Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Norman Giraldo Gomez Escuela de Ingeniera de la Organizacin Universidad Nacional de Colombia Medellin
Introduccin
La SuperIntendencia Bancaria expidi la Circular 31 de 2002 que describe el SARC : Sistema de Administracin de Riesgos Crediticios. El SARC es una estructura organizacional que busca controlar el Riesgo de No-Pago en crditos bancarios en una Entidad Crediticia El SARC debe ser implementado por cada Entidad Crediticia (Bancos, Cooperativas Financieras, etc.) que est vigilada por la SuperBancaria. Clave Implementacin : frmula para calcular la Provisin
2
La Institucin debe definir las polticas de constitucin de provisiones generales e individuales necesarias para absorber las prdidas esperadas derivadas de la exposicin crediticia de la entidad y estimadas mediante metodologas y anlisis desarrollados en el SARC...estas metodologas, que pueden inclur el desarrollo de modelos sofisticados, deben estar en capacidad de determinar el valor ms probable de prdida en caso de incumplimiento de la contraparte para cada uno de los portafolios de crdito, tomando en cuenta la definicin de incumplimiento que se utilice. (Anexo Carta Circular 31 de 2002, pag 6. sec. 1.2.2 Criterios de seguimiento y control). Provisin = (Probabilidad de No-pago)(Saldo Deuda) (1-Tasa de Recuperacin de la Garanta)
3
Provisin = (Probabilidad de No-pago)(Saldo Deuda) (1-Tasa de Recuperacin de la Garanta) Las variables observables que permitan definir un modelo para determinar la Probabilidad de No-pago se definen as: D(s,j) = Das de mora del crdito s en el mes j. F(s,j) = Saldo de la deuda del crdito s en el mes j. para s = 1,2,...,N, j = 1,2,...,J N = total de crditos en el portafolio J = total de meses del perodo de estudio. Restriccin: D ( s , j 1 ) D ( s , j ) e 31 , s , j
4
Idea del Anlisis: codificar los datos de las variables D en 7 categoras y formar matrices de transicin de un mes a otro. Utilizar estas matrices para definir las probabilidades de No-pago. 1 = mora entre 0 y 30 das (es decir 0 e D e 30 ) 2 = mora entre 31y 60 das 3 = mora entre 61 y 90 das 4 = mora entre 91 y 120 das 5 = mora entre 121 y 150 das 6 = mora entre 151 y 180 das 7 = mora mayor o igual a 181 das (estado de default) Para cada pareja de meses j, j+1, resulta una matriz 7x7, denotada C j y denominada matriz de conteo.
6
Ejemplo de la Matriz de Conteo para dos meses j, j+1. De 3564+147 crditos en la categora 1 al inicio del mes j, 147 pasaron a la categora 2, al final del mes. Es decir, 147 dejaron de pagar y ajustaron hasta 60 das de mora.
Cada fila de la matriz C j se divide por su total y la matriz resultante es una Matriz de Markov, denotada P j (la suma de las filas es 1.0) Ahora se utilizan probabilidades en lugar de frecuencias. Cmo se interpreta la entrada P(4,2) = 0.031 ? 4(30)=120, 2(30)=60
Por qu 7 clases? Por qu la ltima clase es ms de 181 das de mora? Regla de decisin: Si un crdito ajusta 181 das de mora es porque difcilmente pagar . Puede comprobarse esto con los datos?. En caso de mora de ms de 180 das se procede al cobro jurdico. Si se falla en contra del deudor se procede a vender el bien dado en garanta. Sin embargo, se observa que hay casos en que se logra recuperar el crdito y cancelar las obligaciones vencidas.
9
Definicin. La probabilidad de no pago del crdito s, clasificado en el mes j en la categora de mora k ! 1, 2, ..., 7 , se define como la probabilidad de llegar al estado 7 en 7-k meses, y est dada por q k P 7 k ( k ,7 ) Observaciones P k es la potencia k-sima de la matriz P. Las matrices P dependen del mes j, por definicin. Deben ser homogneas en el perodo 1,,J. La prueba es
Ho : P1(i, j) ! P2 (i, j) ! ... ! PJ (i, j) ! Pi, j , i, j H1 : no(Ho )
Las probabilidades qk deben aumentar al entrar la economa en un perodo de recesin y disminur en perodos de recuperacin. Examinar los valores de q versus una variable macroeconmica, por ejemplo, la tasa de desempleo, el PNB.
10
= probabilidad de no-pago = saldo a capital (lo que an le falta por cancelar) = tasa de recuperacin = % del valor de la garanta
Fs w
que es posible recuperar despus de que se vende en el mercado. Provisin del portafolio: R !
N s !1
Rs
Nota sobre la Tasa de Recuperacin w. La tasa de recuperacin w se refiere al valor que recupera la Entidad despus de terminado el cobro jurdico y se remata el bien dado en garanta. Usualmente, estos bienes deben venderse por un valor menor y por eso se habla de tasa de recuperacin. Como w es una tasa con valores entre 0 y 1, lo que puede obtenerse es una distribucin de probabilidades emprica en [0,1]. Modelable como una distribucin Beta. En algunos estudios como Asarnow y Edwards (1995) se encuentran distribuciones empricas como la siguiente:
12
13
0.6
0.0
0.8
1.0
1.2
1.4
1.6
1.8
0.2
0.4 x
0.6
0.8
1.0
14
16
- Utilizando la informacin histrica 06/00 - 07/02 se estimaron estas probabilidades en cada uno de los 25 perodos de la base de datos. Los resultados promedios son: k=1 k=2 k=3 k=4 0.0011 k=5 0.0357 0.1538 0.4040 0.6293 k=6 0.8313 k=7 1.0000
17
18
s!1 Ys
N ! Total de crditos en el portafolio Ys ! Fs Is (1 Ws ) ! saldo del crdito s en riesgo de no pago Fs ! saldo del crdito s en $ Is ! variable aleatoria 0,1, con Is ! 1 si entra en default Ws ! tasa de recuperacin del crdito s si entra en default
Supuestos
Is ~ B in ( 1 ,
k
s
) , in d e p e n d ie n te s 0
W s ~ i.i.d . B e ta ( a ,b ) C o r r ( Is , W s ) ! V
19
s !1
E(Is (1
s ))
R s ! Fs E(Is (1 w ! E(
s ),
! Fs [(1 w)
s)
VW
k s (1
k s )]
W!
Var(
s!1 Fs (1 w)
ks
La probabilidad buscada es: P( R < Y ) = probabilidad de que, en un portafolio determinado, el saldo a capital total de los crditos que entraron en default en el perodo, supere la provisin del portafolio.
20
F I s !1 s s
(1 Ws )
Luego el valor R representa el valor del total de los saldos a capital de los crditos que entraron en default, en un evento extremadamente averso: muchos crditos en default y con los mayores saldos a capital y que ocurre con una frecuencia muy baja: de 100(1-p)% o menos. Si la provisin est muy alejada de este valor se considerara que no hay una adecuada cobertura. El problema reside en cmo calcular el VaR con la variable Y. Su distribucin solamente puede determinarse por simulacin MonteCarlo 21
22
23
(s) = No de casos en la celda (i,j) de la matriz de conteo s (s) = No total de casos en la fila No i de la matriz de conteo s
Pi, j !
s! s!
i, j i
(s)
(s)
X ! s !
i, j !
= estadstico de la prueba
X 2 ~ Ji (225
)7 ( 7 )
El valor crtico de la Ji-cuadrada con 1008 grados de libertad es: 1082.97. Conclusin: como el valor del estadstico supera al valor crtico se rechaza la hiptesis. ( 1082.97 < 1910.12 ). Las matrices de transicin P no se han mantenido homogneas durante el perodo de estudio. Es recomendable actualizar peridicamente la matriz de rodamiento.
26
Pi,2j j
Si la hiptesis es cierta todas las normas seran similares. Al calcular las normas para las 25 matrices de conteo en perodo de estudio se observ la siguiente grfica
27
28
1.
Referenci s Altm n, E.I., Br dy, B. , Resti, A. nd Sironi, A. (2002). The Link between Default and Recovery Rates: Implications for Credit Risk Models and Procyclicality . http://www.defaultrisk.com/ps_recoveries.htm. rye,J. (2000). Depressing Recoveries. Emerging Issue Series. ederal Reserve Bank of Chicago. http://www.chicagofed.org/publications/publicpolicystudies/emergingi ssues/survey.cfm Gupton, G.M., inger, C.C. and M. Bhatia (199 ). Credit_Metrics TM, Technical Document. Morgan Guarantee Trust Company. Longerstaey, J. and P. Zangari (1996). RiskMetrics technical document, Technical Report fourth edition, JP.Morgan. http://www.riskmetrics.com/rm/index.cgi SuperIntendencia Bancaria. (2002). Carta Circular 31 de 2002. Anexo. Lineamientos Generales para la Adecuada Administracin del Riesgo Crediticio.
29