Expositor: Msc. Mark Sandoval Ulloa

Presentación del tema: "Expositor: Msc. Mark Sandoval Ulloa"— Transcripción de la presentación:

1 Expositor: Msc. Mark Sandoval Ulloa
Riesgo de Cartera Expositor: Msc. Mark Sandoval Ulloa

2 Factores De Riesgo de Cartera
Carácter: integridad u honradez del prestatario Capacidad: facilidad para generar recursos Capital: patrimonio del prestatario Garantías: aval de devoluciones Condiciones: entorno del prestatario Historial externo: referencias externas Prioridad: destino del crédito Madurez: tiempo al vencimiento del crédito

3 Factores De Riesgo de Cartera
Variables adicionales: Exógenas Efectos implícitos Difícil medición Ejemplo: Análisis de las propensiones al ahorro y al consumo diferenciadas por el nivel de ingreso Existen algunas condicionantes o factores cuya complejidad de medición o ponderación escapan al alcance de este seminario, por lo que se consideran como exogenas y con efecto implicito para esta propuesta modelar. No obstante esto no demerita su significancia en cuanto a un riesgo causal.

4 Factores De Riesgo de Cartera
PMA Un ejemplo de variable no ponderada PMa = Promención Marginal al ahorro Vrs. Ingreso, con puntos de inflexión para clase baja, media y alta. Ingreso

5 “Caracter” Siendo una variable Dummy de ceros y unos, se establece:
1, cuando existan cuestionamientos sobre el cliente. 0, cuando no existan cuestionamientos sobre el cliente Demostrable mediante entrevista o la utilización de documentos referenciales alternativos como: Informes de proveedores Historial delictivo, etc. Apesar del conceso general respecto a los indicadores de carácter, su incorporación como variable requiere profundos estudios que demuestren la existencia y magnitud de la posible correlación entre un componente tan sbjetivo y las probilidades concretas de default; no obstante, las posibilidades de utilizar este tipo de variables para controles morales y eticos de la gestión financiera la hacen más que atractivo para los entes reguladores.

6 Procedimiento de medición: sobre “Capacidad”
Creación de categorías percentiles Asignación de valores centrales de clase al resultado acumulado del porcentaje máximo del coeficiente de endeudamiento entre 100 Se asignan las observaciones al percentil adecuado Se asignan el total de operaciones con o sin default al percentil de capacidad correspondiente y se calcula la probabilidad de default del percentil Se agrupan los percentiles en función de las categorías que se desea manejar, y se ubica a la operación en su percentil correspondiente obteniendo la probabilidad acumulada de Default Esta asignación de probabilidad puede ser remplazada por una realización de un proceso estocástico con distribución Poisson para el percentil histórico Está claro que la ponderación de la proporción de default de los percentiles respecto del número de operaciones correspondientes pretende resolver como aproximación el efecto de segmentación que ajusta a la granulidad del peso relativo de las cuotas en el ingreso La distribución de frecuencia debe estar ordenada desde el mejor coeficiente desde hasta el peor, a efecto de que la probabilidad acumulada se pueda entender como la probabilidad de que x<= Una mejoría sustancial a la metodología no parametrica propuesta para la ponderación del default en las categorías de capacidad lo constituye un modelo AR(p) a partir de series históricas con observaciones recopiladas periódicamente de esa relación del default con el tipo de cobertura del ingreso y modelada bajo una aproximación de un proceso estocastico del tipo possion.

7 Capital Definición: respaldo económico o valor de liquidación del sujeto o agente económico prestatario de la operación

8 Indicador sobre “Capital”
Indicador: coeficiente de cobertura global de la deuda que se calcula de la siguiente forma: CCGD = MO/ (VNBR + SPMIA + VPEL) Donde: CCDG = coeficiente de cobertura global de la deuda MO = monto de la Operación VNBR = valor notarial de sus bienes registrados SPMIA = saldo promedio mensual de sus instrumentos de ahorro. VPEL = valor patrimonial en actividades lucrativas

9 Indicador sobre “Capital”
Construyendo la distribución de frecuencias de percentiles a partir del ordenamiento de las observaciones en estado de default respecto de su coeficiente de cobertura global y habiéndolo ponderado con el número total de operaciones, es posible asignar a la operación a una categoría concreta de probabilidad ponderada acumulada de Default La distribución de frecuencia debe estar ordenada desde el mejor coeficiente desde hasta el peor, a efecto de que la probabilidad acumulada se pueda entender como la probabilidad de que x<=

10 Variables sobre “Garantías”
En el elemento de garantías se explora el efecto de persuación que la magnitud de los avales ejercen sobre la propensión al default así como el grado de liquidez de dichos avales Compuesto por: Valor liquidable del aval Cobertura relativa de la operación Probabilidad histórica del default

11 Variables Sobre “Garantías”
Es necesario construir una distribución de frecuencias de default para las diferentes categorías de cobertura de garantía empleados por la institución La distribución de frecuencias debe ser ponderada respecto al número total de operaciones del tipo de garantía activas durante el periodo de análisis Los coeficientes resultantes corresponde a una aproximación de la probabilidad de la ocurrencia de default cuando existe un específico tipo de garantía Si bien la presión de esas catergotorías es de suma importancia la definición de las mismas solo responde a los criterios de eficiencia en la recolección y pertinencia del análisis establecidos por la institución o el analisita. Una mejoría sustancial a la metodología no parametrica propuesta para la ponderación del default en las categorías de garantía lo constituye un modelo AR(p) a partir de series históricas con observaciones recopiladas periódicamente de esa relación del default con el tipo de garantía y modelada bajo una aproximación de un proceso estocastico del tipo possion.

12 Variables Sobre “Garantías”
Se debe construir una distribución de frecuencias percentil del peso relativo de la garantía liquidable respecto del valor total de la operación para cada categoría de garantía. Ese peso relativo puede ser planteado como un análisis al término de la operación o como un valor móvil dado el valor presente de la operación en el momento t en que el evento de Default se origina El momento t, en que se origina el momento de default si bien es explorable a partir de la calificación de una operación como en probabilidad de default del 99% de comfiaza ( lo que normalmente implica su movilización contable a las partidas de incobrables o cobro judicial) resultaría mucho más intuitivo si se le señalase al momento en que la primera cuota de la secuencia de impagos final tiene lugar.

13 Variables Sobre “Garantías”
Los valores absolutos de la distribución percentil deben ser nuevamente ponderados respecto del numero total de operaciones, cuya cobertura líquida sea ajustable al rango de clase percentil. Superposición de las distribuciones de frecuencias. (Ver gráfico de superposición) Las probabilidades a que es asignado el caso de la operación concreta es una probabilidad acumulada Siendo que la distribución de frecuencias de la cobertura relativa es en esencia un análisis de la densidad de la probabilidad de default para cada categoría de garantía, el resultado es una aproximación no paramétrica (o corregida a paramétrica mediante unadistribución de probabilidades polinomiales) de la probabilidad ajustada de impago para todas las combinaciones de garantías aplicables, cuyo límites de clase en la distribución ampliada de frecuencias estaría dado por el comportamiento normal del fenómeno de default sobre la cartera misma. La distribución de frecuencia debe estar ordenada desde la mejor cobertura liquida hasta la peor, a efecto de que la probabilidad acumulada se pueda entender como la probabilidad de que x<=

14 Variables Sobre “Garantías”

15 Variables Sobre “Garantías”
Ultimo paso: Carácter Correctivo Reemplazable Distribución Percentil del Descubierto Ajuste al quinto percentil Se corrige cada tipo de garantía El último proceso tiene asociado un alto nivel de integración de la información interdependencias de la institución de ahí que se considere como un factor de corrección remplazable de las probabilidades de impago de cada categoría. Construyendo la distribución percentil se recopila los valores del componente no recuperado en cada operación luego de ser liquidada y se asume el valor del quinto percentil de la distribución ordenada apartir del peor rescate como factor de corrección del grado de liquidez de cada tipo de garantía.

16 Variables “Entorno” Desempleo abierto Indice de Precios al Consumidor
Indicar Mensual de Actividad Económica Producto Interno Bruto Indice de Precios Industrial Tipo de Cambio Formación neta de empleos Tasa Libor – Tasa Prime Rate Tasa Básica Identificación de las categorías o sectorización de las variables para cada línea de crédito y/o áreas económicas Desempleo abierto: sin bien el desempleo se pondera como un signo negativo de las posibilidades de los asalariados y de las condiciones generales de las empresas, la plena modelación de esta variable pasa por la comprención analítica del doble efecto de la misma por un lado en la disminución del ingreso esperado del asalariado y por la otra en la disminución de los costos operativos de las empresas, donde los signos de afección podrían verse invertidos respectos a los propuestos por este modelo. Indice de Precios al Consumidor: Es de esperarse que la variable IPC `pueda interpretarse con signo negativo para los asalariados o agentes con ingresos fijos y con signo positivo respecto de los agentes con ingresos variables como las empresas. Indicar Mensual de Actividad Económica: Será postivo para ambos. Producto Interno Bruto: Será positivo para ambos. Dada la probable conlineidad entre la varible IMAE y PIB, este ultimo es analizado en su dimensión sectorial, como indicar de afecciones especificas del comportamiento macroeconómico, efecto que es dificil de analizar sobre los datos facilmente accesibles del PIB. Indice de Precios Industrial: Efecto negativo respecto a las empresas, Tipo de Cambio: Operaciones en dolares: negativo para asalariados en colones, positivo asalariados en dólares, positivo para los exportadoras, negativo para las empresas importadoras, Operaciones en colones: positivo para asalariodos en dólares, positivo para empresas exportadoras, negativo para empresas importadoras. Formación neta de empleos: es posible analizar en su dimensión sectorial y sus efectos sobre los agentes especificos, si crece indica desarrollo de empresas, si disminuye indica destrucción de empresas. Positivo para los empleados y para las empresas. Tasa Libor – Tasa Prime Rate: Efecto negativos en asalariados y empresas sobre operaciones en dólares. Tasa Básica: Efecto negativo para los asalariados y empresas sobre operaciones en colónes.

17 Calculo del factor de riesgo Entorno.
Recopilar las observaciones en función de la periodicidad en que se expresa la mora legal por actividad económica Exploración de las variables através de sus series históricas Se corre o verifica una regresión general múltiple de la mora legal sectorizada sobre las variables pertinentes Se proyecta el valor en el momento t+x de todas las variables independientes. Las variables son analizadas principalmente en su dimensión de proyección aplicando modelos Arima (p,d,q) o en razón de su dimensión general mediante su modelos AR(p)

18 Calculo del factor de riesgo Entorno.
Se reemplazan los valores obtenidos en la ecuación resultante de la regresión múltiple Se obtiene el valor esperado de la mora legal sectorizada para el momento t+x El valor de Yt+x constituye el numerador para el coeficiente de deterioro de cartera de la operación, mientras que el denominador corresponde a la media histórica ajustada de la mora legal sectorial La derivación del coeficiente del deterioro de cartera, está aquí expuesto es valido para aplicaciones de conglomerados en la medida que el YT+X de la operación corresponde a una realización estocastica muestral y siendo que el estimador de Yt tienende a el valor esperado de Yt, el manejo de conglomerados constituiría una distribución de medias muestrales cuyo valor esperado es un estimador insesgado y consistente de la población de default. Más aún, este solo elemento puede ser empleado como mecanismo menos complejo del riesgo de default, cuando aquiere esta dimensión del conglomerado y resulta del análsis de todas las realizaciones estocasticas posibles en el universo de la cartera de crédito. El empleo de la mora legal sectorizada como denominador de deterioro de la cartera es en primera instancia una aproximación al efecto de granulidad de la cartera respecto a sus componentes de default que busca por su sectorización aproximar el criterio de segmentación de la misma. La Mora legal sectorial requiere de un ajuste a partir del componente de cobros judiciales y/o cartera de incobrables con el objeto de evitar las distorciones a la interpretación de los efectos de los agregados macroeconómicos respecto de las políticas tasitas o expresas destinadas al ajuste de información para los entes supervisores.

19 Calculo del factor de riesgo Entorno.
Construyendo la distribución de frecuencias de percentiles a partir del ordenamiento de las observaciones en estado de default respecto de su coeficiente de deterioro de cartera y habiéndolo ponderado con el número total de operaciones, es posible asignar a la operación a una categoría concreta de probabilidad ponderada acumulada de Default La distribución de frecuencia debe estar ordenada desde el mejor coeficiente desde hasta el peor, a efecto de que la probabilidad acumulada se pueda entender como la probabilidad de que x<=

20 Variables “Historial Externo”
Representa la propensión típica del agente al default. Alta dificultad del acceso a la información. Una ponderación sujetiva o cualitativa de este factor sesgaría el análisis de probabilidades y limitaría el alcance cualitativo de modelos como el que hoy nos ocupa. En esencia el caracter estructural o suprasiscunstancial del historial externo deben obligar a una ponderación nunca inferior respecto del historial particular del agente en la operación sujeta de evaluación. Si bien es frecuente la utilización de agencias de protección de crédito por parte de los analistas la información obtenida de estas agencias es rara vez sujeta a la manipulación especializada de magnitudes y alcances de los acontecimientos concretas, lo que hace virtualmente imposible la estracción objetiva de los determinantes del default para las operaciones historicas externas del sujeto de crédito. La importancia de este factor y su peso relativoen la probabilidad de default hacen injustificable su exploración y su ulterior exposición en la ecuación de perdidas estimadas y esperadas mediante una variable demmy de calibles, sin importar el grado de precisión cualitativa de las K categorías.

21 Variable Sobre Prioridad
Una postulación con base societal buscará establecer como determinante de la propensión al default el valor de uso del sustantivo o subyacente a que destinan el prestatario los recursos obtenidos. Este planteamiento constituye un contraste desde la perspectiva del valor de cambio respecto del valor de uso tradicionalmente definida por la microeconomía clásica ajustada sociológicamente en la dirección de la teoría de expectativas racionales.

22 Variable Sobre Prioridad
Una aproximación se alcanza con un Dummy con K igual a tres niveles. Alta > > 0% Media - > > 50% Baja > > 100% La ponderación porcentual puede ser ajustada mediante un análisis de probabilidades o simplemente elevada a la ecuación general en su manifestación de Dummy K niveles.

23 Variable Sobre Prioridad
Ejemplo: Alta: vivienda primera vez e inversiones bienes raíces. Media: vivienda segunda o más vehículos y empresarial establecido (3 o más años). Baja: Gastos personales, gastos médicos, empresarial no establecido.

24 Variables “Madurez” Madurez versus medidas precautorias.
Especificidad institucional. Dos aproximaciones Percentiles de certeza de no default. Dummy K = 3 niveles La necesidad de incorporar el factor de madurez de una operación no puede sustituir, en ausencia de un estudio meticuloso de sus determinantes, a las medidas precautorias de los intérvalos de confianza o proyección. El criterio de madurez es probablemente una función de las garantías perfiles de clientes gestión de cobro medidas cautelares y otros tantos componentes operacionales propios de cada cultura organizacional, por lo que su modelación debe responder a comportamiento historico de cada institución y no a una propensión nacional regional o de conglomerados en general a no default.

25 Variables “Madurez” Ejemplo: 99% de certeza de no default
1-0 - > 0% 95% de certeza de no default 0-1 -> 50% Percentiles menores 0-0 -> 100%

26 Integración de los Factores
Integración equiponderada Integración con ponderaciones de criterio Integración por regresión y probabilidad Abordaje progresivo por los métodos de integración. Integración equiponderada: es evidentemente el mecámismo más sencillo para integrar la probabillidad de default a partir de los criterios específicos, sin embargo, el investigador arriesga la consistencia de la aproximación modelar siempre que no aplique suficiente rigurosidad en las metodologías de proyección y asignación de probabillidades de los componentes. Adicionalmente implica aceptar que variables sociológicas, financieras, y económicas contribuyen en igual proporción aunque ajustada a las probabilidades de Default. Integración con poderaciones de criterio: permite diferenciar los efectos eterogeneos que los elementos especificos de riesgo tiene sobre el acontecimiento del fenomeno de Default, empero la exactitud de la medición que en última instancia circunscrita a un criterio, si bien experto, finalmente subjetivo. Integración por regresión y probabilidad: permite complementar con un patrón estadisticamente objetivo la etapa final de la modelación , mediante el estudio del impacto completo de cada factor de riesgo y por ende de sus diferentes niveles sobre los eventos de default; sin embargo la naturaleza misma del evento de default dificulta la obteción de os volumenes de información necesarios para aplicar teorías básicas como el teorema de límite central o las leyes de grandes números. Es recomendable interpretar los métodos de integración como pasos evolutivos paulatinos de la aplicación de la modelación bajo esta metodología.

27 Integración de los Factores
Definición de límites de semáforos Incorporación del factor historial particular de la operación. Establecimiento de las probabilidades por categoría interna al rating. Finalmente se definen los límites para los semáforos de alerta en las X cantidad de categoría de operación que se desea gestionar. Como un mecanismo para integrar los parámetros tradicionales de los entes reguladores como normalmente vinculados al aprovicionmiento respecto de categorías de las cédula de vencimientos como es posible asociar la dimensión integrada de la probabilidad de default con el historial de cumplimiento observado para la operación que se debe clasificar o evaluar. La asignación final de probabilidades de default para una categoría cualquiera del interno al rating derivado de la metodología propuesta por asm en este seminario pasa por dos caminos posibles, el primero, el de encontrar la probabilidad acumulada de default para cada tipo de historial y ponderarla con la probabilidad asociada a los niveles de integración de los factores de riesgo. Una segunda posibilidad es la de determinar la probabilidad de default atribuible a cada categoría del interno al rating, compuesta por un tipo de historial y un nivel de integración de factores de riesgo. Esta claro que ha pesar de las bondades de este último camino enfrenta la límitación de acceso a volumenes de información historica suficientes dado un interno al rating que normalmente supera las doce categorías y que de hecho es normalmente compuesto hasta por 18 categorías.

28 Ejemplos de la Aplicación Modelar

29 Criterio Según SUFEG Categoría Cobertura A 0,5% B 1% B1 10% B2 20 C
60% D 100%

30 Internal Rating (Clase A)
Aaa: Operación clase A Historial clase A+ Aa: Historial clase A, 30 días A: Historial clase B, 90 días.(Limite cobro adm.)

31 Internal Rating (Clase B)
Bbb: Operación clase A Historial clase c, +90 días Operación clase B Historial clase A+ Bb: Historial clase A B: Historial clase B

32 Internal Rating (Clase C)
Ccc: Operación clase B Historial clase C Operación clase C Historial clase A+ Cc: Historial clase A C: Historial clase B

33 Internal Rating (Clase D)
Ddd: Operación clase C Historial clase C Dd: Cualquier cliente Reincidencia A D: Reincidencia B

34 Internal Rating (Clase E)
Cualquier clase de operación en: Reincidencia clase C Cobro judicial Incobrables

35 Definición de Historiales.
A+: historial perfecto de pagos A: con presencia histórica de retrazos menores a 30 días B: con presencia histórica de retrazos menores a 90 días o su equivalente en el limite de cobro administrativo C: con presencia histórica de retrazos mayores a 90 días, sin cobros judiciales

36 Definición de Reincidencia
A: presencia histórica de dos o más retrasos a 90 días. B: presencia histórica de dos o más retrasos mayores a 90 días. C: presencia histórica de cobros judiciales.

37 Expositor: Msc. Mark Sandoval Ulloa
Riesgo de Cartera Expositor: Msc. Mark Sandoval Ulloa