Calidad en la Cartera de Crédito del Sistema Bancario en Venezuela: Estimación y Proyección utilizando Variables Macroeconómicas Leonardo Vera e Irene Costa

¿Por qué es importante la calidad de la cartera de crédito? Es un elemento clave en el desempeño de una institución financiera pues afecta los ingresos financieros y la rentabilidad Un problema de rentabilidad puede convertirse en uno de liquidez y eventualmente en uno de solvencia si las pérdidas son sostenidas y no se han hecho las provisiones Un deterioro de la cartera pueda señalizar mal al banco generando desconfianza Una crisis por deterioro del activo puede generar contagio o reacciones por el lado de los pasivos en el sistema

¿Qué utilidad tiene anticipar o proyectar la Cartera Inmovilizada? Una anticipación, lo más precisa posible, de cambios en la cartera inmovilizada, ayudaría a atenuar la tendencia de generar las provisiones justo en la fase recesiva del ciclo, una práctica que termina magnificando las pérdidas y el tamaño del ‘shock’ sobre el capital Ayuda a construir de forma anticipada y ordenada las provisiones necesarias Los “estandares” regulatorios a nivel mundial vienen recomendando la constitución de provisiones sobre “impaired loans” (ejem. FAS 114 en USA)

…¿ y en Venezuela que parece decir la evidencia? Para los últimos diez años las series estadísticas trimestrales indican que al mejorar la Cartera Inmovilizada las Provisiones suben tres trimestres más tarde (la más alta correlación cruzada entre el nivel de morosidad de la cartera y el stock de provisiones se da con un rezago de tres trimestres y es de -0,74). Pruebas de causalidad de Granger entre estas dos variables indican, además, que las provisiones no preceden estadísticamente a la calidad de la cartera, y que por el contrario, la calidad de la cartera sí causa estadísticamente el monto de las provisiones. Todo esto pareciera corroborar que las provisiones no se constituyen del todo en una forma ex-ante. El sistema puede tener dificultades para poder anticipar la evolución de la morosidad de la cartera de créditos

¿Qué Buscamos? Explicar y proyectar la evolución de la cartera inmovilizada del sistema financiero venezolano en función de un conjunto de variables macroeconómicas Haremos una estimación econométrica empleando la metodología de lo “general a lo específico” que permite seleccionar unas versiones restringidas de un modelo ADL (Autoregressive Distributed Lag) que utiliza series trimestrales desde el cuarto trimestre de 1992 hasta el cuarto trimestre de 2004. Haremos pruebas de diagnóstico sobre los modelos y ciertos ejercicios de proyección ex-ante y ex-post para lapsos trimestrales del año 2004 y 2005.

¿Que Determinantes señala la literatura como importantes? Variables Macroeconómicas y Sistémicas Indicadores Específicos de cada banco Ciclos Expansivos de Crédito Choques en el nivel de Actividad Económica Movimientos en las Tasas de Interés Variaciones en el Tipo de Cambio Movimientos en el Precio de los colaterales Relación Deuda-Ingresos de las familias y empresas Tasa de Inflación Eficiencia en la Gerencia (calidad en el otorgamiento y seguimiento del crédito y en la gestión de recuperación) Aversión al Riesgo de la Institución Concentración y Composición de la Cartera Aporte de los Accionistas sobre el Activo Políticas en Relación al Tamaño Rentabilidad de la Institución

Antecedentes de estudios estimando los determinantes Macro de la Cartera Inmovilizadfa Apuntando los ciclos del crédito: Li (2003), Clair (1992), Saurina y Salas (1998) y Solttila y Vihriala (1994). Apuntando los “shocks” en el Producto o el Ingreso: Fons (1991), Helwege y Kleiman (1997), Keenan (1999), Muñoz (1999), Apuntando las tasas de interés: Hoggart y Pain (2002) Muñoz (1999), Saurina y Salas (1998), Guillén (2002) Apuntando las variaciones en el tipo de cambio: Méndez, Durán y Muñoz (2001) y Muñoz (1999),

Estimación para el Sistema en Venezuela Variable a Estimar: Calidad de la Cartera = (Créditos Vencido + Créditos en Litigio) / Cartera Bruta Universo: Bancos Comerciales y Universales Periodicidad de la Data y Período de Estimación: Data Trimestral para el lapso 1992:IV a 2004:4, en el mejor de los casos se contará con 49 observaciones para realizar las estimaciones. Variables Explicativas: Variables Macro y de Impacto Sistémico Metodología de Estimación y Proyección: Especificación dinámica con un modelo ADL utilizando MCO y proyección condicionada

Selección de Variables Variables Preliminares Hipótesis de “Shock” Recesivo”: PIB Total, PIB no petrolero, Variación del PIB total, Variación del PIB no petrolero Hipótesis de Carga Financiera e Incremento de Riesgo por Tasas: Tasa de Interés de los préstamos nominal, Tasa de Interés real de los préstamos, Tasa de Inflación Hipótesis de “Ciclo Crediticio”: Crecimiento del crédito nominal (t-1), Crecimiento del crédito nominal (t-4), Crecimiento del crédito real (t-1), Crecimiento del crédito real (t-4) Hipótesis de Descalce de Monedas y Encarecimiento de Insumos Importados: Tipo de cambio nominal promedio, tipo de cambio nominal al fin de período, depreciación del tipo de cambio

Evolución de la Cartera Inmovilizada 5 10 15 20 25 93 94 95 96 97 98 99 00 01 02 03 04 C a r t e I n m o v i l z d / B u T c H P E ó y s 1 9 2 : 4 -

Los “Priors” Ritmo de Actividad Económica: Una caída en el nivel de actividad afecta las ventas y el flujo de caja de las unidades económicas y señaliza un incremento en la morosidad Tasas de Interés: Mayores tasas de interés eleva la carga financiera sobre los deudores, puede interrumpir la cadena de pagos elevando la morosidad de la cartera. Mayores tasas inducen a buscar proyectos de mayor riesgo y cambia la composición del pool de solicitantes de crédito. Ciclo Crediticio: Ciclo de auge en el crédito hace más férrea la competencia por capturar el mercado y produce liquidación de créditos de menor calidad. Elevado optimismo y euforia llevan a una sobrevaloración de los colaterales y a un mayor apalancamiento personal y empresarial elevando la sensibilidad de los deudores a los choques. Fluctuaciones Cambiarias: Depreciaciones generan encarecimiento de insumos importados y contracción del mercado doméstico, incidiendo negativamente en el flujo de caja de y la capacidad de repago. Disminuye en moneda foránea el valor de los activos y eleva el valor de los pasivos (descalce de moneda) Tasa de Inflación: Mayor tasa de inflación disminuye el costo real del crédito, pero incide en el flujo de caja si los incrementos de costo no son trasladados enteramente a los precios

Metodología para la Selección de Variables 1.- Se examinó el correlograma cruzado de cada variable con respecto a la cartera inmovilizada a fin de determinar el signo y la magnitud de la correlación con rezagos 2.- Se analizó el grado integración de las variables aplicando tests ADF, PP y KPSS de raíces unitarias y se determinó que la cartera inmovilizada es una variable I(I). Se apeló entonces al criterio de operacionalizar variables no estacionarias 3.- Se inició la búsqueda de una relación de largo plazo entre las variables (un vector de cointegración) incluyendo al indicador de cartera inmovilizada

Ejemplo 1: ¿Por qué el crecimiento del crédito pudiera ser descartado? Correlación entre Cartera Inmovilizada y Crecimiento (T/T-1) Rezagado del Crédito Real 0,020 0,077 0,028 0,099 -0,064 -0,136 -0,275 -0,257 -0,362 -0,285 -0,401 -0,423 12 11 10 9 8 7 6 5 4 3 2 1 Rezagos Muestra: 1992:4 2004:4 Observaciones: 43 Correlación entre Cartera Inmovilizada y Crecimiento (T/T-4) Rezagado del 0,101 0,078 0,059 0,060 0,038 -0,031 -0,137 -0,265 -0,383 -0,450 -0,506 -0,567 Crédito Nominal -0,155 -0,082 -0,156 -0,059 -0,215 -0,239 -0,357 -0,263 -0,338 -0,170 -0,241 -0,223 -0,120 -0,144 -0,163 -0,167 -0,187 -0,312 -0,387 -0,441 -0,432 -0,402 -0,390 Sólo los valores desestacionalizados del crecimiento del crédito real y nominal resultaron I(1) Aun así los valores rezagados de estas variables correlacionan negativamente con la cartera inmovilizada Esperabamos correlaciones positivas No se encontró vector de cointegración alguno que incluya alguna operacionalización de la tasa de crecmiento del crédito

Ejemplo 2: ¿Por qué la tasa de interés nominal de los préstamos es incorporada? Nota: Datos normalizados La tasa de interés con rezagos correlaciona positivamente con la calidad de la cartera

Pruebas de Raíces Unitarias Las pruebas de raíces unitarias con el test ADF y Phillips y Perron sobre estas variables indican que no se puede rechazar la hipótesis nula, lo cual implica que las mismas tienen por lo menos una raíz unitaria. La única excepción fue la depreciación del tipo de cambio, que resultó ser estacionaria. Natural si se considera la preferencia el período bajo escrutinio por mantener un régimen de tipo de cambio fijo ajustable. El test KPSS arroja resultado mixtos, con el PIB real, la depreciación y la variación del crédito real resultando estacionarias. Esta disimilitud en los resultados de las pruebas no tiene por qué constituir un problema si al final se reporta un vector de cointegración.

La Relación de Largo Plazo Las pruebas de raices unitarias indican que la CI es I(1) lo que nos lleva a la selección de las variables I(I) PIB Real Total (PIBTOT), la Tasa de Interés Nominal Activa (TA), la Tasa de Inflación (INF), el crecimiento del crédito (CREREAL) y eventualmente la Depreciación del Tipo de Cambio (DEPRETC) para aplicar la prueba de cointegración. Prueba de Cointegración de Johansen Muestra: 47 después de ajuste Spuesto de Tendencia: Sin tendencia determinística Series: CI, PIBTOT, TA, INF, CREREAL, DEPRETC Número de Ecuaciones de Cointegración Autovalor Estadístico de Traza Valor Crítico (0,05) Prob.** Ninguna* 0,5819 92,7423 83,9371 0,0099 Al menos 1 0,3739 51,7484 60,0614 0,2063 Al menos 2 0,3033 23,7352 40,1749 0,3684 Al menos 3 0,1679 12,7457 24,2759 0,6432 Al menos 4 0,0828 4,1027 12,3209 0,696 Al menos 5 0,0008 0,0385 4,1299 0,8723 Estadístico de Autovalor Máximo 40,9938 36,6301 0,0145 22,0131 30,4396 0,3815 16,9895 24,1592 0,3433 8,6429 17,7973 0,6345 4,0642 11,2248 0,6182 * Denota Rechazo de la Hipótesis Nula ** Valores de MacKinnon-Haug (1999) Las prueba de Johansen indica que las variables cointegran y que la regresión no adolecería de los problemas que generan las relaciones espúreas.

La Especificación Inicial: El ADL(3,3) ¿Qué es un ADL? Es un Modelo Dinámico (con rezagos) que formalmente viene representado como: t x L B m y A e + = ) ( , donde L representa el operador de rezago tal que 1 - = t y Ly En esta expresión se cumple que å = - p j L α A 1 ) ( ; å = q j L B ) ( b y ) , ( 2 s e o nid t » Se supone que el proceso xt es exógeno e independiente del proceso  t. En el caso que nos toca, el modelo ADL(3,3) viene representado por la siguiente especificación t x y m e b a + = - 3 2 1 Variable endógena Endógena con rezagos Variables exógenas A los fines de obtener la mejor especificación dinámica y con el objeto ulterior de proyectar CI, se utiliza un modelo ADL(3,3) cuyas variables exógeneas son el PIBTOT, TA, INF CREREAL y DEPRETC.

Dos Modelos Hemos Aplicado Hemos Incluido Modelo ADL1 y ADL2 Restringidos y Pruebas de Diagnóstico Método: Mínimos Cuadrados Ordinarios Muestra(ajustada): 1993:3 2004:4 Observaciones: 46 después de ajustes Variable Dependiente: CI ADL1 ADL2 Coeficiente Estadístico-t Prob. Variable C 10,3521 2,2132 0,0000 7,3507 3,3243 0,0020 CI(-1) 0,3847 0,0636 0,4009 5,7015 CI(-2) 0,2550 0,0601 0,0001 0,2490 3,7371 0,0006 PIBTOT -8,48E-07 1,9000 -6,27E-07 -3,0525 0,0041 TA 0,0341 0,0085 0,0003 0,0464 5,5338 DEPRETC(-3) 0,0361 0,0093 0,0004 0,0350 3,3907 0,0016 INF(-3) -0,1517 0,0269 -0,1377 -4,6852 DUM1 7,0051 0,5268 7,0836 12,1369 DUM2 1,0473 0,3354 0,0035 R-cuadrado 0,9739 0,9669 R-cuadrado justado 0,9682 0,9609 Error estandar de regresión 0,7022 0,7788 Suma de residuos cuadrado 18,2439 23,0506 Estadídtico Durbin-Watson 2,3090 -49,3793 Estadístico Jarque-Bera 0,0268 1,9623 Criterio de Inf. de Akaike 2,3044 1,0818 Criterio de Inf. de Schwarz 2,6622 2,4947 Estadístico F 172,4034 2,8127 Prob(Estadístico F) 159,0287 Test F Prueba LM B-G (orden 1) 1 1,8093 0,1870 0,0344 0,8536 Prueba LM G-B (orden 2) 2,2317 0,1224 0,0612 0,9407 Prueba LM G-B (orden 3) 1,6712 0,1915 0,2767 0,8417 Prueba ARCH(1) 2 9,1157 0,0043 2,0881 0,1556 Prueba ARCH(2) 3,0273 0,0594 0,5868 0,5607 Prueba ARCH(3) 0,6099 0,6126 0,7651 0,5205 Prueba de Ramsey (2da Potencia) 3 3,7073 0,0346 4,7905 0,0143 Prueba de Ramsey (2da y 3era Potencia) 2,6426 0,0650 3,1097 0,0386 /Ho: No hay correlación serial en los residuos /Ho: No hetorocedasticidad de orrden q /Ho: No hay error de especificación Hemos Aplicado Proceso de marginalización que consiste en eliminar variables no significativas y aquellas que presentan signo contrario a lo esperado en la teoría En caso de ambiguedad en la selección los criterios de Akaike y Schwarz Hemos Incluido Una variable dicotómica para recoger los “spikes” en los errores que corresponden al período de la Crisis Financiera Una variable Dicotómica que recoge los “spikes” en los errores que produce el perído con control de cambio

¿Qué hayamos en las estimaciones? En ambos modelos Una relación dinámica entre las variables (a) Bondad del ajuste muy elevada (b) Dispersión del error asociado con la línea de regresión, es bajo (implica un buen rastreo de los valores ajustados) DEPRE PIBTOT CI CI TA INF (c) Todas la variables son significativas y con el signo esperado. La variación del crédito no entró en la especificación CI t-3 t-2 t-1 t (d) No hay evidencia de correlación serial La única diferencia entre ADL1 y ADL2 es la Dummy para el control de cambio (e) No hay evidencia de heterocedasticidad condicionada (f) No hay error de especificación (g) Residuos Normales

El Rastreo de los puntos de giro es bastante bueno Ajuste dentro de la muestra (in-sample fit) Sobre el perído de estimación uno puede comparar los valores reales de la variable con los valores ajustados Esto ayuda a identificar áreas donde el modelo consistentemente sobre-predice o sub-predice El Rastreo de los puntos de giro es bastante bueno -2 -1 1 2 5 10 15 20 25 94 95 96 97 98 99 00 01 02 03 04 R e s i d u a l E f c t v o A j m ó n C I M D L 9 : 4 - -2 -1 1 2 5 10 15 20 25 94 95 96 97 98 99 00 01 02 03 04 R e s i d u a l E f c t v o A j m ó n C I M D L 9 : 4 -

Para Evaluar el Poder Predictivo de los Modelos 1.- Consideramos los errores de proyección de la variable ajustada por los modelos dentro de la muestra (in-sample). 2.- Consideramos también los errores de proyección de la variable ajustada acortando la muestra en dos trimestres, proyectando la variable calidad de cartera para 2004:3 y 2004:4, y contrastando los valores proyectados contra los valores ya conocidos de la variable dependiente (fuera de la muestra, en forma ex-post). 3.- A modo comparativo, se contrastó la capacidad predictiva del modelos ADL reducidos, con relación a un modelo alternativo –un modelo autoregresivo de primer orden.

La Comparación en base a los errores de predicción ADL1 ADL2 Autoregresivo Dentro de la Muestra (In-sample) 0,56 0,73 1,76 7,86 15,46 37,46 0,035 0,055 0,140 Recorte de la Muestra (proyección ex-post: dos ultimos trimestres de 2004) 0,20 0,94 2,11 8,34 50,35 110,75 0,064 0,197 0,388 EAM: Error Absoluto Medio ERM: Error Relativo Medio Comparación de la Capacidad Predictiva de los Modelos EAM ERM Theil En términos generales, el modelo ADL1 mostró un mejor poder predictivo que ADL2 y ADL2 que el modelo autoregresivo Si se considera, por ejemplo, el ajuste dentro de la muestra (in-sample), el modelo ADL1 mostró un Error Absoluto Medio (EAM) de 0,56% y un coeficiente de Theil[1] de 0,035, frente a un EAM de 1,76% y un coeficiente Theil de 0,14 del modelo autoregresivo de primer orden. [1] El coeficiente de Theil siempre se encuentra entre 0 y 1 y se calcula como: , donde Yt es el valor efectivo de la variable y ft es el valor proyectado. Un valor del coeficiente igual a cero (0) implica un ajuste perfecto (Yt = ft).

¿Qué tipo de Proyección es relevante en nuestro ejercicio? - Haremos una Proyección Ex-ante, típicamente condicionada. A pesar que nuestro modelo exhibe una estructura de rezagos, la relación contemporánea entre la Tasa de Interés, TA y el PIB, con la Cartera inmovilizada, CI, nos obliga a que la predicción del trimestre por venir dependa de la predicción que se haga de estas variables exógenas. Para el trimestre inmediato, la proyección de la Tasa de Interés y del PIB se toman del Modelo PROI (elaborado por la Gerencia de Investigaciones Económicas), y con respecto al resto de las variables los valores realizados que entran con rezago. Para proyectar cuatro trimestres hacia delante (del 2005), por ejemplo, requerimos de valores proyectados por PROI del resto de las variables independientes. PIBTOT TA INF(-3) DEPRETC(-3) Dum1 Dum2 I 2005 10.618.482 15,89 4,3179 0,0000 1 II 2005 10.806.544 15,67 3,2165 III 2005 11.261.346 15,83 3,8586 IV 2006 11.767.262 15,82 4,2170 11,3143 PIBTOT = PIB Total en millones de Bs. a precios de 1984 TA = Tasa Activa (%) INF = d[log(IPC)] DEPRETC = d[log(Tipo de Cambio Nominal)] CI = (Créditos Vencidos+En Litigio) / Cartera de Créditos Bruta (%) Variables Exógenas

Proyección de los 4 trimestres de 2005 Observada Proyectada con ADL1 Proyectada con ADL2 Promedio I 2004 4,15 II 2004 2,92 III 2004 2,58 IV 2004 1,70 I 2005 1,50 2,16 1,83 II 2005 1,20 2,15 1,67 III 2005 0,55 1,91 1,23 IV 2005 0,15 0,99 CI = (Créditos Vencidos+En Litigio) / Cartera de Créditos Bruta (%) Calidad de la Cartera (CI) En ambos modelos la calidad de la cartera mejora ininterrumpidamente a lo largo del año 2005. No obstante, en el modelo ADL2 la calidad de la cartera se deteriora en el primer trimestre de 2005, para luego caer muy gradualmente hasta llegar en el último trimestre de 2005 a un nivel todavía superior al ya reportado en el cuarto trimestre de 2004. Con el modelo ADL1 la calidad mejora en forma más abrupta, para llegar a niveles no conocidos. El peso de la variable DUM2 genera este sesgo muy marcado de CI hacia la baja.

Contraste de la Proyección de los 4 trimestres de 2005 Razón Cartera Inmovilizada/Cartera Bruta En la zona

Comentarios Finales Es posible conseguir un modelo de estimación de la cartera inmovilizada con relativo buen poder predictivo en el corto plazo basado exclusivamente en variables macro. El modelo, sin embargo, no captura plenamente el impacto que la gestión de riesgos pudiera tener sobre la calidad de la cartera. Tampoco recoge variables específicas del sector bancario. Siendo un modelo agregado para el sistema bancario de Venezuela, no es muy claro si la gestión de riesgos tiene un alcance sistémico como para ser considerada en este tipo de modelos. No menos importante resulta el hecho de que el sistema bancario está siendo sometido a nuevos cambios regulatorios en torno a la asignación sectorial del crédito que eventualmente pueden afectar la calidad del crédito.