PRDIDA ESPERADA Y NO ESPERADA

Metodologa para cuantificar la prdida esperada y no esperada de la cartera de crdito

En la presente nota metodolgica se describen los algoritmos para el clculo de la prdida no
esperada (Valor en Riesgo). La cuantificacin del riesgo se refiere a la medicin de la prdida
resultante de un portafolio de crditos debida al incumplimiento en el pago por parte de las
contrapartes o acreditados.

El evento de inters para ser medido y examinado es la prdida agregada derivada de la
cartera de crditos. Esto es, el monto resultante de los quebrantos individuales debidos al
incumplimiento de las contrapartes ocurridos en un horizonte determinado de tiempo.

Antes de tratar las prdidas es necesario establecer el tratamiento para la probabilidad de
incumplimiento a partir del Puntaje de Comportamiento.

Prdida esperada
En la teora de la probabilidad el atributo esperado siempre corresponde a la esperanza o al
valor promedio (media). Para el caso de la definicin de la prdida esperada la idea es la
siguiente: se asigna a cada cliente una probabilidad de incumplimiento ( DP ), una fraccin de
prdida denominada prdida dado el incumplimiento ( LGD ) que representa la fraccin de la
exposicin del monto del prstamo que se espera no sea recuperado en caso que el cliente
incumpla en el pago, y la exposicin al incumplimiento ( EAD ) que es el
L LGD EAD L =
~
con
i
D
L 1 = , y ( ) PD D P = ,

Donde D denota el evento en el que el acreditado incumple dentro de un periodo de tiempo,
D
1 es la funcin indicadora de tal evento, esto es:

=
. 0
1
1
caso otro en
D ocurre si
D


y ( ) D P es la probabilidad de D.

La prdida esperada ( EL) de cualquier cliente como la esperanza de la variable aleatoria L
~
.
As queda que:

( ) ( ) DP LGD EAD D P LGD EAD L E EL = = =
~
,

Cuando se asume que ni la recuperacin ni la exposicin al incumplimiento son aleatorios. Este
ltimo supuesto no requiere ser cierto en cualquier circunstancia, por ejemplo en el caso en el
que la exposicin dependa del horizonte temporal o se trate de lneas de crdito para operacin
con instrumentos derivados.

Nota: Dada la falta de experiencia histrica para la correcta estimacin de estas cantidades, se
harn los siguientes supuestos en tanto no se puedan estimar estas cantidades:

1. LGD, es igual a uno, consistente con la metodologa de clculo de reservas de la
CNBV para carteras de consumo.

2. DP, es la que corresponde al nmero de pagos vencidos de acuerdo con las citadas
reglas de la CNBV para clculo de reservas.

3. EAD , es igual al saldo del crdito al momento del anlisis. En todo caso, el monto del
crdito no deber incluir los intereses devengados no cobrados, registrados en
balance, de crditos que estn en cartera vencida.


Prdida no esperada

Se entiende como una medida de magnitud de la desviacin de prdidas de la Prdida
Esperada (EL Expected Loss), es decir, corresponde a la desviacin estndar de la variable
de prdida L
~
como se defini antes es una primera opcin. A esta cantidad a veces se le
conoce algunas veces como Prdida No Esperada (UL por su denominacin en ingls,
Unexpected Loss), y se define por:

( ) ( ) L SEV EAD Var L Var UL = =
~


Proposicin. Bajo la hiptesis de que la severidad y el evento de incumplimiento D son
independientes, la prdida no esperada de un prstamo est dada por:

( ) ( ) DP DP LGD DP SEV Var EAD UL + = 1
2
.

Demostracin. Tomando
( ) ( ) ( ) ( ) ( )
( ) ( ) ( )
( ) ( ) ( ) | |
( ) ( ) ( ) ( ) | |
( ) ( ) ( ) ( ) | |
( ) ( ) | |. 1
1
1
1
1
~ ~ ~
2 2
2 2 2
2 2 2
2 2 2
2 2
DP DP LGD DP SEV Var EAD
SEV Var DP SEV Var LGD DP DP EAD
SEV Var DP SEV Var LGD DP DP EAD
SEV Var DP SEV E DP DP EAD
DP SEV EAD Var DP DP SEV EAD E
SEV L E Var SEV L Var E L Var
+ =
+ + =
+ + =
+ =
+ =
+ =


Observacin. Ntese que la suposicin de una correlacin igual a cero entre la severidad y el
evento de incumplimiento dada en la Proposicin no siempre corresponde al comportamiento
efectivamente observado y se hace slo para obtener una primera aproximacin a la prdida
no esperada real. De hecho, no es improbable que en promedio la tasa de recuperacin de
los prstamos cayera, si condiciones econmicas malas llevan a un aumento en las
frecuencias de incumplimiento en el mercado de crditos.



Prdida esperada y no esperada para una cartera crediticia
Ahora, hasta aqu se ha hablado del riesgo de crdito como un solo activo, sin embargo, el
propsito del presente documento es examinar la medicin que es relevante para manejar
carteras grandes constituidas de distintos productos con distintas caractersticas de riesgo. Por
lo tanto, ahora se indicar cmo se pretende modelar la prdida total de un portafolio de
crdito.

Para este propsito, se considera un portafolio constituido de m prstamos:
i i i i
L SEV EAD L =
~
,

donde:
i
D i
L 1 = , ( )
i i
DP D P = .

La prdida del portafolio se define entonces como la variable aleatoria:

= =
= =
m
i
i i i
m
i
i PF
L SEV EAD L L
1 1
~ ~
.
De forma anloga a las cantidades individuales ya examinadas EL y UL ahora se obtendrn las
PF
EL y
PF
UL , definidos por la esperanza y la desviacin estndar de la prdida del portafolio
respectivamente. En caso de la prdida esperada EL se puede usar el hecho que la esperanza
de la suma es la suma de las esperanzas, para obtener:


= =
= =
m
i
i i i
m
i
i PF
DP LGD EAD EL EL
1 1


En caso de la prdida no esperada UL, la aditividad se preserva en el caso en el que las
variables de prdida
i
L
~
son mutuamente no correlacionadas. Si las variables de prdida estn
correlacionadas, la aditividad se pierde. Desgraciadamente ste es el caso estndar, porque
las correlaciones son un factor principal del riesgo de crdito. La prdida no esperada (UL) de
un portafolio es la primer medida de riesgo en donde las correlaciones juegan un rol
fundamental:

( )
=

=
(

= =
m
i
m
j
j
L
j
SEV
i
L
i
SEV Cov
j
EAD
i
EAD
PF
L Var
PF
UL
1
.
1
,
~


Observando el caso especial en la que las severidades son constantes, podemos expresar la
UL de un portafolio por medio de correlaciones de incumplimiento:


Proposicin. Para un portafolio con severidades constantes tenemos:
( ) ( )

=
=
m
j i
ij j j i i j i j i PF
DP DP DP DP LGD LGD EAD EAD UL
1 ,
2
1 1
donde:
| | | |
j i
D D j i ij
Corr L L Corr 1 , 1 , = = denota la correlacin de incumplimiento entre contrapartes
i y j.

Antes de continuar se tomar un momento para discutir acerca del significado y la
interpretacin de la correlacin. Por simplicidad se considerar el ejemplo de un portafolio
constituido por dos prstamos con: LGD=100% y EAD=1.

De ese modo, slo se trabajar con
i
L para i=1,2, y tenemos | |
2 1
, L L Corr = y
i i
DP p =
Entonces, el cuadrado de UL de nuestro portafolio est dado por:

( ) ( ) ( ) ( )
2 2 1 1 2 2 1 1
2
1 1 2 1 1 p p p p p p p p UL
PF
+ + = .
Consideremos tres casos posibles para el coeficiente de correlacin :
0 = . En este caso, el tercer trmino en la frmula desaparece. A pesar de ser
inusual en este contexto, se puede decir que 0 = se le conoce como
diversificacin perfecta.
El concepto de diversificacin es fcil de explicar. Invirtiendo en diferentes activos
generalmente reduce el riesgo total del portafolio, porque usualmente es muy poco
probable ver que un gran nmero de prstamos incumplan al mismo tiempo. Mientras
menos tengan en comn los prstamos en el portafolio, es ms alta la posibilidad de
incumplimiento de algn obligado no implica mucho en el futuro econmico de los otros
prstamos dentro del portafolio. El caso 0 = se refiere a situaciones, donde los
prstamos en el portafolio que no estn completamente relacionados. Interpretando la
UL como un sustituto
1
para el riesgo del portafolio, se puede ver que este caso
minimiza el riesgo de incumplimientos conjuntos.
0 > . En este caso las dos contrapartes estn relacionadas en que el
incumplimiento de una de las contrapartes aumente la probabilidad de que otra
contraparte tambin incumpla. Se puede examinar esto en forma precisa viendo la
probabilidad condicional de incumplimiento de la contraparte 2 bajo la condicin de que
el obligado 1 ya haya incumplido:

| |
| |
| |
| | | | | |
1
2 1
2
1
2 1 2 1
1
2 1
1
1 2
1 2
1
1 , 1
1 1
p
L L Cov
p
p
L L Cov p p
p
L L E
L P
L L P
L L P + =
+
= =
=
= =
= = =
.


1
Ntese que en contraste con la EL, UL es la real incertidumbre que el banco afronta cuando se invierte en un portafolio porque
captura la desviacin respecto de la esperanza.
Entonces, una correlacin positiva y consecuentemente la covarianza- conduce a una
probabilidad condicional de incumplimiento ms alta (debido a que | | 0 ,
2 1
> L L Cov )
que una probabilidad incondicional de incumplimiento de
2
p del obligado 2. En otras
palabras, en caso de correlaciones positivas cualquier incumplimiento en el portafolio
tiene una importante implicacin en otros activos dentro del portafolio, es decir que
pueden encontrarse ms prdidas.

El caso extremo en este escenario es el caso de la correlacin perfecta ( 1 = ). En
el caso en que
2 1
p p p = = la ecuacin que examinamos muestra que en el caso de
correlacin perfecta tenemos ) 1 ( 2 p p UL
PF
= lo que significa que el portafolio
contiene el riesgo de slo un obligado pero con doble intensidad (riesgo de
concentracin). En esta situacin de acuerdo con la probabilidad condicional antes
calculada que el incumplimiento de un obligado haga casi seguro que el otro obligado
incumpla.

0 < Este caso es la situacin contraria al caso 0 > . De este modo slo se
discutir el caso extremo de una correlacin perfecta inversa ( 1 = ). Se puede ver
una inversin en el activo 2 como una casi perfecta cobertura contra una inversin en
un activo 1, si (adems de que 1 = ) las caractersticas (exposicin, calificacin,
etc.) de dos prstamos coinciden. Obviamente, esta terminologa hace mucho ms
sentido cuando se sigue un enfoque de valuacin a mercado de los prstamos, donde
un aumento en el valor de mercado de uno de los prstamos inmediatamente (bajo la
suposicin de 1 = ) puede implicar una disminucin en el valor de mercado del
otro prstamo. Sin embargo, de la expresin para
2
PF
UL se sigue que, en caso de una
cobertura perfecta, la UL del portafolio desaparece completamente ( 0 =
PF
UL ). Esto
quiere decir que la cobertura perfecta elimina completamente (neutraliza) el riesgo del
activo 1.

Otra posible definicin de la Prdida no esperada (UL) de un portafolio es tratarla como el
capital en riesgo que se guarda para situaciones de desastre. El asumir que la desviacin
estndar no siempre es la mejor opcin, porque puede haber una probabilidad significativa de
que las prdidas excedan la EL del portafolio por ms de una desviacin estndar de la prdida
del portafolio. Adicionalmente, si la cartera est constituida por crditos no homogneos, puede
resultar difcil cuantificar el capital en riesgo, tomando en cuenta un nivel de confianza
estadstico, utilizando mltiplos de tal desviacin.

La forma ms comn de cuantificar el riesgo de capital es el concepto de capital econmico
(EC por su denominacin en ingls, Economic Capital).

En la presente nota se utilizar indistintamente EC y UL. Para un nivel dado de confianza o se
define el o -cuantil de la prdida de un portafolio
PF
L
~
menos la EL del portafolio,

PF
EL q EC =
o o
,

donde
o
q es el o -cuantil de
PF
L
~
, definido como:

| | { } o
o
> s > = q L P q q
PF
~
0 inf .

Por ejemplo, si el nivel de confianza se fija en % 98 . 99 = o entonces el capital en riesgo
o
EC
ser (en promedio) suficiente para cubrir las prdidas no esperadas en 9,998 aos de 10,000,
asumiendo aqu un horizonte de proyeccin de un ao. Desgraciadamente, desde otra
perspectiva, se puede que en 2 de cada 10,000 aos el capital econmico
% 98 . 99
EC no ser
suficiente para proteger al banco de insolvencia. sta, es la parte negativa cuando se
determina el capital en riesgo a travs de cuantiles.

La razn por la que el cuantil
o
q se reduce por la EL se debe a que la mejor prctica de
descomponer el riesgo de capital total (es decir, el cuantil), primero en una cobertura para las
prdidas esperadas y otra para proteccin en contra de prdidas no esperadas. Junto a esto, el
clculo del precio de un prstamo toma varios componentes de costos en cuenta. Primero, el
precio del prstamo debe incluir los costos de administrar el prstamo y tal vez parte de los
costos o comisiones de apertura. Segundo, las prdidas esperadas le deben ser cargadas al
cliente a travs del precio del producto, tomando la capacidad de crdito capturada por el nivel
de riesgo del cliente en cada caso. Clientes ms riesgosos tienen que pagar una prima de
riesgo ms alta que los clientes que muestran una calidad de crdito alta. Tercero, el banco
debe tambin solicitar alguna compensacin por tomar el riesgo de prdidas no esperadas que
vengan con el nuevo prstamo al portafolio de crdito del banco. La carga de prdidas no
esperadas es generalmente calculada como la contribucin de EC del prstamo en referencia a
los prstamos del portafolio del banco.

Ntese que existe una importante diferencia entre las cargas de EL y de EC: las cargas de EL
son independientes de la composicin del portafolio en referencia, mientras que la carga de EC
depende fuertemente de la composicin actual del portafolio en el que ser incluido el nuevo
prstamo. Por ejemplo, si el portafolio est bien diversificado, entonces la carga de EC como
reserva contra prdidas no esperadas no tiene que ser tan grande como debera de ser en
caso de que, por ejemplo, el nuevo prstamo inducira a un poco de riesgo de concentracin.

En resumen se puede decir que las cargas de EL son independientes del portafolio, pero las
cargas de EC son dependientes del portafolio. Esto hace que el clculo de la contribucin de
EC requiera de herramientas de clculo de precios ms complicadas, porque se debe de tomar
en cuenta el portafolio completo en cada transaccin.

Una alternativa para el EC es un riesgo de capital basado en la prdida esperada dado que
sta rebasa un umbral o un cuantil. En ingls esta cantidad se denomina regularmente
Expected Shortfall (ESF).


La distribucin de la prdida

Todas las cantidades de riesgo al nivel de portafolio estn basadas en la variable de prdida
del portafolio
PF
L
~
. Por lo tanto, no sorprende que la distribucin de
PF
L
~
, la llamada distribucin
de la prdida del portafolio, juegue un papel central en la administracin de riesgo de crdito.
En la figura siguiente se muestra cmo todas las cantidades de riesgo del portafolio de crdito
pueden ser identificadas por medio de la distribucin de la prdida del portafolio. Esta es una
observacin importante, porque muestra que en casos en que la distribucin de la prdida del
portafolio puede ser slo determinada de forma emprica se pueden utilizar cantidades
estadsticas empricas como una aproximacin a las verdaderas cantidades de riesgo.



Distribucin de Prdida de un Portfolio de Crditos
0.0%
0.5%
1.0%
1.5%
2.0%
2.5%
3.0%
1 5 9
1
3
1
7
2
1
2
5
2
9
3
3
3
7
4
1
4
5
4
9
5
3
5
7
6
1
6
5
6
9
7
3
7
7
8
1
8
5
8
9
9
3
9
7
1
0
1
1
0
5
1
0
9
1
1
3
1
1
7
1
2
1
1
2
5
1
2
9
1
3
3
1
3
7
Prdida (en millones)
F
r
e
c
u
e
n
c
i
a





En la prctica existen tres formas generalmente aceptadas de estimar la distribucin de la
prdida. El primer mtodo est basado en la simulacin de Monte Carlo; la segunda
corresponde a la aproximacin analtica y el tercero aprovecha ciertas caractersticas de la
distribucin de prdidas para estimarla de manera recursiva. En el presente documento se
incluyen las dos primeras.
Prdida Esperada Cuantil Capital
Econmico
Prdida No Esperada
Riesgo Residual

Simulacin Monte Carlo
Con esta metodologa puede estimarse la funcin de distribucin de la prdida agregada del
portafolio a travs de la distribucin emprica. Esta ltima se obtiene de una muestra de
prdidas simuladas del portafolio de referencia.

En este enfoque se simulan todos aquellos factores que afectan el comportamiento crediticio
de las contrapartes. Por ello, lo primero con que se debe contar es con un modelo de
probabilidad para todos esos factores (distribucin conjunta).

El modelo de simulacin puede ser tan complejo como el modelo probabilstico lo requiera. En
su caracterizacin ms simple, la nica variable por simular es el incumplimiento individual de
las contrapartes. Adicionalmente, pueden simularse las exposiciones a travs del tiempo, las
tasas de recuperacin o, inclusive, las mismas tasas de incumplimiento (siempre y cuando se
tenga calibrado un modelo para el comportamiento conjunto de todas estas variables). La
ventaja de este enfoque es que es incremental, esto es, puede comenzarse con la
configuracin ms bsica, donde el nico factor de incertidumbre es el comportamiento
crediticio de la contraparte, e irse integrando posteriormente distintos factores adicionales en la
medida en la que se tengan estimaciones de sus comportamientos aleatorios.

Para realizar la simulacin Monte Carlo se generan nmeros pseudo-aleatorios de la
distribucin conjunta descrita anteriormente para simular las variables que impactan la
ocurrencia de prdidas debidas a incumplimientos individuales. Una vez realizada esta tarea se
contar con una muestra aleatoria de realizaciones independientes de tamao n de
potenciales prdidas del portafolio
( ) ( ) n
PF PF
L L
~
, ,
~
1
. La distribucin emprica de prdidas se define
como:

( )
| |
( )
( )

=
=
n
j
j
PF x
L
n
x F
1
, 0
~
1
1
.

La siguiente figura muestra el histograma de una distribucin de prdidas estimada a partir de
las simulaciones:
( ) ( ) n
PF PF
L L
~
, ,
~
1
.

Distribucin Emprica estimada por simulacin Monte Carlo
0
50
100
150
200
250
300

1


5


9


1
4


1
8


2
2


2
6


3
1


3
5


3
9


4
3


4
8


5
2


5
6


6
0


6
5


6
9


7
3


7
7


8
2


8
6


9
0


9
4


9
8


1
0
3


1
0
7


1
1
1


1
1
5


1
2
0


1
2
4


1
2
8


1
3
2


1
3
7


1
4
1

Prdida (en millones)
F
r
e
c
u
e
n
c
i
a



A partir de la distribucin emprica de la prdida se pueden calcular todos los cuantiles que
sean requeridos para determinar el capital econmico a cualquier nivel de confianza. Por
ejemplo, el cuantil a de la distribucin de prdidas puede ser estimado directamente de la
muestra
( ) ( ) n
PF PF
L L
~
, ,
~
1
de la siguiente manera:

Se calculan los estadsticos de orden de
( ) ( ) n
PF PF
L L
~
, ,
~
1
, digamos

( ) ( ) ( )
n
i
PF
i
PF
i
PF
L L L
~ ~ ~
2 1
s s s ,

el cuantil o
o
q de la distribucin emprica de prdidas (para cualquier nivel de confianza o )
est dado por:

| |
( )
( )
| |
( )
| |
( )

N e
N e +
=
+
o
o o o
o
o o
o
n si L
n si L L
q
n
n n
i
PF
i
PF
i
PF

1


donde: | | { } { } k n n k n s e = o o , , 1 min .

Asimismo, as como los cuantiles pueden ser estimados a partir de la muestra de prdidas
simuladas, la prdida esperada puede estimarse a partir del promedio aritmtico de las
mismas. Por lo tanto, el capital econmico se puede estimar como

( )

=
=
n
j
j
PF
L
n
q EC
1
~ 1

o o
.

De manera anloga, cualquier otra medida de riesgo puede ser obtenida calculando el
correspondiente estadstico a partir de la muestra.


Credit Risk+

Distribucin del nmero de incumplimientos.

El supuesto fundamental es que la probabilidad de incumplimiento de cada acreditado es un
parmetro fijo. Adicionalmente se supondr que los eventos de incumplimiento son
independientes.
Si se considera una portafolio que contenga N crditos y se denota por
A
p la probabilidad de
que el acreditado A incumpla en algn momento durante el prximo ao se puede mostrar que
el nmero de incumplimientos en el portafolio en ese periodo se distribuye aproximadamente
como una distribucin de Poisson con parmetro igual a la suma de las probabilidades
individuales de incumplimiento de cada acreditado en el portafolio:

( )
!
Pr
k
e defaults k
k

= con

=
A
A
p



Distribucin de la severidad

El primer paso es agrupar las exposiciones individuales del portafolio en bandas de exposicin,
de tamao L .
Considrese la siguiente notacin:

Referencia Notacin
Acreditado
A
Exposicin
A
L
Probabilidad de incumplimiento
A
p
Prdida esperada
A


Para cada acreditado A, se definen las cantidades
A
c y
A
v como

A A
L L v = y
A A
L c = .

Entonces
A
v y
A
c son, respectivamente, la exposicin y la prdida esperada del acreditado A,
expresadas como mltiplos de la banda L .
Cada exposicin
A
v se redondea al siguiente entero, de tal suerte que cada exposicin
A
L es
sustituida por el siguiente mltiplo ms cercano de L .
El portafolio se divide en m bandas de exposicin, indexadas por j , m j s s 1 . En trminos
de estas bandas de exposicin se definen las siguientes cantidades:
Referencia Notacin
Exposicin comn en la banda de exposicin j en unidades de L
j
v
Prdida esperada en la banda de exposicin j en unidades de L
j
c
Nmero esperado de incumplimientos dentro de la banda de exposicin L
j


Puesto que
j j j
v c = , se obtiene que, para cada banda

=
= =
j A
A A
A
j
j
j
v v
v
c
v
c

:
.

Debe notarse que las cantidades
j
v han sido redondeadas para hacerlas nmeros enteros, la
prdida esperada
A
c ha sido afectada, a menos que se haga un ajuste en el nmero esperado
de incumplimientos
j
para no sobreestimar la prdida esperada total del portafolio.

Distribucin de la prdida del portafolio

La distribucin ( ) L n Perdida A
n
= = Pr se puede calcular a travs de las siguientes
expresiones:

=
n j
n
j
n
j
j
A
n
A
v
v
c
:
donde

= =
=

m
j j
j
e
e e A
1
0
v

.

Aproximacin analtica
Una alternativa para modelar la distribucin de la prdida de un portafolio de crditos es la
aproximacin analtica. Esta aproximacin consiste en asociar al portafolio cuya distribucin de
prdidas desconocemos a un portafolio equivalente cuya distribucin de prdidas sea
conocida. Esta ltima es un sustituto de la distribucin del portafolio real.
Generalmente en esta aproximacin se elige la familia de distribuciones mediante la cual se
quiere aproximar la distribucin del portafolio. Dependiendo de la familia que se elija se puede
caracterizar a sus miembros con 2 o ms momentos. A partir de las caractersticas conocidas
del portafolio original se pueden calcular los primeros dos momentos, la prdida esperada (EL)
y la prdida no esperada (UL
2
), por ejemplo. Como aproximacin a la distribucin real se
elegir aquella en la familia que se ha seleccionado que corresponda a los momentos
calculados.
En el caso particular en el que tanto las probabilidades de incumplimiento como los montos de
exposicin fueran similares y que el nmero de obligados fuera grande, la distribucin de
prdidas convergera rpidamente a la distribucin gaussiana (normal) y, por tanto, pudieran
estimarse los percentiles con exactitud.
Distribucin de Prdida de un Portfolio de Crditos
con una aproximacin normal
0.0%
0.5%
1.0%
1.5%
2.0%
2.5%
1 5 9
1
3
1
7
2
1
2
5
2
9
3
3
3
7
4
1
4
5
4
9
5
3
5
7
6
1
6
5
6
9
7
3
7
7
8
1
8
5
8
9
9
3
9
7
1
0
1
1
0
5
1
0
9
1
1
3
1
1
7
1
2
1
1
2
5
1
2
9
1
3
3
1
3
7
Prdida (en millones)
F
r
e
c
u
e
n
c
i
a




Si estas condiciones no se cumplen se puede elegir una familia que d cuenta de la forma
funcional que se espera tenga la distribucin de prdidas que se pretende aproximar (por
ejemplo, asimetra, curtosis en exceso, etctera). La distribucin gamma es una buena
alternativa en esos casos. Cuando se quiere incluir las caractersticas que se mencionan
muchas veces es necesario utilizar ms de dos momentos para realizar la calibracin.
2



2
Ver Bowers et al.: Actuarial Mathematics. The Society of Actuaries (1997).
Simetrizacin

Introduccin.

Los mtodos de simulacin o de recursin para estimar la distribucin de probabilidad de la
prdida total del portafolio demandan de manera importante tanto tiempo como recursos
computacionales, por ello es necesario contar con la capacidad de aproximar de manera
analtica los resultados necesarios. Utilizando el teorema central del lmite, muchos autores
recomiendan la distribucin normal como una aproximacin continua posible, sin embargo, se
reconoce que esta distribucin puede subestimar el riesgo sobre todo si la distribucin que se
pretende aproximar est sesgada o presenta kurtosis alta.

Una manera de mejorar la exactitud de la aproximacin normal es a travs del mtodo de
simetrizacin. ste consiste en transformar la variable aleatoria de inters X en una variable
auxiliar y , ( ) X y v = , a travs de una transformacin adecuada v que haga que la
distribucin original sea aproximadamente simtrica. En la prctica esto se logra imponiendo a
la especificacin de la transformacin v que la asimetra de la distribucin transformada
( ) X y v = sea igual a cero. De tal modo, que una vez transformada la distribucin original en
una nueva distribucin G de la variable simetrizada ( ) X y v = , sta pudiera ser aproximada
de manera satisfactoria por la distribucin normal:

( ) ( ) ( ) y N y G X F ~ = .

Frmula de Wilson-Hilferty

La frmula de Wilson-Hilferty est dada por

( ) ( ) ( ) ( ), x W N y N X F = ~

donde x denota la variable estandarizada ( )
X X
X x o = , y ( ) N es la distribucin normal
estndar.
X
,
X
o ,
X
denotan la esperanza, la desviacin estndar y la asimetra de la
variable aleatoria X :

( ) X E
X
= , ( ) | | ( )
2
X E X E
X
= o , y
( ) | | ( )
3
3
X
X
X E X E
o

=




La transformacin sugerida est dada por

( ) ( )
3
1
3 2 1
c x c c x W + + =

g
g
c 3
3
1
1
= ,
3
2
2
3g c = , g c =
3
,
X
g

2
= .

En el problema del clculo de la prdida no esperada, el valor de la distribucin ( ) X F est
dado (el nivel de confianza), y se requiere que se pueda calcular el correspondiente nivel de
X . El mtodo es el siguiente:

1. Resulvase y de la expresin ( ) ( ) X F y N = .
2. Sea ( )
3
3
1
3
2
1
c c y
c
x
|
|
.
|

\
|
= .
3. Sea
X X
x X o + = .



Metodologa para calcular ndices de concentracin para la cartera crediticia
La metodologa que a continuacin se describe es producto de la investigacin realizada por el
Dr. Javier Mrquez y el Mat. Calixto Lpez de Banco de Mxico. Para detalles sobre la misma
conviene referirse al documento de investigacin.3

Uno de los resultados de la propuesta metodolgica que se describe a continuacin es el ndice
de Herfindahl, que puede ser utilizado como una medida de concentracin por acreditado,
grupo de acreditados, por zona geogrfica o por alguna otra dimensin que se considere
relevante.
ndice de HERFINDAHL
Supongamos que existen N crditos en la cartera. Denotamos por
i
f el i-simo crdito de la
cartera. Si la probabilidad de incumplimiento es igual para todos los crditos e idntica a p se
tiene la variable aleatoria siguiente que representa la prdida individual de cada acreditado:

=
p
p f
x
i
i
1 ad probabilid con 0
ad probabilid con


Bajo los supuestos de independencia, la media y la varianza de la prdida agregada son:
pV =

=
=
N
i
i
f p p
1
2 2
) 1 ( o
donde

=
=
N
i
i
f V
1

es el valor de la cartera.
Si denotamos por K el capital econmico de la institucin, para no incurrir en riesgos no
deseados debe cumplirse que
VaR < K
Si N es lo suficientemente grande
4
, se tiene que
K f p p z pV z VaR
N
i
i
s + = + =

=1
2
) 1 (
o o o
o







3
Mrquez Diez-Canedo, Javier: Suficiencia de Capital y Riesgo de Crdito en Carteras de Prstamos Bancarios. Un modelo de
impago que relaciona la suficiencia de capital con el riesgo de crdito, mide el riesgo de concentracin, y determina lmites
individuales para los crditos. Documento de Investigacin No. 2002-04. Direccin General de Anlisis del Sistema Financiero.
Banco de Mxico. Disponible en http://www.banxico.org.mx/gPublicaciones/FSPublicaciones.html
4
Ntese que esta expresin se basa en la aproximacin analtica de la distribucin de prdidas a travs de la distribucin normal.
Tal condicin es equivalente a la siguiente:

( )
( )
( ) p p z
p
f
f
H
N
i
i
N
i
i

s
|
.
|

\
|
=

=
=
1
2
2
2
1
1
2
o

F
donde
V
K
= es la razn de capital de la institucin.
De esta manera emerge de manera natural el ndice de Herfindahl-Hirschman como una
medida de concentracin:
( )
2
1
1
2

|
.
|

\
|
= =

=
=
N
i
i
N
i
i
f
f
H Hirschman Herfindahl de Indice F

que debe estar por debajo de la cota arriba descrita para evitar riesgos no deseados.
El mismo resultado puede expresarse de manera equivalente en trminos de los
requerimientos de capital:
( ) F H p p z p ) 1 ( + >
o


El ndice de Herfindahl tiene varias propiedades interesantes relacionadas con nmeros. La
ms conocida en la del equivalente numrico de Adelman, que establece que su inverso
puede interpretarse como el mnimo nmero de crditos del mismo tamao que
resultaran en un valor especfico del ndice. La concentracin mxima de una cartea,
respetando el lmite de crdito establecido, ocurre cuando se les presta hasta el lmite al
mnimo nmero posible de deudores. Esto es, en una cartera en la que los crditos estn
restringidos a no exceder cierto lmite, el valor del ndice se maximiza cuando todo el crdito
est concentrado en el mnimo nmero de acreditados, y cada acreditado est endeudado
hasta el lmite. Por ello, cuando los prstamos se restringen a cierto lmite, el equivalente
numrico de Adelman es de hecho la mxima concentracin posible. Si, por ejemplo, se tiene
una cartera con un ndice de Herfindahl de 0.2, el equivalente numrico de Adelman es igual a
1/0.2 = 5. Esto significa que la cartera ms pequea, en nmero de acreditados, que puede
construirse con un ndice de Herfindahl igual a 0.2 es aquella en donde tenemos 5 deudores y
cada uno adeuda exactamente el mismo monto.
Generalizacin del ndice de HERFINDAHL
En el caso anterior el anlisis descansaba en los supuestos de independencia y de la
homogeneidad de la probabilidad de incumplimiento. Para relajar tales supuestos considrese
el vector F de los montos de los crditos individuales, el vector de las probabilidades de
incumplimiento correspondientes y la matriz de varianza covarianza M:
Si se quiere controlar el riesgo de la cartera crediticia debe asegurarse como en el caso
anterior, que
K z VaR
T
s + = F M F F
T
o o
t
Puesto que la matriz M es simtrica y positiva definida es posible diagonalizarla, de modo que
se pueda definir el cambio de variable G=SF
( ) ( ) G G MF F Q Q S S M
T T
T
T
= A A = =
Tal cambio de variable corresponde a un redimensionamiento de los crditos y las relaciones
entre ellos y permite aislar los efectos de los riesgos y medir la concentracin de estos ltimos
y no solamente la concentracin por nmeros.

Igual que en la seccin anterior, esta condicin se cumple si el ndice de los crditos (ahora
transformados) se conserva por debajo de la siguiente cota:
( )
2
__
|
|
|
.
|

\
|

s
o

o
z
p
H G
donde
V
p
T
F t
=
__
y
V
T
G 1
= o .
Aplicacin a la medicin de concentracin no individual.
El ndice de Herfindahl puede extenderse para medir la concentracin o diversificacin a travs
de diversas dimensiones de la cartera, tales como la zona geogrfica, el sector econmico, el
destino o el tipo de crdito, etc.
En este caso se deber utilizar la versin generalizada del ndice. La agrupacin por la
caracterstica que se quiera examinar se puede lograr manipulando la matriz de varianza
covarianza empleada. Si se asignan correlaciones iguales a uno en el caso en que una pareja
de acreditados compartan la caracterstica que se quiera examinar (por ejemplo, la zona
geogrfica) y se supone igual a cero si no la comparten, se puede medir la concentracin de la
cartera respecto de esa dimensin en lo particular.


Medidas de desempeo de modelos de puntaje
(Credit scoring)

III.2.5.1. Introduccin.

Considrese un modelo de calificacin que asigna a cada deudor un puntaje R de entre k
posibles valores { }
k
R R , ,
1
donde
k
R R < <
1
. Un puntaje alto implica una probabilidad de
incumplimiento pequea y viceversa.
El propsito de una prueba de desempeo del puntaje es evaluar la calidad de este modelo de
clasificacin e, inclusive, proveer una herramienta para discriminar entre varios sistemas de
puntuacin.
El mtodo utilizado es asignar calificaciones a deudores en una muestra y revisar
posteriormente el desempeo de los mismos, es decir, verificar si stos incumplen durante el
periodo de prueba o si se mantienen solventes.

Definiciones:
T : Conjunto de todos los deudores.
D: Conjunto de los deudores que incumplen.
ND: Conjunto de los deudores que no incumplen.
( ) i N : Nmero de deudores que obtuvieron el puntaje
i
R .

Puesto que el evento incumplimiento o no-incumplimiento de un deudor es aleatorio, es
necesario introducir algunas variables aleatorias:

T
S : Distribucin del puntaje a travs de todos los deudores.
D
S : Distribucin del puntaje a travs de los deudores que incumplen.
ND
S : Distribucin del puntaje a travs de los deudores que no incumplen.
D
S

: Distribucin emprica del puntaje a travs de los deudores que incumplen, esto es, la
distribucin que es realizada por los incumplimientos observados.
ND
S

: Distribucin emprica del puntaje a travs de los deudores que no incumplen.

i
D
p : Probabilidad de que un deudor que incumple tenga un puntaje de valor
i
R ,
( 1 & 0
1
= >

=
k
i
i
D
i
D
p p )
i
ND
p : Probabilidad de que un deudor que no incumple tenga un puntaje de valor
i
R ,
( 1 & 0
1
= >

=
k
i
i
ND
i
ND
p p )
i
T
p : Probabilidad de que un deudor cualquiera tenga un puntaje de valor
i
R ,
( 1 & 0
1
= >

=
k
i
i
T
i
T
p p )

NOTA: Dada una probabilidad de incumplimiento a-priori t entre todos los deudores, se tiene
que ( )
i
ND
i
D
i
T
p p p t t + = 1 .

Adicionalmente se definen las siguientes distribuciones acumuladas:

=
= =
i
j
j
D
i
D
k i p C
1
. , , 1 , Es la probabilidad de un deudor incumplido obtenga un puntaje
menor o igual a
i
R .

=
= =
i
j
j
ND
i
ND
k i p C
1
. , , 1 , Es la probabilidad de un deudor cumplido obtenga un puntaje
menor o igual a
i
R .

=
= =
i
j
j
T
i
T
k i p C
1
. , , 1 , Es la probabilidad de un deudor cualquiera obtenga un puntaje
menor o igual a
i
R .

Debe notarse adicionalmente que 0
0 0 0
= = =
T ND D
C C C .

Adicionalmente, las distribuciones ( )
i D
i
D
R S C s =

Pr

, ( )
i ND
i
ND
R S C s =

Pr

y
( )
i T
i
T
R S C s =

Pr

denotan respectivamente las funciones de distribucin emprica obtenidas

de la muestra de prueba.

Perfil acumulativo de exactitud (Cumulative Accuracy Profile)

El perfil acumulativo de exactitud CAP, por sus siglas en ingls se define como la grfica de
todos los puntos ( )
k i
i
D
i
T
C C
, , 0

=
, donde los puntos son interpolados linealmente. Esto es, la
grfica de la distribucin emprica de los deudores que incumplen
D
C

contra la distribucin del

total de deudores
T
C

. Para una categora dada

i
R , el porcentaje de todos los deudores con
un puntaje
i
R o peor es determinada, esto es,
i
T
C

. Adicionalmente, se calcula el porcentaje de

deudores incumplidos con un puntaje peor o igual a
i
R ,
i
D
C

. Este ejercicio se repite para cada

una de las posibles calificaciones { }
k
R R , ,
1
.














Un modelo perfecto asignara los puntajes ms bajos a quienes incumplieron. En un modelo
aleatorio (es decir, aquel que no tienen poder discriminatorio alguno) la fraccin x de los
deudores con los puntajes ms bajos contendr al x porcentaje de todos los deudores que
incumplieron ( ) k i C C
i
T
i
D
, , 0 ,

= = . Los sistemas reales estn en algn lugar entre esos dos
extremos.
La calidad del sistema de calificacin se puede resumir en un solo nmero, la razn de
exactitud o AR por sus siglas en ingls (accuracy ratio), que se define como la razn del rea
R
a entre el CAP del modelo a ser validado y el CAP modelo aleatorio y el rea
P
a entre el
CAP del modelo perfecto y el CAP modelo aleatorio, esto es:

P
R
a
a
AR =

Conclusin, el modelo de calificacin es mejor conforme el valor de AR sea cercano a uno.




P
r
o
p
o
r
c
i

n

d
e

d
e
u
d
o
r
e
s

m
o
r
o
s
o
s

1
Modelo aleatorio
aleaaleatorio
Modelo perfecto
Modelo de score
Proporcin de todos los
deudores
1
Caracterstica de funcionamiento del receptor

La caracterstica de funcionamiento del receptor, o ROC por sus siglas en ingls (Receiver
Operating Caracteristic) permite evaluar qu tan bien un modelo de calificacin permite
discriminar entre la distribucin de los deudores malos y la distribucin de los deudores
buenos.
En un modelo de calificacin perfecto las distribuciones a lo largo del puntaje de los deudores
que incumplen y de los deudores que no incumplen no se enciman o se sobreponen; en el
mundo real esto no es posible y tales distribuciones se traslapan. Un mejor modelo es aqul
que logra que esta superposicin sea la menor posible.
Supngase que tiene que usarse un modelo de calificacin para decidir cules deudores
sobrevivirn durante el siguiente periodo y cules incumplirn. Una posibilidad es que se
introduzca un punto de corte C y se clasifique a cada deudor con un puntaje inferior a C
como un deudor potencial que cometer incumplimiento y a cada deudor con un puntaje
superior a C como un deudor que pagar.
Cuatro resultados son posibles:

P
u
n
t
u
a
c
i

n

Incumplimiento No incumplimiento
Debajo de C Prediccin correcta
(rechazo correcto)
Prediccin incorrecta
(falsa alarma)
Error Tipo I

Arriba de C Prediccin incorrecta
(omisin)
Error Tipo II

Prediccin correcta
(aceptacin correcta)













Morosos
F
r
e
c
u
e
n
c
i
a

Puntuacin
No morosos

C












Entre estos resultados, dos tasas son de destacar:
Tasa de decisin correcta (Hit Rate) = ( ) ( ) C S C HR
D
s = Pr
Tasa de falsas alarmas (False Alarm Rate) = ( ) ( ) C S C FAR
ND
s = Pr
Es deseable que un sistema de calificacin, para un punto de corte C , tenga una tasa de hit
alta y una de falsas alarmas baja.

La curva ROC se cosntruye de la siguiente manera:
1. Se calculan todas las cantidades ( ) C HR y ( ) C FAR posibles, esto es las tasas que
se tendran si se eligiera cada punto posible del puntaje como punto de corte C .
2. La curva ROC es la grfica de ( ) C HR vs. ( ) C FAR , esto es, ( )
k i
i
D
i
ND
C C
, , 0

=




Un modelo de calificacin es mejor en tanto la pendiente de la curva sea mayor. De manera
similar, el modelo es mejor mientras el rea bajo la curva ROC sea mayor. Esta rea se denota
como AUC (por sus siglas en ingls area under curve). Se puede interpretar como el poder
promedio de las pruebas de incumplimiento/ no incumplimiento para todos los valores de C .

Interpretacin probabilstica

Considrese el siguiente experimento: dos deudores son seleccionados de manera aleatoria, el
primero de ellos se elige de la distribucin de los deudores que incumplen y el segundo de la
distribucin de aquellos que no incumplen. Los puntajes del acreditado que incumple y del que
no incumple pueden ser interpretados como realizaciones de dos variables aleatorias
independientes
D
S y
ND
S . Supongamos que alguien debe decidir cul de los acreditados es
aquel que va a incumplir. Un tomador de decisiones racional podra suponer que el deudor que
va a incumplir es aquel que tiene un puntaje ms bajo. Si ambos deudores tuvieran el mismo
puntaje podra elegirse a cualquiera de los dos. Por ello, la probabilidad de haber tomado la
decisin correcta es igual a ( ) ( )
ND D ND D
S S S S = + < Pr
2
1
Pr . El rea bajo la curva ROC
(AUC) es justamente esta probabilidad:

T
a
s
a

d
e

p
r
e
d
i
c
c
i

n

c
o
r
r
e
c
t
a

1

Modelo perfecto
Modelo aleatorio
Modelo de
puntaje
1
Tasa falsa alarma
( )( )
( ) ( ) ( ) ( )
( ) ( ) ( )
( ) ( ) ( ) ( )
( ) ( )
ND D ND D
k
i
k
i
i ND i D i ND i D
k
i
i ND i D i D
k
i
i ND i D i D
k
i
i
ND
i
ND
i
D
i
D
S S S S
s S s S s S s S
s S s S s S
s S s S s S
CD CD CD CD AUC
= + s =
= = + = s =
=
|
.
|

\
|
= + s =
= s + s =
+ =

= =
=
=

=

Pr
2
1
Pr
Pr Pr
2
1
Pr Pr
Pr Pr
2
1
Pr
Pr Pr Pr
2
1
2
1
1 1
1
1
1
1
1 1


Para entender con mayor claridad el resultado anterior, se puede utilizar el estadstico U

definido por Mann-Whitney como


( )

=
ND D
ND D
ND D
u
N N
U
,
,
1

>
=
<
=
ND D
ND D
ND D
ND D
s s
s s
s s
u
si 0
si ,
2
1
si , 1
,


donde
D
s es una realizacin de la distribucin emprica
D
S

y un deudor cumplido con puntaje

ND
s de entre
ND
S

. En particular se puede mostrar que

( ) ( )
ND D ND D
S S S S U

Pr
2
1

Pr

= + s = ,

por los que el AUC y el estadstico U

miden la misma cantidad.

Intervalos de confianza para el AUC

Un estimador insesgado de la varianza
2
U
o del estadstico U

est dado por

( )( )
( ) ( ) ( )( ) ( )
2
, , , ,
2
5 . 0

1 4

1 1 4
1
+ + +

=
=
U N N P N P N P
N N
ND D D ND ND ND ND D D D ND D
ND D
U
o

donde
ND D
P
=

,
ND D D
P
, ,

, y
D ND ND
P
, ,

son estimadores de las probabilidades ( )

ND D
S S = Pr ,
ND D D
P
, ,
, y
D ND ND
P
, ,
, donde las ltimas dos se definen como

( ) ( ) ( ) ( )
2 , 1 , 1 , 2 , 2 , 1 , 2 , 1 , , ,
, Pr Pr Pr , Pr
ND D ND D ND D D ND D ND D D ND D D
S S S S S S S S S S S S P < + < < < < + < =

( ) ( ) ( ) ( )
2 , 1 , 1 , 2 , 2 , 1 , 2 , 1 , , ,
, Pr Pr Pr , Pr
ND ND D ND D ND ND D ND D ND ND D ND ND
S S S S S S S S S S S S P < + < < < < < =

donde
1 , D
S y
2 , D
S son dos realizaciones independientes de la distribucin de calificaciones de
los deudores incumplidos y
1 , ND
S y
2 , ND
S son dos realizaciones independientes de la
distribucin de calificaciones de los deudores cumplidos.


Se puede demostrar la relacin asinttica

( )
( ) 1 , 0

,
N
AUC E AUC
ND D
N N
U

o
.

Por lo que los intervalos de confianza correspondientes para un nivel o estn dados por

(

|
.
|

\
| +
u +
|
.
|

\
| +
u

2
1
,
2
1

1 1
o
o
o
o
U U
AUC AUC

donde u denota la distribucin normal estndar.

Estimadores para las probabilidades necesarias en el cmputo de la varianza del estimador se
explican a continuacin.

ND D
k
i
i
ND
i
D
ND D ND D
N N
S S
P P

= =

=
= =
1

1

( ) ( ) ( )

=
= <
k
I
ND D ND D D
i S i C S S S
2
2
2 , 1 ,

1

,

Pr ,
( ) ( ) ( ) ( ) 1

1

Pr
1
2 , 1 ,
+ = < <

=
i C i S i C S S S
D
k
i
ND D D ND D
,
( ) ( ) ( )

=
= <
1
1
2
2 , 1 ,

1

,

Pr
k
i
ND D D D ND
i S i C S S S ,
( ) ( ) ( )

=
= <
k
I
D ND D ND ND
i S i C S S S
2
2
2 , 1 ,

1

,

Pr ,
( ) ( ) ( ) ( ) 1

1

Pr
1
2 , 1 ,
+ = < <

=
i C i S i C S S S
ND
k
i
D ND ND D ND
,
( ) ( ) ( )

=
= <
1
1
2
2 , 1 ,

1

,

Pr
k
i
D ND ND ND D
i S i C S S S .

Prueba del poder discriminatorio

La hiptesis nula de la prueba es que el sistema de calificacin no tiene ningn poder
discriminatorio. Si un sistema de calificacin no tiene poder discriminatorio alguno, las
distribuciones de los incumplidos y de los cumplidos son idnticas. Por lo que se obtiene la
identidad:

( ) ( ) ( )
( ) ( )
( ) ( )
2 , 1 , 2 , 1 ,
2 , 1 , 2 , 1 ,
2 , 1 , 2 , 1 ,
, Pr Pr
, Pr , Pr
Pr , Pr 3 Pr
ND ND D ND D ND
D ND ND D D ND
D ND D ND D D ND D
S S S S S S
S S S S S S
S S S S S S S S
< = < < =
< = < =
< < = < = =


Esto simplifica la frmula para el estimador de la varianza del estadstico

( ) ( )
( ) ( ) 1 1 12
1 Pr
2

+ + =
=
ND D
ND D
U
N N
N N ND D
o

Si se hace una prueba de una cola, el valor p de esta prueba es

Valor-p |
.
|

\
|
u =
o

5 . 0

2 2
U
.