El riesgo de que modelos financieros, de valoración, de previsión o de apoyo a la decisión produzcan resultados incorrectos o conduzcan a decisiones inapropiadas por errores de código, especificación errónea, supuestos inadecuados, entradas incorrectas o uso indebido respecto a su propósito previsto.

Principio

Las salidas del modelo están condicionadas por su estructura y entradas; por tanto, errores o supuestos inapropiados se propagan a decisiones y exposiciones salvo que se detecten y corrijan.

Demostración

Situación: Una mesa de trading usa un modelo de volatilidad para fijar límites diarios. Reconocimiento: El backtesting muestra subestimación recurrente de pérdidas extremas tras un cambio de régimen. Acción: Se suspende la reliance en el modelo, se aplican conservadurismos y se recalibra. Consecuencia: Las posiciones previamente toleradas se revalúan o reducen, evitando la acumulación de riesgo extremo no reconocido.

Aplicación incorrecta

Interpretación errónea: Confundir un buen ajuste histórico con garantía de rendimiento futuro. Error semántico: Confluir desempeño de calibración (ajuste in‑sample) con validez estructural bajo condiciones cambiantes.

Consecuencia

Si no se reconoce el error del modelo, las decisiones (precio, cobertura, asignación de capital) pueden subestimar sistemáticamente riesgo o valor, generando pérdidas financieras directas, decisiones estratégicas equivocadas o insuficiencia de capital regulatorio: modelo defectuoso → decisión errónea → pérdida realizada o reservas insuficientes.

Inversión

El principio se atenúa cuando las salidas del modelo son solo insumos orientativos dentro de procesos que incorporan salvaguardas independientes (pruebas de estrés, márgenes conservadores, controles de límites) o cuando el modelo produce métricas estrictamente descriptivas; en tales casos el impacto operacional del error es limitado.

Límite

Claramente dentro: Un modelo de scoring crediticio mal especificado que subestima PD. Caso límite: Modelo con incertidumbre paramétrica conocida pero acompañado de escenarios de estrés y gobernanza explícita — el riesgo existe pero está mitigado. Claramente fuera: Una caída de TI que impide ejecutar el modelo pero no denota un error lógico del mismo.

Tensión semántica

Precisión y complejidad ↔ Interpretabilidad y robustez: modelos más complejos pueden ajustar mejor los datos pero resultan más difíciles de validar y más frágiles ante cambios de régimen.

Síntesis

El riesgo de modelo no se reduce a errores aislados: deriva de la dependencia sistémica de las decisiones respecto a supuestos condicionales — gestionarlo exige considerar los modelos como fuentes falibles e incorporar procesos que limiten la reliance.