Un Modelo para el SARC con base en Matrices de Markov

Norman Giraldo Gomez Escuela de Ingeniera de la Organizacin Universidad Nacional de Colombia Medellin

Especializacin en Finanzas Nov 22 Dic 12, 2008

1

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

Modelo para el Clculo de las Provisiones

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

Ejemplo de una porcin de la Base de Datos (N = 4124, J = 26)

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

Definicin. Para un crdito cualquiera, clasificado en la categora

k ! 1, , ...,

con saldo a capital igual a Fs , entonces su provisin

R s ! P 7  k s ( k s ,7 ). Fs . (1  w )

se define como donde:

P 7  k s ( k s ,7 )

= 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

El clculo de las provisiones debe hacerse a comienzo de cada mes. 11

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

dbeta(x, 0.51, 0.3)

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

x = seq(0, 1, length=21) plot(x,dbeta(x, 0.51, 0.3),type="l")

14

Estimar el Tiempo de No Pago Default

-Tiempo de Default: un nmero de das de mora a partir del cual difcilmente se recupera el crdito. -Procedimiento de Estimacin. Se utilizaron 25 matrices de Markov con 20 categoras de mora, para 25 perodos mensuales en estudio: D1, D2, ..., D25: cada una matriz 20x20. - Para cada Di se estimaron las probabilidades Di(k,k+1), k=1,2,...,19. -Los valores estimados q k ! D ( k , k  1) versus k muestran una grfica que se empieza a estabilizar a partir de k = 6 -El tiempo de default se toma como 180=6(30) das a partir de este hecho
15

16

3. Estimar las Probabilidades de Default

q -Las probabilidades de default por categora se definieron por qk ! P k (k, ) para k = 1,2,...,7.
k

- 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

Cada vez que cambie la matriz de transicin P cambian estos valores.

17

18

4. Realizar pruebas de Stress.

Definicin de la Prueba de Stress: consiste en calcular la probabilidad de que, en un portafolio determinado, el saldo total de los crditos que entraron en default en el perodo de un mes, supere la provisin del portafolio. Modelo
Y !

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

4. Realizar pruebas de Stress.

De acuerdo con el SARC se propone que el valor esperado de la variable Y es igual a la provisin de portafolio: E(Y)=R.
Pr visi =R=E(Y) ! E( s !1
s )) N s Is (1  ks  s )) !

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(

La Superfinanciera propone asumir W ! 0 con lo cual la provisin queda

R!

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

4. Realizar pruebas de Stress.

Sin embargo, la provisin debera ser el VaR(p): el percentil del 100.p% de la variable Y. Es un valor tal que es superado por Y slo en el 100(1-p)% de los casos. Esta es la estrategia correcta. R = VaR(p) tal que
R ! VaR(p) ( Y ! " R) ! 1  p
N

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

4. Realizar pruebas de Stress.

22

23

5. Realizar pruebas de Back Testing.

Definicin de la Prueba de Back-Testing. La prueba consiste en decidir si las matrices de rodamiento han permanecido homogneas durante el perodo de estudio de 26 meses. Matrices homogneas = estadsticamente iguales = las diferencias que existen entre dos cualesquiera son casi cero. Hiptesis de la Prueba:P1(i, j) ! P2 (i, j) ! ... ! P25 (i, j) ! Pi,j En caso de no rechazar la hiptesis no habra necesidad de actualizar con frecuencia la matriz de rodamiento. En caso contrario s.
24

5. Realizar pruebas de Back Testing.

Variables para definir el Estadstico de la Prueba
i, j i

(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)

= estimador de Pi, j asumiendo que la hiptesis es cierta.

i, j ( s)  i

X ! s !

i, j !

(s) Pi, j ) i (s) P

i, j

= estadstico de la prueba

X 2 ~ Ji (225 

)7 ( 7  )

25 distribucin del estadstico asume hip. cierta

5. Realizar pruebas de Back Testing.

Resultado de la Prueba. El valor del estadstico es
X 2 ! 1910 .12

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

5. Realizar pruebas de Back Testing.

Tambin se complement esta prueba de homogeneidad con otro tipo de estadstico: la norma euclidiana de la matriz de rodamiento P, definida por:
|| P || ! traza (P T P ) !

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

5. Realizar pruebas de Back Testing.

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