Documente Academic
Documente Profesional
Documente Cultură
FACULTAD DE INGENIERÍA
INGENIERÍA INDUSTRIAL
SANTIAGO DE CALI
2012
MEDICIÓN DE RIESGO DE CRÉDITO EN EMPRESAS DEL SECTOR REAL
Ingeniero industrial
FACULTAD DE INGENIERÍA
INGENIERÍA INDUSTRIAL
SANTIAGO DE CALI
2012
Nota de aceptación:
___________________________
___________________________
___________________________
___________________________
__________________________
__________________________
__________________________
INTRODUCCIÓN .................................................................................................... 1
1. OBJETIVOS .................................................................................................... 3
1.1 GENERAL ................................................................................................................ 3
1.2 OBJETIVOS ESPECÍFICOS......................................................................................... 3
2. FORMULACIÓN DEL PROBLEMA ..................................................................... 4
3. MARCO TEÓRICO........................................................................................... 7
3.1 DEFINICIÓN Y CLASIFICACIÓN DE LOS RIESGOS FINANCIEROS .............................. 7
3.2 RIESGO DE CRÉDITO ............................................................................................... 9
3.3 FACTORES QUE DETERMINAN EL RIESGO DE CRÉDITO ....................................... 11
3.3.1 Perdida Esperada .................................................................................. 11
3.3.2 VaR ........................................................................................................ 14
4. METODOLOGÍAS PARA LA ESTIMACIÓN DEL RIESGO DE CRÉDITO ................. 16
4.1 LAS CINCO C DEL CRÉDITO (CARÁCTER, CAPITAL, CAPACIDAD, COLATERAL Y
CICLO) .......................................................................................................................... 16
4.2 MODELO Z-SCORE ................................................................................................ 18
4.3 EL MODELO Z” SCORE O EMS (EMERGING MARKET CREDIT SCORING SYSTEM) 26
4.3.1 Pasos de implementación ..................................................................... 27
4.3.2 Aplicabilidad del modelo EMS............................................................... 34
4.4 MODELOS DE INCUMPLIMIENTO BAJO EL ENFOQUE ACTUARIAL ...................... 36
4.4.1 Modelo de Riesgo Individual ................................................................. 37
4.4.2 Modelo Poisson Compuesto ................................................................. 43
4.4.3 Modelo CreditRisk+ ............................................................................... 48
4.5 MODELO CREDITMETRICS .................................................................................... 54
4.5.1 Primer paso: Calificaciones y Matriz de Transición. ............................. 55
4.5.2 Segundo paso: Revaluación de las posiciones ...................................... 56
4.5.3 Tercer paso. Obtención de la distribución individual .......................... 57
4.5.4 Cuarto paso. Obtención de la distribución conjunta ........................... 58
4.5.5 Quinto paso. Valuación de la cartera ................................................... 62
4.5.6 Aplicabilidad del modelo Creditmetrics ................................................ 62
4.6 ¿QUE MODELO UTILIZAR? ................................................................................... 64
6. CONCLUSIONES ........................................................................................... 81
BIBLIOGRAFÍA. .................................................................................................... 84
LISTA DE CUADROS
Existen muchos casos de entidades que han quebrado o han tenido que ser intervenidas
por desconocer su nivel de exposición a este riesgo, incluso se puede afirmar que una
entidad que omita su riesgo de crédito esta innegablemente vulnerable y a merced de lo
que depare el destino.
*
Al sector real pertenecen todos los sectores económicos, exceptuando el sector financiero y monetario.
1
más relevantes con el fin de definir criterios para la escogencia de la misma, por último se
aplica la metodología que se considere más pertinentes a un caso de estudio.
2
1. OBJETIVOS
1.1 GENERAL
Adaptar una metodología de análisis de riesgo de crédito para una empresa del sector
real, con el fin de proporcionar una herramienta para la toma de decisiones.
• Identificar los factores que afectan las decisiones en torno al riesgo de crédito en
las empresas del sector real, con el fin de tipificar el comportamiento de las variables
críticas.
• Caracterizar las metodologías más relevantes para el análisis del riesgo de crédito,
con el fin de clasificarlas para evaluar su utilización.
3
2. FORMULACIÓN DEL PROBLEMA
Actualmente las empresas del sector financiero son las más interesadas en implementar
metodologías para la medición del riesgo de crédito, esto debido a su función
intermediadora y a la normatividad que se los exige. Sin embargo, las empresas del sector
real están empezando a interesarse en este tema, porque les permite gestionar el riesgo
al que ellas están expuestas y principalmente establecer las provisiones y los límites de las
operaciones de crédito. Además, en algunos sectores de la economía, el estado
Colombiano ha emitido leyes que las obligan a medir y gestionar su riesgo crediticio; por
ejemplo en el sector salud, a las Empresas Promotoras de Salud, EPS, se les exige su
medición y gestión a través del Decreto 16982 del 16 de Mayo de 2007 y la resolución
17403 del 23 de Mayo de 2008 del Ministerio de protección social, el cual en el artículo 3
numeral c) define al riesgo de crédito como:
2
COLOMBIA, Ministerio de protección Social. Decreto 1698, 16 de Mayo de 2007. Por el cual se definen y
adoptan las condiciones financieras y de solvencia del sistema único de habilitación de Entidades
Promotoras de Salud del Régimen Contributivo y entidades adaptadas. Bogotá DC, 2007. p. 1-6
3
COLOMBIA, Ministerio de protección Social. Decreto 1740, 20 de Mayo de 2008. Por la cual se dictan
disposiciones relacionadas con el Sistema de administración de Riesgos para las Entidades Promotoras de
Salud. Condiciones financieras y de suficiencia patrimonial, se definen las fases para su implementación y se
dictan otras disposiciones. Bogotá DC, 2007. p. 1-15
4
las inversiones de la entidad y su reflejo en la contabilidad de acuerdo con las normas
vigentes.”
Aunque no solamente en el sector salud ocurre esta situación, este riesgo, adquiere cada
vez mayor importancia en el ámbito de los negocios, y su atención esta soportada
principalmente en los cambios de factores que afectan y alertan al mercado en general,
tales como crecimiento estructural de las quiebras, aumento en los niveles de
competencia, disminución de las garantías o colaterales y el crecimiento de las
operaciones fuera de los mercados organizados.4
Durante los últimos años en Colombia ha habido un notable incremento de empresas del
sector real registradas con créditos ante la Superintendencia financiera y la
superintendencia de Sociedades5, en 1998 existían 9,459 créditos correspondientes a
3,780 empresas, en 2007 esta cifra alcanzó 46,152 créditos correspondientes a 12,625
empresas, lo que significa un incremento del 234% del número de empresas con créditos.
Este aumento de los créditos a nivel empresarial refleja cambios en la estructura de
financiación de las empresas colombianas, modificando indicadores como el
apalancamiento y el nivel de endeudamiento, los cuales inciden directamente en la
capacidad de pago.
Las empresas se arriesgan para obtener una rentabilidad superior al costo promedio
ponderado de capital y al costo de oportunidad con relación a las opciones que ofrece el
4
ALTMAN, Edward I. Credit risk measurement: Developments over the last twenty years. En: Elsevier,
Journal of Banking & Finance. 1998. no 21. p 1722.
5
COLOMBIA, Superintendencia Financiera de Colombia. Reporte de estabilidad financiera. Banco de la
República. Marzo de 2010. P. 84
5
mercado, si se desconoce el riesgo, la empresa puede sobrestimar a la contraparte
obteniendo baja o nula rentabilidad, o por el contario, podría caer en la aversión, reflejada
en el rechazo de buenas alternativas por la falta de criterios de decisión y de metodologías
para la evaluación de la exposición al incumplimiento.
6
3. MARCO TEÓRICO
La palabra riesgo proviene del latín risicare, que significa atreverse o transitar por un
camino peligroso. En realidad tiene un significado negativo, relacionado con peligro, daño,
siniestro o perdida, sin embargo el riesgo es parte inevitable de los procesos de toma de
decisiones y de los procesos de inversión, el beneficio que se pueda obtener por cualquier
decisión o acción que se adopte, debe asociarse necesariamente con el riesgo inherente a
dicha decisión o acción. En finanzas, el concepto de riesgo se relaciona con las pérdidas
potenciales que se pueden sufrir en portafolios de inversión6.
Existen diferentes tipos de riesgos los cuales se pueden clasificar en las siguientes
categorías:
Se entiende por riesgo de mercado la perdida que puede sufrir un inversionista debido a la
diferencia en los precios que registran en el mercado o en movimientos de los llamados
factores de riesgo (Tasas de interés, de cambio, etc.) También se puede definir más
formalmente como la posibilidad de que el valor presente neto de un portafolio se mueva
adversamente ante cambios en las variables macroeconómicas que determinan el precio
de los instrumentos que componen una cartera de valores7.
6
LARA HARO, Alfonso. Medición y control de riesgos financieros: Incluye Riesgo de Mercado y Crédito. 3ª
edición. Mexico DF: Editorial Limusa, p 13.
7
Ibíd., p. 16.
7
El riesgo de liquidez se refiere a las pérdidas que puede sufrir una institución al requerir
una mayor cantidad de recursos para financiar sus activos a un costo posiblemente
inaceptable. Se refiere a la imposibilidad de transformar en efectivo un activo o portafolio,
es decir a la imposibilidad de vender un activo en el mercado8.
8
Ibíd., p. 17.
Entiéndase por “calidad crediticia” la calificación que se le asigna a una empresa sobre la capacidad y la
voluntad que tiene ésta de hacer frente a una obligación financiera.
9
Ibíd., p. 17.
8
3.2 RIESGO DE CRÉDITO
10
JÍMENEZ, Víctor y FUERTES, Diana. Aplicación de una metodología de medición del riesgo financiero de
mercado en empresas del sector real: Caso aplicado Ecopetrol. Trabajo de grado Ingeniero Industrial. .
Santiago de Cali. Universidad del Valle. Facultad de Ingeniería. Escuela de ingeniería Industrial y Estadística.
2007. p. 9.
11
BASLE COMITEE ON BANKING SUPERVISION. Credit risk modelling: Principles for the Management of
Credit Risk. 2 ed. Basle Switzerland, 2004. 30 p.
9
autores lo conceptualizan de esta forma, por ello es conveniente aclarar las diferencias
entre riesgo de crédito y de mercado. Al estar este último más desarrollado en cuanto a
gestión y métodos, muchos académicos han intentado aplicar las mismas metodologías al
riesgo de crédito. No obstante, a la hora de considerar esta similitud en el tratamiento, se
debe tener en cuenta una serie de diferencias existentes entre ambos riesgos, que hacen
necesaria la búsqueda de nuevos procedimientos específicos para la medición del de
crédito. En concreto, se presentan las siguientes diferencias12:
1. En la estimación del riesgo de crédito se consideran una serie de variables que no están
relacionadas con el riesgo de mercado: Probabilidad de incumplimiento, conocida como
default y factores relacionados con la contraparte.
2. Así como el riesgo de mercado se estima siempre para un corto periodo de tiempo, por
ejemplo un día para carteras* muy líquidas, veinticinco días para los Fondos de Inversión y
de Pensiones. El riesgo de crédito tiende a concentrarse en un período de tiempo más
largo: meses e incluso años.
4. Las emisiones con riesgo de mercado suelen ser legalmente claras, no así las emisiones
con riesgo de crédito, las cuales pueden tener un importante número de incertidumbres
legales, muchas de las cuales se derivan de cambios en la legislación.
12
REYES SAMANIEGO, Medina. El riesgo de crédito: en el marco del Acuerdo de Basilea II. 1ª Edición. Madrid
España: Delta publicaciones Universitarias. 2008. p 21.
*El término “cartera” debe entenderse como un concepto amplio, y en él se incluyen desde un único activo
como una acción, un bono, un swap, o una opción, hasta el balance completo de una empresa por ejemplo
de una empresa promotora de salud, pasando por las carteras formadas por la combinación de diferentes
instrumentos, subyacentes y derivados, que incluyen tanto posiciones largas como cortas.
10
Dado lo anterior, es claro que existen muchas diferencias entre estos dos tipos de riesgo,
sin embargo existe una clara relación entre ellos reflejada en las variaciones de mercado
sobre la capacidad de pago de los deudores, sin embargo al momento de modelar está
relación, esta queda inmersa entre las otras variables de riesgo tanto las cualitativas como
las cuantitativas que afectan al riesgo de crédito. Es por ello que en el segundo acuerdo
de Basilea se determina cada riesgo por separado y se considera al riesgo total como la
suma de los riesgos de crédito, de mercado, de tasa de cambio y operacional13.
Cuando se lleva a cabo el análisis del riesgo de crédito de una empresa, se espera obtener
como resultado el nivel de pérdidas de capital que se daría en caso de incumplimiento, a
lo que se le llama perdida esperada.
13
REYES SAMANIEGO, Medina. El riesgo de crédito: en el marco del Acuerdo de Basilea II. 1ª Edición. Madrid
España: Delta publicaciones Universitarias. 2008. 239 p.
14
BASLE COMITEE ON BANKING SUPERVISION. Credit risk modeling: current practices and applications. Basle
Switzerland. 2004. 65 p.
En el caso de Colombia la Superintendencia Financiera ha establecido las características del
incumplimiento, aunque las empresas del Sector Real lo pueden definir bajo sus propios criterios.
11
crediticio, para un horizonte de tiempo dado”15, en palabras sencillas la perdida esperada
es el costo que se asume por invertir en el negocio.
Monto expuesto del activo (ME): Se entiende por valor expuesto del activo al
saldo vigente de capital, intereses, cuentas por cobrar de intereses y otras cuentas
por cobrar, de las obligaciones de la cartera. Representa el monto de los activos
expuestos al Riesgo de Crédito al término del periodo previamente establecido.
(Ec. 1)
15
WILSON, Thomas. Portfolio credit risk. En: Economic Policy Review, Federal Reserve Bank of New York.
1998. vol. 10, no. 9, 12p.
16
COLOMBIA, SUPERINTENDENCIA FINANCIERA. Circular externa 022, 26 de Junio de 2008, Anexo III Modelo
de Referencia de cartera comercial MRC. 2008. p3.
17
Ibíd., p.3.
12
En la Ecuación 1 el elemento más importante en la estimación de la pérdida esperada es la
probabilidad de incumplimiento, existen muchas metodologías para obtenerla, sin
embargo su explicación se sale del alcance de esta investigación, incluso podría ser el
tema de un futuro trabajo de investigación.
18
COLOMBIA, SUPERINTENDENCIA FINANCIERA. Circular externa 035 de Septiembre de 2009, Reglas
relativas a la gestión de Riesgo Crediticio. 2009. p. 3.
19
COLOMBIA, MINISTERIO DE HACIENDA Y CRÉDITO PÚBLICO. Decreto Número 1076, 3 de Abril de 2007,
Por el cual se dictan disposiciones para el ejercicio de la actividad de calificación de riesgos. 2007. p. 2.
13
Así las cosas, la disponibilidad de información para el cálculo de la probabilidad de
incumplimiento es un factor muy importante al momento de decidir que metodología
utilizar para medir el riesgo de crédito, tema que se tratará en el capítulo cuatro.
3.3.2 VaR
La pérdida no esperada o Valor en riesgo, VaR por sus siglas en inglés: Value at Risk, se
mide tomando en cuenta la variabilidad de la distribución de pérdidas, y puede calcularse
como la diferencia entre la perdida esperada y algún percentil de la distribución de
perdidas, el cual se elige de acuerdo al nivel de confiabilidad que escoja el área de gestión
de riesgos de la empresa. En general, el percentil que define el nivel de pérdidas no
esperadas se le da el nombre de Valor en riesgo de crédito o VaR de crédito.
Perdida no Perdida
Perdida
Densidad
esperada
improbable
esperada
Pérdidas VaR
Fuente: ELIZONDO ALAN. Medición integral de riesgo de crédito. Editorial Limusa. 2003. p. 51
14
sesgada hacia las pérdidas, esto por la existencia de créditos con montos superiores al
promedio, que provocan eventuales pérdidas superiores a la esperada” 20.
El VaR de crédito comprende las pérdidas esperadas y no esperadas, las esperadas son
empleadas en el cálculo de las provisiones, mientras que las no esperadas implican
requerimientos de capital que afectarían el patrimonio y con ello la relación de solvencia
de la empresa, de allí se desprende la importancia de su cálculo.
Después de ser analizados los factores que afectan las decisiones en torno al riesgo de
crédito, lo siguiente es evaluar las metodologías más relevantes tanto académica como
empresarialmente con el fin de conocer sus particularidades, ventajas, desventajas y
limitaciones.
20
MARQUEZ DIEZ, Javier Canedo. Una nueva visión del Riesgo de Crédito. 1ed. Mexico. Editorial Limusa.
2006. p16.
15
4. METODOLOGÍAS PARA LA ESTIMACIÓN DEL RIESGO DE CRÉDITO
4.1 LAS CINCO C DEL CRÉDITO (CARÁCTER, CAPITAL, CAPACIDAD, COLATERAL Y CICLO)
El modelo tradicional más conocido es el de las cinco “C” del crédito: Carácter, Capital,
Capacidad, Colateral y Ciclo, en este, la decisión se deja en manos de un analista de
crédito “experto”, que analiza cinco factores clave. Implícitamente, la experiencia de dicha
21
ZAPATA, Galindo Alexander. Modelando el riesgo de crédito en Colombia: Matrices de transición para la
cartera comercial. En: Apuntes de Banca y Finanzas , ASOBANCARIA. 2003, no.6, p 5.
22
ALTMAN, Edward I. Credit risk measurement: Developments over the last twenty years. En: Journal of
Banking & Finance.1998, no 21, p.1722.
16
persona, su juicio subjetivo y la evaluación de dichos factores constituyen los elementos
determinantes a la hora de otorgar o no el crédito23.
23
Ibíd., p. 1722.
24
LARA HARO, Alfonso. Medición y control de riesgos financieros: Incluye Riesgo de Mercado y Crédito. 3ª
edición. Mexico DF: Editorial Limusa, 2005. p. 163.
17
contracción y recuperación; se supone que la capacidad de pago del deudor está
relacionada con el ciclo económico.
De acuerdo a lo anterior se puede observar que este sistema afronta dos problemas
principales: consistencia y subjetividad. 25 En otras palabras los factores subjetivos
aplicados a las cinco “C” por un experto pueden variar mucho entre deudores. Esto es lo
que vuelve muy difícil la comparación de rangos y la toma de decisiones, por lo cual se
concluye que se pueden aplicar estándares muy distintos por parte del analista dentro de
una misma institución a distintos tipos de acreditados.
Por tanto a este modelo lo han venido desplazando otras metodologías, ya que un análisis
de este estilo resulta costoso para las empresas, pues requieren un grupo importante de
profesionales y analistas financieros; además en la medida en que la institución es más
grande, el análisis de crédito se vuelve menos homogéneo y necesita importantes
inversiones en capacitación de personal.
25
Ibíd., p. 164
18
sistemáticamente las nuevas observaciones de origen desconocido en uno de los grupos
analizados26.
A través de los años Altman ha llegado a ser considerado por gran número de expertos
como el investigador que más ha contribuido al desarrollo de la teoría de solvencia, sobre
todo el haber creado el modelo “Z-Score”.
En su primer estudio relacionó un conjunto de variables mediante una función que explica
su comportamiento y se orienta principalmente a la predicción de las quiebras, concluyó
que existen relaciones entre los indicadores financieros y que el uso de un solo indicador
es susceptible de errores, por ejemplo si se toman decisiones basados solamente en el
indicador de eficiencia y se ignora un indicador de endeudamiento, o liquidez, esta
decisión puede conducir a predicciones incorrectas acerca de la capacidad de pago futura
de la empresa deudora. Con respecto a las decisiones incorrectas, para Altman estas
tendían a ser menos probables de realizarse si estaban basadas sobre el análisis
simultaneo de varios indicadores que midieran diferentes aspectos de la salud financiera
de la empresa27.
Para el modelo Z-Score inicial, realizado en 1968 , Altman seleccionó una muestra de 66
empresas Estadounidenses, manufactureras y que cotizaban en bolsa, de estas tomó una
submuestra de 33 empresas que fueron a la quiebra y otra de 33 empresas que no, ambas
de tamaño medio y que operaban en el sector manufacturero que cotizaban en la bolsa en
el periodo de 1946-1965. La selección de la muestra se hizo de acuerdo a dos criterios
que fueron: a) considerando al tipo de industria al que pertenecía la empresa, b) de
26
MONTLLOR I SERRATS, Joan. Análisis de las dificultades financieras de las empresas en una economía
emergente. Barcelona España. Tesis Doctoral (Administrador de Empresas). Universitat Autònoma de
Barcelona. Departament d'Economia de l'Empresa. 2001, 332 p.
27
ALTMAN, Edward. Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy. En:
Journal of Finance. American Finance Association. 1968. p. 594.
19
acuerdo al tamaño de los activos de la empresa. La media del tamaño de los activos de las
empresas quebradas fue de 6.4 millones de dólares, con un rango entre los 700 mil hasta
los 25,9 millones de dólares28.
Este proceso dio como resultado la inclusión de cinco indicadores en una función
discriminante con los que Altman construyó la puntuación “Z-Score”, que es considerada
por muchos académicos como uno de los mejores modelos de predicción de quiebras y
aún es muy utilizado por muchas empresas29. La función discriminante definida por el
modelo Z-Score es de la siguiente forma:
(Ec.2)
28
ALTMAN, Edward I. Credit risk measurement: Predicting financial distress of companies: Revisiting the
Z-Score and Zeta® Models. Stern School of Business, New York University. New York City. 2000. p7.
29
ELIZONDO, Alan. Medición integral del riesgo de crédito. Primera Edición. México D.F. Editorial Limusa,
2005. P 54.
20
Donde Z es la puntuación Z-Score, los coeficientes discriminantes hallados en el análisis
y los indicadores financieros.
En el Cuadro1 se exponen los cinco indicadores utilizados por Altman con sus respectivos
coeficientes.
En la primera columna del Cuadro 1 están definidos los coeficientes para las variables.
Según la función discriminante hallada por Altman30 el indicador que más predice la
probabilidad de quiebra de una empresa es el indicador de rentabilidad igual a
Utilidades antes de intereses e impuestos / Activo total, al cual se le asignó un coeficiente
de 3.3. A continuación se explicará cada indicador para tener mayor claridad acerca de la
función Z-Score:
30
ALTMAN, Edward. Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy. En:
Journal of Finance. American Finance Association. 1968. p. 594.
21
Utilidades sin distribuir / Activo total: Las utilidades retenidas hacen referencia a la parte
de los dividendos no distribuidos entre socios o accionistas, un nivel alto de este indicador
significa que la empresa es solvente debido a que al no entregar todas las utilidades a los
socios, la empresa puede incrementar su capital de trabajo para realizar inversiones o
para pagar sus obligaciones disminuyendo así los costos de financiación porque se financia
con capital propio que no paga interés.
Valor de mercado de fondos propios / Valor pasivos totales: este indicador permite
conocer la evolución y tendencia de la relación entre el Pasivo Total y el valor de mercado
de la empresa, muestra la estructura de financiación de la empresa, si es con capital
propio o capital de terceros, por lo que permite deducir el nivel de endeudamiento de la
misma. Valores grandes de este indicador son sinónimo de solvencia porque el patrimonio
de la empresa supera con creces al pasivo, lo que significa que está poco endeudada y
puede responder por sus obligaciones.
Ventas netas/ Activo total: Mide la Gestión en cuanto a la cantidad de ventas, aunque no
se tienen en cuenta los costos es un buen indicador para medir la eficiencia de los activos
porque mide su rotación, además implícitamente le incluye al modelo la posición de la
empresa ante el mercado.
(Ec. 3)
22
La experiencia con este modelo llevó a su autor a la conclusión de que puntuaciones
Z-Scores inferiores a 1.81 indicaban una probabilidad elevada de quiebra, por el contrario,
puntuaciones superiores a 3.00 indicaban una escasa probabilidad de quiebra. Altman
denominó “la zona de ignorancia” al rango comprendido entre 1.81 y 2.99.
Al analizar las empresas que cayeron dentro de la zona de ignorancia, Altman razonó que
utilizando un Z-Score de 2.675 daba como resultado el número más bajo de errores para
clasificar a una empresa entre quiebra y no quiebra. Según él, este punto medio del
Z-Score podía tener aplicaciones prácticas para la evaluación de los préstamos y las
inversiones, pues indicaba cuales empresas presentan poca capacidad de evaluación y
cuales empresas garantizaban una capacidad de evaluación adicional por su posición fuera
de la zona de ignorancia.
23
existen dificultades de clasificación lo que Altman denominó “la zona de ignorancia” al
rango comprendido entre 1.81 y 2.99.
Teniendo en cuenta el resultado Z obtenido el modelo de Altman propone lo siguiente:
Si Z es mayor o igual a 2,99 la empresa se encuentran en una optima situación
financiera.
Si Z está entre 2,675 y 2,99 hay indicio de alguna dificultad.
Si Z se encuentra entre 1,81 y 2,674 indica que en caso de no proceder de manera
correctiva, la empresa puede estar en crisis financiera a corto plazo.
Si Z se encuentra por debajo de 1,81 la empresa está en bancarrota o en posición
de quiebra.
Respecto a los porcentajes de error de clasificación, obtuvo un error del 5% para un año
previo a la quiebra calculado como el promedio de error tipo I=6%* y tipo II =3%**; un
17% para dos años previos con error de tipo I=28% y tipo II=6%. Sin embargo, para el
tercero y cuarto año los porcentajes de error se incrementaban significativamente,
obteniéndose 52% y 71%% respectivamente.
En el Cuadro 2 se describe la exactitud del modelo, por ejemplo: en el segundo año hubo
23 aciertos y 9 errores lo que representa el 72% de los aciertos. Según Altman, su modelo
predictivo proporcionaba un pronóstico más exacto hasta dos años previos a la quiebra,
pero conforme pasaban los años la exactitud tendía a perderse.
24
Cuadro 2 Exactitud del modelo Z-Score
Fuente: ALTMAN, Edward. Financial Ratios, Discriminant Analysis and the Prediction of Corporate
Bankruptcy. En: Journal of Finance, American Finance Association. 1968. p 594.
En general los críticos del modelo Z-Score señalaban que las variables independientes del
modelo inicial no eran las más representativas. Por ejemplo la variable igual a Valor de
mercado de fondos propios o capital social sobre Valor contable de los pasivos, muchos
analistas opinaban que no era práctica, porque solo aplicaba a empresas que cotizaran en
bolsa32. Altman propuso entonces cambiar a datos contables el numerador de la variable
para aquellas empresas que no cotizaran en la bolsa y revisar la variable (Ventas
netas/ Activo total) para su posible eliminación del modelo porque para muchos esta no
tenía una buena capacidad de discriminación.
31
ALTMAN, Edward I. Credit risk measurement: Developments over the last twenty years. En: Journal of
Banking & Finance. 1998. no 21. p. 1723.
32
ALTMAN, EDWARD I. An emerging market credit scoring system for corporate bonds. En: Elsevier,
Emerging Markets Review. 2005.No 6. p.312.
25
4.3 EL MODELO Z” SCORE O EMS (EMERGING MARKET CREDIT SCORING SYSTEM)
El modelo Z Score original estaba basado en dos fuentes de datos que hacían inapropiado
su uso para las empresas pertenecientes a mercados emergentes: 1) requería que la firma
cotizara en bolsa y 2) era exclusivamente para empresas manufactureras.33
Los “mercados emergentes” son una clasificación creada por compañías que difunden
información financiera, como lo es el Financial Times, el diario económico The
Economist y Morgan Stanley Capital International. Según estas entidades Colombia
hace parte de este grupo.
El modelo de Scoring para mercados emergentes EMS, se utiliza para clasificar créditos en
este tipo de mercados, consiste en un primer momento en correr una adaptación del
modelo Z-Score para hacer un análisis cuantitativo, y en segunda instancia ajustar este
modelo de acuerdo a las condiciones específicas del mercado analizado, con el fin de
alcanzar una calificación modificada por el analista.34
Salomon Brothers es una reconocida empresa Estadounidense de Servicios Financieros.
33
Ibíd., p.313.
El Financial Times (FT) es un periódico internacional de negocios. Está considerado un diario de gran
prestigio y en los años recientes se ha convertido en el periódico Económico más vendido en el mundo.
The Economist es una publicación semanal británica de política, relaciones internacionales y negocios,
dirigida a una audiencia mundial.
Morgan Stanley Capital International (MSCI o MSCI barra) es un proveedor de índices sobre acciones,
bonos y mercados
34
Ibíd., p312.
26
La calificación equivalente resultante del modelo EMS se modifica con base en tres
elementos críticos: 1) la vulnerabilidad ante variaciones de la moneda local, 2) La industria
a la cual pertenece, 3) Su posición competitiva en la industria. Deben considerarse
también características únicas de las empresas analizadas. Estas modificaciones subjetivas
son un importante elemento de este modelo35.
La calificación modificada por el analista que resulta del análisis, se compara con la
calificación de la empresa, en caso de que no exista ninguna calificación por parte de una
agencia calificadora, esta calificación es un medio para evaluar la calidad crediticia del
deudor. A continuación se describen los pasos de implementación del modelo EMS:
El modelo Z-score original se basa en al menos dos fuentes de datos que hacen que su
aplicación indistinta a empresas en mercados emergentes sea poco apropiada, primero
requiere que la empresa tenga capital negociado públicamente, capital bursátil, es decir
que cotice en bolsa y segundo es primordialmente para empresas manufactureras.
35
Ibíd., p312.
27
Después de 35 años de haber sido creado el primer Z Score y de muchos pruebas y
ensayos, el modelo original fue ampliado para que ser aplicado a empresas privadas y no
manufactureras. El modelo resultante, que es la base fundamental del enfoque del
modelo EMS y que es llamado Z” Score es de la siguiente forma:
(Ec. 4)
Donde:
= Capital de trabajo/Activos totales
= Utilidades retenidas/ Activos totales
= Ingreso operativo/ Activos totales
= Valor en libros de capital/ Total de pasivos.
El termino constante 3,25 permite estandarizar el análisis de manera tal que una
calificación equivalente a quiebra D es consistente con un Score de cero o menor. El
modelo ha sido probado en muestras de empresas tanto manufactureras como no
manufactureras y su precisión y confiabilidad se mantienen altas 36. También se ha
calibrado cuidadosamente las variables y el Score resultante con calificaciones
equivalentes de empresas Estadounidenses. En el Cuadro 3 se muestran las equivalencias
de los rangos de puntuación Z-Score con las calificaciones para bonos, para construirla
Altman tomó una muestra de 750 empresas estadounidenses, por ejemplo, si después de
aplicar la función Z” Score a una empresa y arroja como resultado un Score de 7,00 sería
equivalente a un Bono Estadounidense de calificación A+. De la misma forma en el Cuadro
4 se muestran los promedios por cada indicador para las calificaciones del modelo
Z”Score, sin embargo estas calificaciones son preliminares porque son extraídas de
empresas del mercado estadounidense por lo que los pasos subsecuentes de la
metodología indican que se debe ajustar a las condiciones específicas del país al que
pertenece la empresa objeto del análisis.
36
Ibíd., p. 318.
28
Cuadro 3 Equivalencia de la calificación crediticia con el Z”Score promedio
Fuente: ALTMAN, EDWARD I. An emerging market credit scoring system for corporate bonds. New York
University. ELSEVIER. Emerging Market Review 6. p 311-323. 2005.
Cuadro 4 Promedio de las variables del Z” Score para cada calificación crediticia
Fuente: ALTMAN, EDWARD I. An emerging market credit scoring system for corporate bonds. New York
University. ELSEVIER. Emerging Market Review 6. p 311-323. 2005.
29
Paso 2. Calificaciones crediticias ajustadas por vulnerabilidad
Si la empresa tiene una alta vulnerabilidad, es decir, altos ingresos en moneda extranjera,
y/o un monto sustancial de deuda en la misma, entonces la calificación equivalente del
bono obtenida en el paso 1, Cuadro 3, se reduce a un nivel de calificación completo como
sería por ejemplo, BB+ a B+. No existen incrementos en la calificación por vulnerabilidad
baja y si la vulnerabilidad es neutral, es decir no se tiene ingresos o deuda en moneda
extranjera se desciende un escalón (BB+ a BB) 37.
37
Ibíd., p. 314.
30
sea a la alza o a la baja un escalón de acuerdo a la comparación que se haga con la
calificación del sector. Por ejemplo, si la calificación del paso 1 es BBB y la calificación de
la Industria es BBB- o BB+ o BB es decir inferiores entonces el ajuste es un escalón hacia
abajo; si la diferencia es de más de una letra por ejemplo de A a B entonces se ajusta en
dos escalones hacia abajo. De esta forma, finalmente se incluye en el análisis el entorno
de la industria en el país emergente específico.
La calificación del paso 3 se ajusta un escalón hacia arriba de acuerdo al criterio del
analista, si este considera que la empresa es dominante en su entorno, es competitiva y
está bien posicionada, de lo contrario se disminuye un escalón38.
Por último si la emisión de deuda tiene características únicas, tales como colaterales, o un
codeudor de alta calidad entonces la calificación se mejora de manera acorde, subiendo o
bajando un escalón39.
Con este último ajuste se obtiene la calificación de la empresa que puede ser cualquiera
de las establecidas en la primera columna del Cuadro 4, cada calificación tiene un
significado que es utilizado como determinante o criterio por el área financiera de la
empresa al momento de realizar un préstamo, hacer una inversión o realizar cualquier
pago por anticipado.
38
Ibíd., p 320
39
Ibíd., p 320
31
Categoría "AA": Los créditos calificados en esta categoría reflejan una estructuración y
atención excelente. Los estados financieros de los deudores o los flujos de caja del
proyecto, así como la demás información crediticia, indican una capacidad de pago
optima, en términos del monto y origen de los ingresos con que cuentan los deudores
para atender los pagos requeridos. Los créditos ya otorgados que no presenten mora
superior a 29 días en sus obligaciones contractuales, esto es entre 0 y 29 días en mora.
Categoría "A": Los créditos calificados en esta categoría reflejan una estructuración y
atención apropiadas. Los estados financieros de los deudores o los flujos de caja del
proyecto, así como la demás información crediticia, indican una capacidad de pago
adecuada, en términos del monto y origen de los ingresos con que cuentan los deudores
para atender los pagos requeridos. Los créditos ya otorgados que presenten mora
superior o igual a 30 días e inferior a 60 días en sus obligaciones contractuales, esto es
entre 30 y 59 días en mora.
Categoría "BB": Los créditos calificados en esta categoría están atendidos y protegidos de
forma aceptable, pero existen debilidades que potencialmente pueden afectar, transitoria
o permanentemente, la capacidad de pago del deudor o los flujos de caja del proyecto, en
forma tal que, de no ser corregidas oportunamente, llegarían a afectar el normal recaudo
del crédito o contrato. Los créditos ya otorgados que presenten mora superior o igual a
60 días e inferior a 90 días en sus obligaciones contractuales, esto es entre 60 y 89 días en
mora.
Categoría "B": Se califican en esta categoría los créditos o contratos que presentan
insuficiencias en la capacidad de pago del deudor o en los flujos de caja del proyecto, que
comprometan el normal recaudo de la obligación en los términos convenidos. Los
40
COLOMBIA, SUPERINTENDENCIA FINANCIERA. Circular externa 022, 26 de Junio de 2008, Anexo III Modelo
de Referencia de cartera comercial MRC. 2008. p. 3.
32
créditos ya otorgados que presenten mora superior o igual a 90 días e inferior a 120 días
en sus obligaciones contractuales, es decir entre 90 y 119 días en mora.
Categoría "CC": Se califican en esta categoría los créditos o contratos que presentan
graves insuficiencias en la capacidad de pago del deudor o en los flujos de caja del
proyecto, que comprometan significativamente el recaudo de la obligación en los
términos convenidos. Los créditos ya otorgados que presenten mora superior o igual a
120 días e inferior a 150 días en sus obligaciones contractuales, es decir entre 120 y 149
días en mora.
41
COLOMBIA, SUPERINTENDENCIA FINANCIERA. Circular externa 035 de Septiembre de 2009, Reglas
relativas a la gestión de Riesgo Crediticio. 2009. p11.
Préstamo que se realiza a empresas de indistinto tamaño para la adquisición de bienes, pago de servicios
de la empresa o para refinanciar deudas con otras instituciones y proveedores de corto plazo.
Préstamo a corto o mediano plazo (1 a 5 años) que sirve para adquirir bienes o cubrir pago de servicios.
Dinero que entrega el banco o financiera para adquirir una propiedad ya construida, un terreno, la
construcción de viviendas, oficinas y otros bienes raíces, con la garantía de la hipoteca sobre el bien
adquirido o construido; normalmente es pactado para ser pagado en el mediano o largo plazo (8 a 40 años,
aunque lo habitual son 20 años).
Son pequeños préstamos realizados a personas humildes o pobres a los que no conceden préstamos los
bancos tradicionales. Los microcréditos posibilitan, especialmente en países en vías de desarrollo, que
muchas personas sin recursos puedan financiar proyectos laborales, por su cuenta que les reviertan unos
ingresos
33
Cuando el deudor se encuentre en un proceso judicial o administrativo que pueda
conllevar a la imposibilidad de pago de la obligación o su aplazamiento.
Este modelo también puede ser útil para proporcionar información a un sistema de alertas
tempranas, porque internamente le permite a la empresa evaluar la solvencia de sus
deudores y tomar medidas al respecto, sin embargo en la opinión del autor el enfoque es
subjetivo y susceptible a errores debido a los ajustes que debe realizar el analista, además
a pesar de la gran reputación que tiene Altman, aun no existen estudios expost que
determinen la precisión de este modelo fuera de los Estados Unidos. Por lo que su
implementación queda en duda.
Ahora bien, una posible solución a este problema sería realizar un análisis discriminante
con los datos de las empresas locales, en este caso Colombia, para definir una función
discriminante propia y definir las equivalencias con base a empresas calificadas en este
país, sin embargo para realizar esto existen limitantes de información, como lo son:
Para realizar el análisis discriminante se requiere una calificación a priori del estado
quiebra y no quiebra, es decir armar dos muestras una con empresas sanas y otra con
empresas en bancarrota. El problema está en que de las empresas seleccionadas se
34
requieren los estados financieros de los últimos 5 años antes de la quiebra y esta
información no es fácil de conseguir al nivel de detalle que se necesita.
También se requiere, que todas las empresas de la muestra posean una calificación
crediticia por parte de una de las tres entidades que el Gobierno Colombiano ha
autorizado: Bankwatch Ratings de Colombia. S. A, Fitch Rating y Value at Risk. El
problema consiste en que la legislación colombiana solo ha exigido la calificación
crediticia para las empresas que han emitido bonos, acciones o valores en procesos de
titularización42, por lo que el resto de entidades no requieren obtener una calificación
por parte de estas calificadoras.
Figura 3 Condiciones para construir una función discriminante con datos locales
42
COLOMBIA, MINISTERIO DE HACIENDA Y CRÉDITO PÚBLICO. Decreto Número 1076, 3 de Abril de 2007,
Por el cual se dictan disposiciones para el ejercicio de la actividad de calificación de riesgos. 2007. p. 3.
35
Teniendo en cuenta lo anterior, es difícil establecer la muestra requerida para realizar un
análisis discriminante propio a las condiciones de Colombia, debido a la disponibilidad de
información de empresas que cumplan con las tres condiciones, es decir, que estén
clasificadas en alguno de los dos posibles estados, que estén calificadas por un ente oficial
y que se cuente con los estados financieros de los últimos 5 años.
Por lo tanto la aplicación del modelo EMS con la función discriminante basada en
empresas de Estados Unidos queda en duda y sería un buen proyecto de investigación
realizar una función discriminante con datos de empresas locales para realizar un estudio
expos que permita comparar los resultados de las dos funciones y poder estimar la
confiabilidad del modelo EMS de Altman, aunque esa tarea se sale de los objetivos
planteados para esta investigación. A continuación se siguen explorando las metodologías.
Para dar respuesta a las deficiencias de los modelos de Scoring, entre ellas, que solo
arrojan una clasificación, que no permiten determinar las probabilidades de
incumplimiento, que no permiten determinar el VaR y que incluyen subjetividad en sus
pasos, surgieron una serie de modelos con una mejor base estadística y matemática.
Dentro de estos son muy utilizados los de enfoque actuarial, estos fueron
implementados por aseguradoras, y luego difundidos a otros sectores, dada su utilidad43.
Este tipo de modelos de riesgo de crédito tratan de explicar el comportamiento de las
La ciencia actuarial o actuaría es una disciplina que aplica métodos estadísticos y matemáticos a la
evaluación de riesgos en las empresas aseguradoras y financieras. La ciencia actuarial contiene un conjunto
de ciencias interrelacionadas, entre ellas la probabilidad y la estadística, finanzas y economía.
Históricamente, la ciencia actuarial ha utilizado modelos deterministas para la construcción de tablas y
primas. Esta ciencia ha atravesado por cambios revolucionarios en los últimos 30 años debido a la
proliferación de computadoras de alta velocidad y a la sinergia de modelos actuariales estocásticos con la
teoría financiera moderna.
43
ELIZONDO, Alan. Medición integral del riesgo de crédito. Primera Edición. México D.F. Editorial Limusa,
2003. p 91.
36
variables atribuyéndoles distribuciones de probabilidad, las que permiten calcular la
pérdida esperada y el Valor en Riesgo de crédito o VaR44.
La medición del riesgo de crédito tuvo como primer enfoque un modelo basado en los
datos promedio, mediante la obtención de la probabilidad de incumplimiento y del monto
esperado se obtenía la perdida esperada de un crédito, la cual bastaba para clasificar los
créditos en “buenos” y “malos”, pero el problema es que estos datos varían en el tiempo.
Un crédito “bueno” puede volverse “malo” si las condiciones que lo afectan dan un giro
desfavorable. Así, dada la importancia que tiene el riesgo de crédito en las empresas, se
hizo importante asumir distribuciones de probabilidad para considerar las variaciones y
soportar las pérdidas no esperadas45.
La teoría de riesgo individual modela a cada individuo como una entidad independiente y
no tiene en cuenta las correlaciones entre estos. Esta dice que el resultado de un crédito
puede manifestarse de dos formas:
44
Ibíd. p. 92.
45
Ibíd., p. 93.
37
1. La contraparte liquida el monto pactado inicialmente.
2. La contraparte se declara insolvente y no paga.
La empresa no sufre ninguna pérdida con la primera alternativa, mientras que sufre una
perdida con la segunda. Aunque no puede saber con certeza si le van a pagar o no, puede
asignar una probabilidad al evento de que el acreditado liquide el monto dentro del plazo
pactado.
La perdida por otorgar un solo crédito se puede modelar por medio de una variable
aleatoria , la cual a su vez se compone de dos variables aleatorias una que modela el
evento de la resolución del crédito y otra que modela el monto de la pérdida. 46
La resolución del crédito se modela a través de una función indicadora . Esta toma el
valor de uno cuando el crédito es incumplido y cero en el caso contrario:
{ } (Ec. 5)
(Ec. 6)
Con esto se puede obtener tanto el valor esperado de la pérdida de un solo crédito como
la varianza
[ ] (Ec. 7)
( ) ( ) (Ec. 8)
46
Ibíd., p. 94.
38
Donde [ ] y ( ) son la media y la varianza de la perdida dado
el incumplimiento y es la probabilidad de incumplimiento.
Sin embargo lo que más le interesa a una empresa es examinar todos los créditos que
componen su cartera en conjunto, no el comportamiento de cada uno por separado, esto
con el fin de determinar los efectos del tamaño de los montos sobre la totalidad, lo que
recibe el nombre de granularidad47.
(Ec. 9)
Siendo la variable aleatoria que representa la pérdida por riesgo de crédito de la cartera.
es una constante que representa el número de créditos en la cartera, sin embargo
puede ser variable, es decir durante la ventana de tiempo elegida para realizar el análisis
se pueden otorgar más créditos o se pueden vencer algunos, pero en este modelo se
supone constante el número de créditos para el periodo escogido para su análisis48. es
47
Ibíd., p. 94.
48
Ibíd., p.94.
39
una variable aleatoria y representa la perdida por el incumplimiento del crédito i, se
define de la siguiente forma:
{ } (Ec. 10)
A pesar de que los montos son distintos, en este modelo se asume que la distribución de
las pérdidas puede aproximarse por medio de la distribución Normal,50 bajo el supuesto
de que los créditos son independientes entre ellos y tienen una probabilidad de
incumplimiento igual, es decir que no están correlacionados, siguiendo este supuesto este
modelo asume que el valor esperado y la varianza de la pérdida de la cartera son:
[ ] [∑ ]
(Ec. 11)
[ ] (∑ ) ( ) ( )∑
(Ec. 12)
Donde:
49
BOWERS, N.L et al. Actuarial Mathematics. En: The Society of Actuaries. Itaca Illinois EEUU. 1989. p. 28.
50
Ibíd., p.28.
40
∑
√ ( )∑
(Ec. 13)
Ahora bien, al dividirse la ecuación sobre el monto total de la cartera se tiene una relación
entre el Valor en Riesgo y la granularidad de la cartera medida a través del índice
Herfindahl-Hirschman51
√ ( ) ( ) (Ec. 14)
Donde:
∑
( )
(∑ )
51
ELIZONDO, Alan. Medición integral del riesgo de crédito. Primera Edición. México D.F. Editorial Limusa,
2003. p 91.
41
Desde la perspectiva del propietario de una cartera entre mayor diversificada este una
inversión, es decir entre más cercano esté su índice Herfindahl-Hirshman a 0, menor es el
riesgo de una caída imprevista en el valor total de la misma aunque también es menor la
rentabilidad.
Cuando se asocia esta relación al capital que la empresa requiere para soportar la perdida:
, buscando que sea mayor al Valor en Riesgo se obtiene la siguiente ecuación52:
⇔ √ ( ) ( ) (Ec. 15)
Por lo que el capital requerido para soportar la pérdida o las reservas destinadas a
soportar el incumplimiento debe ser de por lo menos:
( √ ( ) ( )) (Ec. 16)
Como se acaba de ver el modelo supone que los créditos no están correlacionados y
asume que las pérdidas se comportan con una distribución normal, este permite obtener,
la pérdida esperada (Ec. 7), el VaR (Ec.11) y el valor aproximado de las reservas para
soportar las pérdidas (Ec. 12).
Por ejemplo, considérese que la cartera está compuesta por un solo crédito de 100 unidades monetarias
(um), el índice seria: ( ) ⁄( ) , ahora supónga que la cartera está compuesta por dos
empresas con igual participación: ( ) ⁄( ) .
52
Ibíd., p 99.
42
4.4.1.1 Aplicabilidad del modelo de Riesgo Individual por aproximación normal
Una alta granularidad de la cartera se da cuando una gran cantidad del monto total de la
misma está agrupado en pocos créditos, es decir cuando existen créditos con montos
mucho mayores que el resto, los cuales representan un riesgo mayor porque si se genera
un incumplimiento en estos afectan de la misma manera que muchos incumplimientos de
créditos con montos más pequeños.
El modelo Actuarial de Riesgo por aproximación normal es muy útil porque permite
agregar el efecto que genera la granularidad sobre el nivel de riesgo representado en el
VaR, con el cual se calculan las reservas para soportar las perdidas.
En cuanto a los requerimientos de información este modelo solo requiere de las bases de
datos con los historiales de los montos de los créditos y los incumplimientos. Aunque para
asumir la normalidad se debe suponer que las probabilidades de incumplimiento de todos
los créditos son comunes, es decir que existe una probabilidad de incumplimiento general
para todos los créditos que componen la cartera, lo que a opinión del autor en muchos
casos no se ajusta a la realidad.
Contrario a la teoría del riesgo individual, la colectiva usa un modelo probabilístico para
estimar las pérdidas totales del grupo sumando exclusivamente los montos de los
individuos que observaron perdidas.
De esta forma las perdidas en un modelo de riesgo colectivo se modelan con base en un
proceso aleatorio único. La formulación matemática del modelo parte de la suma
aleatoria
(Ec. 17)
43
Donde, a diferencia del modelo de riesgo individual, es una variable aleatoria que
representa el número de quebrantos observados en la cartera para un periodo dado, No
una constante como en el modelo de riesgo individual y es el monto perdido por el
i-ésimo crédito incumplido.
Este tipo de modelos se llaman procesos compuestos ya que involucran dos procesos
aleatorios: el proceso del número de incumplimientos y el proceso del monto de pérdidas.
( ) (Ec. 18)
Donde:
En teoría de probabilidad y estadística, la distribución de Poisson es una distribución de probabilidad
discreta que expresa, a partir de una frecuencia de ocurrencia media, la probabilidad que ocurra un
determinado número de eventos durante cierto periodo de tiempo.
44
acontecimiento. Por esto, una de las mejores formas de describir el comportamiento del
número de incumplimientos de una cartera es definiendo un modelo de distribución de
probabilidades de la siguiente forma53:
(Ec. 19)
53
Ibíd., p. 100.
54
ELIZONDO, Alan. Medición integral del riesgo de crédito. Primera Edición. México D.F. Editorial Limusa,
2003. 269p.
45
muchos créditos con montos pequeños. Por lo tanto, la expresión del monto de pérdidas
agregadas depende no solamente de las probabilidades de incumplimiento si no
también de los montos 55.
( ) [ ] ∑ [∑ ]
(Ec. 20)
La distribución del tamaño de las perdidas debe ser no negativa, discreta, es decir,
los montos de los créditos quebrados deben poder ser expresados de la siguiente
manera para donde es un número positivo.
55
Ibíd., p. 100.
56
Ibíd., p. 102.
57
Ibíd., p. 103.
46
Por lo que para asumir la distribución compuesta se debe verificar que la distribución
cumpla con las tres condiciones anteriores, además para aplicar el modelo Poisson
compuesto se debe verificar que se cumplan las siguientes condiciones:58
58
Ibíd., p. 104.
47
Después de verificar si se cumplen las condiciones y los supuestos, se puede asumir la
distribución Poisson para los incumplimientos y los montos, con base en esta encontrar la
perdida esperada, el VaR y estimar el capital requerido o las provisiones.
Las entradas de información para este modelo son las mismas que para el de riesgo
individual por aproximación normal, estas son: bases de datos con historiales de
incumplimiento y sus respectivos montos, es decir el valor de las pérdidas. Sin embargo
como se acaba de mencionar se deben verificar que se cumplan las condiciones y asumir
los supuestos necesarios, además que es un modelo de mayor complejidad.
Con este modelo al igual que con el anterior, se obtiene la distribución de las pérdidas y
por lo tanto la pérdida esperada y el VaR, aunque tampoco tiene en cuenta las
correlaciones entre individuos.
En cuanto a los resultados, estudios como el de Caicedo 59 han demostrado que el VaR por
este método a determinado percentil es mayor que en el modelo de aproximación
normal, esto debido a que en el primero se asume independencia y en el segundo
dependencia de los créditos que componen la cartera.
59
CAICEDO CEREZO, Edinson et al. Teoría actuarial en la cuantificación de las pérdidas por exposición a
riesgo de crédito: una aplicación al mercado colombiano. En: Academia, Revista Latinoamericana de
Administración, N 47, 2011, 112-125
48
misma zona geográfica, además cada crédito puede ser afectado por factores exclusivos
del propio crédito. Por esta razón los factores se clasifican en60:
60
CREDIT SUISSE FIRST BOSTON INTERNATIONAL, CreditRisk+, A Credit Risk Management Framework.
Boston EEUU. 1997. p. 20.
49
función generadora de pérdidas de cada banda para hallar la función generadora de
pérdidas de toda la cartera61.
Se supone que la pérdida esperada por un deudor i que cae en impago, es una proporción
constante del monto total que debe el deudor i. Se supone además que el nivel de
exposición que representa el deudor i, denotado por , es un múltiplo entero de una
cantidad llamada unidad de pérdida. Esta descripción permite medir la pérdida por
incumplimiento en términos de múltiplos de la unidad fija de pérdida , es decir63:
( ) (Ec. 21)
De lo anterior se tiene que el nivel de exposición que representa cada deudor para el
acreedor esta dado por:
(Ec. 22)
61
Ibíd., p. 35.
62
Ibíd., p. 35.
63
BAYONA RODRIGUEZ, HERNANDO. Calculo de las reservas para el aval de cheques posfechados
empleando un enfoque actuarial basado en el modelo CreditRisk+. Bogotá, 2008, Tesis de Maestría
Matemática aplicada. Universidad Nacional de Colombia. Facultad de Ciencias Naturales. 2008. p. 24.
50
De donde se deduce que las únicas probabilidades de incumplimiento que serán
diferentes de cero son aquellas que correspondan a niveles de exposición , asociados
con múltiplos de la unidad .
∑{ } (Ec. 23)
Se tiene además que la pérdida esperada asociada a cada banda está dada por:
(Ec. 24)
(Ec. 25)
64
CREDIT SUISSE FIRST BOSTON INTERNATIONAL, CreditRisk+, A Credit Risk Management Framework.
Boston EEUU. 1997. p. 37.
51
∑{ } (Ec. 26)
∑ ∑ (Ec. 27)
Distribución de pérdidas
( ) ∑{ } ( ) ∑{ } ( ) (Ec. 28)
( ) ; ∑ (Ec. 29)
Una vez obtenida la distribución de perdidas, se puede calcular el valor de las perdidas
esperadas, es decir la esperanza de la distribución, esta pérdida es la que las entidades
están dispuestas a asumir y que son inherentes al negocio, en este modelo el valor es igual
a la suma del total de , es decir a la suma total de las pérdidas esperadas de cada banda.
65
BAYONA RODRIGUEZ, HERNANDO. Calculo de las reservas para el aval de cheques posfechados
empleando un enfoque actuarial basado en el modelo CreditRisk+. Bogotá, 2008, Tesis de Maestría
Matemática aplicada. Universidad Nacional de Colombia. Facultad de Ciencias Naturales. 2008. p. 30.
52
Para determinar el valor en riesgo de la cartera bajo el modelo Creditrisk+ se calcula la
distribución de probabilidad acumulada para esta y dado que se conoce el nivel de
confianza , el cual elige la dirección de riesgo de la empresa, se determina el número de
unidades de perdida que corresponden a una probabilidad acumulada de 1- . Finalmente
se convierten en unidades de pérdida correspondientes al nivel de confianza escogido por
la unidad de pérdida .
El modelo CreditRisk+ es útil porque permite incluir las correlaciones entre individuos que
componen la cartera de una manera relativamente sencilla, aunque su soporte
matemático es un poco complejo, existen muchos ejemplos disponibles en línea además
de un manual técnico gratuito disponible en la web. Como los demás modelos
actuariales permite estimar la perdida esperada y el VaR, sin embargo se debe tener en
cuenta antes de implementar cualquier modelo actuarial, entre ellos CreditRisk+ los
requerimientos de información, que aunque son mínimos es posible que no se cuente con
ellos, estos son bases de datos con historiales de pago de los deudores, los montos y los
factores sistémicos que afectan la cartera, por lo que no vale la pena implementar este
modelo si no se cuenta con este último dato, porque el agrupamiento en bandas de los
montos de la cartera se realiza justamente para incluir las correlaciones entre los
individuos que generan los factores sistémicos y si no se cuenta con información de estos
factores no vale la pena el esfuerzo computacional que implica este modelo.
CREDIT SUISSE FIRST BOSTON INTERNATIONAL, CreditRisk+, A CreditRisk Management Framework.
Boston EEUU. 1997. 72 p.
53
4.5 MODELO CREDITMETRICS
A
B
C
D
J.P Morgan es una de las firmas financieras Estadounidenses más reconocidas en el mundo.
54
En la Figura 4 se ilustra la migración entre estados o más bien entre calificaciones, esta
representa lo que el modelo considera como probabilidad de migración, es decir de
cambio de calificación, por ejemplo si se tiene un crédito calificado como A, existe la
probabilidad de que este se mantenga en la misma calificación o cambie a otras, por lo
que la probabilidad de incumplimiento en este modelo es considerada como el cambio de
calificación a una categoría calificada como incumplimiento, la cual define cada empresa o
la legislación financiera de cada país, en la Figura se considera como incumplimiento la
calificación E, de la cual ya no se puede migrar, es decir significa una perdida no
recuperable, aunque esto no es una regla general.
66
ELIZONDO, Alan. Medición integral del riesgo de crédito. Primera Edición. México D.F. Editorial Limusa,
2003. p. 142.
67
En Colombia los tipos de carteras crediticias se han clasificado de acuerdo a los deudores que las
componen, siendo estas: cartera comercial, cartera de consumo y cartera hipotecaria
55
un año sea C es de 12,8%. En Colombia el regulador considera como incumplimiento los
estados D y E. Continuando con el ejemplo, si el deudor es calificado como B su
probabilidad de incumplimiento es 5,5% + 0,8% = 6,3%.
A B C D E
A 93,9 5,2 0,7 0,2 0,0
B 35,8 45,2 12,8 5,5 0,8
C 4,3 11,1 52,4 28,7 3,5
D 3,2 1,5 3,7 80,5 11,3
E 2,8 1,0 2,6 0,7 93,0
68
COLOMBIA. SUPERINTENDENCIA FINANCIERA. Boletín Jurídico N°17 de Diciembre de 2008, Calificadoras
de Valores, Funciones y procesos de calificación. 2008.
69
ELIZONDO, Alan. Medición integral del riesgo de crédito. Primera Edición. México D.F. Editorial Limusa,
2003. p. 143.
56
acuerdo a las calificaciones del deudor70. La segunda opción es la valuación de los créditos
a valor nominal menos las reservas requeridas en cada calificación71.
70
Ibíd., p144.
71
Ibíd., p144.
57
Figura 5 Obtención de la distribución para un crédito
Estado actual B
Posibles estados A B C D E
futuros
Como se puede observar la distribución es discreta porque solo se pueden obtener tantos
valores como como calificaciones se hayan definido en el sistema de calificaciones de la
empresa72. Una vez que se tiene la distribución del instrumento, se pueden obtener
estadísticas descriptivas tales como la media, desviación estándar y percentiles. La media
puede ser calculada como la suma de los valores futuros del instrumento en cada estado
del crédito, ponderados por la probabilidad de migrar a dicho estado.
∑ (Ec. 30)
72
J.P. MORGAN. CreditMetrics Technical Document. New York, 1997. p. 11.
58
(A,B,C,D,E) sin embargo cuando se requiere analizar conjuntamente la cartera, por
ejemplo en el caso de que existan dos créditos, se tendría que describir la probabilidad de
ocurrencia de Estados , es decir, siendo las calificaciones posibles y la
cantidad de créditos. Por ejemplo, si se tiene un instrumento calificado como A y uno
calificado como B, la probabilidad de que el primero pase a B y el segundo a A usando la
matriz de transición de la tabla 5 es de 5,2%x35,8% =1,8%. Una vez obtenida la
probabilidad para cada uno de los 25 escenarios, se puede obtener de la misma manera el
valor de la cartera para cada uno de los escenarios, pero a pesar de que los factores de
tipo macroeconómico ya están incluidas en las matrices de transición73, aún no se han
tenido en cuenta las correlaciones entre los deudores, este modelo permite incluir las
correlaciones entre los créditos, ya sea por pertenecer a un mismo sector o a una misma
población, etc.
√ (Ec. 32)
√ (Ec. 33)
73
ZAPATA, Galindo Alexander. Modelando el riesgo de crédito en Colombia: Matrices de transición para la
cartera comercial. En: Apuntes de Banca y Finanzas , ASOBANCARIA. N°6 ( 2003). P. 29.
74
ELIZONDO, Alan. Medición integral del riesgo de crédito. Primera Edición. México D.F. Editorial Limusa,
2003. p. 149.
59
tendencia del sector o la industria a la que pertenece y { } representa cambios en
el desempeño atribuibles a factores idiosincráticos. Las variables están
normalmente distribuidas con media 0 y varianza 1. Los factores idiosincráticos son
independientes entre sí, e independientes de , mientras que la correlación entre
es . Por lo tanto la correlación entre los índices es75
(Ec. 34)
Una vez que se han determinado los índices para cada obligado y se conoce la correlación
entre cambios en dichos índices, se puede modelar la dependencia entre los obligados
relacionando los cambios en los índices con las probabilidades de transición. Por ejemplo
se cuenta con la distribución de retornos para el índice de un solo deudor, se puede
obtener un conjunto de valores del índice tales que la probabilidad de migrar a una
calificación es igual a la probabilidad de que el retorno del índice esté entre dos de esos
valores. Por ejemplo, si se tiene un obligado BB cuya probabilidad de incumplimiento es
1% entonces la probabilidad de incumplimiento es igual a la probabilidad de que el
retorno del índice debe ser menor a ( ) donde es la función de
distribución del índice. Para el mismo obligado la probabilidad de migrar a CCC es 0,85% lo
que significa que el retorno en el índice debe caer entre y = (0,01+0,0085).
Siguiendo con este proceso, la probabilidad de migrar a B es de 7,95%, por lo que el índice
debe caer entre y (0,01+0,0085+0,795). El resto de los límites se pueden
obtener de manera similar. En la siguiente figura se ilustra este proceso:
Cambios de pensamiento o de ideología que afecten la intención de pago.
75
Ibíd., p.149.
60
Segundo límite, próxima región
contiene la probabilidad de CCC
Fuente: ELIZONDO ALAN. Medición integral del riesgo de crédito. Editorial Limusa.2003.
Una vez comprendida la forma de hallar la distribución de los índices para un solo crédito,
se puede empezar a analizar los cambios conjuntos en la calidad crediticia de varios
deudores que conforman la cartera, por ejemplo, si se tienen dos obligados con índices
y , se puede calcular la probabilidad de que ambos caigan en incumplimiento en un
( ) ( )
lapso de un año como [ ] ( ) donde denota
76
Ibíd., p.150.
61
tratable de forma analítica y se presta fácilmente para la simulación Monte Carlo.77 La
facilidad de simulación es una característica importante porque permiten evitar el cálculo
de cada una de las probabilidades de ocurrencia en cada uno de los estados, los cuales,
como se acaba de demostrar crecen exponencialmente con el número de deudores.
Después de obtener los escenarios de retorno de los índices solo resta asignar las
calificaciones crediticias a cada uno de los retornos de los índices de acuerdo a los límites
, dado que se conoce los valores de revaluación de crédito, se puede conocer el nuevo
valor del crédito de acuerdo a su cambio, es decir si el crédito estaba inicialmente
calificado como B y después de hacer la equivalencia con el retorno de los índices esta es
A se debe asignar el nuevo valor que toma el crédito, lo mismo se hace para todos los
obligados por cada escenario y se calcula el valor de la cartera. Finalmente se puede
calcular ciertas estadísticas como el valor esperado, la desviación estándar y el Valor en
Riesgo de la distribución de perdidas de la cartera.
Para aplicar este modelo se requiere contar con las calificaciones de los créditos, y con
matrices de transición consecuentes con estas calificaciones. Sin embargo si no se cuenta
con las calificaciones de los acreditados, se pueden elaborar teniendo en cuenta los plazos
de mora como lo estipula la SuperIntendencia Financiera de Colombia78, o utilizando
alguna metodología para asignar estas calificaciones, por ejemplo EMS la cual se revisó en
el capítulo 3.1 de esta investigación, aunque esto podría agregar un mayor margen de
error, porque se parte de calificaciones basadas en empresas estadounidenses y por lo
77
Ibíd., p.151.
78
COLOMBIA, SUPERINTENDENCIA FINANCIERA. Circular externa 022, 26 de Junio de 2008, Anexo III Modelo
de Referencia de cartera comercial MRC. 2008. p. 3.
62
que no se podría utilizar la matriz de transición que difunde la Superintendencia
Financiera de Colombia debido a que esta es elaborada con datos de empresas
Nacionales.
La ventaja que tiene este modelo es que al incluir las matrices de transición estas ya
tienen en cuenta la relación de los factores macroeconómicos y de mercado, los cuales
inciden en la probabilidad de incumplimiento.79 Otra ventaja que tiene es que permite
agregar las correlaciones entre individuos de una manera sencilla, además que por utilizar
un supuesto de normalidad permite realizar simulaciones MonteCarlo y hacer un análisis
de múltiples escenarios.
79
GUTIERREZ RUEDA, Javier. Un análisis de riesgo de crédito de las empresas del sector real y sus
determinantes. Reporte de Estabilidad Financiera. Banco de la República de Colombia. Colombia. 2010. p.
32.
63
4.6 ¿QUE MODELO UTILIZAR?
Es evidente que los modelos para estimar el Riesgo de Crédito son muy diferentes entre sí,
independiente de su complejidad, de los supuestos asumidos y de sus posibles
aproximaciones a la realidad, existen dos criterios fundamentales al momento de su
elección y en el que muchos autores coinciden: la disponibilidad de información y los
resultados. En el Cuadro 6 se define qué información de entrada requiere cada modelo y
cuáles son las salidas de su desarrollo.
64
Metodología Autores que la Información de entrada Información de Salida
describen
2005. estadísticos
CAICEDO CEREZO,
Edinson et al. 2011
Observando las entradas y las salidas de los modelos se evidencian las grandes diferencias
existentes entre estos, por lo que su elección para la aplicación en un caso de estudio
depende básicamente de los resultados que se requieran obtener y de la información de
la que se dispone, la discusión sobre los supuestos utilizados y su complejidad
computacional sale del alcance de este trabajo.
65
5. CASO APLICADO
Pero ¿Qué metodología desarrollar, porqué y bajo qué criterio? para responder esta
pregunta se debe, primero, tener en cuenta las fuentes de exposición al riesgo de crédito
de la empresa, las cuales son enunciadas en la resolución 1740 del 23 de Mayo de 2008
del Ministerio de protección social, artículo 3 numeral c, donde se define al riesgo de
crédito para las EPS´s como:
80
COLOMBIA, Ministerio de protección Social. Decreto 1698, 16 de Mayo de 2007. Por el cual se definen y
adoptan las condiciones financieras y de solvencia del sistema único de habilitación de Entidades
Promotoras de Salud del Régimen Contributivo y entidades adaptadas.
81
COLOMBIA, Ministerio de protección Social. Decreto 1740, 20 de Mayo de 2008. Por la cual se dictan
disposiciones relacionadas con el Sistema de administración de Riesgos para las Entidades Promotoras de
Salud. Condiciones financieras y de suficiencia patrimonial, se definen las fases para su implementación y se
dictan otras disposiciones.
Artículo 3°: “Que en vista que las entidades promotoras de salud realizan actividades de aseguramiento en
salud y, por lo tanto, administran el riesgo financiero de dicha actividad, es preciso someter a la supervisión
de la Superintendencia Financiera de Colombia la administración del riesgo financiero de aquellas
entidades…”.
66
contraparte de las inversiones, y (v) de retrasos en el flujo oportuno de los recursos
del sistema, (vi) y cualquier otra operación que determine una deuda a favor de la
entidad”.
Ahora bien, en cuanto a la escogencia del modelo se debe saber que requiere medir la
entidad concretamente, en el artículo 7 de la resolución 1740 del 23 de Mayo de 2008,
Fase IV, numeral 3, se le exige a la entidad una metodología adecuada para la estimación
del valor en riesgo de las inversiones de la entidad en cuanto a los riesgos del negocio, de
mercado y de crédito: “Se debe desarrollar una metodología adecuada para la
estimación del Valor en Riesgo de las inversiones de la entidad de acuerdo a las normas
vigentes”. Así las cosas, la empresa requiere medir su Valor en Riesgo de crédito, ahora
bien la metodología a elegir debe llegar a este resultado
De las metodologías Analizadas en esta investigación, las que permiten medir el Valor en
Riesgo son: Modelo de Riesgo individual, Modelo Poisson compuesto, Modelo CreditRisk+
y modelo CreditMetrics.
Así las cosas, solamente queda como criterio para la elección de la metodología, la
información que requiere esta, es decir las bases de datos con que cuente la EPS para
realizar las mediciones.
67
5.1 MEDICIÓN DE RIESGO DE CRÉDITO POR RETRASOS EN EL FLUJO OPORTUNO DE LOS
RECURSOS DEL SISTEMA.
Según la ley 100 de 1993 las EPS deben prestar los servicios de Salud y prevención
contemplados en el plan obligatorio de Salud, POS, a los usuarios, tanto afiliados como
beneficiarios. Por estos servicios el gobierno a través del Fondo de Solidaridad y Garantías
les reconoce un monto el cual es llamado unidad por capitación UPC, sin embargo en
muchas ocasiones las EPS´s deben proporcionar servicios que están por fuera del plan
obligatorio de Salud, esto por causa de tutelas, derechos de petición y otros mecanismos
legales, cuando esto sucede la EPS presta los servicios o proporciona los medicamentos
con sus propios recursos para luego presentar el “recobro” de estos ante el FOSYGA,
quien decide si pagar o no de acuerdo a la disponibilidad de recursos con que disponga el
fondo y a otros factores.
De lo anterior se puede deducir que los retrasos en estos recobros afectan directamente
la solvencia de la EPS, con el fin de soportar los incumplimientos o los retrasos se debe
medir el VaR por estos recobros y establecer provisiones, para ello se requieren las bases
de datos con los historiales de pago efectuados por el FOSYGA, los montos y la aprobación
o rechazo de los recobros.
El FOSYGA es el Fondo de Solidaridad y Garantía por medio del cual el gobierno Colombiano administra los
fondos del Sistema de Salud, establecido en los artículos 218 de la ley 100 de 1993 y el artículo 1 del Decreto
1283 del 23 de julio de 1996.
68
Aunque no disponen de la calificación crediticia porque este es un fondo del gobierno el
cual no está contemplado dentro de las empresas a ser calificadas por la Superintendencia
Financiera de Colombia, por lo que se descarta la metodología CreditMetrics debido a que
esta requiere las calificaciones de los integrantes de la cartera.
Dado a que se requiere calcular el Valor en Riesgo y solo se dispone de las Bases de datos
con los historiales de pago y los montos adeudados, la elección de la metodología queda
entre los modelos actuariales. El modelo CreditRisk+ se descarta porque la EPS no pudo
proporcionar información para estimar las correlaciones entre elementos que componen
la cartera.
También la elección del modelo Poisson queda descartada porque la cartera del FOSYGA
no cumple con la siguiente condición, (ver capitulo 3.4.2.1 de esta investigación): “Los
créditos deben tener probabilidades de incumplimiento uniformemente pequeñas y el
número de créditos en la cartera debe ser grande”. Aunque el número de créditos que
componen la cartera es grande (ver Cuadro 8), las probabilidades de incumplimiento no
son uniformemente pequeñas como se verá más adelante.
Así las cosas, la metodología elegida para medir el Riesgo de crédito de los recobros
hechos al FOSYGA, es un modelo actuarial de Riesgo Individual por aproximación normal,
el cual se desarrolla a continuación:
Lo primero que se realizó fue organizar las bases de datos las cuales constan de 489.428
registros, correspondientes a la cantidad de recobros presentados en el periodo Enero
2010 – Mayo 2011. La base de datos proporcionada por la EPS contaba con algunos
campos que no eran útiles para el desarrollo de la investigación, por ejemplo el número
de Radicación del recobro, o la oficina en que fue efectuado, por lo que se optó por
ocultar lo que no agregaba valor y organizar las bases de datos dejando visible solamente
los datos que se consideraran relevantes. En la siguiente tabla se muestra la estructura de
la Base de datos utilizada.
69
Cuadro 7 Base de Datos suministrada por la EPS
70
La probabilidad de incumplimiento para cada mes se halló calculando la razón entre la
suma del total de la columna incumplimiento sobre el total de recobros presentados, por
ejemplo en el mes de Enero de 2010 se presentaron 37.557, de estos fueron rechazados o
incumplidos 6.735, por lo que la probabilidad de incumplimiento para el mes de Enero es:
2010 2011
Mes n Mes n
Enero 37.557,00 Enero 45.824,00
Febrero 31.088,00 Febrero 43.152,00
Marzo 34.764,00 Marzo 44.896,00
Abril 35.896,00 Abril 65.535,00
Mayo 38.778,00 Mayo 42.178,00
Junio 37.936,00
Julio 42.865,00
Agosto 40.901,00
Septiembre 45.393,00
Octubre 47.992,00
Noviembre 45.719,00
Diciembre 50.539,00
71
consiste en determinar la distribución de pérdida de la cartera donde cada crédito tiene su
monto. Para ello se escogió el método de aproximación normal82. Esta aproximación
requiere suponer que los créditos que componen la cartera tengan una probabilidad de
incumplimiento común, por lo que para el caso de Enero de 2010 se supone que la
probabilidad común para todos los recobros es de 17,9%.
Así las cosas las variables de cada crédito quedan definidas de la siguiente manera Ver
Ec.5:
{ }
82
ELIZONDO, Alan. Medición integral del riesgo de crédito. Primera Edición. México D.F. Editorial Limusa,
2003. 269p.
72
Bajo el supuesto de independencia entre recobros se tiene que el valor esperado de la
cartera para el mes de Enero es:
[ ] [∑ ] ∑ ∑
De lo cual se deduce que las perdidas esperadas por recobros realizados al FOSYGA para el
mes de Enero de 2010 según el modelo actuarial de Riesgo individual son de
$5.446’155.197,85.
[ √ ( ) ( )]
Donde:
es la sumatoria de los montos que componen la cartera que para el mes de Enero es de
$ 30.369’896,179.00
∑
( ) es el índice que mide la granularidad de la cartera que para el mes en
(∑ )
cuestión es de
representa el nivel de confianza en una distribución normal que en este caso es de 2,17
porque se utilizó un de 0.03
Por lo tanto el para el mes de Enero es de:
[ √ ( )( )]
73
Por lo que a un nivel de confianza del 97% la empresa podría incurrir en pérdidas por el
valor de debido al riesgo de crédito al que está expuesta por su
actividad comercial relacionada con el FOSYGA. De esta manera se responde la pregunta
planteada en la introducción de esta investigación ¿Cuál es el monto de las pérdidas por
exposición al riesgo de crédito en que podría incurrir la empresa al realizar por su
actividad comercial?
Con el fin de proporcionarle a la EPS criterios objetivos en cuanto a las decisiones que
impliquen riesgo de crédito, respecto al caso concreto del FOSYGA y basado en el modelo
anteriormente expuesto, se diseñó una herramienta en Excel y Visual Basic for Aplications,
de manera tal, que el cálculo de los estimadores de riesgo de crédito quedara
automatizado. La aplicación le permite a la empresa generar informes automáticos sobre
su riesgo de crédito. A continuación se detalla su funcionamiento y los resultados que
arroja:
74
En la figura anterior se visualiza la primera ventana de la aplicación desarrollada por el
autor, la cual le solicita al usuario el mes y el año que desea analizar, en este caso para
continuar con el ejemplo desarrollado se seleccionó el mes de Enero de 2010. Cuando se
presiona el botón generar análisis, aparece la siguiente ventana con los respectivos
cálculos:
75
los indicadores mencionados, además tiene la opción de generar proyecciones por lo
métodos de promedio móvil y suavización exponencial.
A continuación se analizarán los resultados obtenidos para el periodo Enero 2010- Mayo
2011:
76
Figura 10 Valor de los recobros (Cifras en pesos colombianos)
$50.000.000.000,00
$45.000.000.000,00
$40.000.000.000,00
$35.000.000.000,00
$30.000.000.000,00
$25.000.000.000,00
$20.000.000.000,00
$15.000.000.000,00 Montos
$10.000.000.000,00
$5.000.000.000,00
$-
En la Figura 11 se puede observar que existe una ligera tendencia hacia el incremento de
la probabilidad de incumplimiento por parte del FOSYGA, lo que tiene grave implicaciones
para la EPS, porque significa que cada vez va a comprometer más sus recursos en la
prestación de servicios no pos por concepto de tutelas y acciones legales, los cuales el
estado no le está reconociendo.
77
En la siguiente Figura se representa el índice Herfindahl-Hirshman el cual se explica en el
capitulo 3.4.1 de esta investigación, este permite estimar la granularidad de la cartera, el
índice oscila entre 0 y 1, entre más cercano a 1 existe mayor riesgo porque una gran
cantidad del monto total de la cartera está agrupada en pocos créditos.
Figura 12 Granularidad
0,01000
0,00800
0,00600
0,00400
0,00200 H(Mi)
78
Figura 13 Pérdida esperada (Cifras en pesos colombianos)
79
El comportamiento de la cartera mensual del FOSYGA indica una gran variación mensual,
dado a que cada recobro es único y por lo tanto cada mes se establece una cartera del
FOSYGA compuesta por recobros totalmente diferentes, por lo que para establecer el
capital requerido o las provisiones para un mes es más conveniente analizar el
comportamiento histórico de los valores en riesgo y tomar el mayor valor como el VaR de
crédito, en este caso con un nivel de confianza del 97%, el mayor valor se calculó en el
mes de abril de 2011, por lo que el capital requerido para soportar el riesgo de crédito
generado por el FOSYGA debe ser de por lo menos $ 15.173.978.516,87 pesos
colombianos, una cifra considerable si se compara con las utilidades acumuladas de la
empresa durante el mismo periodo, las cuales fueron solamente de $2.697.000.000,00
Ahora bien, con estas cifras la entidad puede tomar muchas decisiones al respecto, entre
ellas:
Provisionar las cuentas que estén relacionadas con los recobros al FOSYGA, sin
embargo como se acaba de mencionar el monto a provisionar es
significativamente alto por lo que la entidad tendría que evaluar si cuenta con el
capital para ello.
Hacer un análisis que permita determinar cuales son los procedimientos y los
medicamentos por los que más se presentan los recobros y definir planes de
acción para evitar que se presenten o disminuir los costos en estos.
Fortalecer su defensa legal ante los rechazos a los recobros por parte del FOSYGA.
Crear un sistema de seguimiento, monitoreo y control.
80
6. CONCLUSIONES
En el caso de estudio se evidencia con datos reales lo susceptible que puede ser una
empresa al incumplimiento por parte de sus deudores, por lo tanto se demuestra la
importancia de la medición del riesgo de crédito para las entidades incluidas las del sector
real. Sin embargo la tarea no debe quedar solamente en la medición, se debería diseñar e
implementar un sistema de monitoreo y control que le permita a la empresa anticiparse a
los incumplimientos y definir estrategias para mitigarlos.
El modelo Actuarial de Riesgo por aproximación normal es útil porque permite agregar el
efecto que genera la granularidad sobre el nivel de riesgo representado en el VaR, con el
cual se calculan las reservas para soportar las perdidas. En cuanto a los requerimientos de
información este modelo solo necesita de las bases de datos con los historiales de los
montos de los créditos y los incumplimientos. Aunque para asumir la normalidad se debe
suponer que las probabilidades de incumplimiento de todos los créditos son comunes, es
decir que existe una probabilidad de incumplimiento general para todos los créditos que
componen la cartera, lo que en muchos casos no se ajusta a la realidad, otro
inconveniente que tiene este modelo es que no permite incluir las correlaciones entre los
créditos que componen la cartera para determinar los efectos de la factores sistémicos
sobre esta.
Sin embargo en el caso de estudio de esta investigación se puede evidenciar la utilidad del
modelo de riesgo individual, que aunque no estimó las correlaciones entre los recobros
presentados al FOSYGA, si detectó el comportamiento de las perdidas, los efectos de la
granularidad, y el gran valor en riesgo de crédito que tiene la EPS en cuestión, por lo que
al agregar el efecto de las correlaciones en este caso que está basado totalmente en datos
reales se produciría un VaR mucho más alto.
Por otra parte, el modelo Z-Score le es útil a una empresa que requiera establecer un
sistema de calificaciones para sus deudores en cuanto a su nivel de solvencia o capacidad
81
de pago, el cual le puede servir como criterio para el área financiera o de riesgo de la
empresa al momento de decidir si establecer una relación contractual o no con otra
entidad, aunque se debe tener en cuenta antes de implementar esta metodología, que
existen algunas empresas dedicadas a emitir calificaciones de crédito, y en algunos casos
esta información está disponible gratuitamente en la página web de la Superintendencia
Financiera de Colombia o en la de las empresas calificadoras.
El modelo CreditRisk+ es útil porque permite incluir las correlaciones entre los créditos
que componen la cartera, aunque su soporte matemático es un poco complejo. Como los
demás modelos actuariales permite estimar la perdida esperada y el VaR, sin embargo se
debe tener en cuenta antes de implementar este modelo, si se cuenta con información
suficiente para incluir a los factores sistémicos que afecten la cartera, debido a que no
vale la pena implementar este modelo si no se cuenta con esta información, porque el
modelo está diseñado para incluir las correlaciones entre los créditos influenciados por
estos factores y si no se cuenta con esto no vale la pena el esfuerzo computacional que
implica este modelo.
82
Otra ventaja que tiene es que permite agregar las correlaciones entre individuos de una
manera sencilla.
En cuanto a que modelo es el mejor, es algo difícil de definir debido a las claras diferencias
entre ellos, ya sea por la información que requieren, los resultados que proporcionan o los
supuestos que asumen, es evidente que las metodologías para medir el riesgo de crédito
son muy diferentes entre sí, independiente de su complejidad, de los supuestos asumidos
y de sus posibles aproximaciones a la realidad, sin embargo se puede concluir que para
elegir un metodología de medición de riesgo de crédito se deben tener en cuenta mínimo
dos criterios al momento de su elección: que resultados se requieren obtener y con que
información se cuenta.
83
BIBLIOGRAFÍA.
ALTMAN, Edward I. An emerging market credit scoring system for corporate bonds. En:
Elsevier, Emerging Markets Review.2005. No 6. p 311-322.
ALTMAN, Edward I. Credit risk measurement: Developments over the last twenty years.
En: Elsevier, Journal of Banking & Finance. 1998. No 21. p 1721-1742.
ALTMAN, Edward I. Financial Ratios, Discriminant Analysis and the Prediction of Corporate
Bankruptcy. Journal of Finance. American Finance Association. 1968. p 594.
BASLE COMITEE ON BANKING SUPERVISION. Credit risk modelling: Principles for the
Management of Credit Risk. 2 ed. Basle Switzerland, 2004. 65p.
BOWERS, Newton L. et al. Actuarial Mathematics. Society of Actuaries. Itaca Illinois. 1989.
94 p.
CAICEDO CEREZO, Edinson et al. Teoría actuarial en la cuantificación de las pérdidas por
exposición a riesgo de crédito: una aplicación al mercado colombiano. En: Academia,
Revista Latinoamericana de Administración, N° 47, 2011, p 112-125.
84
COLOMBIA, MINISTERIO DE HACIENDA Y CRÉDITO PÚBLICO. Decreto Número 1076, 3 de
Abril de 2007, Por el cual se dictan disposiciones para el ejercicio de la actividad de
calificación de riesgos. 2007. 8 p.
ELIZONDO, Alan. Medición integral del riesgo de crédito. Primera Edición. México D.F.
Editorial Limusa, 2005. 269p.
GUTIERREZ RUEDA, Javier. Un análisis de riesgo de crédito de las empresas del sector real
y sus determinantes. Reporte de Estabilidad Financiera. Banco de la República de
Colombia. Colombia. 2010. p. 32.
MARQUEZ DIEZ, Javier Canedo. Una nueva visión del Riesgo de Crédito. 1ed. Mexico.
Editorial Limusa. 2006. 295 p.
85
MONTLLOR I SERRATS, Joan. Análisis de las dificultades financieras de las empresas en una
economía emergente. Barcelona España. Tesis Doctoral Administrador de Empresas.
Universitat Autònoma de Barcelona. Departament d'Economia de l'Empresa. 2001, 332 p.
REYES SAMANIEGO, Medina. El riesgo de crédito: en el marco del Acuerdo de Basilea II. 1ª
Edición. Madrid España: Delta publicaciones Universitarias. 2008. 239 p.
WILSON, THOMAS. Portfolio credit risk. En: Economic Policy Review, Federal Reserve Bank
of New York. Volumen 10, Número 9 (1998), 12p.
86