A quién sirve esta entrada — A quien utiliza estimaciones, señales, valoraciones o medidas de riesgo para decidir y quiere controlar no solo el cálculo, sino todo el recorrido desde los datos y el modelo hasta el resultado y su uso.
La guía conjunta de 2026 de la Reserva Federal, OCC y FDIC define el riesgo de modelo como la posibilidad de consecuencias financieras adversas asociadas a modelos que pueden derivarse de decisiones basadas en sus resultados.
Un modelo es una representación simplificada. Transforma datos mediante teorías, supuestos y métodos para producir estimaciones. Precisamente porque selecciona y simplifica, puede ser útil sin constituir una descripción completa de la realidad.
En palabras sencillas — Un modelo puede calcular exactamente aquello para lo que fue construido y aun así respaldar una decisión frágil si los datos, el objetivo, las condiciones o la interpretación no son adecuados.
El riesgo de modelo es más que un error
| Fuente | Ejemplo |
|---|---|
| Datos | Muestra incompleta, información no disponible al decidir, calidad o representatividad insuficientes |
| Supuestos y método | Distribución, dependencias o dinámica inadecuadas para el fenómeno |
| Desarrollo e implementación | Fórmula errónea, fallo, correspondencia o versión incoherente con la documentación |
| Valoración | Perfiles de pago, precios, costes o liquidez representados de forma insuficiente |
| Uso | Modelo aplicado fuera de su alcance, horizonte u objetivo originales |
| Interpretación | Resultado tratado como certeza, límite rígido o recomendación automática |
| Gobierno | Funciones, cuestionamiento, inventario, cambios o incidentes sin registrar |
Un error del modelo es, por tanto, una posible fuente del riesgo de modelo, no su sinónimo. La guía de 2026 observa que incluso un modelo fundamentalmente sólido y coherente con su objetivo puede presentar riesgo elevado si se aplica o utiliza mal.
Por ejemplo, un VaR correctamente calculado sobre una ventana tranquila puede ser inadecuado como único límite durante un cambio de régimen. El problema puede estar en los datos y en el uso, incluso sin un error aritmético.
Materialidad y proporcionalidad
La cantidad de control no procede de un calendario universal. Depende de:
- riesgo inherente: complejidad, supuestos, calidad y límites de los datos;
- exposición: cuánto afectan el resultado y las decisiones al capital o la actividad;
- objetivo: importancia de la función respaldada por el modelo;
- uso: personas, procesos, automatización y posibilidades de uso indebido;
- dependencias agregadas: datos, métodos o supuestos compartidos entre modelos.
Los modelos más materiales requieren controles y cuestionamiento más rigurosos. Los que comparten datos o supuestos pueden fallar juntos, por lo que un inventario necesita una visión agregada además de individual.
Control durante todo el ciclo de vida
- Objetivo y uso previsto — Describir decisión, usuarios, resultado, límites y condiciones en las que no debe utilizarse el modelo.
- Desarrollo y pruebas — Documentar datos, selección, supuestos, método, implementación y pruebas fuera de muestra o fuera de tiempo pertinentes.
- Validación — Evaluar solidez conceptual, fiabilidad, límites y análisis de resultados con la competencia y objetividad adecuadas.
- Antes del uso — La guía considera práctica general validar antes del primer uso. Cualquier excepción exige límites, comunicación y controles reforzados, no una aprobación implícita.
- Seguimiento continuo — Comparar resultados del modelo con resultados reales y evaluar cambios en rendimiento, datos, productos y mercados.
- Cambios y corrección — Registrar ajustes, recalibraciones, versiones, excepciones, correcciones y retirada del modelo.
- Gobierno — Asignar responsables, aprobaciones, cuestionamiento independiente, escalado, inventario y documentación.
La frecuencia y profundidad de validación y seguimiento dependen del objetivo, método, cambios, disponibilidad de datos y materialidad. Un control mensual o anual no es adecuado por definición solo porque se repite en el calendario.
Modelos de terceros y herramientas vinculadas
Comprar datos, parámetros o un modelo no transfiere al proveedor la obligación de comprender sus riesgos y límites. El código o la metodología propietarios pueden reducir la transparencia, pero siguen siendo necesarios la evaluación, la validación, el seguimiento de resultados y el control de personalizaciones.
El overfitting, la fuga de datos y la falta de robustez son fuentes importantes, pero no agotan el riesgo de modelo. También importan uso, exposición, dependencias, interpretación y gobierno.
SR 26-2 cubre modelos cuantitativos tradicionales e IA no generativa ni agéntica; la IA generativa y agéntica queda fuera de su alcance. Ese límite de la fuente no implica que esas herramientas carezcan de riesgo, pero impide tratarlas automáticamente como sujetas a la misma guía.
Lo que una validación no demuestra
- no prueba que el modelo represente todos los regímenes futuros;
- no elimina el riesgo de modelo residual material;
- no autoriza un uso fuera de alcance;
- no sustituye referencias, criterio informado y análisis complementarios;
- no convierte un resultado en una decisión automática.
Error típico — Reducir el control a “el código funciona” o “el backtest pasa”. Desarrollo, uso, límites, seguimiento y gobierno son partes del mismo riesgo.
Alcance de la fuente institucional
SR 26-2 se publicó el 17 de abril de 2026 y sustituye a SR 11-7. Es una guía de supervisión basada en el riesgo, descrita como más relevante para organizaciones bancarias con más de 30.000 millones de dólares en activos; no es un requisito universal para cualquier trader. Esta entrada la utiliza como referencia institucional para definiciones y estructura del ciclo de control.
Fuentes
- Federal Reserve — SR 26-2, Revised Guidance on Model Risk Management
- Federal Reserve, OCC y FDIC — Supervisory Guidance on Model Risk Management, anexo de SR 26-2