Curso de Extensin en Finanzas Avanzadas

del BCRP

Riesgo de Crdito
David Trillo
Profesor Titular Universidad Rey Juan Carlos

Vilario Consultores

david.trillo@urjc.es
formacin@axpa.es

www.axpa.es

Riesgo de crdito

Posibilidad de sufrir una prdida originada por el incumplimiento de las

obligaciones contractuales de pago (impago de intereses, principal, quiebra
de una empresa, etc)
Est presente en las operaciones tradicionales: prstamos y crditos pero
tambin en cualquier operacin en la que existan flujos de liquidez
pendientes de liquidar (derivados, liquidacin de compra venta de valores)
El riesgo ms importante de los bancos.
El horizonte de este riesgo no es el corto plazo. No tiene sentido
preguntarse por las prdidas de una cartera de prstamos hipotecarios 10
das despus de su concesin. Este horizonte mayor tiene fuertes
implicaciones para el intento de modelizacin y cuantificacin.

David Trillo 2
Vilario Consultores

1
 Riesgo de crdito

Un factor decisivo en el riesgo de crdito son los problemas de

informacin asimtrica en varios sentidos:
Informacin del banco sobre la situacin patrimonial actual y futura de
los acreditados.
Seguimiento de los cambios de la situacin patrimonial a lo largo de la
vida del crdito.
Destino final de los fondos especialmente en el caso de empresas.
Influencia sobre la situacin patrimonial de otros eventos de crdito
como relaciones de la empresa con sus clientes, competidores,
proveedores, choques tecnolgicos, conflictos, etc.

David Trillo 3
Vilario Consultores

Antecedentes histricos de la modelizacin del riesgo de crdito

Aos 50 Modelos Multivariantes (Altman)

Aos 70 Modelo de Merton, para determinar la prima de riesgo de

la deuda emitida por una empresa. Modelo basado en la
teora de opciones del mismo autor.

1997 Creditmetrics (modelo riesgo bonos con mercado

secundario)
CreditRisk+ (Credit Suisse) raiz actuarial

1998 Modelo Vasicek (origen 1983)

2000 Gordy Modelo unifactorial base regulacin BIS (Basilea II)

David Trillo 4
Vilario Consultores

2
Factores que han favorecido el desarrollo de los
modelos de riesgo de crdito

El crecimiento de las emisiones de deuda tanto privada como

soberana.

Las crisis bancarias y especialmente la crisis asitica de 1997.

La percepcin de que la regulacin establecida en Basilea I era

insuficiente y sesgada para la medicin del riesgo de crdito.

La nueva regulacin de Basilea II

La aparicin de los derivados de crdito

David Trillo 5
Vilario Consultores

Modelos de riesgo de crdito

Modelos para el otorgamiento: credit scoring

Modelos para la regulacin (IRB): rating

Modelos para la valoracin financiera (CVA)

David Trillo 6
Vilario Consultores

3
 Modelos de credit scoring

Hiptesis: Incumplimiento = f(X) X es una variable no

observable.
Observamos incumplimientos y un conjunto de variables en
fechas t-1, t-2, ..., t-k.
Objetivo: Establecer una relacin entre el comportamiento
observado en t y los valores de las variables seleccionadas en
t-1, ...

David Trillo 7
Vilario Consultores

Segmentacin previa a la modelizacin

Particulares: Crdito al consumo e hipotecario

PYMES
Grandes Empresas
Crdito en comercios
Tarjetas de crdito

David Trillo 8
Vilario Consultores

4
 Fases modelos credit scoring
Diseo
Seleccin de variables explicativas
Eleccin del modelo estadstico
Obtencin de una muestra representativa de la poblacin
Estimacin del modelo
Modelo seleccionado
Definicin de las utilidades del modelo y las reglas de decisin
Legalizacin del modelo en la Organizacin
Implantacin del modelo
Registro histrico del funcionamiento del modelo
David Trillo 9
Vilario Consultores

Particulares Empresa
Personales: Rentabilidad:
edad, sexo, hijos, situacin familiar BAI sobre Activos, Recursos Propios, Ventas

Patrimonio: Liquidez:
viv. En propiedad, automvil, zona Fondo de Maniobra / Activos totales
residencia, depsitos, fondos inversin, Cash Flow Operativo / Pasivo Exigible
tarjetas, deuda
Endeudamiento:
Ocupacin: Deuda total / Activos totales
tipo de empleo, n aos de trabajo, Deuda total / Recursos Propios
funcin y sector
Crecimiento y dispersin:
Ingresos: Tasa media crecimiento beneficios o ventas
monto medio, salarios, beneficios Desviacin tpica de la rentabilidad
Historial de pago
Capitalizacin:
Recursos Propios / Activo Total o Deuda

Rotacin ventas:
Ventas / Activos Totales o circulante
Existencias (o circulante-existencias)/ Ventas
10

5
 Modelo de Altman para empresas cotizadas

X1 es Fondo de Maniobra / Activo Total

X 2 es Utilidades retenidas / Activo Total
X 3 es Utilidades antes de intereses e impuestos (EBIT) / Activo
total
X 4 es Valor de mercado de la empresa / Activo Total
X 5 es Ventas / Activo Total

El modelo define tres zonas segn el valor de Z

Z 2.99 La posibilidad de quiebra se considera muy baja
2.99 Z 1.82 Zona dudosa
1.82 Z La posibilidad de quiebra es muy alta

David Trillo 11
Vilario Consultores

Z- Score para empresas no cotizadas

Z 0.717X 1 0.847X 2 3.107X 3 0.420X 4 0.998X 5

X 1 Fondo maniobra / Activo total

X 2 Beneficios retenidos / Activo total
X 3 EBIT / Activo total
X 4 Valor en libros Re cursos Pr opios / Activo total
X 5 Ventas / Activo total

David Trillo 12
Vilario Consultores

6
 Valores de Z discriminantes

Z 2.90 P osibilidad de quiebra muy baja

1.23 Z 2.90 Zona Dudosa

Z 1.23 P osibilidad de quiebra muy alta

David Trillo 13
Vilario Consultores

Obtencin de un puntaje entre 0 y 100

Puede resultar ms intuitivo transformar los valores de Z para

que todas las empresas queden clasificadas entre los valores 0 y
100.

Se toma el punto medio de los valores 1.23 y 2.9 que es 2.065

y se aplica la transformacin U = Z 2.065.

100
La nueva variable puntuacin P est dada por P
1 e U
Si Z = 1.23 P = 30.26
Si Z = 2.90 P = 69.74
David Trillo 14
Vilario Consultores

7
 Puntos en funcin de Z
100,00

90,00

80,00

70,00

60,00

50,00

40,00

30,00

20,00

10,00

0,00
-3 -2,7-2,4-2,1-1,8-1,5-1,2-0,9-0,6-0,3 0 0,3 0,6 0,9 1,2
ngel 1,5 1,8 2,1 2,4 2,7 3 3,3 3,6 3,9 4,2 4,5 4,8 5,1 5,4 5,715
Vilario

Estimacin de los modelos basados en datos

contables

Se dispone de una muestra de empresas que han impagado de

tamao N
Se observan los ratios financieros de estas empresas 1, 2 y 3
aos antes del impago.
Se elige mediante muestro aleatorio una muestra, de tamao
similar a la anterior, de empresas sin impagos y tambin se
observan los ratios financieros 1, 2 y 3 aos antes.
Es importante que los perodos de observacin coincidan para
evitar los sesgos del ciclo econmico.

David Trillo 16
Vilario Consultores

8
 Ejemplo variables discriminantes candidatas
para empresas

Re cursos propios
X
Deuda Total

BDI
Y
Activo Total

David Trillo 17
Vilario Consultores

Muestra de empresas que no pagaron y al lado

muestra que pagaron (1 ao antes)

RP/DT BDI/AT PD RP/DT BDI/AT PD

24% 3% 1 10% 3% 0
19% -23% 1 35% 10% 0
14% -19% 1 28% 4% 0
22% 0% 1 63% 4% 0
11% -9% 1 29% 6% 0
13% -24% 1 2% 10% 0
18% -31% 1 28% -6% 0
3% -25% 1 26% 3% 0
David Trillo 18
Vilario Consultores

9
 Capacidad discriminante de las variables

Las variables seleccionadas tienen mayor capacidad explicativa

cuanto ms sean capaces de separar las empresas en dos
conjuntos bien definidos.
Las que no pagaron y las que pagaron

David Trillo 19
Vilario Consultores

RP/DT BDI/AT

30%

20%

10%

0%
BDI/AT

0,0 1,0 2,0 3,0 4,0 5,0 6,0 7,0 8,0 9,0
-10%

-20%

-30%

-40%

-50%
RP/DT

David Trillo 20
Vilario Consultores

10
 RP/DT BDI/AT

25%

20%
15%

10%
5%

0%
BDI/AT

0,0 0,5 1,0 1,5 2,0 2,5 3,0 3,5

-5%

-10%
-15%

-20%
-25%

-30%
RP/DT
David Trillo 21
Vilario Consultores

Modelos logit
Estimacin de un modelo de la forma
PD = 1 Impago PD = 0 Pago

e x i 1
Pr ob(y i 1/ x i , ) x i

1 e 1 e x i
Hay que estimar los coeficientes a, b, y c

1
PD Z a bX cY
1 eZ
a 2.349160
b 0.966291
c 0.427001

David Trillo 22
Vilario Consultores

11
 Errores de clasificacin

Modelo vs. Solvente Insolvente

Realidad
Solvente Correcto Error Tipo I
Insolvente Error Tipo II Correcto

David Trillo 23
Vilario Consultores

Porcentajes de error

Solvente Insolvente
Solvente 90% 10%
Insolvente 15% 85%

David Trillo 24
Vilario Consultores

12
 Riesgos del modelo

Endgenos
Deficiente estimacin y contraste
Base de datos no adecuada
Exgenos
Aprendizaje de los acreditados
Fraudes en la utilizacin
Cambio de las condiciones del entorno

David Trillo 25
Vilario Consultores

Comentarios a los modelos

Las muestras que se utilizan son muestras censuradas.

No son el resultado de un muestreo aleatorio, ya que existen

siempre criterios de seleccin para admitir los crditos.

Existen variables relevantes no observadas que no estn en el

modelo

David Trillo 26
Vilario Consultores

13
 Comentarios al modelo

Las implicaciones de la censura son:

Sesgos en las estimaciones de los coeficientes

Afecta al poder explicativo de ciertas variables que han sido

utilizadas para la admisin. Si la muestra est previamente
filtrada mediante una determinada variable, el coeficiente
estimado no aparecer significativo.

David Trillo 27
Vilario Consultores

Modelo Probit

Est definido por Pr ob(y i 1/ x i , ) 1 N( x i) N(x i)

Siendo N la funcin de distribucin de la normal estndar

z2
x 1
N(x i) 2
e 2 dz

David Trillo 28
Vilario Consultores

14
 Ejemplo de estimacin de un modelo
Un banco estima un modelo de credit scoring para la cartera de crditos al
consumo basndose en la experiencia de una muestra formada por 500
crditos fallidos y 500 crditos sanos obtenidos estos ltimos mediante
muestro aleatorio simple de la cartera de crditos sin incidencias.
Las variables seleccionadas han sido:

Cuota (CUO) que es la razn entre el importe de la cuota anual y los ingresos
anuales del acreditado.
Edad (EDA) expresada en aos
Empleo (EMP) que es una variable binaria que toma el valor 1 en el caso de
empleo fijo y 0 para cualquier otro caso.

David Trillo 29
Vilario Consultores

Antigedad (ANT) que son los aos de antigedad del acreditado como
cliente de la entidad.
Vivienda (VIV) variable binaria, 1 en el caso de vivienda en propiedad y 0 en
el resto de los casos.
Y que es la variable que expresa el comportamiento de crdito observado en
la muestra.

Y = 1 para los crditos fallidos e Y = 0 para los crditos sin incidencias.

x i 1CUO i 2EDA i 3EMPi 4 ANTi 5 VIVi

David Trillo 30
Vilario Consultores

15
 Resultados de la estimacin de un modelo logit

Dependent Variable: Y
Method: ML - Binary Logit (Quadratic
hill climbing)
Date: 09/15/05 Time: 11:36
Sample: 1 1000
Included observations: 1000
Convergence achieved after 11
iterations

Covariance matrix computed using second derivatives

Variable Coefficient Std. Error z-Statistic Prob.
C 41.01343 19.99145 2.051549 0.0402
CUO 23.62347 9.450624 2.499673 0.0124
EDA -0.996714 0.480807 -2.073004 0.0382

David Trillo 31
Vilario Consultores

Estimacin modelo probit

Dependent Variable: Y
Method: ML - Binary Probit (Quadratic hill climbing)
Date: 09/18/05 Time: 11:00
Sample: 1 1000
Included observations: 1000
Convergence achieved after 11 iterations
Covariance matrix computed using second derivatives
Variable Coefficient Std. Error z-Statistic Prob.
C 20.99293 9.942213 2.111494 0.0347
CUO 12.38536 4.554980 2.719080 0.0065
EDA -0.514871 0.241180 -2.134801 0.0328
EMP -3.569565 1.309715 -2.725451 0.0064
ANT -1.214444 0.486974 -2.493858 0.0126
VIV -2.055221 0.939462 -2.187658 0.0287
Mean dependent var 0.500000 S.D. dependent var 0.500250
S.E. of regression 0.055326 Akaike info criterion 0.031466
David Trillo 32
Vilario Consultores

16
 EMP -7.169081 2.853006 -2.512817 0.0120
ANT -2.325158 0.966886 -2.404791 0.0162
VIV -4.269701 1.994566 -2.140667 0.0323
Mean dependent var 0.500000 S.D. dependent var 0.500250
S.E. of regression 0.053515 Akaike info criterion 0.031334
Sum squared resid 2.846690 Schwarz criterion 0.060781
Log likelihood -9.667180 Hannan-Quinn criter. 0.042526
Restr. log likelihood -693.1472 Avg. log likelihood -0.009667
LR statistic (5 df) 1366.960 McFadden R-squared 0.986053
Probability(LR stat) 0.000000
Obs with Dep=0 500 Total obs 1000
Obs with Dep=1 500

David Trillo 33
Vilario Consultores

1) El contraste de la hiptesis nula para cada uno de los parmetros se realiza

i
mediante el z-ratio z N(0,1)

i

Que asintticamente se distribuye como una normal estndar. EViews estima

el vector de parmetros mediante mxima verosimilitud (MV) y la matriz
de varianzas covarianzas la calcula utilizando las derivadas segundas de la
funcin de verosimilitud.

Observando el z-ratio y el p-valor correspondiente se rechaza la hiptesis

nula H 0 : i 0 para todos los coeficientes.

David Trillo 34
Vilario Consultores

17
 Interpretacin del signo de los coeficientes estimados

e x i 1
Teniendo en cuenta que Pr ob(y i 1 / x i ,)

1 e x i 1 e x i

Consideremos por ejemplo la variable Cuota (CUO). Cuanto mayor es la cuota

respecto a los ingresos se espera que aumente la probabilidad de
incumplimiento. Como el coeficiente estimado tiene signo positivo la
componente e xi es ms pequea cuanto ms grande es la cuota y el cociente
1

es ms grande por lo que la probabilidad es mayor.
1 e x i

David Trillo 35
Vilario Consultores

De este ejemplo surge la regla que el signo del coeficiente debe ser positivo
si est asociado a una variable de signo positivo que cuanto ms grande sea
es mayor la probabilidad de incumplimiento y el signo debe ser negativo si
est asociado a una variable de signo positivo que cuanto ms grande sea es
mayor la probabilidad de cumplimiento. Despus de la cuota las variables son
la edad (Cuanto ms edad la conjetura es que menos probabilidad de
incumplimiento), la variable empleo (variable binaria que vale y =1 para el
empleo fijo y vale y = 0 para el resto, luego es mayor para el caso favorable),
la variable antigedad que cuanto ms mejor y por ltimo la variable
vivienda, tambin binaria, con valor 1 para propiedad y 0 para el resto, luego
similar a la variable empleo.

David Trillo 36
Vilario Consultores

18
 Interpretacin del valor numrico de los coeficientes

La interpretacin de un coeficiente es compleja ya que el efecto marginal

de la variable asociada se expresa en funcin de todas las variables.

E(y i / x i ,)
f ( x i) j
x ij

Donde f(x) es la funcin de densidad correspondiente a la funcin de

distribucin F. El coeficiente j est ponderado por el factor f ( x i) que

depende de los valores de todas las variables.

David Trillo 37
Vilario Consultores

El signo de la derivada es lo nico que depende nicamente de j .

Alternativamente al razonamiento que hemos hecho anteriormente se

observa que un valor positivo de j implica que incrementando x j se

incrementa la probabilidad de respuesta.

Una interpretacin alternativa de los coeficientes se consigue con el ratio

i E(y i / x i ,) / x ij

k E(y i / x i ,) / x ik

David Trillo 38
Vilario Consultores

19
 Otros estadsticos
En la tabla de salida tenemos
n

yi
i 1
Media de la variable dependiente y
n
n

(yi y) 2
i 1
Desviacin tpica de la variable dependiente
n

Suma de los cuadrados de los residuos. Los residuos se definen del modo
siguiente:
n
y F(x )
ei y i E(y i / x i ,) y p SCR e i2
i i i i
i 1

David Trillo 39
Vilario Consultores

Logaritmo de la funcin de verosimilitud: es el valor del logaritmo de la

funcin de verosimilitud en el ptimo, l()

Media del logaritmo de la funcin de verosimilitud: es el valor del

, dividido por el
logaritmo de la funcin de verosimilitud en el ptimo, l()
nmero de observaciones, n.

Logaritmo de la verosimilitud restringida: es el valor en el ptimo del

logaritmo de la verosimilitud cuando los coeficientes de pendiente son nulos,
l() . Cuando se incorpora un trmino constante equivale a la estimacin de
la media de la probabilidad incondicional de xito.

David Trillo 40
Vilario Consultores

20
Test estadstico LR: contrasta la hiptesis nula de que conjuntamente todos
los parmetros son nulos excepto la constante. El nmero entre parntesis
es el nmero de grados de libertad que es igual al nmero de restricciones
utilizadas en el test.

L
LR 2ln 2ln CR 2(ln L CR ln L SR ) 2(l CR lSR )
L SR

Probabilidad LR es el p-valor del estadstico LR. Bajo la hiptesis nula el

test estadstico LR se distribuye asintticamente como una 2 con grados de
libertad igual al nmero de restricciones del test.

David Trillo 41
Vilario Consultores

R cuadrado de McFadden es el ratio de verosimilitud computado como

/ l() . Es un estadstico anlogo al clsico R cuadrado en cuanto a l
1 l()
interpretacin en trminos de bondad de ajuste. Varia entre 0 y 1.

Criterio de informacin de Akaike, con este criterio se prefiere el modelo

que presenta un valor del estadstico AIC menor.

2k 2l
AIC
n n
k es el nmero de coeficientes, n el nmero de observaciones y l el logaritmo
de la funcin de veromilitud.

David Trillo 42
Vilario Consultores

21
 Criterio de informacin de Schwarz, similar al de Akaike se prefiere el
modelo con SC menor.
k ln(n) 2l
SC
n n

Criterio de informacin de Hannan-Quinn, sigue el criterio de elegir el

modelo con menor HQ.
2k ln(ln(n)) 2l
HQ
n n

David Trillo 43
Vilario Consultores

Modelos de credit scoring

En los modelos probit o logit cada acreditado de la muestra

recibe una puntuacin, que por construccin del modelo, est
situada entre cero y uno.
Es frecuente encontrar en la literatura que la puntuacin se
interpreta como la estimacin de la probabilidad de
incumplimiento.
En estos modelos la variable endgena es una variable binaria
que toma el valor uno si el acreditado incumpli, y el valor
cero si por el contrario el acreditado cumple con sus
obligaciones contractuales.

David Trillo 44
Vilario Consultores

22
 Puntuacin de un modelo de credit scoring y
probabilidad

En el caso de que las variables explicativas sean capaces de

discriminar adecuadamente a los dos segmentos de
acreditados que forman la muestra, el modelo estimado asigna
valores muy cercanos a uno a los acreditados que
incumplieron y valores muy cercanos a cero a los otros
acreditados.

David Trillo 45
Vilario Consultores

Puntuacin de un modelo de credit scoring y

probabilidad

En muchos casos prcticos, si las variables utilizadas tienen

gran poder discriminante y adems la muestra est formada
por dos grupos muy polarizados, es decir, con valores de las
variables muy lejanas entre los grupos, entonces los valores
cercanos al uno son del orden de 0,999 y los valores cercanos
al cero son del orden de 0,0001 e incluso mucho ms
pequeos.

David Trillo 46
Vilario Consultores

23
 Puntuacin de un modelo de credit scoring y
probabilidad

Si aceptramos dichas puntuaciones como estimaciones de la

probabilidad de incumplimiento llegaramos a la conclusin de
que prcticamente todos los que no han incumplido son AAA,
y prcticamente los que han incumplido son de grado de
rating inferiores a C.
Por otra parte basta estimar con otra muestra que incluya
parte de los acreditados que han sido utilizados en la primera
estimacin para que obtengamos puntuaciones drsticamente
diferentes para un mismo acreditado.

David Trillo 47
Vilario Consultores

Puntuacin de un modelo de credit scoring y

probabilidad

Otra prueba de lo poco robustas que son las puntuaciones es

que si hacemos la prueba de calcular las puntuaciones con el
modelo estimado a acreditados que no han sido utilizados en
la estimacin, pero que presentan valores de las variables
explicativas similares a las del grupo utilizado en la estimacin
del modelo se obtienen puntuaciones significativamente
diferentes a las obtenidas en el primer grupo utilizado para la
estimacin.

David Trillo 48
Vilario Consultores

24
 Puntuacin de un modelo de credit scoring y
probabilidad

En definitiva la puntuacin sirve nicamente, y no es poco,

para establecer una relacin ordinal en el conjunto de
acreditados respecto a la distancia al incumplimiento. Es una
herramienta til para el apoyo a la decisin de otorgar o
rechazar una demanda de crdito y tambin es til para la
construccin de un sistema de rating, pero no da la solucin a
la estimacin de las probabilidades de incumplimiento.

David Trillo 49
Vilario Consultores

Modelos de riesgo de crdito

para la regulacin

David Trillo 50
Vilario Consultores

25
 El concepto matemtico de probabilidad

En un modelo de riesgo de crdito existe la necesidad de

asignar probabilidades a los eventos denominados
incumplimiento de un acreditado. A qu se refiere este
concepto?
Pensemos, por ejemplo, en una empresa y nos preguntamos
cul es la probabilidad de que la empresa que ha recibido un
prstamo de un banco incumpla las obligaciones de pago en
un horizonte temporal determinado, por ejemplo un ao.

David Trillo 51
Vilario Consultores

Dificultad de la probabilidad de incumplimiento

Surgen dos cuestiones:

qu se entiende por probabilidad de incumplimiento?
Cmo estimar la probabilidad de incumplimiento
El concepto probabilidad de incumplimiento no es sencillo
porque:
estamos hablando de la probabilidad de incumplimiento de
alguien que generalmente nunca ha incumplido
No vamos a tener pruebas repetidas
No es posible realizar experimentos controlados
David Trillo 52
Vilario Consultores

26
 Estimacin de probabilidades de
incumplimiento

La estimacin de probabilidades de incumplimiento es una

etapa crucial para la aplicacin de la metodologa IRB y para la
utilizacin de modelos internos de riesgo de crdito.

Para llevar a cabo las estimaciones es necesario, previamente,

disponer de un modelo que genere mediante algn tipo de
algoritmo las probabilidades de incumplimiento, dado que
estas son magnitudes no observables. Esta es la formulacin
que realiza el Comit de Basilea. Cmo se puede hacer
operativa esta condicin?
David Trillo 53
Vilario Consultores

Baja o nula frecuencia de los incumplimientos

El concepto buen predictor necesita un mnimo de
desarrollo terico para que pueda aplicarse a casos
concretos. Adems el riesgo de crdito tiene una diferencia
esencial con el riesgo de mercado que plantea dificultades que
son mucho mayores para su modelizacin y contraste. En
general el incumplimiento es un evento no repetitivo
para un acreditado.
El precio de un instrumento financiero cotizado es observable
diariamente y de ah la posibilidad de observar las variaciones
positivas y negativas de una cartera de instrumentos
financieros cotizados, pero el incumplimiento es un evento
raro que durante muchos das no se produce.
David Trillo 54
Vilario Consultores

27
 Acreditado individual y probabilidad de
incumplimiento

Si consideramos el caso de un acreditado individual y un

modelo estima la probabilidad de incumplimiento, nunca
podremos contrastar si la estimacin es una buena
prediccin de la tasa de incumplimiento.

El acreditado o cumple o incumple, pero con esa nica

observacin no podemos realizar ningn contraste sobre la
bondad de la probabilidad de incumplimiento estimada.

David Trillo 55
Vilario Consultores

Grupos homogneos de riesgo (rating)

La nica forma posible es aceptar la hiptesis de que existen
grupos homogneos de riesgo, es decir, grupos en los que
todos los pertenecientes, por encima de sus diferencias
particulares, tienen la misma probabilidad de incumplimiento.
Esos grupos ideales, clases o grados, es lo que intenta
establecer un sistema de rating.
A partir de la aceptacin de esa hiptesis es posible observar
cuntos incumplen de un mismo grado y desarrollar
procedimientos tanto para estimar las probabilidades de
incumplimiento, como para realizar contrastes de diverso
tipo.
David Trillo 56
Vilario Consultores

28
 Antecedentes regulacin del riesgo de crdito

Aos 90: Basilea II permita a los Bancos fijar sus fondos

propios regulatorios. Se plante la necesidad de estimar
canto se poda perder en una cartera de crditos y a qu
horizonte (prdida esperada y prdida no esperada-riesgo)

PERDIDA ESPERADA PROVISIN

PERDIDA EXTREMA CAPITAL

REGULATORIO

David Trillo 57
Vilario Consultores

Medidas de Capital y Tipo de Prdidas

Prdidas asociadas a la funcin de probabilidad

Media Nivel de Confianza

Frecuencia

Prdida
Inesperada

Prdida Prdida
Esperada en Crisis

Prdidas
Capital econmico
Provisiones Capital regulatorio
Capital disponible o necesario
David Trillo 58
Vilario Consultores

29
 Capital econmico

El capital econmico es un concepto terico, til como

concepto.
El capital econmico es el capital necesario (recursos propios)
para hacer frente a las prdidas no esperadas netas de
provisiones.
Si suponemos que las provisiones se han realizado con el
criterio de las prdidas esperadas entonces el capital
econmico es la diferencia entre las prdidas inesperadas y las
prdidas esperadas.

David Trillo 59
Vilario Consultores

Capital regulatorio

El capital regulatorio es el capital requerido por la autoridad

reguladora y/o supervisora.

El capital regulatorio se intenta acercar al capital econmico

en el enfoque de Basilea II, pero en la prctica puede estar

muy alejado.

David Trillo 60
Vilario Consultores

30
 Acreditado individual

La prdida ocasionada por el incumplimiento de un acreditado

se considera una variable aleatoria ( no es posible conocer
anticipadamente si la prdida va a existir y si se produce el
incumplimiento el importe exacto de la prdida)
La prdida de un crdito individual se descompone en tres
factores
Incumplimiento
Exposicin en la fecha de incumplimiento
Severidad de la prdida dado el incumplimiento

David Trillo 61
Vilario Consultores

Variable aleatoria Prdida

Se define la prdida mediante el producto

L = D x EAD x SEV

D variable incumplimiento

D=1 si hay incumplimiento L = EAD x SEV

D=0 si no hay incumplimiento L = 0

David Trillo 62
Vilario Consultores

31
 Exposicin

EAD exposicin (importe en riesgo) en la fecha del

incumplimiento
La fecha es aleatoria luego la exposicin tambin lo es aunque
en muchos modelos se considera conocida.
Sin embargo es una variable de importe desconocido en el
caso de los productos derivados, y en facilidades de crdito
con opcionalidad para el prestatario de disponer (lneas de
crdito, descubiertos en cuenta)

David Trillo 63
Vilario Consultores

Severidad

La severidad es tambin una variable de importe incierto.

La esperanza de la severidad se denomina LGD (prdida
dado el incumplimiento) y se iguala a uno menos la tasa
de recuperacin.

E (SEV) = LGD =1 R

La distribucin de probabilidad de la severidad est

mucho menos estudiada que la del incumplimiento.
Un factor adicional es que la severidad depende de la
gestin interna de las recuperaciones

David Trillo 64
Vilario Consultores

32
 Distribucin de la variable incumplimiento

1 con probabilidad PD
D
0 con probabilidad 1 PD

Esperanza E(D) 1 PD 0 (1 PD) PD

Varianza Var(D) E(D 2 ) E(D) 2 PD PD 2 PD (1 PD)

Desviacin tpica (D) PD (1 PD)

David Trillo 65
Vilario Consultores

Ejemplo

La probabilidad de incump lim iento es PD 0,15%

E(D) PD 0,15% 15 pb

Var(D) PD (1 PD) 0,0015 (1 0,0015) 0,00149775

(D) 0,00149775 0,0387 3,87%

David Trillo 66
Vilario Consultores

33
 Prdida esperada de un crdito

La variable prdida es L = D x EAD x SEV

La prdida esperada es la esperanza matemtica de la variable
aleatoria prdida.

PE = E (L) = E (D x EAD x SEV)

La esperanza anterior depende de las hiptesis que se

establezca sobre la distribucin conjunta de las tres
variables. Si suponemos independencia ser

PE = E(D) x E(EAD) x E(SEV) = PD x EAD x LGD

David Trillo 67
Vilario Consultores

Ejemplo prdida esperada crdito individual

Sea PD = 0,5% E(EAD) = 100 E(SEV) = 30%

PE PD E(EAD) E(SEV ) PD E(EAD) LGD

0,5% 100 30% 0,15

David Trillo 68
Vilario Consultores

34
 Prdida esperada de una cartera

La prdida esperada de una cartera es la suma de las prdidas

esperadas de cada uno de los acreditados.

Este resultado se basa en la hiptesis de independencia entre

la variable incumplimiento, exposicin y severidad.

David Trillo 69
Vilario Consultores

Prdida esperada de una cartera

N N
L L D EAD SEV
i 1
i
i 1
i i i

N N
PE E(L) E
i 1

Di EADi SEVi

E D EAD SEV
i 1
i i i

N N

i 1
E(Di ) E(EADi ) E(SEVi ) PE
i 1
i

David Trillo 70
Vilario Consultores

35
 Prdidas no esperadas

Las prdidas inesperadas, no esperadas o prdidas extremas

son las prdidas que corresponden a un determinado nivel de
confianza y horizonte temporal, por ejemplo, un ao.
Si el nivel de confianza es 99% se espera que en promedio las
prdidas no superen el valor crtico ms que el 1% de las
veces.
La probabilidad de que las prdidas superen el valor crtico es
pequea pero el importe de la prdida es grande.

David Trillo 71
Vilario Consultores

Contraste de las prdidas no esperadas

El contraste de las prdidas no esperadas tiene una dificultad

insuperable dado que no es posible disponer de la muestra de
datos necesaria para el contraste.
Con un nivel de confianza del 99,9% (como plantea Basilea II)
necesitamos al menos 1000 datos (aos) para poder obtener
un valor superior al crtico, pero eso suponiendo que la
distribucin muestral coincide exactamente con la terica.

David Trillo 72
Vilario Consultores

36
Estimacin capital en modelo IRB

N-1 (Func. Distrib inversa normal)

Valor v.a. que acumula 99,9% probabilidad

El coeficiente de correlacin Ri es una funcin de

la probabilidad de incumplimiento. Para las
exposiciones de administraciones centrales, bancos
centrales y empresas con ventas por encima de los
50 millones de euros viene dado por:

David Trillo 73
Vilario Consultores

David Trillo 74
Vilario Consultores

37
 Validacin de las PD

David Trillo 75
Vilario Consultores

Validacin de las probabilidades de

incumplimiento
La validacin de las probabilidades de incumplimiento es un punto
crucial en la validacin de un modelo interno de riesgo de crdito,
tanto para el clculo del capital regulatorio como para el clculo del
capital econmico.

Con palabras del Comit de Basilea de supervisin bancaria la

validacin debe realizarse comparando las tasas de
incumplimiento reales con las probabilidades de
incumplimiento estimadas para cada grado del sistema de
rating y valorar la desviacin entre las tasas de incumplimiento
observadas y las probabilidades de incumplimiento estimadas
(Backtesting)
David Trillo 76
Vilario Consultores

38
 Validacin de las probabilidades de
incumplimiento

La conexin entre el sistema de rating y la validacin de las

probabilidades de incumplimiento es muy estrecha. Hay que
tener en cuenta que el sistema de rating se supone correcto y
esto quiere decir que los elementos pertenecientes a grados
distintos son portadores de probabilidades de incumplimiento
estrictamente diferentes.
Diferentes criterios para definir el rating implican diferentes
tasas de incumplimiento y PD estimadas

David Trillo 77
Vilario Consultores

Validacin de las probabilidades de

incumplimiento

Cada entidad tendr su propio diseo de rating, lo que implica

diferentes variables y puntos de corte para asignar
probabilidades de incumplimiento, siguiendo la mxima de que
todos los acreditados pertenecientes a una misma clase, en un
sistema de rating, tienen asignada la misma probabilidad de
incumplimiento.
Ser frecuente que un determinado acreditado en varios
bancos tenga asignadas probabilidades de incumplimiento
diferentes en cada banco.

David Trillo 78
Vilario Consultores

39
 Validacin

En muchos casos las herramientas estadsticas no se pueden

aplicar por el escaso o nulo nmero de incumplimientos

presentes en la muestra que se estaba validado. Esto es

especialmente crtico en los grados de alta calidad crediticia

asignados en el sistema de rating.

David Trillo 79
Vilario Consultores

Matrices de transicin

David Trillo 80
Vilario Consultores

40
 Probabilidades de impago Matriz de transicin 1
ao

Rating final
Inicial AAA AA A BBB BB B CCC D
AAA 90.81 8.33 0.68 0.06 0.12 0.00 0.00 0.00
AA 0.70 90.65 7.79 0.64 0.06 0.14 0.02 0.00
A 0.09 2.27 91.05 5.52 0.74 0.26 0.01 0.06
BBB 0.02 0.33 5.95 86.93 5.30 1.17 0.12 0.18
BB 0.03 0.14 0.67 7.73 80.53 8.84 1.00 1.06
B 0.00 0.11 0.24 0.43 6.48 83.46 4.07 5.20
CCC 0.22 0.00 0.22 1.30 2.38 11.24 64.86 19.79

David Trillo 81
Vilario Consultores

Matriz de transicin Bonos soberanos

Standard & Poors 1980-2002
AAA AA A BBB BB B CCC SD
AAA 97,37 2,63 0,00 0,00 0,00 0,00 0,00 0,00

AA 2,79 95,53 0,56 0,00 0,56 0,56 0,00 0,00

A 0,00 2,70 95,50 1,80 0,00 0,00 0,00 0,00

BBB 0,00 0,00 6,50 87,70 4,07 1,63 0,00 0,00

BB 0,00 0,00 0,00 6,92 83,08 7,69 1,54 0,77

B 0,00 0,00 0,00 0,00 12,00 81,33 5,33 1,33

CCC 0,00 0,00 0,00 0,00 0,00 0,00 16,67 83,33

SD 0,00 0,00 0,00 0,00 0,00 20,00 10,00 70,00

David Trillo 82
Vilario Consultores

41
 Diferencias de frecuencias segn emisor

Corporativo Soberano

AAA 0,00 0,00

AA 0,00 0,00

A 0,05 0,00

BBB 0,39 0,00

BB 1,53 0,77

B 6,95 1,33

CCC 31,58 83,33

David Trillo 83
Vilario Consultores

Matriz de transicin 1 ao
Duff Phelps Colombia 1994-2002

AAA AA A BBB BB B CCC D

AAA 97,52 0 0 0 0 0 0 0
AA 2,78 93,06 8,78 0 0 0 0 0
A 0,87 12,17 73,04 7,83 3,48 0 1,74 0,87
BBB 0 0 20 53,33 13,33 0 6,67 6,67
BB 0 0 0 0 60 0 20 20
B 0 0 0 0 25 75 0 0
CCC 0 0 0 0 0 12,5 75 12,75

David Trillo 84
Vilario Consultores

42
 Matriz de transicin dos aos
Duff Phelps Colombia 1994-2002

AAA AA A BBB BB B CCC D

AAA 93,83 6,17 0 0 0 0 0 0
AA 4,67 86 6 0,67 0 0 0 0
A 1,08 18,28 54,84 10,75 7,53 0 5,38 2,15
BBB 0 10 20 40 10 0 10 10
BB 0 0 0 0 50 16,67 9 33,33
B 0 0 0 14,29 14,29 28,57 28,57 14,29
CCC 0 0 0 0 0 33,33 33,33 33,33

David Trillo 85
Vilario Consultores

Contraste de un sistema de rating

La regulacin financiera (Basilea II) plantea que los bancos calculen
los recursos propios mnimos por riesgo de crdito mediante tres
posibles mtodos:
Mtodo estndar (calificaciones de agencias)
Mtodo IRB (internal rating based) bsico
Mtodo IRB avanzado
En los tres mtodos los sistemas de rating juegan un papel central.
En el mtodo estndar las calificaciones las otorgan empresas
calificadoras autorizadas por el ente supervisor y externas al banco.
En los dos mtodos IRB el sistema de calificacin lo desarrolla la
propia entidad.
David Trillo 86
Vilario Consultores

43
 Cuestiones de inters

Cmo validar si las calificaciones de las agencias son correctas?

Cmo validar si las calificaciones internas diseadas y obtenidas

por los bancos son correctas?

Cmo estimar probabilidades de incumplimiento para poder

aplicar el mtodo IRB?

Cmo contrastar si las probabilidades de incumplimiento

estimadas son correctas?

David Trillo 87
Vilario Consultores

Validacin de los sistema de rating

(externos e internos)
Un sistema de rating establece k grados o niveles para clasificar a
cualquier acreditado.
Por ejemplo Standard&Poors establece 18 grados AAA, AA+, AA,
AA-, A+, A, A-, BBB+, BBB, BBB-, BB+, BB, BB-, B+, B, B-, CCC/C,
D. Los grados de CCC a C se han simplificado en uno solo. Fitch y
Moodys establecen el mismo nmero de grados.
El sistema de rating parte de la hiptesis fundamental de que los
acreditados clasificados en un determinado grado son homogneos
desde el punto de vista del cumplimiento de sus obligaciones de
pago. La variable cumplimiento futuro del pago de las deudas es una
variable latente, no observable.
David Trillo 88
Vilario Consultores

44
 Relacin ordinal de las frecuencias

Los grados definen un orden respecto a la citada variable

cumplimiento futuro del pago de las deudas
La nica forma de contrastar si el sistema de calificacin es
correcto es mediante el anlisis de las frecuencias de
incumplimiento observadas.
Se espera que si los acreditados clasificados en el grado i son
mejor cumplidores que los acreditados en el grado j, la frecuencia
de incumplimientos del grado i sea menor que la frecuencia de
incumplimientos del grado j.
ni nj
Si i j fi fj
Ni Nj

David Trillo 89
Vilario Consultores

Definicin de variables

ni nmero de incump lim ientos de l g rado i

Ni nmero de acreditados de l g rado i

n j nmero de incump lim ientos de l g rado j

N j nmero de acreditados de l g rado j

David Trillo 90
Vilario Consultores

45
 Frecuencias y probabilidad

Si la evidencia emprica es que fi f j puede ocurrir que:

- El grado i es diferente que el grado j y los grados son consistentes.
- El grado i y el grado j no son diferentes.

Si la evidencia emprica es que fi f j puede ocurrir que:

- El grado i es diferente que el grado j y los grados son inconsistentes.
- El grado i y el grado j no son diferentes.

Para determinar la alternativa correcta es necesario introducir algunas

hiptesis.
David Trillo 91
Vilario Consultores

Hiptesis y distribucin de probabilidad

1) Dentro de cada grado los eventos de incumplimiento son eventos

independientes.
2) Todos los acreditados pertenecientes al mismo grado tienen la
misma probabilidad de incumplimiento.

Bajo estas hiptesis el nmero de incumplimientos X, del grado i, se

puede modelizar como una variable aleatoria binomial que se
distribuye con parmetros, nmero total de eventos posibles n Ni y
probabilidad p PDi , probabilidad de default asignada al grado i. La
probabilidad de ni incumplimientos es

Ni
P( X ni ) p ni (1 p)Ni ni
ni

David Trillo 92
Vilario Consultores

46
 Estimacin de la probabilidad de
incumplimiento
El logaritmo de la funcin de verosimilitud es

Ni
L lnP( X ni ) ln ni ln p (Ni ni )ln(1 p)
ni

Para obtener el valor de p que maximiza la funcin L se tiene

dL ni 1 ni
(Ni ni ) 0 p
dp p 1 p Ni

Bajo la hiptesis de eventos independientes equiprobables el

estimador mximo-verosmil de la probabilidad de incumplimiento es
la frecuencia observada.

David Trillo 93
Vilario Consultores

Momentos del estimador de la probabilidad de

incumplimiento
En la distribucin binomial X, de parmetros N y p se cumple que,

La esperanza es E X Np y la varianza es Var X Np(1 p)

ni
Los momentos del estimador p
Ni

n E ni Ni p
E p E i p
Ni Ni Ni

n Var ni Ni p(1 p) p(1 p)

Var p Var i
Ni Ni2 Ni2 Ni

David Trillo 94
Vilario Consultores

47
 Precisin de la estimacin

Una medida de la precisin de la estimacin es la desviacin

tpica del parmetro estimado

p)
p(1
Ejemplo n 30 N 500
N
30

p 0,94
0,06 1 p
500
p)
p(1 0,06 0,94
0,0106
N 500

David Trillo 95
Vilario Consultores

Intervalo de confianza para la probabilidad de

incumplimiento estimada (Wald)
El estimador de la probabilidad de incumplimiento tiene una
distribucin asinttica normal

p(1 p) p p
p N( p , ) Z N( 0 , 1)
N p)
p(1
N

Lo que permite definir un intervalo de confianza con nivel de

significacin

Prob p Z

p 1 p
p p Z
p 1 p 1
2 N 2 N

David Trillo 96
Vilario Consultores

48
 Intervalo de confianza de Wald

Se construye un intervalo de confianza aproximado para la

probabilidad de incumplimiento p desconocida

p)
p(1
z
IC W p
z
p
1
2
1
2
N

Si 5% z 1,96
1
2

David Trillo 97
Vilario Consultores

Nivel de significacin 5%

En particular si 0 ,05 z / 2 1,96 y el intervalo es

p Z

p 1 p
, p Z
p 1 p
2 N 2 N

p 1,96

p 1 p
, p 1,96
p 1 p
N N

David Trillo 98
Vilario Consultores

49
 Ejemplo Intervalo de confianza
n 100
N 5000 n 100 p 0 ,02 2%
N 5000
p)
p(1 0 ,02 (1 0 ,02)
0 ,00198 0 ,05 1 0 ,95 95%
N 5000

Z 1,96 Z

p 1 p 1,96 0 ,00198 0 ,003881
2 2 N

p Z

p 1 p 0 ,02 0 ,003881 0 ,0161 1,61%
2 N

p Z

p 1 p 0 ,02 0 ,003881 0 ,0239 2 ,39%
2 N
(1,61% 2 ,39%)
David Trillo 99
Vilario Consultores

Intervalo de confianza de Agresti y Coull

Agresti y Coull calculan un intervalo de confianza ms preciso

n z12 / 2
Sea p nn N N z12 / 2
N 2

p(1 p)
IC AC p z1 / 2
N
David Trillo 100
Vilario Consultores

50
 Intervalo de confianza con dependencias
En el grado i del rating existen dos grupos diferentes (industria A e
industria B). Todos los acreditados tienen la misma probabilidad de
incumplimiento pero existe correlacin entre el subgrupo A y el
subgrupo B.

Sean N A y NB los acreditados de cada grupo y AB el coeficiente de

correlacin. El intervalo de confianza se modifica porque la desviacin
tpica es

1
p)
p(1 1 2
N N N
N
A B AB
N A NB (N A NB )
2

David Trillo 101

Vilario Consultores

Ejemplo intervalo de confianza con dependencia

N A 2000 NB 3000 AB 0 ,3 p 2%

1 1
1 2 1 2
N 2 N ANB AB 2
2000 3000 0 ,3
N N 5000 5000
p)
p(1 0 ,02 0 ,98
3864,2
0 ,00225 0 ,225%
N 3864,2

Intervalo de confianza: p z / 2 , p z / 2
p z / 2 2% 1,96 0 ,225% 1,56%

p z / 2 2% 1,96 0 ,225% 2,44% (1,56% 2,44%)

David Trillo 102
Vilario Consultores

51
Anlisis de un sistema de calificacin crediticia

La tabla siguiente presenta los datos de la cartera de crdito (bonos y

prstamos) de un banco. N representa el nmero de acreditados en
cada nivel de rating a lo largo de 10 aos, es decir, si observamos el
grado AAA, la media de acreditados en el ao fue de 20. N representa
el nmero de incumplimientos de cada nivel de rating, en el horizonte
de un ao y n/N es la frecuencia de incumplimiento de cada grado.

En el grfico se observa que las frecuencias no aparecen ordenadas, lo

que indica que o los grados no son diferentes o que existen
inconsistencias en el diseo del rating.

David Trillo 103

Vilario Consultores

Nmero de acreditados, incumplimientos y

frecuencias (10 aos, horizonte anual)

Nivel N n n/N
AAA 200 0 0,000%
AA+ 500 1 0,200%
AA 2000 1 0,050%
AA- 8000 5 0,063%
A+ 30000 12 0,040%
A 60000 12 0,020%
A- 250000 350 0,140%
BBB+ 1250000 2700 0,216%
BBB 2500000 7200 0,288%
BBB- 800000 1500 0,188%

David Trillo 104

Vilario Consultores

52
 Frecuencias de incumplimiento
0.000%

0.000%

0.000%

0.000%

0.000%

0.000%

0.000%

0.000%

105

Test binomial

El primer test que vamos a analizar es un test binomial.

Consideremos un determinado perodo de tiempo, por ejemplo
un ao. Se parte de los siguientes dos supuestos:

i) Existen k grados de rating que delimitan perfectamente k

probabilidades de incumplimiento diferentes.
ii) Los incumplimientos son independientes.

David Trillo 106

Vilario Consultores

53
Como consecuencia de estos supuestos el nmero de
incumplimientos en el grado i se puede modelizar como una
variable aleatoria denominada X , que se distribuye segn una
variable aleatoria binomial con parmetros n Ni y probabilidad
de xito p PDi

David Trillo 107

Vilario Consultores

La hiptesis nula se plantea del modo siguiente:

H0 : La probabilidad estimada PD de cada grado de rating es una
estimacin conservadora si la tasa de incumplimientos es menor
o igual que la prediccin de incumplimientos dada por la
probabilidad de incumplimiento PD .
La hiptesis alternativa es:
H1 : La prediccin de incumplimientos dada por la probabilidad
de incumplimiento PD es menor que la tasa de incumplimientos
observada.

David Trillo 108

Vilario Consultores

54
La hiptesis nula H 0 es rechazada para un nivel de confianza
cuando el nmero de incumplimientos observado d es menor o
igual que el valor crtico d que viene dado por

N
Ni j

i
N j
d min d : i PD (1 PD i ) i
1
j d j

David Trillo 109

Vilario Consultores

Por ejemplo si 95% Ni 2.500 PDi 0,30%

2.500
2.500

j 2.500 j
d min d : j 0,003 (1 0,003) 0,05 12

j d

2.500
2.500

j 12
12
0,003 j (1 0,003)2.500 j 0,042 0,05

2.500
2.500

j 11
11
0,003 j (1 0,003)2.500 j 0,079 0,05

David Trillo 110

Vilario Consultores

55
Si la tasa de incumplimiento observada es mayor que 12
rechazamos la hiptesis de que la probabilidad de incumplimiento
es PD 0,3% y se acepta que es mayor.

David Trillo 111

Vilario Consultores

Aproximacin normal al test binomial

Una posibilidad de obtencin aproximada del nmero de

incumplimientos mediante una expresin sencilla es utilizando la
aproximacin normal a una distribucin binomial, es decir se

sustituye d por d que est dado por

d Ni PDi 1( ) Ni PDi (1 PDi )

1( ) es la funcin inversa de la funcin de distribucin de la

normal estndar.
David Trillo 112
Vilario Consultores

56
En el ejemplo anterior

d Ni PDi 1( ) Ni PDi (1 PDi )

2.500 0,003 1(0,95) 2.500 0,003 (1 0,003) 11,99

David Trillo 113

Vilario Consultores

Para aplicar la aproximacin debe satisfacerse la condicin de

Laplace tal que Ni PDi (1 PDi ) 9 que en este caso es
2.500 0,003 (1 0,003) 7,48 en este caso no se verifica.

Existen las condiciones menos restrictivas

Ni PDi 5 y Ni (1 PDi ) 5
2.500 0,003 7,5 2.500 (1 0,003) 2.492,5
que en este caso s se verifican.

David Trillo 114

Vilario Consultores

57
 Contrastes de igualdad de probabilidades
(rating)

Para cada par de grados, contiguos y no contiguos, se ha calculado el

estadstico Z , que bajo la hiptesis de igualdad de probabilidades se
distribuye como una normal estndar.

p i p j ni nj ni n j
Z p i p j p
1 1 Ni Nj Ni N j
p(1 p)

N i N j

H0 : pi p j Z N(0 ,1)

David Trillo 115

Vilario Consultores

Resultados de los contrastes

Si 1,96 Z 1,96 no se rechaza la hiptesis nula, lo que equivale a
considerar que los dos grados son el mismo.
Del anlisis de los resultados de los contrastes se deduce que:
- Los grados AAA, AA+ y AA no se pueden considerar distintos.
- No es posible discriminar entre los grados AAA, AA+, AA y todos los
dems, salvo AA+ con A y AA con BBB.
- A+ es diferente a A-, BBB+, BBB y BBB-
- A es diferente a A-, BBB+, BBB y BBB-
- A- es diferente a BBB+, BBB y BBB-
- BBB+ es diferente a BBB y BBB-
- BBB es diferente a BBB-
- Existe una inconsistencia dado que la frecuencia de BBB- es menor
que la frecuencia de BBB y menor que la frecuencia de BBB+
David Trillo 116
Vilario Consultores

58
 Contrastes de la igualdad de
probabilidades

AA+ AA AA- A+ A A- BBB+ BBB BBB-

AAA 0,63 0,32 0,35 0,28 0,20 0,53 0,66 0,76 0,61
AA+ -1,06 -1,12 -1,72 -2,73 -0,36 0,08 0,37 -0,06
AA 0,20 -0,21 -0,91 1,07 1,60 1,99 1,42
AA- -0,85 -2,26 1,84 2,95 3,76 2,58
A+ -1,73 4,55 6,55 8,01 5,88
A 7,73 10,32 12,24 9,45
A- 7,70 13,48 4,94
BBB+ 12,81 -4,40
BBB -15,26

David Trillo 117

Vilario Consultores

59