Documentos de Académico
Documentos de Profesional
Documentos de Cultura
del BCRP
Riesgo de Crdito
David Trillo
Profesor Titular Universidad Rey Juan Carlos
Vilario Consultores
david.trillo@urjc.es
formacin@axpa.es
www.axpa.es
Riesgo de crdito
David Trillo 2
Vilario Consultores
1
Riesgo de crdito
David Trillo 3
Vilario Consultores
David Trillo 4
Vilario Consultores
2
Factores que han favorecido el desarrollo de los
modelos de riesgo de crdito
David Trillo 5
Vilario Consultores
David Trillo 6
Vilario Consultores
3
Modelos de credit scoring
David Trillo 7
Vilario Consultores
David Trillo 8
Vilario Consultores
4
Fases modelos credit scoring
Diseo
Seleccin de variables explicativas
Eleccin del modelo estadstico
Obtencin de una muestra representativa de la poblacin
Estimacin del modelo
Modelo seleccionado
Definicin de las utilidades del modelo y las reglas de decisin
Legalizacin del modelo en la Organizacin
Implantacin del modelo
Registro histrico del funcionamiento del modelo
David Trillo 9
Vilario Consultores
Particulares Empresa
Personales: Rentabilidad:
edad, sexo, hijos, situacin familiar BAI sobre Activos, Recursos Propios, Ventas
Patrimonio: Liquidez:
viv. En propiedad, automvil, zona Fondo de Maniobra / Activos totales
residencia, depsitos, fondos inversin, Cash Flow Operativo / Pasivo Exigible
tarjetas, deuda
Endeudamiento:
Ocupacin: Deuda total / Activos totales
tipo de empleo, n aos de trabajo, Deuda total / Recursos Propios
funcin y sector
Crecimiento y dispersin:
Ingresos: Tasa media crecimiento beneficios o ventas
monto medio, salarios, beneficios Desviacin tpica de la rentabilidad
Historial de pago
Capitalizacin:
Recursos Propios / Activo Total o Deuda
Rotacin ventas:
Ventas / Activos Totales o circulante
Existencias (o circulante-existencias)/ Ventas
10
5
Modelo de Altman para empresas cotizadas
David Trillo 11
Vilario Consultores
David Trillo 12
Vilario Consultores
6
Valores de Z discriminantes
David Trillo 13
Vilario Consultores
100
La nueva variable puntuacin P est dada por P
1 e U
Si Z = 1.23 P = 30.26
Si Z = 2.90 P = 69.74
David Trillo 14
Vilario Consultores
7
Puntos en funcin de Z
100,00
90,00
80,00
70,00
60,00
50,00
40,00
30,00
20,00
10,00
0,00
-3 -2,7-2,4-2,1-1,8-1,5-1,2-0,9-0,6-0,3 0 0,3 0,6 0,9 1,2
ngel 1,5 1,8 2,1 2,4 2,7 3 3,3 3,6 3,9 4,2 4,5 4,8 5,1 5,4 5,715
Vilario
David Trillo 16
Vilario Consultores
8
Ejemplo variables discriminantes candidatas
para empresas
Re cursos propios
X
Deuda Total
BDI
Y
Activo Total
David Trillo 17
Vilario Consultores
9
Capacidad discriminante de las variables
David Trillo 19
Vilario Consultores
RP/DT BDI/AT
30%
20%
10%
0%
BDI/AT
0,0 1,0 2,0 3,0 4,0 5,0 6,0 7,0 8,0 9,0
-10%
-20%
-30%
-40%
-50%
RP/DT
David Trillo 20
Vilario Consultores
10
RP/DT BDI/AT
25%
20%
15%
10%
5%
0%
BDI/AT
-10%
-15%
-20%
-25%
-30%
RP/DT
David Trillo 21
Vilario Consultores
Modelos logit
Estimacin de un modelo de la forma
PD = 1 Impago PD = 0 Pago
e x i 1
Pr ob(y i 1/ x i , ) x i
1 e 1 e x i
Hay que estimar los coeficientes a, b, y c
1
PD Z a bX cY
1 eZ
a 2.349160
b 0.966291
c 0.427001
David Trillo 22
Vilario Consultores
11
Errores de clasificacin
David Trillo 23
Vilario Consultores
Porcentajes de error
Solvente Insolvente
Solvente 90% 10%
Insolvente 15% 85%
David Trillo 24
Vilario Consultores
12
Riesgos del modelo
Endgenos
Deficiente estimacin y contraste
Base de datos no adecuada
Exgenos
Aprendizaje de los acreditados
Fraudes en la utilizacin
Cambio de las condiciones del entorno
David Trillo 25
Vilario Consultores
David Trillo 26
Vilario Consultores
13
Comentarios al modelo
David Trillo 27
Vilario Consultores
Modelo Probit
z2
x 1
N(x i) 2
e 2 dz
David Trillo 28
Vilario Consultores
14
Ejemplo de estimacin de un modelo
Un banco estima un modelo de credit scoring para la cartera de crditos al
consumo basndose en la experiencia de una muestra formada por 500
crditos fallidos y 500 crditos sanos obtenidos estos ltimos mediante
muestro aleatorio simple de la cartera de crditos sin incidencias.
Las variables seleccionadas han sido:
Cuota (CUO) que es la razn entre el importe de la cuota anual y los ingresos
anuales del acreditado.
Edad (EDA) expresada en aos
Empleo (EMP) que es una variable binaria que toma el valor 1 en el caso de
empleo fijo y 0 para cualquier otro caso.
David Trillo 29
Vilario Consultores
Antigedad (ANT) que son los aos de antigedad del acreditado como
cliente de la entidad.
Vivienda (VIV) variable binaria, 1 en el caso de vivienda en propiedad y 0 en
el resto de los casos.
Y que es la variable que expresa el comportamiento de crdito observado en
la muestra.
David Trillo 30
Vilario Consultores
15
Resultados de la estimacin de un modelo logit
Dependent Variable: Y
Method: ML - Binary Logit (Quadratic
hill climbing)
Date: 09/15/05 Time: 11:36
Sample: 1 1000
Included observations: 1000
Convergence achieved after 11
iterations
David Trillo 31
Vilario Consultores
16
EMP -7.169081 2.853006 -2.512817 0.0120
ANT -2.325158 0.966886 -2.404791 0.0162
VIV -4.269701 1.994566 -2.140667 0.0323
Mean dependent var 0.500000 S.D. dependent var 0.500250
S.E. of regression 0.053515 Akaike info criterion 0.031334
Sum squared resid 2.846690 Schwarz criterion 0.060781
Log likelihood -9.667180 Hannan-Quinn criter. 0.042526
Restr. log likelihood -693.1472 Avg. log likelihood -0.009667
LR statistic (5 df) 1366.960 McFadden R-squared 0.986053
Probability(LR stat) 0.000000
Obs with Dep=0 500 Total obs 1000
Obs with Dep=1 500
David Trillo 33
Vilario Consultores
David Trillo 34
Vilario Consultores
17
Interpretacin del signo de los coeficientes estimados
e x i 1
Teniendo en cuenta que Pr ob(y i 1 / x i ,)
1 e x i 1 e x i
David Trillo 35
Vilario Consultores
De este ejemplo surge la regla que el signo del coeficiente debe ser positivo
si est asociado a una variable de signo positivo que cuanto ms grande sea
es mayor la probabilidad de incumplimiento y el signo debe ser negativo si
est asociado a una variable de signo positivo que cuanto ms grande sea es
mayor la probabilidad de cumplimiento. Despus de la cuota las variables son
la edad (Cuanto ms edad la conjetura es que menos probabilidad de
incumplimiento), la variable empleo (variable binaria que vale y =1 para el
empleo fijo y vale y = 0 para el resto, luego es mayor para el caso favorable),
la variable antigedad que cuanto ms mejor y por ltimo la variable
vivienda, tambin binaria, con valor 1 para propiedad y 0 para el resto, luego
similar a la variable empleo.
David Trillo 36
Vilario Consultores
18
Interpretacin del valor numrico de los coeficientes
E(y i / x i ,)
f ( x i) j
x ij
David Trillo 37
Vilario Consultores
i E(y i / x i ,) / x ij
k E(y i / x i ,) / x ik
David Trillo 38
Vilario Consultores
19
Otros estadsticos
En la tabla de salida tenemos
n
yi
i 1
Media de la variable dependiente y
n
n
(yi y) 2
i 1
Desviacin tpica de la variable dependiente
n
Suma de los cuadrados de los residuos. Los residuos se definen del modo
siguiente:
n
y F(x )
ei y i E(y i / x i ,) y p SCR e i2
i i i i
i 1
David Trillo 39
Vilario Consultores
David Trillo 40
Vilario Consultores
20
Test estadstico LR: contrasta la hiptesis nula de que conjuntamente todos
los parmetros son nulos excepto la constante. El nmero entre parntesis
es el nmero de grados de libertad que es igual al nmero de restricciones
utilizadas en el test.
L
LR 2ln 2ln CR 2(ln L CR ln L SR ) 2(l CR lSR )
L SR
David Trillo 41
Vilario Consultores
2k 2l
AIC
n n
k es el nmero de coeficientes, n el nmero de observaciones y l el logaritmo
de la funcin de veromilitud.
David Trillo 42
Vilario Consultores
21
Criterio de informacin de Schwarz, similar al de Akaike se prefiere el
modelo con SC menor.
k ln(n) 2l
SC
n n
David Trillo 43
Vilario Consultores
David Trillo 44
Vilario Consultores
22
Puntuacin de un modelo de credit scoring y
probabilidad
David Trillo 45
Vilario Consultores
David Trillo 46
Vilario Consultores
23
Puntuacin de un modelo de credit scoring y
probabilidad
David Trillo 47
Vilario Consultores
David Trillo 48
Vilario Consultores
24
Puntuacin de un modelo de credit scoring y
probabilidad
David Trillo 49
Vilario Consultores
David Trillo 50
Vilario Consultores
25
El concepto matemtico de probabilidad
David Trillo 51
Vilario Consultores
26
Estimacin de probabilidades de
incumplimiento
27
Acreditado individual y probabilidad de
incumplimiento
David Trillo 55
Vilario Consultores
28
Antecedentes regulacin del riesgo de crdito
David Trillo 57
Vilario Consultores
Prdida
Inesperada
Prdida Prdida
Esperada en Crisis
Prdidas
Capital econmico
Provisiones Capital regulatorio
Capital disponible o necesario
David Trillo 58
Vilario Consultores
29
Capital econmico
David Trillo 59
Vilario Consultores
Capital regulatorio
muy alejado.
David Trillo 60
Vilario Consultores
30
Acreditado individual
David Trillo 61
Vilario Consultores
L = D x EAD x SEV
D variable incumplimiento
David Trillo 62
Vilario Consultores
31
Exposicin
David Trillo 63
Vilario Consultores
Severidad
E (SEV) = LGD =1 R
David Trillo 64
Vilario Consultores
32
Distribucin de la variable incumplimiento
1 con probabilidad PD
D
0 con probabilidad 1 PD
David Trillo 65
Vilario Consultores
Ejemplo
E(D) PD 0,15% 15 pb
David Trillo 66
Vilario Consultores
33
Prdida esperada de un crdito
David Trillo 67
Vilario Consultores
David Trillo 68
Vilario Consultores
34
Prdida esperada de una cartera
David Trillo 69
Vilario Consultores
N N
L L D EAD SEV
i 1
i
i 1
i i i
N N
PE E(L) E
i 1
Di EADi SEVi
E D EAD SEV
i 1
i i i
N N
i 1
E(Di ) E(EADi ) E(SEVi ) PE
i 1
i
David Trillo 70
Vilario Consultores
35
Prdidas no esperadas
David Trillo 71
Vilario Consultores
David Trillo 72
Vilario Consultores
36
Estimacin capital en modelo IRB
David Trillo 73
Vilario Consultores
David Trillo 74
Vilario Consultores
37
Validacin de las PD
David Trillo 75
Vilario Consultores
38
Validacin de las probabilidades de
incumplimiento
David Trillo 77
Vilario Consultores
David Trillo 78
Vilario Consultores
39
Validacin
David Trillo 79
Vilario Consultores
Matrices de transicin
David Trillo 80
Vilario Consultores
40
Probabilidades de impago Matriz de transicin 1
ao
Rating final
Inicial AAA AA A BBB BB B CCC D
AAA 90.81 8.33 0.68 0.06 0.12 0.00 0.00 0.00
AA 0.70 90.65 7.79 0.64 0.06 0.14 0.02 0.00
A 0.09 2.27 91.05 5.52 0.74 0.26 0.01 0.06
BBB 0.02 0.33 5.95 86.93 5.30 1.17 0.12 0.18
BB 0.03 0.14 0.67 7.73 80.53 8.84 1.00 1.06
B 0.00 0.11 0.24 0.43 6.48 83.46 4.07 5.20
CCC 0.22 0.00 0.22 1.30 2.38 11.24 64.86 19.79
David Trillo 81
Vilario Consultores
David Trillo 82
Vilario Consultores
41
Diferencias de frecuencias segn emisor
Corporativo Soberano
AA 0,00 0,00
A 0,05 0,00
BB 1,53 0,77
B 6,95 1,33
David Trillo 83
Vilario Consultores
Matriz de transicin 1 ao
Duff Phelps Colombia 1994-2002
David Trillo 84
Vilario Consultores
42
Matriz de transicin dos aos
Duff Phelps Colombia 1994-2002
David Trillo 85
Vilario Consultores
43
Cuestiones de inters
David Trillo 87
Vilario Consultores
44
Relacin ordinal de las frecuencias
David Trillo 89
Vilario Consultores
Definicin de variables
David Trillo 90
Vilario Consultores
45
Frecuencias y probabilidad
Ni
P( X ni ) p ni (1 p)Ni ni
ni
David Trillo 92
Vilario Consultores
46
Estimacin de la probabilidad de
incumplimiento
El logaritmo de la funcin de verosimilitud es
Ni
L lnP( X ni ) ln ni ln p (Ni ni )ln(1 p)
ni
dL ni 1 ni
(Ni ni ) 0 p
dp p 1 p Ni
David Trillo 93
Vilario Consultores
ni
Los momentos del estimador p
Ni
n E ni Ni p
E p E i p
Ni Ni Ni
David Trillo 94
Vilario Consultores
47
Precisin de la estimacin
p)
p(1
Ejemplo n 30 N 500
N
30
p 0,94
0,06 1 p
500
p)
p(1 0,06 0,94
0,0106
N 500
David Trillo 95
Vilario Consultores
p(1 p) p p
p N( p , ) Z N( 0 , 1)
N p)
p(1
N
Prob p Z
p 1 p
p p Z
p 1 p 1
2 N 2 N
David Trillo 96
Vilario Consultores
48
Intervalo de confianza de Wald
p)
p(1
z
IC W p
z
p
1
2
1
2
N
Si 5% z 1,96
1
2
David Trillo 97
Vilario Consultores
Nivel de significacin 5%
p Z
p 1 p
, p Z
p 1 p
2 N 2 N
p 1,96
p 1 p
, p 1,96
p 1 p
N N
David Trillo 98
Vilario Consultores
49
Ejemplo Intervalo de confianza
n 100
N 5000 n 100 p 0 ,02 2%
N 5000
p)
p(1 0 ,02 (1 0 ,02)
0 ,00198 0 ,05 1 0 ,95 95%
N 5000
Z 1,96 Z
p 1 p 1,96 0 ,00198 0 ,003881
2 2 N
p Z
p 1 p 0 ,02 0 ,003881 0 ,0161 1,61%
2 N
p Z
p 1 p 0 ,02 0 ,003881 0 ,0239 2 ,39%
2 N
(1,61% 2 ,39%)
David Trillo 99
Vilario Consultores
n z12 / 2
Sea p nn N N z12 / 2
N 2
p(1 p)
IC AC p z1 / 2
N
David Trillo 100
Vilario Consultores
50
Intervalo de confianza con dependencias
En el grado i del rating existen dos grupos diferentes (industria A e
industria B). Todos los acreditados tienen la misma probabilidad de
incumplimiento pero existe correlacin entre el subgrupo A y el
subgrupo B.
1
p)
p(1 1 2
N N N
N
A B AB
N A NB (N A NB )
2
1 1
1 2 1 2
N 2 N ANB AB 2
2000 3000 0 ,3
N N 5000 5000
p)
p(1 0 ,02 0 ,98
3864,2
0 ,00225 0 ,225%
N 3864,2
Intervalo de confianza: p z / 2 , p z / 2
p z / 2 2% 1,96 0 ,225% 1,56%
51
Anlisis de un sistema de calificacin crediticia
Nivel N n n/N
AAA 200 0 0,000%
AA+ 500 1 0,200%
AA 2000 1 0,050%
AA- 8000 5 0,063%
A+ 30000 12 0,040%
A 60000 12 0,020%
A- 250000 350 0,140%
BBB+ 1250000 2700 0,216%
BBB 2500000 7200 0,288%
BBB- 800000 1500 0,188%
52
Frecuencias de incumplimiento
0.000%
0.000%
0.000%
0.000%
0.000%
0.000%
0.000%
0.000%
105
Test binomial
53
Como consecuencia de estos supuestos el nmero de
incumplimientos en el grado i se puede modelizar como una
variable aleatoria denominada X , que se distribuye segn una
variable aleatoria binomial con parmetros n Ni y probabilidad
de xito p PDi
54
La hiptesis nula H 0 es rechazada para un nivel de confianza
cuando el nmero de incumplimientos observado d es menor o
igual que el valor crtico d que viene dado por
N
Ni j
i
N j
d min d : i PD (1 PD i ) i
1
j d j
2.500
2.500
j 2.500 j
d min d : j 0,003 (1 0,003) 0,05 12
j d
2.500
2.500
j 12
12
0,003 j (1 0,003)2.500 j 0,042 0,05
2.500
2.500
j 11
11
0,003 j (1 0,003)2.500 j 0,079 0,05
55
Si la tasa de incumplimiento observada es mayor que 12
rechazamos la hiptesis de que la probabilidad de incumplimiento
es PD 0,3% y se acepta que es mayor.
56
En el ejemplo anterior
57
Contrastes de igualdad de probabilidades
(rating)
p i p j ni nj ni n j
Z p i p j p
1 1 Ni Nj Ni N j
p(1 p)
N i N j
H0 : pi p j Z N(0 ,1)
58
Contrastes de la igualdad de
probabilidades
59