos vinculen los riesgos de transición climática y físicos con los resultados de riesgo de crédito prospectivos y las pruebas de resistencia.

Autores originales: Marina Palaisti

Publicado 2026-10-02

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Marina Palaisti

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Los bancos han dependido durante mucho tiempo de la historia para predecir el futuro. Al decidir quién recibe un préstamo, observan cómo se han comportado los prestatarios en el pasado, asumiendo que las relaciones económicas se mantendrán relativamente estables. Este enfoque funciona bien en tiempos normales, pero tiene dificultades cuando el mundo cambia de formas que no tienen precedentes históricos. El cambio climático es una de esas fuerzas. Introduce dos tipos distintos de peligro para los prestatarios: riesgos físicos, donde el clima extremo daña los activos y altera las operaciones, y riesgos de transición, donde el cambio hacia una economía baja en carbono altera los costos, las regulaciones y la demanda del mercado. Debido a que estas fuerzas son prospectivas y están impulsadas por políticas más que solo por ciclos de mercado, las herramientas tradicionales suelen fallar al capturar el riesgo real. Los reguladores ahora piden a los bancos que miren hacia adelante, para comprender cómo diferentes caminos hacia un futuro más verde podrían afectar la seguridad de sus préstamos.

Una investigadora llamada Marina Palaisti ha desarrollado una nueva forma de responder a esta pregunta. El trabajo consiste en construir un modelo informático que simula cómo podría comportarse un gran grupo de prestatarios durante los próximos tres a cinco años bajo diferentes escenarios climáticos. En lugar de adivinar, el modelo utiliza historias específicas y estructuradas sobre el futuro proporcionadas por la Red para el Perfeccionamiento del Sistema Financiero (Network for Greening the Financial System), un grupo global de bancos centrales y supervisores. Estas historias van desde una transición suave y ordenada hacia un mundo bajo en carbono, hasta una situación caótica donde los cambios de política ocurren de forma repentina y el daño físico por tormentas aumenta. El modelo toma estas historias generales y las traduce en efectos específicos para las empresas individuales, ajustando qué tan rápido crecen o qué tan probable es que fracasen.

El núcleo del estudio es una simulación de mil empresas hipotéticas. La investigadora introduce diferentes escenarios climáticos en el modelo para ver cómo cada uno cambia la salud financiera de las empresas. En el modelo, el valor de una empresa está ligado a su capacidad para producir bienes y gestionar su uso de energía. Cuando un escenario climático impacta, actúa como un choque al motor de crecimiento de la empresa. Por ejemplo, un escenario con nuevos impuestos al carbono estrictos podría frenar una fábrica que depende del carbón, mientras que un escenario con mejor tecnología podría ayudar a una empresa de energía eólica a crecer más rápido. El modelo calcula la probabilidad de que cada empresa caiga por debajo de un umbral crítico y entre en impago. Al ejecutar miles de estas simulaciones, la investigadora puede ver no solo el riesgo promedio, sino cómo se distribuye el riesgo a través de todo el grupo de prestatarios.

Los resultados muestran que la elección de la historia climática importa profundamente. Diferentes escenarios producen patrones de riesgo muy distintos. En un escenario, donde la acción política se retrasa y el daño físico por el clima aumenta, el riesgo se distribuye de manera algo uniforme, con muchas empresas enfrentando desafíos moderados. En otro escenario, donde la transición a una economía verde ocurre mediante un choque repentino y abrupto, el riesgo se vuelve más desigual. Algunas empresas que antes eran seguras enfrentan de repente altos riesgos, mientras que otras permanecen estables. El estudio encontró que el escenario donde la transición es ordenada y coordinada produjo en realidad el riesgo promedio más alto para la cartera en esta simulación específica, mientras que un escenario con un llamado de atención repentino produjo el riesgo promedio más bajo. Esto resalta que la severidad de un escenario no se trata solo de qué tan malo se pone el clima, sino de cómo reacciona la economía ante los cambios.

Utilizando estos riesgos calculados, la investigadora luego se planteó una pregunta práctica: ¿cómo debería un banco prestar su dinero si quiere maximizar los rendimientos mientras se mantiene seguro? El modelo actúa como una guía, mostrando qué sectores parecen más atractivos bajo cada historia climática. En el escenario donde los desastres físicos son la principal amenaza, el modelo sugiere prestar más a la infraestructura resiliente como la energía eólica y la hidroeléctrica. En el escenario donde la transición es repentina y caótica, el modelo desplaza su preferencia hacia las tecnologías de "puente", como el gas natural más limpio y los sistemas de captura de carbono, que podrían ser más valiosos en un mercado que cambia rápidamente. Curiosamente, incluso en los escenarios más extremos, el modelo no corta completamente el préstamo a los sectores de combustibles fósiles, pero reduce drásticamente la cantidad de dinero que va hacia ellos en comparación con las alternativas más limpias.

El estudio enfatiza que estos hallazgos son específicos de la simulación y de los supuestos integrados en el modelo. Los resultados dependen de cómo se traduzcan las historias climáticas en datos a nivel de empresa, y el modelo aún no captura cada detalle de cómo las empresas individuales podrían adaptarse o cómo sus ubicaciones específicas podrían afectarlas. Sin embargo, el marco proporciona una forma clara y transparente para que los bancos vinculen las narrativas climáticas de alto nivel con el riesgo real de sus carteras de préstamos. Muestra que el riesgo climático no es un número único, sino un paisaje complejo que cambia dependiendo del camino que tome el mundo. Al utilizar este tipo de análisis prospectivo, los bancos pueden ir más allá de mirar únicamente el pasado y comenzar a prepararse para los desafíos específicos que diferentes futuros climáticos puedan traer.

Resumen Técnico: Asignación de Préstamos con Conciencia Climática bajo Escenarios del NGFS

Formulación del Problema

El artículo aborda el desafío de integrar el riesgo climático prospectivo en la gestión del riesgo de crédito y la asignación de capital. Los marcos tradicionales de riesgo de crédito dependen de datos históricos y relaciones económicas estables, lo que los hace inadecuados para el riesgo climático, el cual está impulsado por políticas, depende de escenarios y es prospectivo. Los reguladores exigen cada vez más herramientas para traducir los escenarios climáticos de la Red para un Sistema Financiero Verde (NGFS, por sus siglas en inglés) en implicaciones de pérdidas y capital a nivel de cartera para el Proceso de Evaluación de la Adecuación del Capital Interno (ICAAP) y las pruebas de resistencia (stress testing).

El problema central se define como un problema de optimización con restricciones: una institución financiera busca asignar un presupuesto de capital total $K$ entre $N$ obligados para maximizar los ingresos por intereses esperados, sujeto a riesgos de incumplimiento y restricciones de diversificación. El objetivo es determinar la cantidad óptima de préstamos $x_i$ para cada obligado $i$ de tal manera que:
$\max_{x_1, \dots, x_N} \sum_{i=1}^N x_i \eta_i (1 - PD_i)$
sujeto a $\sum x_i = K$ y $0 \le x_i \le \kappa K$ , donde $\eta_i$ es la tasa de interés ajustada por riesgo y $PD_i$ es la probabilidad de incumplimiento. El desafío crítico es que $PD_i$ no es estática, sino que es una función de las trayectorias de los escenarios climáticos (riesgos de transición y físicos) que alteran la dinámica a nivel de empresa.

Metodología

El artículo propone un marco estructural de riesgo de crédito que integra los escenarios a corto plazo del NGFS (2024) en la dinámica del valor de la empresa. La metodología consta de cuatro etapas principales:

1. Modelado de Emisiones y Producción a Nivel de Empresa

Las empresas se modelan como agentes optimizadores que eligen estrategias de emisiones $\gamma_i$ para maximizar el valor presente neto de sus beneficios.

Estructura de Costos: Las empresas enfrentan costos cuadráticos por la producción de energía y penalizaciones/recompensas regulatorias basadas en las desviaciones de los parámetros de referencia de emisiones.
Dinámica de Producción: El nivel de producción logarítmica $p_t^i$ sigue una ecuación diferencial estocástica (SDE). El término de deriva $\mu_i$ es ajustado por factores climáticos, incluyendo las elecciones de emisiones y una penalización de apalancamiento ( $x_i \eta_i$ ) que representa el costo de la exposición al capital.
Estrategia Óptima: El artículo establece la existencia y unicidad de una política de emisiones óptima bajo estructuras de costos convexos, derivando una solución en forma cerrada para la estrategia óptima bajo costos cuadráticos.

2. Modelado Estructural de Incumplimiento

El valor de la empresa $V_t^i$ se define como el valor presente de los flujos de caja futuros esperados (netos de pérdidas climáticas) menos las pérdidas físicas esperadas (EPL).

Condición de Incumplimiento: El incumplimiento ocurre cuando el valor de la empresa cae por debajo de un umbral de pasivos $L_i(t)$ .
Función de Valor: El proceso de valor está vinculado al proceso de producción logarítmica mediante una función determinista $h_i(t, x)$ , que integra el crecimiento de la producción, los costos y las pérdidas físicas.
Ajuste de la Deriva: Los choques de los escenarios del NGFS (transición y físicos) se mapean hacia ajustes a nivel de sector, los cuales modifican la deriva del proceso de producción de la empresa. Esto crea una deriva ajustada por el clima $\tilde{\mu}_i^\theta$ .

3. Dependencia y Simulación (Monte Carlo)

Para modelar los incumplimientos conjuntos y el riesgo sistémico, el artículo emplea el Análisis de Componentes Principales (PCA) sobre la matriz de covarianza de los factores de riesgo sistémico.

Reducción de Dimensionalidad: El vector de riesgo sistémico $X_t$ se aproxima mediante los dos primeros componentes principales (autovalores $\nu_1, \nu_2$ ), reduciendo la estructura de correlación de alta dimensión a dos factores ortogonales ( $G_1, G_2$ ).
Estimación de la Probabilidad de Incumplimiento: Utilizando simulación de Monte Carlo ( $M=5000$ extracciones), el modelo simula choques idiosincrásicos y sistémicos para estimar la probabilidad de incumplimiento ( $PD_i$ ) para cada obligado bajo escenarios específicos. La condición de incumplimiento se transforma en una comparación entre un estado idiosincrásico $A_t^i$ y un umbral sistémico $X_t^i$ .

4. Optimización con Restricciones

Los valores estimados de $PD_i$ se introducen en un resolvedor de programación lineal para determinar la asignación óptima de préstamos $x_i$ . La optimización maximiza el rendimiento ajustado por riesgo mientras cumple con un tope de diversificación ( $\kappa = 0.05$ ), evitando una concentración excesiva en un solo obligado.

Principales Contribuciones

Integración Estructural de los Escenarios NGFS: El estudio integra los escenarios de corto plazo del NGFS directamente en un modelo de riesgo de crédito estructural de cartera, vinculando las narrativas climáticas de alto nivel con la dinámica de incumplimiento a nivel de empresa y las señales de capital.
Ajuste de la Deriva Dependiente del Escenario: Introduce un mecanismo donde los choques de riesgo de transición y físico ajustan la deriva de la dinámica del valor de la empresa, traduciendo los impactos climáticos sectoriales en métricas de solvencia específicas de cada obligado.
Optimización de Cartera Tratable: El marco proporciona un enfoque computacionalmente viable (usando PCA y programación lineal) para evaluar los patrones de asignación de préstamos a través de diferentes trayectorias climáticas, ofreciendo una capa prospectiva a los modelos de crédito existentes.
Análisis de Cartera Sintética: Al utilizar una cartera sintética de 1,000 obligados, el artículo demuestra la mecánica del marco en ausencia de datos propietarios de bancos, resaltando el riesgo de modelo y las dependencias de calibración.

Resultados

El estudio simula resultados a través de cuatro escenarios del NGFS: Desastres y Estancamiento de Políticas (DAPS), Autopista hacia París (HWTP), Despertar Repentino (SWUC) y Realidades Divergentes (DiRe).

Distribuciones de Probabilidad de Incumplimiento: Aunque las PD absolutas siguen siendo bajas (generalmente < 1.5%), las distribuciones transversales varían significamente.
- HWTP (Transición ordenada) produce la media, la mediana y las PD de la cola superior más altas.
- SWUC (Transición abrupta) produce las medias y medianas de PD más bajas.
- DAPS y DiRe muestran distribuciones dispersas y agrupadas, respectivamente, reflejando exposiciones heterogéneas a riesgos físicos y de transición.
- Nota: Estas clasificaciones son implícitas del modelo y dependen de la calibración, no son medidas empíricas de severidad de escenario.
Patrones de Asignación de Préstamos:
- DAPS: El capital se concentra en infraestructura de baja emisión resiliente (Viento, Hidroeléctrica, Biomasa).
- HWTP: Similar a DAPS, favoreciendo el Viento e Hidroeléctrica, con asignaciones menores a sectores de apoyo a la transición (Fotovoltaica, Nuclear, Captura de CO2).
- SWUC y DiRe: Estos escenarios resultan en carteras mixtas donde las tecnologías de "puente" (Gas Limpio) y las tecnologías de mitigación (Captura de CO2) reciben las mayores asignaciones, junto con los sectores de transporte y manufactura. Los sectores de combustibles fósiles no se excluyen totalmente, pero reciben asignaciones limitadas y topadas.
Robustez: Las pruebas de sensibilidad confirman que el tope de diversificación es esencial para evitar soluciones de esquina degeneradas. Los resultados de la asignación son estables a través de extracciones independientes de Monte Carlo, aunque los rankings individuales de los obligados varían debido al ruido de la simulación.

Significado y Limitaciones

Significado:
El artículo afirma ofrecer un marco tratable para que los bancos vinculen los escenarios del NGFS con el riesgo de crédito sectorial y los resultados de pérdida de la cartera. Apoya el ICAAP y las pruebas de resistencia climática al identificar las exposiciones más sensibles al riesgo climático y añadir una capa prospectiva a los modelos existentes. Contribuye a la literatura al conectar las finanzas climáticas, la optimización de carteras bajo incertidumbre y la investigación de pruebas de resistencia.

Limitaciones:
El autor establece explícitamente que los resultados dependen del diseño de los escenarios del NGFS y de las estimaciones de impacto sectorial, que siguen siendo inciertas.

Heterogeneidad: El modelo mapea los choques por clasificación sectorial y no captura plenamente la heterogeneidad dentro del sector (por ejemplo, la intensidad de carbono de la empresa, la exposición geográfica o la capacidad de adaptación).
Pasivos Estáticos: Los pasivos de la empresa se mantienen constantes, ignorando la reestructuración o el refinanciamiento dinámico.
Factores de Riesgo: El riesgo climático entra únicamente a través del componente de la deriva; se excluyen cambios en la volatilidad, resultados de cola pesada y riesgos de salto.
Datos Sintéticos: El análisis utiliza una cartera sintética; se requiere validación empírica con datos reales de bancos para su aplicación práctica.

El artículo concluye que, si bien el marco es una herramienta valiosa para explorar los impactos de los escenarios en la solvencia y la resiliencia de la cartera, debe verse como una capa de análisis de escenarios más que como un reemplazo de los modelos de crédito empíricos.