Matriz de Transicion PDF

Matriz de Transición Condicional de los Créditos
del Sector No Financiero para Uruguay y sus

Ventajas frente al Cálculo Incondicional*
María Sofía Larralde
Cecilia Real
Sara Viana
Resumen
El objetivo de este trabajo es estudiar las ventajas de utilizar una matriz de transición de calificaciones
de riesgo condicionada al ciclo de crédito versus utilizar una matriz incondicional. Se trabajó con
datos trimestrales del sistema financiero uruguayo durante el período1999-2009. En primer lugar, se
creó un índice del ciclo de crédito a partir de la relación existente entre la morosidad y ciertas variables
macroeconómicas. Luego, se condicionó la matriz de transición de créditos al sector no financiero.
Por último, se compararon los resultados con aquellos obtenidos de la matriz de transición incon-
dicional. Como conclusión, se destaca que el índice de ciclo de crédito estimado es una adecuada
aproximación a la morosidad del sector no financiero. Además, éste presenta una correlación signi-
ficativa con las calificaciones de riesgo de la matriz de transición. Con la estimación de la matriz de
transición condicionada al índice de ciclo de crédito se obtuvieron mejores resultados para proyectar
que con la matriz de transición promedio. Finalmente, si se analizan los resultados de las predicciones
para la matriz condicionada de acuerdo a los estados de la economía, se observa que, en promedio,
la predicción es más precisa en escenarios favorables que en escenarios de crisis.
Abstract
The goal of this paper is to study the advantages of using a rating transition matrix conditioned on the
credit cycle versus using an unconditional matrix. We worked with quarterly data from the Financial
System in Uruguay during 1999-2009. First, we built an index of the credit cycle from the relationship
Revista de Ciencias Empresariales y Economía
between defaulting and some macroeconomic variables. Then, we conditioned the transition matrix to
the non-financial sector. Finally, we compared these results with those from the unconditioned matrix.
As a conclusion, we find that the estimated credit cycle index is an adequate approximation for the
default level of the non-financial sector. Also, it has a significant correlation with the ratings of the
transition matrix. With the estimation of the conditioned matrix we obtained better results than those
from the average transition matrix. Moreover, by studying the results from using the matrix that is con-
ditioned to the states of the economy, we observe that, on average, the prediction is more precise in
good periods than in periods of crisis.
* Documento basado en el trabajo monográfico para obtener el título de Master en Finanzas de la Universidad de Montevideo.
Los autores agradecen al tutor, Daniel Fernández, por su constante dedicación y los aportes recibidos, los que han permitido
enriquecer el presente trabajo. Asimismo hacen extensivo el reconocimiento al Dr. Fernando Borraz por la colaboración pres-
tada a lo largo del trabajo. 99
UM-revista_FCEE11-16marzo_ver1.indd 99 16/03/2011 16:53:23

Matriz de Transición Condicional de los Créditos del Sector No Financiero para Uruguay y sus Ventajas frente al Cálculo Incondicional
I. INTRODUCCIÓN
Este trabajo tiene como fin analizar las ventajas que pueda tener condicionar la matriz de transición
de las calificaciones de riesgos a los cambios del ciclo de crédito frente a la estimación de dicha matriz
a partir de un modelo incondicional. La idea central consiste en crear un modelo que, con el menor
número de parámetros, logre incorporar la dinámica del ciclo de crédito a la matriz de transición.
Dicha técnica mejora la precisión de la estimación de previsiones de los bancos, dado que no se basa
únicamente en estimaciones históricas, sino también en las proyecciones del ciclo económico.
En los últimos años las calificadoras de riesgo han desarrollado modelos de riesgo de crédito para
medir las pérdidas de crédito esperadas. En estos modelos la matriz de transición desempeña un
papel fundamental.
En el presente estudio, se realizó la estimación de la matriz de transición condicional de los créditos

del sector no financiero en Uruguay, para el período 1999 – 2009. Este trabajo, por ser de los prime-
ros en analizar la matriz de transición condicional en Uruguay, podrá ser un aporte importante dado
el nuevo marco regulatorio de Basilea II.
Adicionalmente, la estimación de la matriz de transición condicional permitirá analizar las ventajas

frente a la matriz incondicionada. A partir de este análisis se espera lograr avances sustanciales en la
estimación de las matrices de transición que a su vez permitan mejorar la administración del riesgo
de crédito por parte de las instituciones bancarias así como de las instituciones encargadas de la
supervisión de las mismas.
El trabajo se organizará de la siguiente forma: en el capítulo II se hará una breve descripción del
marco teórico en el cual se inserta el presente documento y se presentarán algunas definiciones de
los conceptos utilizados. En el capítulo III se presentará la construcción del modelo para la estimación
del índice de ciclo de crédito y las series utilizadas; luego en el capítulo IV se condicionará la matriz de
transición al índice de ciclo de crédito obtenido en el capitulo anterior y se comparará con el modelo
incondicionado. Por último, en los capítulos V y VI se presentarán las conclusiones obtenidas y las
limitaciones encontradas, respectivamente.
II. MARCO TEÓRICO

1 - Definición de Riesgo de Crédito
Riesgo de crédito1 puede definirse como la afectación potencial de las ganancias o el patrimonio oca-
sionada por el hecho de que un deudor o contraparte incumpla con sus obligaciones de acuerdo con
los términos establecidos. En consecuencia, dicho riesgo se encuentra en todas las actividades donde
el éxito de la misma depende del comportamiento de una contraparte. El riesgo de crédito surge cada
vez que los fondos del banco se prestan, se invierten, o están expuestos a acuerdos contractuales,
ya sea en operaciones dentro o fuera del balance (operaciones de cambio, derivados, portafolio de
inversiones, entre otras).
Asimismo, el riesgo de crédito incluye las actividades de crédito que se realizan con otras instituciones
financieras, como pueden ser: líneas de crédito (préstamos, depósitos u operaciones de comercio
exterior), posiciones en valores emitidos por dichas instituciones financieras o posiciones tomadas
por el banco en valores públicos o privados emitidos por terceros (riesgo del emisor). Por lo tanto, el
riesgo de crédito abarca tanto el riesgo de incumplimiento como riesgo de mercado.
En este contexto, las instituciones financieras deben realizar un análisis de crédito tanto a nivel de las
transacciones individuales como a nivel de todo el portafolio (Basilea 2000).
1. Basilea, 2009.
100

María Sofía Larralde / Cecilia Real / Sara Viana
Los aspectos que se deben considerar dentro del análisis de riesgo individual son:
• La probabilidad de incumplimiento, que refiere a la frecuencia relativa con que la contraparte no

cumple con las obligaciones definidas contractualmente.
• La tasa de recuperación, que es la proporción de deuda que puede ser recuperada una vez que
la contraparte ha caído en incumplimiento.
• La migración del crédito, que implica el grado en que la calidad o calificación del crédito puede
mejorar o deteriorarse.
Los aspectos a tener en cuenta en lo que se refiere al riesgo de portafolio son:
• La correlación entre la probabilidad de incumplimiento y la calidad del crédito; esto es el grado

de asociación que puede existir entre la calidad de un crédito y su probabilidad de incumplimien-
to, con respecto a la calidad y probabilidad de incumplimiento de otro crédito.
• La concentración de riesgo, la cual se refiere a la contribución marginal de un activo crediticio

en el riesgo total del portafolio.
• El riesgo de incumplimiento, o sea la incertidumbre sobre la capacidad de una contraparte de

cumplir con sus obligaciones una vez que ha asumido una deuda.
2 - Antecedentes
En los últimos años hubo un importante desarrollo en el área de administración de riesgo, princi-
palmente en el ámbito financiero internacional. Se han desarrollado diferentes metodologías con el
propósito de estimar la probabilidad de incumplimiento, entre las que podemos mencionar técnicas
estadísticas y variadas, multivariadas, análisis de modelos de clasificación, árboles de decisión, mode-
los de elección cualitativa (PROBIT y LOGIT), el análisis de la matriz de transición, entre otros.
Edward Altman, prestigioso profesor de la Universidad de Nueva York, fue el pionero en la investi-
gación y predicción de quiebras de empresas corporativas. Ya desde principios de la década de los
noventa señaló que el próximo gran reto financiero sería la administración del riesgo de crédito, que
consiste en medir, minimizar y prevenir las pérdidas esperadas y no esperadas que surgen de activi-
dades relacionadas con el otorgamiento de préstamos en general.
Desde los años sesenta hasta mitad de la década pasada, las instituciones implementaron los “mo-
delos tradicionales de riesgo” para predecir la quiebra de las empresas a partir de variables indepen-
dientes que tuvieran relevancia a nivel estadístico.
Sin embargo, el problema fundamental de las instituciones financieras es cuánto capital asignar
como reserva en caso de quiebra, es decir, qué cantidad de capital se debe reservar para previsiones,
tanto en caso de que surjan pérdidas esperadas como no esperadas. De esta forma, existe un trade
off entre riesgo y rendimiento que es necesario maximizar de forma tal de lograr un nivel de previsio-
nes que minimice el riesgo y maximice el retorno.
A su vez, se ha dado un fuerte incremento del mercado de derivados por parte de las empresas finan-
cieras, a lo que se debe adicionar la incorporación de nuevos instrumentos financieros crediticios, que
hizo que las empresas aumentaran el potencial de sus préstamos a niveles muy altos. Esto derivó en
que las entidades reguladoras comenzaran a buscar nuevos parámetros capaces de medir el riesgo
de incumplimiento y de imponer a las instituciones financieras procedimientos adecuados para su
autoprotección.
101

En 1988 surge el primer intento por lograr la convergencia hacia un estándar internacional de regula-
ción de capital, el Comité de Basilea I, en cooperación con los bancos centrales de los países del G-10.
El objetivo fundamental del mismo era determinar el capital mínimo que debía tener una entidad
bancaria en función de los riesgos que afrontaba. En otras palabras, se buscaba determinar el cálculo
del capital económico por riesgo de crédito para los sistemas bancarios de un gran número de países.
Este acuerdo era una recomendación para cualquier país, el cual quedaba libre de incorporarlo en su
ordenamiento regulatorio con las modificaciones que considerase necesarias.
3 - Basilea II y algunos conceptos clave
La principal crítica al acuerdo de Basilea I fue su insensibilidad a las variaciones de riesgo ignorando
la calidad crediticia y, por lo tanto, la probabilidad de incumplimiento de los distintos deudores. Es
decir, consideraba que todos los créditos tenían la misma probabilidad de incumplimiento.
Por tal motivo, en el año 2004 el Comité de Basilea propone un Nuevo Acuerdo de Capital basado
en tres pilares fundamentales para la regulación del sistema bancario. El pilar 1 refiere a los requeri-
mientos mínimos de capital para cubrir riesgo de mercado, crédito y operacional. El pilar 2 menciona
la supervisión bancaria, animando a los bancos a desarrollar métodos internos para evaluar el capital
y establecer objetivos del mismo en línea con el perfil de riesgo del banco y sus controles internos. El
pilar 3 trata de la disciplina de mercado que requiere que los bancos revelen su método para calcular
proporciones de capital, evaluación de riesgo y administración de riesgo de crédito.
El objetivo de la medición del riesgo de crédito es la estimación de la distribución de probabilidad de

pérdidas, ya que a través de ésta se pueden determinar las pérdidas esperadas y las no esperadas del
portafolio crediticio de una institución financiera.
La pérdida esperada de un portafolio de activos crediticios representa el monto de capital que podría
perder una institución como resultado de la exposición al riesgo de crédito para un horizonte de
tiempo dado. En cambio, las pérdidas no esperadas son las resultantes de los cambios en la calidad
de las carteras de crédito.
El Comité de Basilea propone atender las pérdidas inesperadas con capital regulatorio y las pérdidas
esperadas con previsiones crediticias.
Otro elemento básico del riesgo de crédito es la definición de incumplimiento, insolvencia o default.
Según el Nuevo Acuerdo de Capital, ocurre default cuando alguna de las siguientes condiciones se
verifica, en relación a un deudor en particular:
• Cuando se determina que un deudor improbablemente pague sus obligaciones de deuda, en

cuanto al principal, intereses o gastos en su totalidad.
• Un evento de pérdida asociada con cualquier obligación del deudor, tal como quita, previsión
específica o reestructuración que involucre quita o el aplazamiento del pago del principal, inte-
reses o gastos.
• El deudor presenta un atraso superior a los 90 días en cualquiera de sus obligaciones.
• El deudor presenta una declaratoria de quiebra.
4 - Modelos para la medición del riesgo de crédito
Los modelos para la medición del riesgo de crédito se pueden clasificar de la siguiente forma: mode-
los cualitativos, modelos “Credit Scoring” y nuevos modelos.
102

Los modelos cualitativos se basan en el juicio de un experto que determina qué nivel de riesgo es
conveniente asumir y el precio adecuado para el mismo teniendo en cuenta las características espe-
cíficas del deudor y aquellas que son propias del mercado. Estos modelos son también conocidos
como modelos expertos.
Los modelos “Credit Scoring” son modelos cuantitativos, los cuales a partir de determinadas caracte-
rísticas del deudor determinan un nivel de score que representa la probabilidad de default, pudiendo
asimismo agrupar a los deudores en diferentes categorías. Estos modelos presentan ciertas ventajas
sobre los anteriores como ser: determinar cuáles son los factores o características más relevantes
para explicar el riesgo de default; establecer un grado de importancia de dichos factores, mejorar el
proceso para fijar el precio, dado el riesgo inherente, mejorar la asignación de previsiones por inco-
brabilidad; y permitir descartar malos deudores.
A pesar de las ventajas anteriormente descriptas, tanto los modelos cualitativos como los cuantitati-
vos han sido criticados por ser modelos empíricos que no cuentan con un marco teórico. Asimismo,
al basarse en información histórica y discreta no toman en cuenta las posibles variaciones que pue-
dan tener los deudores en su comportamiento ni aquellas provenientes del mercado de acciones o de
deuda. También se critica la linealidad que se asume en las variables explicativas, la cual no siempre
se cumple.
Dentro de los nuevos modelos para la medición del riesgo de crédito se encuentran:
Modelo de spread de tasas de interés: este modelo se basa en la información actual de tasas que
ofrece el mercado, determinando el premio por riesgo de crédito y la probabilidad implícita de de-
fault. Para ello se consideran los spreads entre la estructura temporal de tasas libre de riesgo y la
estructura temporal de tasas definidas por el mercado para un deudor determinado.
Retorno de capital ajustado por riesgo (Raroc): Este modelo compara el retorno neto de un préstamo
(ingresos menos costos de financiamiento) con sus potenciales pérdidas esperadas. Por lo tanto se
considera que un préstamo agrega valor cuando el Raroc obtenido supera el ROE (retorno del patri-
monio) esperado por los accionistas.
Modelo de Merton: Este modelo se basa en el mercado de acciones para determinar el riesgo de
default. Existe una situación de default cuando el valor de los activos de la firma es menor al valor
facial de la deuda.
Modelo Expected Default Frequency (EDF): En este modelo, el riesgo de incumplimiento se determina
a partir de los activos de la firma, su volatilidad y el valor en libro de las obligaciones. Para determinar
el punto de default se toman en cuenta las obligaciones de la firma y el valor esperado de sus activos.
Cuando el valor de los activos es menor a un nivel determinado se entiende que la empresa ha caído
en default. Este modelo incorpora la estructura de financiamiento del deudor para la medición del
riesgo de crédito.
CreditRisk+ es un ejemplo de modelo de “impago” en el que se parte de la idea de que los eventos
de incumplimiento de los diferentes deudores son eventos Bernoulli independientes; un deudor sólo
puede estar en uno de dos estados: al día con sus obligaciones o en impago, por lo que las pérdidas
que resulten sólo se deben a los incumplimientos del deudor. La distribución de pérdidas que resul-
tan del incumplimiento de los deudores de todo el portafolio se obtiene a través de las funciones
generadoras de probabilidad (FGP). En una primera instancia, genera la FGP del número de incum-
plimientos y luego, haciendo un supuesto sobre el nivel de pérdidas asociadas al incumplimiento de
cada deudor, obtiene la FGP de las pérdidas que puede tener la cartera.
CreditMetrics: Este es un modelo de “marcar a mercado” que tiene como eje central la matriz de
103

transición asociada a un sistema de calificación de créditos, que provee el mecanismo probabilístico

que modela la migración de la calidad de los créditos. Es decir, este modelo considera, además de
los impagos, las pérdidas resultantes del cambio en el valor de los créditos debido a la migración de
calidad de los mismos.
En términos generales, los principales elementos que intervienen en CreditMetrics son: probabilida-
des de incumplimiento, patrones de migración de los créditos a diferentes estados de calidad, “um-
brales” que separan los diferentes niveles de calidad (en particular, el de incumplimiento), valor de
los créditos dependiendo de su calidad, tasa de recuperación en caso de incumplimiento y medidas
de riesgo. También es fundamental la información de mercado (precios de instrumentos de deuda e
indicadores de su calidad) e información generada internamente por las instituciones.
Las mayores diferencias entre estos dos últimos modelos, CreditRisk+ y CreditMetrics, se deben a la
forma en que conjugan los diferentes elementos del riesgo de crédito para obtener la distribución
de probabilidades de pérdidas -- en CreditMetrics el valor presente del portafolio no se distribuye
Normal.
Otra clasificación existente y que se aplica mucho al presente trabajo, es la que se realiza depen-
diendo si el modelo se condiciona o no al ciclo económico: enfoque “through the cycle” (modelo
incondicionado) y enfoque “point in time” (modelo condicionado). El primer modelo mide el riesgo
de crédito sin considerar el ciclo económico, obteniendo de esta forma calificaciones de crédito
muy estables en el tiempo. Estos modelos son usados por calificadoras de riesgo como Moody’s y
Standard & Poor’s. El segundo enfoque en cambio, sí considera el ciclo económico y por tanto, las
calificaciones obtenidas son más volátiles. Este enfoque es utilizado principalmente por bancos para
medir el riesgo de crédito en el corto plazo.
El principal problema que enfrenta una institución para elegir la metodología es la disponibilidad
y calidad de la información con la que cuenta. La falta de información para estimar los modelos de
riesgo de crédito se deriva de la poca frecuencia de los eventos de incumplimiento y de los horizontes
de largo plazo utilizados para su medición. Por lo tanto, al especificar los parámetros de un mode-
lo, los modelos de riesgo de crédito requieren el uso de supuestos para simplificar y representar la
información.
En general, la información que se requiere para estimar la probabilidad de incumplimiento refiere a

las características del crédito, del deudor, información del entorno económico, garantías y experien-
cias de pago, entre otras.
5 - Matriz de transición
La matriz de transición es una herramienta que permite determinar la probabilidad de que un crédito
con una calificación determinada cambie de calificación crediticia durante un período específico, per-
mitiendo, en el caso de una institución financiera, estudiar el posible deterioro o mejora que pudiera
presentar su cartera de clientes en el futuro.
La utilización de las matrices de transición como herramienta para la medición del Riesgo de Crédito
comenzó en 1997, cuando JP Morgan presentó su aplicación en CreditMetrics. A partir de entonces,
debido a su fácil implementación, se ha convertido en uno de los modelos más utilizados para medir
mejoras o reducciones de las calificaciones de Riesgo de Crédito.
La probabilidad de transición Pij se define como la posibilidad de que un deudor con una cierta cali-
ficación crediticia i pueda migrar a otra calificación crediticia j en un horizonte de tiempo dado. En
caso de que no exista migración sucede que i es igual a j.
104

Las probabilidades de transición permiten construir la matriz de transición con i filas (calificación
al inicio del período) y j columnas (calificación al final del período). La intersección de estas celdas
representa el porcentaje de calificaciones que se mantuvieron, aumentaron o disminuyeron en cada
escala. La diagonal de la matriz representa los porcentajes de calificaciones que mantuvieron la mis-
ma calificación. Las celdas por debajo de la diagonal representan los porcentajes de calificaciones que
aumentaron la calificación y las celdas por encima las que disminuyeron la calificación.
Las matrices de transición presentan las siguientes características:
• Todos los elementos de la matriz son no negativos.
• La suma de los elementos de cada fila es igual a uno.
• La probabilidad que un crédito inicialmente calificado i mantenga su calificación el siguiente

período debe ser mayor a las probabilidades que complementan la fila correspondiente.
• La probabilidad de que los créditos migren a un estado inmediatamente inferior en calidad suele
ser más alta que la probabilidad de que el mismo crédito migre a un estado superior.
Cuando se trabaja con matrices no condicionadas, se supone que estas probabilidades no dependen
del tiempo ni del ciclo económico. Sin embargo, la realidad ha demostrado que esto no es así. Du-
rante períodos de recesión económica las probabilidades de default tienden a aumentar mientras que
en las etapas de auge o recuperación, las probabilidades de default tienden a disminuir.
La metodología utilizada en este trabajo para condicionar la matriz de transición se basó en un

documento de RiskMetrics llamado “A Way to Condition the Transition Matrix on Wind” del autor
Jongwoo Kim (1997). Este autor tiene como objetivo obtener una matriz de transición condicionada
a la dinámica del ciclo de crédito con el menor número de parámetros y de requerimientos de datos
que sea posible. En dicho trabajo, el estudio se realiza para analizar la transición de las calificaciones
de riesgo en los bonos americanos.
Esta técnica plantea la construcción de un índice de ciclo de crédito estimado a través de distintas va-
riables macroeconómicas que refleja la situación crediticia existente para todos los deudores durante
un determinado período.
También plantea que los cambios de calificaciones reflejan de forma subyacente un indicador de
cambio de calificación y si se asume que el mismo tiene una distribución normal, es posible obtener
particiones de Yt a través de la definición de conjuntos de bins. Se define bin como el inverso de la
función normal estandarizada para las probabilidades acumuladas que marcan los umbrales entre
estar en una categoría u otra para cada calificación inicial de riesgo.
De esta forma, luego de calcular un índice del ciclo de crédito y los bins del indicador de cambio de
calificación se obtiene la matriz de transición condicionada al ciclo económico y se concluye su ven-
taja frente a la matriz incondicional.
III. CONSTRUCCIÓN DEL MODELO

Para poder construir la matriz de transición de las calificaciones de riesgo del sector no financiero
uruguayo condicionada al ciclo de crédito local, se estimará el índice de ciclo de crédito.
Este índice incorporará la información macroeconómica más relevante así como series financieras, de
forma tal que el mismo sea representativo del ciclo de crédito.
105

En el siguiente capítulo se trabajará con el índice estimado para condicionar la matriz de transición al
índice del ciclo de crédito obtenido.
1 - Creación del Índice del Ciclo de Crédito
Como forma de simplificar el análisis del índice del ciclo de crédito (en adelante ICC), se define al
mismo como el porcentaje de morosidad existente en el sistema financiero privado respecto al total
de créditos. A su vez, con el fin de lograr que ICCt tenga distribución normal, se aplicará la transfor-
mación de la distribución normal estandarizada:
(1)
Siendo:
morosidadt = porcentaje de créditos vencidos sobre el total de créditos del sistema no financiero
uruguayo en el período t.
y = media histórica y desviación estándar de la morosidad respectivamente.
ICCt puede tomar distintos valores:
• ICCt > 0 – representa el ciclo de crédito cuando la economía se encuentra en períodos desfavo-
rables, y por tanto se incrementa la probabilidad de aumentar la morosidad.
• ICCt < 0 – representa el ciclo de crédito cuando la economía se encuentra en períodos favorables,
y por tanto disminuye la probabilidad de aumentar la morosidad.
2 - Estimación de la morosidad
Para estimar la morosidad se utiliza un modelo Tobit que analiza la relación de esta variable con las
variables macroeconómicas consideradas más relevantes para tal fin.
El modelo Tobit es un modelo econométrico propuesto por Tobin (1958) para describir la relación en-
tre una variable dependiente y variables independientes y variables independientes . Este modelo
supone que existe una variable latente (no observable) que se denomina que depende linealmente
de a través de un parámetro (vector) que determina la relación entre la variable independiente (o
vector) y la variable latente . Otro aspecto importante es que los errores siguen una distribución
normal.
La variable observable se define igual a la variable latente cada vez que se encuentra por encima
de cero y cero en caso contrario.
Donde es una variable latente
El modelo Tobit es un caso especial de modelo de regresión censurada ya que la variable latente
no siempre puede ser observada mientras que la variable independiente es observable. Uno de los
resultados del modelo es cuando es censurada arriba y abajo al mismo tiempo.
106

Dado que la estimación de la variable morosidad debe encontrarse entre 0 y 1, se utiliza el modelo
Tobit ya que permite truncar las estimaciones en el tramo deseado.
(2)
Siendo:
= set de series macroeconómicas y financieras en el período de t-1

= error período t
3 - Variables del Modelo y correlación
Variable Dependiente:
Morosidad: La estimación de la morosidad se obtiene del Banco Central del Uruguay de forma trimes-
tral para el periodo 1999:4 a 2009:3.
La morosidad se define como el cociente entre los créditos vencidos al sector no financiero privado
(CSNF) y el total de créditos (vigentes y vencidos) otorgados por bancos privados. Cabe destacar que
el ratio de morosidad elaborado incluye créditos en moneda nacional y en moneda extranjera.
Los créditos vencidos incluyen las colocaciones vencidas, créditos en gestión y créditos morosos, que
son aquellos con atrasos mayores o iguales a 60 días y menores a 2 años.
Variables Independientes:
Para estimar el modelo se investigaron diversas series macroeconómicas que podrían afectar la pro-
babilidad de que los deudores migren de una calificación a otra.
Como variables independientes (variables explicativas) se analizaron:

• Tasa de interés activa promedio en moneda nacional (en adelante TMN)
• Tasa de interés activa promedio en moneda extranjera (en adelante TME)
• Variación del Índice de Precios al Consumo (en adelante IPC)
• Variación del Producto Interno Bruto (en adelante PIB)
• Variación del Índice de Riesgo País (en adelante UBI)
• Variación de Índice Medio de Salarios (en adelante IMS)
• Variación del Índice de Desempleo (en adelante DESEMP)

• Variación de la Depreciación Real (en adelante DEPREC REAL)
• Variación de los Créditos Totales al Sector no Financiero Privado (CNSF)
Las variables fueron analizadas de forma trimestral y en el mismo período que la morosidad. En caso
de disponer de información mensual se realizó un promedio simple de los 3 meses correspondientes
a cada período.
107

Dado el fuerte impacto que tuvo la crisis financiera de 2002 en Uruguay se consideró relevante la in-
clusión en el modelo de una variable Dummy de cambio de nivel. Para esto se probaron tres Dummy
diferentes en el modelo para ver cual se ajustaba más: Dummy 85, Dummy 80 y Dummy 75. Las tres
series comienzan en el tercer trimestre de 2002 con valor 1, pero luego se aplican distintos factores
de ajuste a cada una, 0.85, 0.80 y 0.75 respectivamente, hasta que termina la serie. Los factores de
ajuste hacen que la serie vaya disminuyendo de valor en todos los casos tendiendo a cero pero con
diferente velocidad de acuerdo al factor de ajuste considerado.
Cuadro 1 – Variables
Para el estudio de las series en primer lugar se realizó un análisis gráfico del comportamiento de las
mismas respecto a la morosidad.
108

Gráfico1: Morosidad vs Series Macroeconómicas
MOR TMN MOR TME

0.50 1.80 0.50 0.14
0.45 1.60 0.45 0.12
0.40 1.40 0.40
0.35 1.20 0.35 0.10
0.30 0.30 0.08
MOR
MOR
1.00
TMN
TME
0.25 0.25
0.20 0.80 0.20 0.06
0.15 0.60 0.15 0.04
0.10 0.40 0.10
0.05 0.20 0.05 0.02
0.00 0.00 0.00 0.00
Tr IV 005
Tr IV 000
Tr IV 002
Tr IV 006
IV 007
Tr IV 999
Tr IV 001
Tr IV 003
Tr IV 004
08
Tr IV 05
Tr IV 04
Tr IV 02
Tr IV 03
Tr IV 06
IV 007
08
Tr IV 99
Tr IV 00
Tr IV 01
20
0
20
0
0
0
9
i m 20
0
0
im 2
im 2
im 2
im 2
im 2
im 1
im 2
im 2
im 2
im 2
im 2
im 2
im 2
im 2
im 1
im 2
im 2
Tr IV
Tr IV
im
im
Tr
Tr
MOR IPC MOR IMS
0.50 0.14 0.50 0.09
0.45 0.45 0.08
0.12
0.40 0.40 0.07
0.35 0.10 0.35 0.06
0.30 0.30 0.05
0.08
MOR
MOR
0.04
IMS
IPC
0.25 0.25
0.06 0.03
0.20 0.20 0.02
0.15 0.04 0.15 0.01
0.10 0.10 0.00
0.05 0.02 0.05 -0.01
0.00 0.00 0.00
Tr IV 001 -0.02
Tr IV 002
IV 007
08
Tr IV 999
Tr IV 000
Tr IV 004
Tr IV 005
Tr IV 006
Tr IV 003
Tr IV 04
Tr IV 006
IV 007
08
Tr IV 05
Tr IV 002
Tr IV 003
Tr IV 99
Tr IV 000
Tr IV 001
20
20
0
0
9
im 1
im 2
im 2
im 2
im 2
im 2
im 2
im 2
im 2
im 2
im 2
im 2
im 2
im 2
im 2
im 1
im 2
im 2
Tr IV
Tr IV
im
im
Tr
Tr
MOR DESEMP MOR PBI

0.50 0.20 0.50 0.20
0.45 0.18 0.45
0.40 0.16 0.15
0.40
0.35 0.14 0.10
0.35
DESEMP
0.30 0.12 0.05

MOR
0.30
MOR
0.25 0.10
PIB
0.25 0.00
0.20 0.08 0.20
0.15 0.06 -0.05
0.15
0.10 0.04 -0.10
0.05 0.02 0.10
0.05 -0.15
0.00 0.00
0.00 -0.20
99 00 01 02 03 04 05 06 07 08
19 20 20 20 20 20 20 20 20 20
Tr IV 001
Tr IV 004
IV 007
08
Tr IV 999
Tr IV 000
Tr IV 005
Tr IV 006
Tr IV 002
Tr IV 003
IV IV IV IV IV IV IV IV IV IV
20
im 2
im 2
im 2
im 2
im 2
im 1
im 2
im 2
im 2
im im im im im im im im im im
Tr IV
Tr Tr Tr Tr Tr Tr Tr Tr Tr Tr
im
Tr
MOR CSNF
0.50 6.00
0.45 5.00
0.40 4.00
3.00
0.35
0.30 2.00
MOR
CNSF
1.00
0.25 0.00
0.20 -1.00
0.15 -2.00
0.10 -3.00
0.05 -4.00
0.00 -5.00
99 00 01 02 03 04 05 06 07 08
19 20 20 20 20 20 20 20 20 20
IV IV IV IV IV IV IV IV IV IV
im im im im im im im im im im
Tr Tr Tr Tr Tr Tr Tr Tr Tr Tr
109

A partir de los gráficos presentados, podemos concluir que las tasas en moneda nacional y extranjera
y el IPC presentan un comportamiento similar al de la morosidad, es decir, en momentos en que las
variables aumentan o disminuyen, la morosidad se mueve en el mismo sentido. También se puede
concluir que el PIB (además de la depreciación real, no mostrada) presentan una relación inversa.
Sin embargo, gráficamente no se puede concluir ninguna relación entre las variables IMS, CSNF y
desempleo (además de la variable UBI, no mostrada) respecto al índice de morosidad.
En segundo lugar, se construyó una matriz de correlación entre las variables con el fin de determinar
las correlaciones existentes entre las mismas.
Cuadro 2 - Matriz de correlación
MOR D(TMN) D(TME) IPC PIB UBI D(IMS) D(DESEMP) DEPRECREAL CSNF
MOR 1.00 -0.33 -0.25 0.47 -0.37 -0.04 0.05 -0.04 0.43 -0.79
D(TMN) -0.33 1.00 0.61 0.42 -0.38 0.64 -0.02 0.45 0.27 0.05
D(TME) -0.25 0.61 1.00 0.41 -0.30 0.58 0.02 0.48 0.10 0.04
IPC 0.47 0.42 0.41 1.00 -0.35 0.42 0.17 0.45 0.39 -0.52
PIB -0.37 -0.38 -0.30 -0.35 1.00 -0.31 0.01 -0.43 -0.73 0.38
UBI -0.04 0.64 0.58 0.42 -0.31 1.00 0.11 0.32 0.32 -0.17
D(IMS) 0.05 -0.02 0.02 0.17 0.01 0.11 1.00 0.24 -0.03 -0.06
D(DESEMP) -0.04 0.45 0.48 0.45 -0.43 0.32 0.24 1.00 0.28 -0.13
DEPRECREAL 0.43 0.27 0.10 0.39 -0.73 0.32 -0.03 0.28 1.00 -0.49
CSNF -0.79 0.05 0.04 -0.52 0.38 -0.17 -0.06 -0.13 -0.49 1.00
En la matriz de correlación se observa que existe una correlación positiva entre las tasas en moneda
nacional y moneda extranjera, y a su vez de ambas con el UBI. Por otro lado se puede afirmar que
existe una fuerte correlación negativa entre el CSNF y la morosidad y entre el PIB y la depreciación
real. Debido a la existencia de estas correlaciones, en el momento de determinar cuáles son las varia-
bles que explican de mayor forma la morosidad, es necesario tener en cuenta estas conclusiones de
forma de no generar un efecto de multicolinealidad entre las variables.
4 - Análisis de las series
Para poder plantear un modelo Tobit donde la morosidad sea estimada a partir de una combinación
lineal de determinadas variables, es necesario que las mismas tengan el mismo orden de integración
para demostrar la relación de largo plazo que tienen las variables consideradas.
El concepto de integración supone que existe una relación de equilibrio entre las variables no estacio-
narias, por lo cual los desequilibrios que se presenten son sólo de corto plazo.
El estudio de integración de cada una de las variables se realizará a partir de la prueba Augmented
Dickey-Füller (ADF), con el criterio de Schwarz, dado que se tratan de muestras pequeñas.
Las hipótesis que se plantean en estas pruebas son:
Ho) La serie es no estacionaria

Ha) La serie es estacionaria
Por lo tanto, si se rechaza Ho) las series son integradas de orden cero, I(0).
Cabe destacar, que se rechaza Ho) si |valor ADF| > |Valor crítico del test ADF|, utilizando como
referencia un nivel de significación del 5%.
Por otra parte, la prueba de las series se comienza estudiando con constante y tendencia; si no se
110

rechaza Ho), se prueba sólo con constante y si nuevamente no se rechaza la hipótesis nula se realiza
la prueba sin constante ni tendencia. En caso de rechazar la hipótesis nula en las tres situaciones
mencionadas, se procede de igual forma pero con la variable original en primera diferencia.
Con las variables que no son I(0) se trabaja con su primera diferencia de forma de obtener el mismo
grado de integración para todas las variables y poder concluir si todas tienen una relación de cointe-
gración en el largo plazo.
Luego de realizar los Test ADF para todas las variables se obtuvo que las variables MOR, IPC, UBI y
CSNF son integradas de orden cero, mientras que las variables TMN, TME, PIB, IMS, DESEMP y DE-
PRECREAL son integradas de orden uno.
Cuadro 3 - Resultados de los Test ADF
Level 1st diference

Nivel de
Variable Constant, Linear Trend Constant None Constant, Linear Trend Constant None
Integración
ADF 5% ADF 5% ADF 5% ADF 5% ADF 5% ADF 5%
MOR -2.99 -3.52 -2.61 -2.94 -1.97 -1.95 - - - - - - I(0)
TMN -3.19 -3.52 -2.60 -2.94 -1.53 -1.95 -3.09 -3.52 -3.12 -2.94 - - I(1)
TME -3.24 -3.52 -1.22 -2.94 -1.38 -1.95 -3.59 -3.52 - - - - I(1)
IPC -3.56 -3.52 - - - - - - - - - - I(0)
PIB -2.10 -3.52 -1.74 -2.93 -1.62 -1.95 -6.11 -3.52 - - - - I(1)
UBI -3.96 -3.52 - - - - - - - - - - I(0)
IMS -2.75 -3.53 -1.06 -2.94 0.24 -1.95 -10.59 -3.53 - - - - I(1)
DESEMP -2.30 -3.52 -0.27 -2.93 -0.70 -1.95 -6.19 -3.52 - - - - I(1)
DEPREC REAL -3.42 -3.52 -1.23 -2.94 -1.38 -1.95 -5.10 -3.53 - - - - I(1)
CSNF -2.34 -3.52 -2.22 -2.93 -2.25 -1.95 - - - - - - I(0)
Dado que el análisis del orden de integración de las variables se realizó con una muestra chica (desde
el IV trimestre de 1999 hasta el III trimestre del 2009), aquellas variables que resultaron con un or-
den de integración de uno, fueron testeadas con un mayor número de observaciones. En este caso,
las variables PIB y DEPREC REAL (recuerden, definidas como sus variaciones) mostraron un orden de
integración de cero, por lo que, para la estimación del modelo se trabajó con este último resultado,
es decir, con la propia serie y no en diferencias.
5 - Estimación del Índice del Ciclo de Crédito - Modelo Tobit
Para este análisis se utilizarán los métodos de estimación de parámetros en sistemas cointegrados de
acuerdo con el enfoque de Engle-Granger.
En el momento de decidir qué variables podrían utilizarse se consideró el análisis de gráficos expuesto
anteriormente así como también el estudio de la correlación existente entre las variables. La variable
UBI, por estar altamente correlacionada con ambas tasas, no fue incluida. De la misma forma, la
fuerte correlación existente entre DEPREC REAL y PIB hizo que solo fuera incluida esta última. Cabe
aclarar que el hecho de no agregar estas variables al modelo no significa que las mismas no expliquen
la morosidad, sino que su efecto puede ser representado por las variables sí incluidas.
El modelo obtenido fue el resultado de sucesivos test con diferentes modelos con el fin de obtener
aquel que explicara de mejor forma la morosidad utilizando como criterios de selección la significa-
ción de las variables y del modelo, que los residuos obtenidos fueran ruido blanco, y el menor resul-
tado del estadístico Schwarz.
El modelo que logró explicar mejor la morosidad fue2:
2. En el anexo I no publicado se encuentran las salidas en e-views del modelo seleccionado; los interesados en obtener dicha
información pueden solicitarla al editor de la revista.
111

Es decir que el modelo quedó conformado por una constante y cinco variables: tasa en moneda
extranjera, tasa en moneda nacional, producto bruto interno, crédito al sector no financiero y una
Dummy con factor de ajuste 0,85.
Gráfico 2: Morosidad Real vs. Estimada
Morosidad Real vs Estimada
0.50
0.45
0.40 MOR Estimada
0.35 MOR Real

0.30
0.25
0.20
0.15
0.10
0.05
-
Trim III Trim III Trim III Trim III Trim III Trim III Trim III Trim III Trim III Trim III Trim III
1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009
En el gráfico se observa que la morosidad estimada se comporta de forma muy similar a la real.
Luego de la estimación de la morosidad, se procedió a la estandarización de la serie estimada (fórmu-

la (1)), obteniendo de esta forma un Índice del Ciclo de Crédito (ICCt) con distribución normal.
IV. MATRIZ DE TRANSICIÓN CONDICIONADA

1 - Base de datos
La matriz de transición fue construida en función de información trimestral agregada de los deudores
del sector no financiero del total de bancos en Uruguay para el último trimestre de 1999 al tercer
trimestre de 2009. Para la elaboración de la matriz de transición se tomó en cuenta el porcentaje de
cantidad de créditos por calificación al inicio del trimestre versus el final del mismo.
Dado que en el período estudiado existió un cambio en el criterio de clasificación de riesgo de los
deudores (1 de abril de 2006), se optó por reclasificar las calificaciones de las matrices posteriores a
este cambio de forma que fueran comparables con las matrices previas a esa fecha. A tal fin se siguió
el criterio de días de vencimiento para agrupar las nuevas categorías3.
Previo al 1 de abril de 2006 las categorías definidas por el Banco Central del Uruguay para los deu-
dores del sector no financiero eran:
1 – Deudores de riesgo normal

2 – Deudores de riesgo potencial
3 – Deudores de riesgo real

4 – Deudores de alto riesgo
5 – Deudores irrecuperables
A partir del 1° de abril del 2006 las categorías definidas por el Banco Central del Uruguay (BCU) para
los deudores del sector no financiero son:
1A – Operaciones con garantías autoliquidables admitidas.

1C – Deudores con capacidad de pago fuertes
3. En el anexo II no publicado se encuentra la descripción de las clasificaciones de riesgo de los deudores del SNF; este anexo
puede ser enviado a los interesados solicitándolo al editor.
112

2A – Deudores con capacidad de pago adecuada

2B – Deudores con capacidad de pago con problemas potenciales
3 – Deudores con capacidad de pago comprometida
4 – Deudores con capacidad de pago muy comprometida
5 – Deudores irrecuperables
De esta forma, siguiendo el criterio mencionado de días de vencido, las categorías 1A, 1C y 2A se
unificaron en una categoría llamada 1 y la categoría 2B se denominó 2. En definitiva, la matriz de
transición utilizada se conformó por 5 categorías4.
2 - Análisis de las matrices de transición históricas
Con el fin de analizar las matrices de transición históricas se construyeron algunas medidas descripti-
vas que permiten visualizar ciertas características de las mismas y su vinculación con el índice de ciclo
de crédito. Para ello se analizarán: el ratio de permanencia de cantidad de créditos por trimestre y el
Índice de Herfindahl-Hirschman
A - Ratio Permanencia de Créditos

Para evaluar la permanencia de créditos por categorías se calculó el “Ratio de Permanencia de Crédi-
to” definido como la cantidad de créditos al final del trimestre sobre la cantidad de créditos al inicio
del mismo, según se presenta a continuación:
(3)
Para simplificar el análisis, se definieron los ratios para las matrices de todo el período considerado,
agrupando en calificaciones “buenas” (calificaciones 1 y 2) y calificaciones “malas” (calificaciones 3,
4 y 5).
• Ratio Permanencia Créditos > 1 – significa que la cantidad de créditos en el grupo considerado
aumentó.
• Ratio Permanencia Créditos < 1 – significa que la cantidad de créditos en el grupo considerado
disminuyó.
Gráfico 3: Ratio de Permanencia Créditos Calif. 1 y 2 vs ICC
Ratio Calif: 1 y 2 vs ICC

4.00
3.00
2.00
1.00
-
-1.00
-2.00
-3.00
-4.00
-5.00
Trim IV Trim IV Trim IV Trim IV Trim IV Trim IV Trim IV Trim IV Trim IV Trim IV
1999 2000 2001 2002 2003 2004 2005 2006 2007 2008
Ratio 1 y 2 estand ICC
4. En el anexo III no publicado se pueden observar las 40 matrices de transición trimestrales históricas para el período del
presente análisis; los interesados pueden solicitarlo al editor.
113

Gráfico 4: Ratio de Permanencia Créditos Calif. 3, 4 y 5 vs ICC
Ratio Calif: 3, 4 y 5 vs ICC

4.00
3.00
2.00
1.00
-
-1.00
-2.00
1999 2000 2001 2002 2003 2004 2005 2006 2007 2008
Ratio 3,4 y 5 estand ICC
Del análisis de los gráficos se puede concluir que existe una mayor permanencia de los créditos en
las calificaciones 1 y 2 que en las en las calificaciones 3, 4 y 5 en los trimestres observados. A su vez,
se destaca que al comienzo de un período de crisis el ratio de las calificaciones “buenas” disminuye
dado que la cantidad de créditos en esas calificaciones baja, mientras que el ratio de las calificaciones
“malas” aumenta ya que la calidad de los créditos empeora.
Por otra parte, al analizar los ratios individualmente se observó que el ratio de las calificaciones 3, 4 y
5 es más alto en los meses de junio y diciembre que en los meses de marzo y setiembre, lo que es si-
nónimo de carteras que en promedio tienen peores calificaciones de riesgo crediticio en los primeros
meses mencionados respecto a los últimos. Una hipótesis que podría explicar este comportamiento
es que las calificaciones de riesgo de las carteras de los bancos son evaluadas en los meses de junio
y diciembre por parte de auditores externos, quienes le presentan sus informes al Banco Central del
Uruguay. En consecuencia, la intervención de un tercero evaluando la correcta calificación de la car-
tera podría estar limitando a la institución bancaria, siendo menos severa en dicha calificación, y de
esa forma privarla de los beneficios de menores pérdidas por constitución de previsiones por incobra-
bilidad. Es decir, las instituciones son más severas en los meses que las calificaciones de sus carteras
son evaluadas por los auditores externos que en aquellos meses que no lo son5.
B - Análisis del Índice de Herfindahl-Hirschman vs ICC
El Índice de Herfindahl-Hirschman (en adelante HHI), es una medida que permite analizar el grado de
concentración de una variable ponderada por su participación en el total. Si lo aplicamos a la matriz
de transición resulta una medida agregada de las migraciones que sufrieron los créditos al final del
período respecto a su calificación original. Éste puede variar desde 0 hasta 1. Si el mismo fuera igual
a uno, significa que todos los créditos calificados en una determinada categoría de riesgo crediticio
mantuvieron la misma calificación un período después. Por el contrario, cuando el valor de HHI se
encuentra más cercano a cero implica que los créditos que compartían una misma calificación expe-
rimentaron más migraciones al final del período.
(4)
Donde i = 1, …, n; y la = 1, siendo “ ” la participación relativa (volumen de créditos) de la

enésima categoría, y “n” el número total de créditos del sector.
5. Información adicional en anexo IV no publicado, y disponible ante solicitud.
114

Primero se calculó el HHI por trimestre y por calificación de riesgo crediticio y luego se realizó un
promedio para cada categoría en el período considerado. Para este cálculo se utilizaron las matrices
de transición en base a cantidades.
Los resultados obtenidos se resumen en el cuadro a continuación:
Cuadro 4 – Índice HHI por calificación
Media Desv est

HHI Calif: 1 0,88 0,08
HHI Calif: 2 0,63 0,09
HHI Calif: 3 0,63 0,11
HHI Calif: 4 0,68 0,10
HHI Calif: 5 0,87 0,09
Del análisis del cuadro 4 se observa que las calificaciones 1 y 5 en promedio, son las que sufren
menos migraciones (mayores valores del HHI), lo cual es razonable por ser calificaciones que solo
admiten migraciones en un único sentido, la primera para empeorar y la segunda para mejorar. En
cambio, el resto de las calificaciones expuestas a posibles mejoras o desmejoras presentan mayores
migraciones (menores valores del HHI).
Por otra parte, se analizó la relación existente entre el comportamiento del índice HHI y el Índice del
Ciclo de Crédito (ICC) por calificación durante los cuarenta trimestres considerados. Para dicho análi-
sis, el HHI por calificación fue estandarizado de la misma forma que lo está el ICC. Los resultados del
análisis comparado se presentan en el gráfico 5.
Dada la particularidad de que en las matrices de transición la probabilidad de permanencia es la más

alta, dicha probabilidad es el principal determinante del valor que alcanza el HHI. En ese sentido,
durante la fase de baja morosidad del ciclo del crédito (que según la construcción del índice coincide
con valores negativos del mismo) debería esperarse aumentos en las probabilidades de migración
hacia mejores calificaciones y durante la fase de alta morosidad del ciclo del índice de crédito el
comportamiento inverso. Lo observado en el gráfico 5 se corresponde con lo señalado. Para la cali-
ficación 1 durante la fase de baja morosidad se observan altos valores del HHI, reflejo de aumentos
en la probabilidad de permanencia en dicha calificación. Durante la fase de alta morosidad, cae
significativamente la probabilidad de permanencia lo que se refleja en una caída importante del HHI
estandarizado. Con respecto a la calificación 5 el comportamiento es inverso. Durante los períodos
de alta morosidad el HHI aumenta su valor indicando una menor probabilidad de que los créditos
calificados 5 puedan mejorar. En épocas de baja morosidad, el valor del HHI estandarizado asume
valores negativos, lo que indica que aumentan las probabilidades de mejora. Para el resto de califi-
caciones, se observan comportamientos menos extremos que para las calificaciones 1 y 5, pero de
todas formas similares a la calificación extrema más cercana que tenga (1 o 5). El primer trimestre
de 2004 presenta resultados muy atípicos, reflejo del comportamiento observado en la matriz de
transición histórica del período6.
6. Un resumen de los cálculos mencionados se encuentran en el anexo V no publicado, disponible ante solicitud.
115

Gráfico 5: HHI por calificación vs ICC
HHI Calif: 1 HHI Calif: 2

4,0 4,0 4,0 4,0
3,0 3,0 3,0 3,0
2,0 2,0 2,0 2,0
1,0 1,0 1,0 1,0
HHI
ICC
HHI
ICC
0,0 0,0 0,0 0,0
-1,0 -1,0 -1,0 -1,0
-2,0 -2,0 -2,0 -2,0
-3,0 -3,0 -3,0 -3,0
-4,0 -4,0 -4,0 -4,0
Trim I Trim I Trim I Trim I Trim I Trim I Trim I Trim I Trim I Trim I Trim I Trim I Trim I Trim I Trim I Trim I Trim I Trim I Trim I Trim I
2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009
HHI Calif: 3 HHI Calif: 4

4,0 4,0 4,0 4,0
3,0 3,0 3,0 3,0
2,0 2,0 2,0 2,0
1,0 1,0 1,0 1,0
HHI
ICC
0,0 0,0 HHI 0,0 0,0
ICC
-1,0 -1,0 -1,0 -1,0
-2,0 -2,0 -2,0 -2,0
-3,0 -3,0 -3,0 -3,0
-4,0 -4,0 -4,0 -4,0
Trim I Trim I Trim I Trim I Trim I Trim I Trim I Trim I Trim I Trim I Trim I Trim I Trim I Trim I Trim I Trim I Trim I Trim I Trim I Trim I
2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009
HHI Calif: 5
4,0 4,0
3,0 3,0
2,0 2,0
1,0 1,0
HHI
0,0 0,0
ICC
-1,0 -1,0
-2,0 -2,0
-3,0 -3,0
-4,0 -4,0
Trim I Trim I Trim I Trim I Trim I Trim I Trim I Trim I Trim I Trim I
2000 2001 2002 2003 2004 2005 2006 2007 2008 2009
3 - Variables utilizadas en la construcción de la Matriz Condicionada
Para la construcción de la matriz de transición condicionada es necesario definir algunas variables

que serán utilizadas en el cálculo.
Cuando se analiza la matriz de transición se observa que ésta refleja un indicador del cambio en las
calificaciones de crédito denominado Yt 7. Dado que se asume que este indicador Yt tiene una distri-
bución normal, es posible obtener particiones de Yt a través de la definición de conjuntos de bins. Se
definen los bins según la siguiente ecuación:
(5)
7. CreditMetrics y Belkin, Forest, y Suchower (1998).
116

Siendo:
= transición de probabilidades de G a g.
= inversa de la función de distribución normal acumulada estandarizada para la probabili-
dad
También se asume que Yt tiene una relación lineal con el ciclo de crédito, de forma que:

(6)
Siendo:
Yt = indicador del cambio en las calificaciones de crédito en el periodo t
ICCt = índice del ciclo de crédito en el periodo t
= coeficiente de correlación entre el cambio en la calificación de crédito y el ciclo de crédito
= término de error que representa el componente idiosincrático
El coeficiente de correlación es la correlación existente entre el cambio en las calificaciones de crédito

y el ciclo de crédito, por lo que pretende explicar qué parte de las transiciones de las calificaciones de
crédito son explicadas por cambios en el ciclo de crédito. El resto de las variaciones son explicadas por
un componente idiosincrático que no fue analizado en el presente documento.
El coeficiente de correlación estimado se define de acuerdo al coeficiente de correlación de Pearson:
(7)
Siendo:
la covarianza de (x,y) y y las desviaciones típicas de las distribuciones marginales.
Para la estimación de este coeficiente se considera la serie del índice de ciclo de crédito estimada
(160 observaciones por calificación) y la serie de cambio en la calificación de crédito que se obtiene
a través de los bins de cada categoría. Dado que se considera que dicha correlación varía en función
de la calificación inicial que tenga el deudor, se calcularon cuatro correlaciones.
Cuadro 5 - Coeficientes de correlación
Calif. 1 Calif. 2 Calif. 3 Calif. 4 Calif. 5

Calif: 1 18.6% 18.6% 18.6% 18.6% 18.6%
Calif: 2 -1.5% -1.5% -1.5% -1.5% -1.5%
Calif: 3 9.4% 9.4% 9.4% 9.4% 9.4%
Calif: 4 17.8% 17.8% 17.8% 17.8% 17.8%
Como se observa en el cuadro, las calificaciones 1, 3 y 4 presentan una correlación positiva con el
índice de ciclo de crédito, es decir que cuando este se incrementa, y por tanto, la economía empeora,
aumenta la probabilidad de que las calificaciones migren a otra categoría. Por otro lado se observa
que la calificación 2 no es sensible al ciclo de crédito, es decir que variaciones en dicho índice no
explican los movimientos de los créditos calificados 2.
El mismo análisis fue realizado considerando una serie para cada intersección de la matriz (40 obser-
vaciones) y el ICCt obteniendo así 16 coeficientes de correlación. Para el presente análisis se optó por
trabajar con 4 coeficientes dando mayor estabilidad al modelo al considerar más observaciones por
categoría (160 observaciones vs 40)8.
8. En el anexo VI no publicado se presentan los resultados obtenidos al calcular los 16 coeficientes de correlación y los resulta-
dos de la estimación del modelo a partir de los mismos; dicho anexo se encuentra disponible ante solicitud.
117

Cabe destacar que las correlaciones obtenidas presentan similitudes a otros resultados que se pre-
sentan en la literatura relevada; por ejemplo en el paper “Validation of Credit Risk Models” (2004
- Barthélémy, Sylvain) se menciona que en la propuesta del Comité de Basilea de 2001 el parámetro
de correlación se establecía en 20%, mientras que en las propuestas de 2002 y 2003 dichas correla-
ciones se revisaron estableciéndose en un rango de 12% a 24% dependiendo de la probabilidad de
default.
4 - Estimación Matriz de Transición Condicionada
Para obtener la distintas matrices de transición condicionadas se partió de la matriz de transición

promedio del período diciembre 1999 a setiembre 2009 (en adelante matriz de transición promedio)
y el ICCt correspondiente al trimestre del que se desea estimar la matriz condicionada. Para obtener
las transiciones de todas las calificaciones se considera la siguiente fórmula:
(8)
Donde e son los bins calculados a partir de la matriz de transición promedio y los coeficien-
tes de correlación estimados.
De esta forma se partió de la siguiente matriz:
Cuadro 6 – Matriz de transición promedio (Dic’99-Set’09)
Calif. 1 Calif. 2 Calif. 3 Calif. 4 Calif. 5 Total

Calif: 1 93.4% 3.0% 2.9% 0.5% 0.2% 100.0%
Calif: 2 17.7% 65.9% 11.5% 3.0% 1.8% 100.0%
Calif: 3 5.4% 2.1% 63.8% 26.7% 2.0% 100.0%
Calif: 4 2.6% 1.1% 2.5% 43.8% 50.1% 100.0%
Calif: 5 0.5% 0.2% 0.6% 0.7% 98.1% 100.0%
Aplicando la ecuación (5) se calcularon los bins de acuerdo al siguiente cuadro9:
Cuadro 7 - Bins correspondientes a la Matriz de transición promedio (Dic’99-Set’09)
Calif. 1 Calif. 2 Calif. 3 Calif. 4 Calif. 5

Calif: 1 ∞
( , -1.51) [-1.51, -1.81) [-1.81, -2.49) [-2.49, -2.96) [-2.96, -∞)
Calif: 2 (∞, 0.93) [0.93, -0.98) [-0.98, -1.66) [-1.66, -2.10) [-2.10, -∞)
Calif: 3 (∞, 1.61) [1.61, 1.44) [1.44, -0.56) [-0.56, -2.05) [-2.05, -∞)
Calif: 4 (∞, 1.95) [1.95, 1.80) [1.80, 1.55) [1.55, 0.00) [0.00, -∞)
A partir del cuadro anterior, de los coeficientes de correlación obtenidos (ver cuadro 5) y la proyec-
ción del índice de ciclo de crédito analizada en el capítulo anterior, se obtuvo la matriz de transición
condicionada al índice del ciclo de crédito para cada uno de los trimestres analizados10.
5 - Estimación Matriz Incondicional
Para el cálculo de la matriz de transición incondicionada se realizó un promedio simple de cada

categoría de las 40 matrices de transición históricas correspondientes al período diciembre 1999 –
setiembre 2009 (ver cuadro 6).
9. A efectos de realizar los cálculos se consideró como ∞ el valor 3,0902 y como -∞ el valor -3,0902.
10. Información adicional en anexo VII no publicado, disponible ante solicitud.
118

Cabe resaltar que, al realizar el promedio simple de las matrices de transición, existe el supuesto
implícito de que el índice de ciclo de crédito es igual a cero para el período de análisis, es decir, la
economía no se encuentra ni en un período de auge ni en un período de crisis. Lo anterior se condice
con que el índice se encuentra estandarizado.
6 - Matriz Condicional versus Incondicional
Con el fin de analizar los resultados obtenidos de la estimación de la matriz condicionada versus la
incondicionada se calculó el MAE (mean absolute error) para ambas matrices. El MAE se define como
el promedio de los errores absolutos entre la predicción y el verdadero valor.
(9)
Donde:
yi = valor de la matriz histórica en dicho periodo

fi = predicción para ese periodo
n = cantidad de observaciones
Aplicando el cálculo anterior se obtuvieron los siguientes resultados:
Cuadro 8 – MAE por escenarios para la Matriz Condicionada vs. Incondicionada
Condicionado Incondicionado Cond / Incond

MAE Promedio de todo el período 5,52% 5,78% 0,95
Escenario Favorable: IV trim 99 - I trim 02 5,04% 4,70% 1,07
Escenario Crisis: III trim 02 - I trim 04 6,56% 7,18% 0,91
Escenario Favorable: II trim 04 - III trim 09 4,97% 5,47% 0,91
Del cuadro 8 se puede concluir que para todo el período analizado la matriz de transición condicio-
nada presenta un menor error absoluto que la matriz incondicionada.
Luego, como se observa en el cuadro 9 y el gráfico 6, si se divide el período en escenarios favorables

y de crisis, para el caso de crisis es más conveniente la utilización de la matriz condicionada versus la
incondicionada; sin embargo para el escenario de auge el resultado obtenido es ambiguo.
Si se realiza un estudio comparativo entre los resultados de la estimación de la matriz condicional y la

incondicional, por calificación, se observa que en la calificación 1 la estimación de la matriz condicio-
nal es mejor en los escenarios favorables mientras que la incondicional es mejor en los escenarios de
crisis. Respecto a la calificación 2, se observa que la estimación es muy similar en ambos casos, con-
secuencia de que, como se mencionó anteriormente, la transición de esta calificación es insensible
al ciclo de crédito. En las calificaciones 3 y 4 es más precisa la estimación de la matriz condicionada
que la incondicionada.
119

Cuadro 9 - MAE por calificación y escenarios para la Matriz Condicionada vs. Incondicionada
Condicionado Incondicionado Cond / Incond

E.Favorable: III 99 - II 02, III 04- III09 1.65% 1.80% 0.92
Calif: 1
E.Crisis: III 02- II 04 2.47% 1.81% 1.36
Calif: 2
E.Crisis: III 02- II 04 8.46% 8.42% 1.01
Calif: 3
E.Crisis: III 02- II 04 7.40% 9.28% 0.80
Calif: 4
E.Crisis: III 02- II 04 4.79% 6.38% 0.75
Gráfico 6: MAE por calificación de la Matriz Condicionada vs. Matriz Incondicionada
MAE Calif: 1 Cond. vs Incond. MAE Calif: 2 Cond. vs Incond.
12.00% 18.00%
Calif: 1 Cond Calif: 2 Cond
8.00% Calif: 1 Incond 12.00% Calif: 2 Incond
4.00% 6.00%
0.00% 0.00%
0
5
2
9
00
00
00
00
00
00
00
00
00
00
00
00
00
00
00
00
00
00
00
00
I2
I2
I2
I2
I2
I2
I2
I2
I2
I2
I2
I2
I2
I2
I2
I2
I2
I2
I2
I2
im
im
im
im
im
im
im
im
im
im
im
im
im
im
im
im
im
im
im
im
Tr
Tr
Tr
Tr
Tr
Tr
Tr
Tr
Tr
Tr
Tr
Tr
Tr
Tr
Tr
Tr
Tr
Tr
Tr
Tr
MAE Calif: 3 Cond. vs Incond. MAE Calif: 4 Cond. vs Incond.
20.00% 20.00%
Calif: 3 Cond Calif: 4 Cond
15.00% 15.00% Calif: 4 Incond
Calif: 3 Incond
10.00% 10.00%
5.00% 5.00%
0.00% 0.00%
0
4
3
9
00
00
00
00
00
00
00
00
00
00
00
00
00
00
00
00
00
00
00
00
I2
I2
I2
I2
I2
I2
I2
I2
I2
I2
I2
I2
I2
I2
I2
I2
I2
I2
I2
I2
im
im
im
im
im
im
im
im
im
im
im
im
im
im
im
im
im
im
im
im
Tr
Tr
Tr
Tr
Tr
Tr
Tr
Tr
Tr
Tr
Tr
Tr
Tr
Tr
Tr
Tr
Tr
Tr
Tr
Tr
Por otra parte, resulta interesante observar la relación entre el MAE de cada calificación de la matriz
condicionada con el índice de ciclo de crédito. Del gráfico que se presenta a continuación se puede
observar que en la mitad de los trimestres el MAE de las calificaciones 1 y 2 es bajo, mientras que el
de las calificaciones 3 y 4 es alto en casi todos los períodos. Esto indicaría que el modelo sería más
preciso para estimar las transiciones de las calificaciones 1 y 2 que las transiciones de las calificaciones
3 y 4.
120

Gráfico 7: MAE por calificación de la Matriz Condicionada vs. ICC
MAE matriz condicionada vs ICC

25% 3,5
3,0
20% 2,5
2,0
15% 1,5
Calif.
ICC
1,0
10% 0,5
0,0
5% -0,5
-1,0
0% -1,5
1999 2000 2001 2002 2003 2004 2005 2006 2007 2008
Por último, se realizó otro análisis en el que se construyó el modelo restringiendo el ciclo de crédito
a los años 2000 - 2007, para poder evaluar la eficacia en la predicción de las matrices para los dos
años siguientes. En este caso, se observó que en las calificaciones 1, 3 y 4, los errores de predicción
son menores en la matriz condicional que en la incondicional. Nuevamente, se concluye que para la
calificación 2 resulta indiferente predecir con la matriz condicional que con la incondicional.
Cuadro 10 - MAE por calificación para ciclo de crédito 2000-2007
MAE PROM Condicionado Incondicionado Cond / Incond

Calif: 1 1.13% 1.76% 0.64
Calif: 2 3.57% 3.54% 1.01
Calif: 3 10.51% 10.90% 0.96
Calif: 4 4.62% 6.25% 0.74
Cabe destacar, que fue analizado el caso de que el ciclo de crédito impactara en la matriz de transi-
ción con cierto rezago, es decir, que las modificaciones en las transiciones, consecuencia de cambios
en la situación económica, se observarán en los trimestres posteriores al cambio, y no en el mismo
trimestre. Sin embargo, los resultados obtenidos no fueron los esperados, no obteniéndose mejoras
significativas en los resultados de la predicción11.
V. CONCLUSIONES
1 - Construcción del ICC
Del análisis realizado, se concluye que con el modelo obtenido se logró una estimación de la morosi-
dad del sector no financiero muy cercana a la observada para el período considerado. Esto permite,
a partir de la proyección de diferentes variables macroeconómicas, obtener una adecuada aproxima-
ción de la morosidad futura. La construcción de dicho índice es sencilla y contiene información muy
valiosa que no debe ser dejada de lado.
2 - Análisis de las matrices históricas
Del estudio de las matrices de transición históricas y de los ratios de permanencia en las dos grandes
categorías definidas (créditos calificados 1 y 2 y créditos calificados 3, 4 y 5), surge que los créditos en
11. Ver análisis del MAE para 4 coeficientes de correlación e ICC rezagado en anexo VIII no publicado, disponible ante solici-
tud.
121

las calificaciones 1 y 2 son más estables que los créditos calificados 3, 4 y 5. Asimismo, en períodos
de crisis el ratio de las calificaciones “buenas” disminuye y el de las “malas” aumenta producto de
una peor calidad de los créditos.
Otra conclusión que se puede resaltar en los cambios de las calificaciones, es que los bancos califican
de forma más severas en los trimestres pares en los que son auditados, aspecto que pudiera estar
introduciendo cierto “ruido” adicional a las probabilidades de permanencia o migración de las cali-
ficaciones.
Del análisis del índice HHI se concluye que existe una alta probabilidad de mantenerse en la califica-
ción inicial; sin embargo, al analizar la relación con el ICC, se observó que las calificaciones 1 y 5 son
más sensibles ante cambios en el ciclo de crédito que las restantes categorías.
Respecto a las correlaciones encontradas entre el ciclo de crédito y los cambios en las calificaciones,
se puede afirmar que existe una correlación fuerte entre la variación del ciclo de crédito y la variación
en las calificaciones 1 y 4, y en menor grado, en la calificación 3. Es decir que, ante modificaciones
en el índice del ciclo de crédito, los deudores cambian de calificación. Sin embargo, no se encontró
una relación similar en la calificación 2, ya que la correlación resultó muy pequeña. En consecuencia,
se puede concluir que el índice de ciclo de crédito estimado es un indicador que impacta de forma
significativa en las probabilidades de transición de las calificaciones, y, por lo tanto, puede ser consi-
derado para proyectar la matriz de transición.
3 - Matrices Condicionadas vs. Incondicionadas
En lo que refiere al error de predicción obtenido en las matrices de transición condicionadas, se ob-
serva que en promedio los MAE son menores en las calificaciones 1 y 2 que en las calificaciones 3
y 4. Esto sugiere que el modelo sería más adecuado para proyectar las migraciones de las primeras
calificaciones, lo cual es relevante para el cálculo adecuado de las previsiones de los bancos.
La comparación de los resultados de la matriz de transición condicionada con la incondicionada,

indica que, en promedio, la matriz condicionada predice mejor en las calificaciones 1, 3 y 4, mientras
que en la calificación 2 los resultados no muestran diferencia entre una metodología y otra. Esto se
explica porque, como fue mencionado anteriormente, no se encontró una correlación entre el índice
de ciclo de crédito y la transición de esta última calificación. En suma, de los resultados observados,
se concluye que es más conveniente utilizar la matriz de transición condicionada que la matriz pro-
medio.
A su vez, si se analizan los resultados de las predicciones para la matriz condicionada de acuerdo a
los estados de la economía, se observa que la predicción es más precisa en escenarios favorables que
en los escenarios de crisis. En particular, si se analiza por calificación, se puede concluir que en la
calificación 1 la estimación es mejor en escenarios favorables, mientras que, en las calificaciones 3 y
4, la estimación es mejor en escenarios de crisis.
Por último, cuando se realizó la estimación en función del período 2000-2007, realizando además
la proyección solo para los años 2008 y 2009, se observaron resultados más precisos. En este caso,
los errores de predicción fueron más pequeños en las calificaciones 1, 2 y 4, mejorando aún más la
predicción respecto a la matriz promedio.
En síntesis, de acuerdo con el trabajo realizado, la metodología seguida resultaría altamente eficaz
para predecir la morosidad del sistema financiero, así como para estimar matrices de transición de ca-
lificaciones de riesgo crediticio. De todas formas, cabe resaltar que los resultados obtenidos podrían
mejorar en caso de superar las limitaciones que se presentan a continuación.
122

VI. LIMITACIONES DEL TRABAJO

Si bien el presente trabajo logra una adecuada aproximación al tema de estudio, es necesario men-
cionar algunas limitaciones.
En primer lugar, debido al período de estudio seleccionado (1999-2009), y la frecuencia de los datos
obtenida (trimestral), se trabajó con muy pocas observaciones, lo cual es posible que haya sesgado
algunas de las estimaciones obtenidas. A su vez, el hecho de trabajar con matrices trimestrales limitó
obtener una correlación adecuada entre el índice de crédito y los cambios en las calificaciones, dado
que en un lapso de tiempo corto puede que no sea posible captar el impacto del ciclo económico
en las calificaciones.
En segundo lugar, si bien el período seleccionado permite observar todo el ciclo económico, es decir,
momentos de auge y de crisis, el shock que sufrió la economía uruguaya en el año 2002 tuvo un
impacto muy significativo, por lo que los resultados pudieron verse sesgados por dicho efecto.
En tercer lugar, si bien en el trabajo se analiza cómo diversos indicadores macroeconómicos afectan
la morosidad, por falta de información, no fue posible incluir factores microeconómicos, es decir,
aquellas variables que influyen a cada empresa o sector en particular y que constituyen un factor
idiosincrático para el análisis. En caso de tener acceso a este tipo de información para todo el sistema,
sería posible obtener resultados que se acerquen aún más a la realidad observada.
En cuarto lugar, en el presente documento no se obtuvo información desagregada por sector de acti-
vidad ni por tipo de persona (física o jurídica), sino que se trabajó con el total del sector no financiero.
Esta es una limitación importante ya que existen factores macroeconómicos que afectan de mayor
forma a un subsector que a otro. Por tanto, al realizar esta investigación sin ningún tipo de distin-
ción, es posible que se haya subestimado o sobrestimado la importancia de determinados factores
sobre la morosidad, o que incluso se hayan descartado factores que podrían explicar la morosidad
de algún subsector.
Por otra parte, existen cambios en las calificaciones de crédito que no se deben a datos objetivos, es
decir, a días de atraso en el cumplimiento de las obligaciones, sino que las modificaciones se explican
por motivos subjetivos como es el hecho de que el deudor no hubiera presentado la información
solicitada. En consecuencia, dado que la base de datos analizada no posee una diferenciación entre
cambios por aspectos objetivos o subjetivos, las conclusiones extraídas pueden resultar afectadas.
Por último, no se realizó una distinción por tipo de moneda. Como en Uruguay un deudor puede
contraer obligaciones tanto en moneda nacional como en moneda extranjera, es posible que la
morosidad evolucione de forma distinta en una moneda que en otra. En consecuencia, en futuras
investigaciones podría ser interesante repetir el presente estudio realizando una separación en el
análisis por tipo de moneda.
123

VII. BIBLIOGRAFÍA
Banco Central del Uruguay – Superintendencia de Instituciones Financieras “Normas Contables para
empresas de intermediación financiera” Norma Particular 3.8: “Normas para la clasificación de los
riesgos crediticios” .
Barthélémy, S., 2004, “Validation of Credit Risk Models,” Thierry Apoteker Consultant.
Basel Committee on Banking Supervision, 1999, “Credit Risk Modeling: Current Practices and Appli-
cations, BIS, Basle”.
Belkin, B., L.R. Forest, Jr., and S. Suchower, 1998, “A One-Parameter Representation of Credit Risk and
Transition Matrices” Credit Metrics Monitor, 1. 46–56.
Brooks, C., “Introductory Econometrics for Finance,” Cambridge University Press, 2008.
Elizondo, A., 2003, “Medición Integral del Riesgo de Crédito,” Ed. Limusa.
Fernández de Lis, Santiago, Martínez Pagés, Jorge, Saurin, Jesús, 2000, “Credit growth, problem
loans and credit risk provisioning in Spain,” Banco de España Documento de Trabajo 0018.
González Arbeláez, A., 2010, “Determinantes del riesgo de crédito comercial en Colombia,” Reporte
de Estabilidad Financiera, Banco de la Republica, Colombia.
Kim, J., 1997, “A way to Condition the Transition Matrix on Wind,” RiskMetrics Group.
Marquez Diez Canedo, J., 2006, “Una nueva visión del riesgo de crédito,” Ed. Limusa.
Tobin , J., 1958, “Estimation of relationships for limited dependent variables,” Econometrica 26, 24-
36.
Zapata Galindo, A., 2003, “Modelando el riesgo de crédito en Colombia: matrices de transición para
la cartera comercial,” Apuntes de Banca y Finanzas, Asociacion Bancaria y de Entidades Financieras
de Colombia.
Vallcorba, M., y J. Delgado, 2007, “Determinantes de la morosidad bancaria en una economía dola-
rizada. El caso uruguayo,” Banco de España Documento de Trabajo 0722.
124

Matriz de Transicion PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Matriz de Transicion PDF

Cargado por

Copyright:

Formatos disponibles

Matriz de Transición Condicional de los Créditos

del Sector No Financiero para Uruguay y sus

UM-revista_FCEE11-16marzo_ver1.indd 99 16/03/2011 16:53:23

En el presente estudio, se realizó la estimación de la matriz de transición condicional de los créditos

Adicionalmente, la estimación de la matriz de transición condicional permitirá analizar las ventajas

II. MARCO TEÓRICO

UM-revista_FCEE11-16marzo_ver1.indd 100 16/03/2011 16:53:23

• La probabilidad de incumplimiento, que refiere a la frecuencia relativa con que la contraparte no

Los aspectos a tener en cuenta en lo que se refiere al riesgo de portafolio son:

• La correlación entre la probabilidad de incumplimiento y la calidad del crédito; esto es el grado

• La concentración de riesgo, la cual se refiere a la contribución marginal de un activo crediticio

• El riesgo de incumplimiento, o sea la incertidumbre sobre la capacidad de una contraparte de

UM-revista_FCEE11-16marzo_ver1.indd 101 16/03/2011 16:53:23

3 - Basilea II y algunos conceptos clave

El objetivo de la medición del riesgo de crédito es la estimación de la distribución de probabilidad de

• Cuando se determina que un deudor improbablemente pague sus obligaciones de deuda, en

• El deudor presenta un atraso superior a los 90 días en cualquiera de sus obligaciones.

• El deudor presenta una declaratoria de quiebra.

4 - Modelos para la medición del riesgo de crédito

UM-revista_FCEE11-16marzo_ver1.indd 102 16/03/2011 16:53:23

UM-revista_FCEE11-16marzo_ver1.indd 103 16/03/2011 16:53:23

transición asociada a un sistema de calificación de créditos, que provee el mecanismo probabilístico

En general, la información que se requiere para estimar la probabilidad de incumplimiento refiere a

UM-revista_FCEE11-16marzo_ver1.indd 104 16/03/2011 16:53:23

Las matrices de transición presentan las siguientes características:

• Todos los elementos de la matriz son no negativos.

• La suma de los elementos de cada fila es igual a uno.

• La probabilidad que un crédito inicialmente calificado i mantenga su calificación el siguiente

La metodología utilizada en este trabajo para condicionar la matriz de transición se basó en un

III. CONSTRUCCIÓN DEL MODELO

UM-revista_FCEE11-16marzo_ver1.indd 105 16/03/2011 16:53:23

1 - Creación del Índice del Ciclo de Crédito

y = media histórica y desviación estándar de la morosidad respectivamente.

ICCt puede tomar distintos valores:

Donde es una variable latente

UM-revista_FCEE11-16marzo_ver1.indd 106 16/03/2011 16:53:23

= set de series macroeconómicas y financieras en el período de t-1

3 - Variables del Modelo y correlación

Como variables independientes (variables explicativas) se analizaron:

• Variación del Índice de Desempleo (en adelante DESEMP)

UM-revista_FCEE11-16marzo_ver1.indd 107 16/03/2011 16:53:23

UM-revista_FCEE11-16marzo_ver1.indd 108 16/03/2011 16:53:24

Gráfico1: Morosidad vs Series Macroeconómicas

MOR TMN MOR TME

MOR DESEMP MOR PBI

0.30 0.12 0.05

UM-revista_FCEE11-16marzo_ver1.indd 109 16/03/2011 16:53:24

Cuadro 2 - Matriz de correlación

4 - Análisis de las series

Las hipótesis que se plantean en estas pruebas son:

Ho) La serie es no estacionaria

Ha) La serie es estacionaria

UM-revista_FCEE11-16marzo_ver1.indd 110 16/03/2011 16:53:24

Cuadro 3 - Resultados de los Test ADF

Level 1st diference

5 - Estimación del Índice del Ciclo de Crédito - Modelo Tobit

El modelo que logró explicar mejor la morosidad fue2:

UM-revista_FCEE11-16marzo_ver1.indd 111 16/03/2011 16:53:24

Gráfico 2: Morosidad Real vs. Estimada

Morosidad Real vs Estimada

0.35 MOR Real

Luego de la estimación de la morosidad, se procedió a la estandarización de la serie estimada (fórmu-

IV. MATRIZ DE TRANSICIÓN CONDICIONADA