Medición de Riesgo de Credito Sector Real

MEDICIÓN DE RIESGO DE CRÉDITO EN EMPRESAS DEL SECTOR REAL
CASO APLICADO: EMPRESA PROMOTORA DE SALUD
JHONY MAURICIO PEREA DELGADO
UNIVERSIDAD DEL VALLE
FACULTAD DE INGENIERÍA
ESCUELA DE INGENIERÍA INDUSTRIAL Y ESTADÍSTICA
INGENIERÍA INDUSTRIAL
SANTIAGO DE CALI
2012
MEDICIÓN DE RIESGO DE CRÉDITO EN EMPRESAS DEL SECTOR REAL
CASO APLICADO: EMPRESA PROMOTORA DE SALUD
JHONY MAURICIO PEREA DELGADO
Trabajo de grado para optar al título de
Ingeniero industrial
Director: Msc Víctor Javier Jiménez Carabalí
UNIVERSIDAD DEL VALLE
FACULTAD DE INGENIERÍA
ESCUELA DE INGENIERÍA INDUSTRIAL Y ESTADÍSTICA
INGENIERÍA INDUSTRIAL
SANTIAGO DE CALI
2012
Nota de aceptación:
___________________________
___________________________
___________________________
___________________________
__________________________
Firma del Evaluador
__________________________
Firma del Evaluador
__________________________
Firma del Director
Santiago de Cali 26 de Enero de 2012

AGRADECIMIENTOS
A mi madre por su fe en mi, a mi hermano por su ejemplo, al profesor Víctor por

guiarme en el desarrollo de este trabajo, a los profesores de la Escuela por
cuadricularme el pensamiento, al Área de Calidad y mejoramiento de la
Universidad por contribuir con mi formación profesional…
CONTENIDO
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
5. CASO APLICADO .......................................................................................... 66
5.1 MEDICIÓN DE RIESGO DE CRÉDITO POR RETRASOS EN EL FLUJO OPORTUNO DE

LOS RECURSOS DEL SISTEMA. ..................................................................................... 68
6. CONCLUSIONES ........................................................................................... 81
BIBLIOGRAFÍA. .................................................................................................... 84
LISTA DE CUADROS
Cuadro 1 Indicadores utilizados por el modelo Z-Score ............................................. 21

Cuadro 2 Exactitud del modelo Z-Score ...................................................................... 25
Cuadro 3 Equivalencia de la calificación crediticia con el Z”Score promedio ............ 29
Cuadro 4 Promedio de las variables del Z” Score para cada calificación crediticia .... 29
Cuadro 5 Matriz de transición para la cartera comercial Junio de 2011 (cifras en %)56
Cuadro 6 Entradas y Salidas de los modelos analizados ............................................. 64
Cuadro 7 Base de Datos suministrada por la EPS ....................................................... 70
Cuadro 8 Cantidad de recobros mensuales durante el 2010 y 2011, valores de n .... 71
Cuadro 9 Montos de los créditos ................................................................................ 72
LISTA DE FIGURAS
Figura 1 Distribución de las pérdidas .......................................................................... 14

Figura 2 Puntuaciones del Modelo Z-Score ................................................................ 23
Figura 3 Condiciones para construir una función discriminante con datos locales ... 35
Figura 4 Migración entre calificaciones crediticias ..................................................... 54
Figura 5 Obtención de la distribución para un crédito ............................................... 58
Figura 6 Vínculo entre movimiento de un índice y migración .................................... 60
Figura 7 Ventana para seleccionar mes y año ............................................................ 74
Figura 8 Ventana de Informe ...................................................................................... 75
Figura 9 Ventana de selección de gráficas .................................................................. 76
Figura 10 Valor de los recobros (Cifras en pesos colombianos) ................................. 77
Figura 11 Probabilidad de incumplimiento ................................................................. 77
Figura 12 Granularidad................................................................................................ 78
Figura 13 Pérdida esperada (Cifras en pesos colombianos) ....................................... 79
Figura 14 Valor en Riesgo. (Cifras en pesos colombianos) ......................................... 79
INTRODUCCIÓN
El riesgo de crédito consiste en la probabilidad de que un deudor incumpla con sus

compromisos, por ejemplo, el pago de una cuota en el caso de un préstamo, la prestación
de un servicio que se pagó por adelantado o cualquier tipo de obligación definida a través
de un contrato que otorgue una deuda a favor de la empresa y que pueda implicar un
incumplimiento.
En las actividades comerciales de la mayoría de las entidades tanto empresas como

individuos, está presente la figura del crédito, las industrias manufactureras por ejemplo
acostumbran vender sus productos con un plazo cancelación que puede ser de 30 a 90
días, las personas se prestan dinero entre ellas, los bancos otorgan créditos, por citar unos
pocos ejemplos. La medición del riesgo de crédito es muy útil para las empresas, tanto
para las del sector financiero como para las del sector real, * porque les permite
determinar el impacto financiero que puede causar un incumplimiento o lo que les puede
costar utilizar la modalidad del crédito, también permite estimar una serie de indicadores
que son útiles para la toma de decisiones, como lo son: la solvencia de sus deudores, los
montos máximos a prestar, las probabilidades de incumplimiento, las pérdidas esperadas
e inesperadas y estimar las provisiones, entre otras cosas.
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.
El documento empieza con la conceptualización del riesgo de crédito y algunas

consideraciones para su medición, luego se analizan los factores que inciden en su
determinación para después hacer una exploración de las metodologías más utilizadas y
*
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.
1.2 OBJETIVOS ESPECÍFICOS
• 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.
• Desarrollar un caso de estudio para la aplicación de una metodología que le

permita establecer criterios objetivos en cuanto a las decisiones que impliquen riesgo de
crédito.
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:
“La posibilidad de incurrir en pérdidas por el no pago o pago inoportuno de las

obligaciones a cargo de (i) sus aseguradoras (particularmente en el caso de enfermedades
de alto costo), (ii) de sus afiliados y aportantes, (iii) anticipos otorgados a prestadoras de
servicios (contratos por capitación) (iv) riesgo de contraparte de las inversiones, y (v) de
retrasos en el flujo oportuno de los recursos del sistema, (vi) cualquier otra operación que
determine una deuda a favor de la entidad”.
En el artículo 8° se le exige a la entidad que debe identificar su riesgo de crédito: “Se

deberán identificar los riesgos de crédito referido a los deudores”. Y también se le exige
que debe medirlo “En el área de riesgos generales del negocio, de mercado y de crédito:
se debe desarrollar una metodología adecuada para la estimación del valor en riesgo de
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.”
Es claro como las entidades promotoras de salud deben desarrollar e implementar

metodologías para medir su riesgo de crédito, esto con el fin de tener la solvencia
adecuada para prestar los servicios de salud que requieren sus afiliados.
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.
Dada la importancia que tiene el riesgo de crédito en el ámbito empresarial surge la

pregunta de esta investigación: ¿Cómo medir el riesgo de crédito en las empresas del
sector real? En respuesta a ello existe una gran diversidad y desarrollo de metodologías,
aunque muchas de ellas enfocadas a las entidades financieras, sin embargo se puede
analizar su utilización en empresas del sector real, para ello se investigaran los factores
que inciden en la determinación del riesgo de crédito, después se caracterizar las
metodologías para definir cuáles son las más adecuadas para la empresa y por último se
adaptara una metodología para aplicarla y analizar los resultados de su implementación.
6
3. MARCO TEÓRICO
3.1 DEFINICIÓN Y CLASIFICACIÓN DE LOS RIESGOS FINANCIEROS
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:
El riesgo de crédito es el más antiguo y probablemente el más importante que enfrentan

las empresas. Se puede definir como la pérdida potencial producto del incumplimiento de
la contraparte que incluye un compromiso de pago. Por ser el objetivo de este trabajo se
profundizará en este, en el siguiente apartado.
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.
Riesgos operativos: Las transferencias financieras deben ser registradas, almacenadas y

contabilizadas, y debe exigirse, además, la realización de un seguimiento durante su vida
hasta que son finalmente canceladas. Todos estos aspectos tienen un soporte documental
preciso, y unas normas y procedimientos de administración y control. Cualquier
discrepancia entre lo que “debe ser” y lo que “realmente es”, produce la materialización
de riesgo operativo. Una póliza sin firmar, una garantía no verificada, una operación no
registrada, son casos concretos de este tipo de riesgo. El riesgo operativo también incluye
fraudes, en los que no solo existe la posibilidad de un error humano, sino también la
intencionalidad. El riesgo tecnológico es una modalidad de riesgo operativo.
En general los riesgos financieros son fenómenos multidimensionales, que están

relacionados con factores de índole económica de diversos tipos, pero también con
factores políticos y sociales. Además, el conocimiento que se tiene de importantes
procesos económicos es muy limitado. “Aún se está lejos de disponer de teorías precisas
sobre los movimientos en la calidad crediticia o capacidad de pago de los deudores, por
citar dos ejemplos en el contexto del crédito”9.
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
El riesgo de crédito es la posibilidad de sufrir una perdida originada por el incumplimiento

de las obligaciones registradas en un contrato. El incumplimiento suele estar motivado por
una disminución en la solvencia de los deudores o contrapartes, relacionado con
problemas de liquidez, pérdidas y disminución de ingresos, aunque también puede
producirse por ausencia en la voluntad de pago. Es un riesgo típico de los bancos, cuyo
activo soporta, en una alta proporción operaciones sujetas a riesgo crediticio, aunque “El
riesgo de crédito afecta también a la mayoría de las empresas no financieras, tanto por las
relaciones con sus clientes finales, como por la amplitud del crédito entre empresas”.10
En el segundo acuerdo del comité de Basilea se define al riesgo de crédito de la siguiente

manera: “Se determina que existe dos tipos de riesgo de crédito: el riesgo de
incumplimiento, que se refiere a la perdida potencial derivada de que la contraparte no
pueda cumplir con sus obligaciones financieras en las condiciones definidas
contractualmente; y el riesgo de mercado, que se define como la perdida potencial que
podría sufrir un tenedor de un portafolio de préstamos, instrumentos financieros o
derivados, como consecuencia de que el valor de mercado de estos disminuya. La segunda
definición plantea exposición al riesgo de crédito aun en el caso de que la contraparte no
sufra quebranto alguno11”.
En ambas definiciones se asume el riesgo de crédito como la probabilidad de que la

contraparte incumpla con sus obligaciones, aunque la segunda definición es ambigua
porque considera que las pérdidas de valor de los activos por variaciones de las tasas de
mercado también pueden considerarse como riesgo de crédito, aunque no todos los
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.
3. Cuando se intenta controlar el riesgo de mercado, se está determinando una situación

límite para valores individuales mantenidos en la cartera de la empresa. Al pretender
controlar el riesgo de crédito, se intenta poner limites a valores individuales mantenidos
en la empresa deudora, es decir externos a la propia empresa.
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.
3.3 FACTORES QUE DETERMINAN EL RIESGO DE CRÉDITO
3.3.1 Perdida Esperada
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.
En este sentido es necesario aclarar que en modelos de riesgo de crédito, un préstamo se

considera en incumplimiento, una vez que su situación se transforma a un “estado
crítico14”. Sin embargo, la definición de “estado crítico” no es igual para todas las
empresas debido a que estas definen sus niveles de tolerancia de acuerdo a la
rentabilidad que deseen obtener y al riesgo que puedan asumir.
“La pérdida esperada de un portafolio de activos crediticios representa el monto de

capital que podría perder una institución como resultado de la exposición al riesgo
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.
La pérdida esperada representa en realidad el costo de participación en el negocio, en el

caso de Colombia la Superintendencia Financiera sugiere para su cálculo la estimación de
los siguientes elementos16:
 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.
 Probabilidad de incumplimiento (PI): Representa la frecuencia relativa con la que

se presentan el incumplimiento, o bien, como la probabilidad de que la
contraparte caiga en el estado crítico predefinido como incumplimiento durante o
al final de cada periodo así nunca haya incumplido.
 La pérdida dado el incumplimiento (PDI): Se define como el deterioro económico

en que incurriría la empresa en caso de que se materialice alguna de las
situaciones de incumplimiento. La PDI para deudores calificados en la categoría
incumplimiento sufrirá un aumento paulatino de acuerdo con los días trascurridos
después de la clasificación en dicha categoría.
La pérdida esperada (PE) puede calcularse de la siguiente forma17:
(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.
Lo ideal para estimar la probabilidad de incumplimiento es disponer de bases de datos con

la información histórica de los pagos y los incumplimientos, sin embargo no todas las
empresas del sector real cuentan con esta información debido a que para este tipo de
organizaciones la evaluación de su exposición al riesgo de crédito es algo relativamente
nuevo, caso contrario las empresas del sector financiero que por obligación deben contar
con estas bases de datos con una antigüedad de por lo menos 7 años18. Sin embargo,
existen otras fuentes de información que permiten calcular esta probabilidad, están las
centrales de riesgo que son instituciones especializadas en consolidar la información
crediticia de los entes, sin embargo para acceder a esta información se debe pagar por
ello. También existen empresas que se encargan de hacer calificaciones crediticias, como
es el caso de Fitch and Rating , BRC Investor Services, Value and Risk, que son las tres
entidades autorizadas por la Superintendencia Financiera en Colombia para hacer este
tipo de calificaciones, sin embargo no todas las empresas en Colombia están obligadas a
ser calificadas, de acuerdo al decreto 1076 del Ministerio de Hacienda y Crédito Público,
los valores que deben calificarse son19: los bonos ordinarios emitidos por entidades
diferentes de los establecimientos de crédito o papeles comerciales, bonos ordinarios o de
garantía general emitidos por establecimientos de crédito, bonos emitidos por entidades
públicas, y los valores emitidos como resultado de un proceso de titularización.
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.
Figura 1 Distribución de las pérdidas
Perdida no Perdida
Perdida
Densidad
esperada
improbable
esperada
Pérdidas VaR
Fuente: ELIZONDO ALAN. Medición integral de riesgo de crédito. Editorial Limusa. 2003. p. 51
En la Figura 1 se representa gráficamente la distribución de probabilidad de pérdidas,

generalmente se asume que tiene una distribución normal, aunque algunos autores
sugieren la distribución Poisson debido a que “en algunos casos se ha detectado que está
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
A diferencia del riesgo de mercado, el desarrollo de metodologías para medir el riesgo de

crédito ha sido relativamente menor, ya que las dificultades para la identificación y
medición de los factores subyacentes en este tipo de riesgo han sido mayores; en este
sentido, el fenómeno de la información asimétrica, el riesgo moral, la ausencia de una
teoría de la quiebra empresarial, la ausencia en muchos casos de información adecuada y
el costo de elaborarla, entre otros, han sido los principales obstáculos21.
A continuación se describen algunas de las metodologías más relevantes para la medición

de riesgo de crédito. Se ha seguido un orden cronológico y se han incluido las
metodologías más representativas de su clase22, empezando por las basadas en opiniones
de expertos, siguiendo con las de Scoring, continuando con las de enfoque actuarial y
terminando con las de valuación de mercado. Para la selección de las metodologías a
presentar se tuvo como criterio principal su aplicabilidad para el sector real, y su
reputación, siendo las siguientes las más utilizadas y las de mayor mención en la literatura
consultada.
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.
Los elementos analizados por este sistema son los siguientes24:
 Carácter. Mide la reputación de la firma, su voluntad para pagar y su historial de

pago, se ha establecido empíricamente que la antigüedad de creación de una
empresa es un indicio adecuado de su reputación de pago.
 Capital. Mide la contribución de los accionistas en el capital total de la empresa y la

capacidad de endeudamiento, estos se ven como buenos indicios de la
probabilidad de quiebra.
 Capacidad. Mide la habilidad para pagar, la cual se refleja en la volatilidad de los

ingresos del deudor, es decir en la viabilidad de las ganancias del acreditado. Se
dice que el pago de su deuda sigue un patrón de constancia pero las ganancias son
volátiles y puede haber periodos en los que disminuye la capacidad de pago de la
empresa.
 Colateral. En el evento de default, la entidad tendría derecho sobre el colateral

dejado en garantía por el deudor. En el caso de incumplimiento, la empresa tiene
determinados derechos sobre el colateral del acreditado. Cuanto más prioritaria
sea la reclamación, mayor debe ser el valor de mercado del colateral
correspondiente y menor la exposición al riesgo de crédito.
 Ciclo económico. Es un elemento importante en la determinación de la exposición

crediticia, consiste en dos estados de la economía: expansión, recesión,
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.
4.2 MODELO Z-SCORE
A partir de 1968, varios investigadores comenzaron a trabajar en modelos que incluyeran

múltiples variables con el objetivo de determinar que empresas se dirigían hacia la
quiebra y cuáles no. Entre estos estudios se destacan los conducidos por Edward Altman
de la Universidad de Nueva York (1968, 1977, 1978, 1979, 1981, 1984, 1988, 1993, 1994,
1995, 1996, 2003, etc.) el cual utilizó una técnica estadística llamada análisis discriminante
múltiple. El Análisis Discriminante es una técnica estadística cuya finalidad es analizar si
existen diferencias significativas entre grupos de objetos respecto a un conjunto de
variables medidas sobre los mismos para, en el caso de que existan, explicar en qué
sentido se dan y construir una función discriminante que permita clasificar
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.
Para la selección de las variables independientes Altman integró un grupo de 22

indicadores que fueron aplicados a ambas submuestras de empresas, estos indicadores
eran los más populares dentro de la literatura de esa época. Los 22 indicadores fueron
reducidos a cinco factores que median: la rentabilidad, actividad, liquidez, solvencia y
apalancamiento financiero. Para Altman los cinco factores mostraron ser las mejores
combinaciones para discriminar entre empresas solventes e insolventes.
En cuanto al proceso de su investigación, está involucró las siguientes cuatro etapas:
 Observación de la significancia estadística de varias combinaciones de indicadores

incluyendo la contribución estadística de los indicadores individuales.
 El análisis de las correlaciones entre indicadores.
 El análisis de la exactitud de predicción de varias combinaciones de indicadores.
 El juicio del análisis sobre los resultados obtenidos.
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.
Cuadro 1 Indicadores utilizados por el modelo Z-Score
Coeficiente Variable Nombre del Indicador Factor

1.2 Capital de trabajo/Activo total Liquidez
1.4 Utilidades retenidas / Activo total Rentabilidad
3.3 Utilidades antes de intereses e impuestos / Activo total Rentabilidad
0.6 Valor de mercado de fondos propios / Valor pasivos totales Solvencia
1 Ventas netas/ Activo total Eficiencia
Fuente: Elaboración propia
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:
Capital de trabajo/Activo total : (Activos corrientes – Pasivos corrientes) / Total Activo,

este indicador mide la relación del Capital de Trabajo con el total de sus activos, como el
capital de trabajo es el dinero que posee una empresa para trabajar, ya sea en Caja,
Cuentas Corrientes y en Cuentas por Cobrar a un año, un valor grande significa un buen
nivel de liquidez y un valor bajo significa que los pasivos corrientes superan los activos
corrientes y por lo tanto no se tiene un nivel adecuado de liquidez.
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.
Utilidades antes de intereses e impuestos/ Activo total: Este indicador establece la

rentabilidad en función del tamaño de la empresa, muestra el rendimiento sobre la
Inversión o lo que es lo mismo, la utilidad que se obtiene por cada peso invertido en los
activos. Proporciona el nivel de eficacia de la gestión, el nivel de rendimiento de las
inversiones realizadas.
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.
Después de determinar los indicadores la función resultante fue:
(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.
Figura 2 Puntuaciones del Modelo Z-Score
Alta probabilidad Zona Gris Baja probabilidad

de quiebra de quiebra
1,81 2,675 2,99
En la Figura 2 puede visualizarse la capacidad de discriminación de los valores obtenidos

por el modelo Z-score. En éste gráfico se observa que las compañías con problemas se
ubican a la izquierda del punto de corte discriminante C= 2.675. De manera similar, las
compañías sin problemas se ubican del lado derecho de C. También se observa que existe
un área donde ambas distribuciones se superponen, se considera como un área donde
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.
Después de obtener estos resultados, Altman seleccionó una segunda submuestra de

validación compuesta por 25 empresas en quiebra, las cuales dieron como resultado un
porcentaje de error general de sólo el 4% un año previo a la quiebra. Para otra
submuestra de 66 empresas fracasadas, aunque esta vez no estaban en quiebra, sino solo
con agudos problemas financieros, se obtuvo un porcentaje de error del 21% cinco años
previos a la quiebra.
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
Años previo a la quiebra Aciertos Errores % de correctos

1 31 2 95%
2 23 9 72%
3 14 15 48%
4 8 20 29%
5 9 16 36%
Fuente: ALTMAN, Edward. Financial Ratios, Discriminant Analysis and the Prediction of Corporate
Bankruptcy. En: Journal of Finance, American Finance Association. 1968. p 594.
Para Altman la cuestión principal no radicaba en si la empresa tenía que acabar

forzosamente fracasando por tener unos niveles determinados en sus indicadores, sino la
importancia de su modelo radicaba en si sus síntomas eran similares a los de otras
empresas que si avanzaban o terminaban en un proceso de fracaso. Es decir, el modelo
predictivo de Altman era de alerta y previsión31.
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)
Interesado en superar y perfeccionar su modelo, Altman realizó múltiples estudios desde

1968, en el año 2005 con el apoyo de Salomon Brothers, Altman publicó el modelo Z”
Score, en la revista Elsevier, en el Emerging Markets Review, dicho modelo a diferencia del
inicial, que fue explicado en la sección anterior, está enfocado hacia países que hacen
parte de mercados emergentes.
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:
4.3.1 Pasos de implementación
Paso 1 Puntuaciones Z”Score equivalentes a calificaciones crediticias de empresas

Estadounidenses
Los créditos de empresas en mercados emergentes deben ser inicialmente analizados de

manera similar al análisis tradicional que se hace para las empresas Estadounidenses, esto
involucra estudiar las razones financieras o indicadores de desempeño de manera tal que
se establezca una calificación equivalente. En vez de usar un sistema ad-hoc basado en un
examen analítico de la calidad crediticia de las empresas del Mercado Emergente, Altman
sugiere probar la aplicabilidad de una versión modificada del modelo Z-Score original pero
a diferencia de este puede ser aplicado a empresas no manufactureras, entidades
privadas, públicas y no necesariamente deben cotizar en bolsa.
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
Z” Score Rating Z” Score Rating

> 8,15 AAA 5,65 5,85 BBB-
7,60 8,15 AA+ 5,25 5,65 BB+
7,30 7,6 AA 4,95 5,25 BB Zona Gris
7,00 7,3 AA- 4,75 4,95 BB-
6,85 7,00 A+ 4,50 4,75 B+
Zona
6,65 6,85 A 4,15 4,50 B
segura
6,40 6,65 A- 3,75 4,15 B-
6,25 6,40 BBB+ 3,20 3,75 CCC+ Zona
5,85 6,25 BBB 2,50 3,20 CCC insegura
1,75 2,50 CCC-
<1,75 D
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
Calificación del Capital de Ingresos Ingresos Capital de

bono trabajo/Activos retenidos/ operativos/Acti accionistas/Acti
totales Activos totales vos totales vos totales
AAA 0,175 0,470 0,187 1,120
AA+ 0,150 0,450 0,166 1,085
AA- 0,142 0,439 0,150 1,025
A+ 0,138 0,359 0,114 0,970
A 0,127 0,350 0,107 0,866
A- 0,120 0,276 0,099 0,755
BBB+ 0,114 0,226 0,088 0,701
BBB 0,103 0,184 0,0801 0,636
BBB- 0,081 0,065 0,075 0,546
BB+ 0,065 0,040 0,070 0,444
BB 0,060 -0.031 0,065 0,328
BB- 0,055 -0,040 0,062 0,305
B+ 0,050 -0,091 0,055 0,287
B 0,040 -0,149 0,050 0,272
B- 0,025 -0,200 0,45 0,169
CC+ 0,010 -0,307 0,025 -0,052
CCC -0,044 -0,321 0,015 -0,099
CCC- -0,052 -0,561 -0,025 -0,256
D -0,068 -0,716 -0,045 -0,325
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
Cada calificación hallada en el Cuadro 3 es analizada con base en la vulnerabilidad de la

empresa ante problemas para dar servicio a su deuda en moneda extranjera en caso de
que la tenga. La vulnerabilidad se evalúa con base en la relación entre ingresos en moneda
extranjera comparados con los egresos en la misma, es decir Ingresos/Egresos y los
ingresos en moneda extranjera con respecto al total de deuda, es decir Ingresos/Pasivos.
Finalmente, el nivel de efectivo o disponible se compara con el pasivo corriente en
moneda extranjera.
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.
Se debe aclarar que lo que la metodología llama escalón es un paso de + a neutro o de

neutro a - en ambos sentidos y lo que llama nivel es un cambio de tres escalones hacia
arriba o hacia abajo.
Paso 3. Ajuste por industria
La calificación equivalente original definida en el Cuadro 3 se compara con la calificación

que mide la seguridad en la Industria o sector, agencias calificadoras como Fitch Rating y
Standard and Poors asignan calificaciones a los sectores industriales, por ejemplo el sector
servicios, el sector salud o el sector construcción. Para diferencias de calificación de una
letra con respecto a la calificación equivalente obtenida en el paso 2, es decir después de
ajustar de acuerdo a su vulnerabilidad con respecto a una divisa, se ajusta nuevamente ya
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.
Paso 4. Posición ajustada por competitividad
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.
Paso 5. Características especiales de la emisión de deuda
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.
En el caso de Colombia la Superintendencia ha definido las calificaciones de la siguiente

manera40:
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
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.
La Superintendencia Financiera de Colombia agrupa las siguientes calificaciones bajo la

categoría “incumplimiento”: CCC, CCC- y D. Las condiciones objetivas mínimas para que el
crédito sea calificado en esta categoría son41:
 Créditos comerciales que se encuentren en mora mayor o igual a 150 días.

 Créditos de consumo que se encuentren en mora mayor a 90 días.
 Créditos de vivienda que se encuentren en mora mayor o igual a 180 días.
 Microcréditos que se encuentren en mora mayor o igual a 30 días.
 Cuando el deudor registre obligaciones castigadas con la entidad o en el sistema,
de acuerdo con la información proveniente de las centrales de riesgo.
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.
4.3.2 Aplicabilidad del modelo EMS
Este modelo le es útil a la empresa para establecer un ranking o un sistema de

calificaciones para sus deudores en cuanto a su nivel de solvencia o capacidad para
responder por sus obligaciones. Las calificaciones pueden 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
el modelo 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.
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.
En la siguiente figura se ilustra a través de un diagrama de Venn las condiciones para

construir una función discriminante con datos de empresas del país local y no de EEUU, la
intersección roja señala la muestra que cumple con las condiciones requeridas:
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.
4.4 MODELOS DE INCUMPLIMIENTO BAJO EL ENFOQUE ACTUARIAL
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
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.
El uso de la teoría de riesgo ha sido explotado de manera exitosa en el ámbito empresarial

para construir la distribución de pérdidas de carteras de créditos. Bajo el enfoque actuarial
existen básicamente dos tipos de modelos, los de riesgo individual y los de riesgo
colectivo, dentro de los primeros el más conocido es el modelo de aproximación normal,
entre los segundos está el modelo Poisson compuesto, el modelo Pólya compuesto y el
modelo CreditRisk+.
A continuación se explicará cómo se modela el riesgo de crédito a través de la teoría de

riesgo empezando por la teoría de riesgo individual y después con la colectiva para llegar
gradualmente al modelo CreditRisk+, todos bajo el enfoque actuarial.
4.4.1 Modelo de Riesgo Individual
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)
La probabilidad de que siendo esta la probabilidad de incumplimiento.
A su vez el monto de la pérdida se modela a través de una variable aleatoria . Con lo

cual la variable aleatoria queda definida como:
(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.
La concentración en la distribución de los montos o granularidad de los créditos que

componen una cartera se da cuando una gran cantidad del monto total de la cartera está
agrupada en pocos créditos, por ejemplo una cartera con un monto total de $1´000.000
compuesta por mil créditos, uno de los cuales tiene un monto de $900.000 suele correr
mayor riesgo de perder dicha cantidad que una cartera cuyo monto total se reparte
uniformemente. En la primera tan solo es necesaria la quiebra del crédito grande,
mientras que en la segunda se necesita la quiebra de por lo menos novecientos de los
créditos.
El modelo de Riesgo individual permite incluir la granularidad en el cálculo del Valor en

riesgo, el primer paso consiste en definir las variables:
(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)
Donde: es el monto del crédito y es la probabilidad de incumplimiento.
Lo siguiente es determinar la distribución de pérdida de la cartera donde cada crédito

tiene su monto y probabilidad de incumplimiento, los cuales no son necesariamente
iguales. Para ello existen varios métodos como convolución, generadora de momentos y
aproximación normal los cuales permiten conocer la distribución de una variable
compuesta por la suma de variables aleatorias individuales49.
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
∑
Es la sumatoria de los montos que componen la cartera.
A través del método de aproximación Normal el Valor en Riesgo es:
√ ( )∑
(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:
∑
( )
(∑ )
Es el índice Herfindahl-Hirshman, este es una medida de uso general en economía, mide la

concentración de un mercado y también se utiliza para calcular la diversificación de una
cartera de inversiones en cuanto al tamaño de sus montos, es decir su granularidad. Sus
valores están comprendidos entre 0 y 1.
51
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)
La cual relaciona el capital de la empresa con la probabilidad de incumplimiento, el nivel

de confianza del Valor en Riesgo y la granularidad de la cartera. Con lo cual se muestra
que la granularidad de la cartera es una fuente importante de riesgo para las empresas.
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.
4.4.2 Modelo Poisson Compuesto
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.
El modelo Poisson compuesto supone que el número de incumplimientos de una cartera

se distribuye con una función de probabilidad Poisson:
( ) (Ec. 18)
Donde:
 k es el número de ocurrencias del evento o fenómeno, la función da la

probabilidad de que el evento suceda k veces.
 λ es un parámetro positivo que representa el número de veces que se espera que

ocurra el fenómeno durante un intervalo dado. Por ejemplo, si el suceso estudiado
tiene lugar en promedio 4 veces por minuto y se está interesado en la probabilidad
de que ocurra k veces dentro de un intervalo de 10 minutos, se usa un modelo de
distribución de Poisson con λ = 10×4 = 40.
 e es la base de los logaritmos naturales (e = 2,71828 ...).
En una cartera de crédito, existe el interés de conocer el número de incumplimientos en

un periodo de tiempo, sin embargo, los incumplimientos ocurren de tal manera que no es
posible pronosticar el número exacto de sucesos, ni el momento exacto de su

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:
Sea [ ] la probabilidad de que ocurran exactamente incumplimientos en la

cartera de créditos analizada, siendo N el número de incumplimientos.
En diversas aplicaciones probabilísticas por ejemplo teoría de colas y control de calidad,

en las cuales se requiere modelar el número de ocurrencias en un periodo suele usarse la
distribución Poisson, de la siguiente manera:
(Ec. 19)
Donde es la media de la distribución Poisson que representa el número esperado de

incumplimientos de la cartera en el periodo y n es el número de incumplimientos.
La razón de utilizar la distribución Poisson es porque bajo el supuesto de independencia

entre acreditados el número de incumplimientos tiene una distribución binomial, misma
que puede aproximarse mediante una distribución Poisson solamente cuando los créditos
tienen probabilidades de incumplimiento uniformemente pequeñas y el número de
créditos en la cartera es lo suficientemente grande54.
Hasta ahora se ha supuesto una distribución de probabilidad para el número de

incumplimientos de un portafolio de crédito, es decir, la variable aleatoria , pero el
interés es encontrar una distribución para las pérdidas de la cartera. Dichas distribuciones
son diferentes porque una determinada perdida en un año puede obtenerse por el
incumplimiento de un solo crédito con un monto grande, así como del incumplimiento de
53
Ibíd., p. 100.
54
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.
Así, como el monto perdido de un crédito incumplido no depende del número de

incumplimientos ocurridos, se pueden aplicar las reglas de adición y multiplicación de
probabilidad para expresar la distribución del portafolio como:56
( ) [ ] ∑ [∑ ]
(Ec. 20)
En principio, podría parecer muy complicado el cálculo de la distribución de pérdidas

utilizando la distribución de los montos. Sin embargo, existen fórmulas recursivas que
facilitan el cálculo, para lo cual es necesario que la distribución compuesta cumpla con las
siguientes condiciones57:
 Las probabilidades de incumplimiento deben seguir la fórmula ( )
para Donde a y b son constantes definidas por la distribución del

número de incumplimientos.
 La probabilidad de que la pérdida de un crédito incumplido sea una cantidad

específica debe ser la misma para todos los créditos de la cartera.
 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
 Los créditos deben tener probabilidades de incumplimiento uniformemente

pequeñas y el número de créditos en la cartera debe ser grande.
 La probabilidad de que un incumplimiento suceda en un momento específico es
igual a cero.
 La probabilidad de que dos o más incumplimientos ocurran al mismo tiempo es
cero.
 El número de incumplimientos en dos lapsos de tiempo diferentes son
independientes uno del otro.
Debido a que es imposible pronosticar el momento exacto de un incumplimiento, la

primera condición se verifica en cualquier cartera de créditos. En cuanto a la segunda
condición, la única manera de invalidarla es suponiendo que el incumplimiento de varios
créditos se deba a una misma causa. Esto resulta difícil porque los acreditados son
distintos, incluso si dos créditos estuvieran a favor de un mismo acreditado se pueden
considerar como un solo crédito con un monto mayor.
Sin embargo, la validez de la tercera condición presenta problemas en la mayoría de las

carteras de crédito. Por ejemplo, si una cartera presenta un alto número de
incumplimientos en un determinado trimestre, esto puede deberse a que el país esté
pasando por una recesión económica, por lo tanto, es de esperarse que en el próximo
trimestre se presente también un alto número de incumplimientos. La presencia de
factores de riesgo, como el del ejemplo anterior que inciden sobre los créditos, provocan
que éstos no sean independientes unos de otros.
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.
4.4.2.1 Aplicabilidad del modelo Poisson compuesto
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.
4.4.3 Modelo CreditRisk+
La diversificación del riesgo de un portafolio se da de manera natural al tener un gran

número de individuos. Aun así, esta diversificación puede ser insuficiente si varios de los
elementos de la cartera están correlacionados, es decir sujetos a los mismos factores de
riesgo, como por ejemplo, aquellos que pertenecen al mismo sector industrial o a la
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:
 Sistemáticos: Aquellos que afectan a un grupo de créditos de la cartera.

 Específicos o Idiosincrásicos: Aquellos factores que sólo afectan a un crédito de la
cartera.
Cuando un factor sistemático afecta a un gran número de créditos, entonces la cartera

tiene una alta concentración de riesgo, porque un cambio no deseado en el factor puede
provocar el incumplimiento de varios créditos y conllevar a pérdidas extremas.
El modelo CreditRisk+ consiste en la construcción de la distribución de pérdidas de una

cartera o portafolio de crédito que incluye a N deudores, a cada uno de los cuales se le
asigna una probabilidad de incumplimiento con
Lo diferente de este modelo es que segmenta la cartera en sectores mutuamente

independientes y asigna una proporción de cada crédito, según la influencia de cada
factor sistémico sobre el crédito a segmentos mutuamente independientes, cada uno
sujeto a un solo factor.
Con el fin de disminuir la cantidad de los cálculos y mejorar el rendimiento computacional,

en este modelo se redondea el valor de cada crédito para formar bandas de exposición y
se agrupan los créditos por dichas bandas. Luego se halla la distribución de probabilidad
del número de incumplimientos de cada banda de manera indirecta mediante una función
generadora de la probabilidad del número de incumplimientos, luego se emplea el
número de incumplimientos de cada banda y el valor de las bandas para calcular la
función generadora de las pérdidas de cada banda, finalmente se usa la convolución de la
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.
 Agrupación por bandas de exposición
El primer paso en el desarrollo de la metodología CreditRisk+ es la agrupación de los

deudores por bandas de exposición, al considerar que hay deudores que representan
niveles semejantes de pérdidas por incumplimiento.
Esta consideración si bien introduce un error en los cálculos, lo hace insignificante al

compararlo con las ventajas que representa en términos de facilidad de cálculo. Además si
se considera un gran número de bandas, con un ancho pequeño el error resulta
despreciable62.
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 .
 Función de las probabilidades de incumplimiento
El modelo Credirisk+, asume que la distribución de las probabilidades de incumplimiento

es Poisson64, la cual se explicó en el apartado anterior, por lo tanto:
∑{ } (Ec. 23)
La ecuación 23 significa que el número esperado de incumplimientos en la banda es igual

a la suma de las probabilidades de incumplimiento de todos los acreditados que tienen un
nivel de exposición a pérdidas iguales a los de la banda. Donde
: Número esperado de incumplimientos en la banda j

: Exposición a pérdidas común a todos los deudores en la banda j
Se tiene además que la pérdida esperada asociada a cada banda está dada por:
(Ec. 24)
Mientras que lo correspondiente a cada acreditado es:
(Ec. 25)
De lo anterior se tiene la relación:
64
CREDIT SUISSE FIRST BOSTON INTERNATIONAL, CreditRisk+, A Credit Risk Management Framework.
Boston EEUU. 1997. p. 37.
51
∑{ } (Ec. 26)
El número esperado de incumplimientos para toda la cartera de créditos es la suma del

número esperado de incumplimientos para cada banda.
∑ ∑ (Ec. 27)
Donde m es el número total de bandas.
 Distribución de pérdidas
Si es el número de incumplimientos, la unidad de perdida y es la probabilidad de

que ocurran incumplimientos, entonces65:
( ) ∑{ } ( ) ∑{ } ( ) (Ec. 28)
Donde el primer término es:
( ) ; ∑ (Ec. 29)
 Calculo de las pérdidas esperadas y el Valor en Riesgo
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 .
4.4.3.1 Aplicabilidad del modelo CreditRisk+
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
El modelo Creditmetrics fue desarrollado en 1997 por un grupo de instituciones

financieras encabezadas por J.P. Morgan. Este modelo tiene como propósito estimar el
VaR de crédito, en el contexto del mercado, es decir, el modelo supone que el riesgo de
crédito depende de los cambios en la calidad crediticia y en la tasa de incumplimiento de
los deudores.
En el modelo Creditmetrics existen tres factores que determinan la distribución de los

valores futuros del portafolio. El primero son los posibles estados de la calidad crediticia
en los que un deudor se puede encontrar al final del horizonte de análisis, así como las
probabilidades de migración entre dichos estados. El segundo factor es el valor que toma
cada instrumento al migrar a cada uno de los estados de crédito. Finalmente, para
obtener la distribución del portafolio, se requiere estimar como migran conjuntamente los
deudores, es decir, se modela la correlación entre eventos de crédito de varias
contrapartes.
Figura 4 Migración entre calificaciones crediticias
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.
En cuanto a la descripción de las calificaciones, la Superintendencia financiera de

Colombia, en la circular 100 de 1993 sugiere asignar las calificaciones de acuerdo a los días
de mora de los deudores, aunque cada empresa del sector real es libre de definirlas como
le parezca. En el capitulo 3.3.1 de esta investigación se explican las calificaciones definidas
por la Superintendencia Financiera de Colombia. A continuación se explicaran en detalle
cada uno de los pasos de la metodología Creditmetrics:
4.5.1 Primer paso: Calificaciones y Matriz de Transición.
El primer paso para obtener la distribución de la cartera es la creación de un sistema de

calificación en donde a cada obligado se le califica de acuerdo a la probabilidad de que
cumpla con sus obligaciones durante un determinado lapso de tiempo, que por lo general
es de un año.66 En el Cuadro 5 se muestra la matriz de transición para la cartera
comercial67, para interpretarla correctamente se debe leer renglón por renglón, por
ejemplo, si la calificación actual de un deudor es B la probabilidad de que su calificación en
66
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%.
Cuadro 5 Matriz de transición para la cartera comercial Junio de 2011 (cifras en %)
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
Fuente: Superintendencia Financiera de Colombia; cálculos del Banco de la república.
Como se puede deducir, tanto el sistema de calificaciones como la correspondiente matriz

de transición son insumos del modelo, y se pueden obtener de la Superintendencia
Financiera de Colombia, del Banco de la república o de las agencias calificadoras
autorizadas por el estado,68 que en el caso de Colombia son tres: Fitch Ratings Colombia
S.A, BRC Services Colombia S.A. y Value and Risk Rating S.A.
4.5.2 Segundo paso: Revaluación de las posiciones
El siguiente componente del modelo se refiere a la revaluación de cada una de las

posiciones en los diferentes estados de crédito. En el caso de los bonos se utilizan curvas
de sobretasas que reflejen la calidad crediticia de cada uno de los incumplimientos, sin
embargo para los créditos o préstamos no existen mercados secundarios que permitan la
estimación de las sobretasas,69 existen dos formas de obtener estos valores, la primera es
utilizar las tasas a las que otorgan los créditos entidades financieras como los bancos, de
68
COLOMBIA. SUPERINTENDENCIA FINANCIERA. Boletín Jurídico N°17 de Diciembre de 2008, Calificadoras
de Valores, Funciones y procesos de calificación. 2008.
69
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.
La importancia de la revaluación de los instrumentos se deriva de la necesidad de estimar

el impacto de cambios en la calidad del crédito, porque así no lleguen a darse perdidas por
incumplimientos la calidad de la cartera se puede deteriorar y por lo tanto su valor.
4.5.3 Tercer paso. Obtención de la distribución individual
La distribución de valores para un solo instrumento se calcula como el producto de la

probabilidad de migración y los valores que asumiría el crédito en caso de cambiar de
calificación, para ilustrar este hecho en la Figura 4 se realiza un ejemplo, la calificación
actual del crédito es B y tiene 5 posibles estados futuros, las probabilidades están
definidas en la matriz de transición Cuadro 5, entonces la probabilidad de migrar de B a A
es de 35,3%, si esto llega a ocurrir el crédito se revaluaría un 120%, es decir si su valor
actual es 100 um con una calificación de B, con un 35,3% de probabilidad su valor en un
año seria de 120 um. La distribución de los montos para este instrumento se obtendría
multiplicando las probabilidades por las revaluaciones. Es decir 35,3% *120%;
34,6%*100% y así sucesivamente.
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
Probabilidades 35,8% 45,2% 12,8% 5,5% 0,8%
Revaluación del 120% 100% 80% 50% 0%

Crédito
Estadísticas: media y desviación estándar para los valores en
un año
Fuente: Elaboración propia.
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)
La desviación se calcula de la siguiente manera:
√∑( ) (Ec. 31)
4.5.4 Cuarto paso. Obtención de la distribución conjunta
Hasta el momento la obtención de la distribución es sencilla, por ejemplo en la Figura 5

una deuda calificada como B en un estado puede cambiar en otros 5 posibles estados
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.
Para agregar la correlación, se deben construir índices de correlación de la siguiente

forma:
√ (Ec. 32)
√ (Ec. 33)
Donde { } es el índice de correlación entre los créditos a comparar, es decir 1

para el primer crédito y 2 para el segundo, , son los factores de correlación que
pueden ser obtenidos por ejemplo, de índices accionarios de sectores industriales, o el
cambio porcentual del PIB del sector industrial al que pertenece la empresa deudora74,
{ } indica la variabilidad en el desempeño del deudor que se puede atribuir a la
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
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)
El coeficiente de correlación será mayor mientras más grande sea la dependencia de

los obligados al comportamiento promedio de su sector o industria.
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:
Figura 6 Vínculo entre movimiento de un índice y migración

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
Fijar el primer límite; la cola

contiene la probabilidad de
incumplimiento
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
la distribución conjunta de los retornos de los índices. De la misma forma se puede

calcular la probabilidad de que el primer deudor migre a AAA y el segundo a BB y asi
sucesivamente hasta obtener probabilidades de ocurrencia de cada uno de los
estados. Si se tienen tres deudores se tendrían que utilizar una función conjunta
de sus respectivos índices para calcular las probabilidades de transición a los

estados. Como se pude observar, el problema se vuelve rápidamente intratable, ya que el
número de posibles estados crece exponencialmente con el número de deudores76.
El modelo asume que la distribución conjunta de los índices también tiene un

comportamiento normal, la ventaja de ello es que su especificación requiere únicamente
conocer las correlaciones entre los índices, además esta distribución es fácilmente
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.
4.5.5 Quinto paso. Valuación de la cartera
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.
4.5.6 Aplicabilidad del modelo Creditmetrics
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
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.
Cuadro 6 Entradas y Salidas de los modelos analizados
Metodología Autores que la Información de entrada Información de Salida

describen
ZAPATA, Galindo  Estados Financieros de los  Aprobación o
Alexander. 2003. deudores negación del crédito o
LARA HARO, Alfonso.  Análisis de mercado de la la relación
5 C´s
2001. empresa y su sector contractual
ALTMAN, Edward I.  Caracterización de la  Definición del monto
1998. empresa
ALTMAN, Edward I.  Estados Financieros de los  Puntaje Z Score, que
1968, 1998, 2000, deudores permite evaluar la
2005.  Valor de las acciones solvencia de los
Z Score ELIZONDO, Alan.  Valor de mercado de las deudores
2005. acciones
ORTEGA GUTIERREZ,
Jack et al. 2011
 Estados Financieros de los  Calificación de la
deudores empresa que permite
ALTMAN, Edward I.
EMS, Emerging  Calificación del Sector al evaluar su capacidad
2005.
Market Scoring que pertenece la empresa de pago
System  Ingresos y egresos en
moneda extranjera
BOWERS, Newton L.  Bases de datos con los  Perdida esperada

et al 1989 historiales de pago y los  VaR
Modelo Actuarial de ELIZONDO, Alan. montos adeudados.  Media, varianza otros
Riesgo Individual, 2005. estadísticos
aproximación normal CAICEDO CEREZO,
Edinson et al. 2011
BOWERS, Newton L.  Bases de datos con los  Perdida esperada

Modelo Actuarial
et al 1989 historiales de pago y los  VaR
Poisson Compuesto
ELIZONDO, Alan. montos adeudados.  Media, varianza otros
64
Metodología Autores que la Información de entrada Información de Salida
describen
2005. estadísticos
CAICEDO CEREZO, 
Edinson et al. 2011
CREDIT SUISSE. 1997.  Bases de datos con los  Perdida esperada

ELIZONDO, Alan. historiales de pago y los  VaR
Modelo Actuarial
2005. montos adeudados.  Media, varianza otros
CAICEDO CEREZO,  Factores sistémicos estadísticos
CreditRisk+
Edinson et al. 2011  Estructura óptima de
la cartera
 Calificación de los  Perdida esperada

J.P. MORGAN 1997 deudores  VaR
Modelo ELIZONDO, Alan.  Montos acreditados a una  Media, varianza,
CreditMetrics 2005. fecha especifica otros estadísticos
 Estructura óptima de
la cartera
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
En Colombia, las Empresas Promotoras de Salud, EPS en adelante, deben medir y

cuantificar su riesgo de crédito, hecho que se evidencia en el Decreto 169880 del 16 de
Mayo de 2007 y la resolución 174081 del 23 de Mayo de 2008, en estas se exige a este tipo
de entidades la identificación y medición de su riesgo de crédito. Recientemente el
decreto 4185 del 3 de Noviembre de 2011 le asigna la vigilancia de los riesgos financieros
de las Empresas Promotoras de Salud a la Superintendencia Financiera de Colombia.
Con el objetivo de aplicar una metodología que le permita a la empresa establecer

criterios en cuanto a las decisiones que impliquen riesgo de crédito y así poder dar
cumplimiento a la ley en este aspecto, además de realizar la parte práctica de este
trabajo, se desarrollará un modelo de medición de riesgo de crédito en una EPS.
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:
“La posibilidad de incurrir en pérdidas por el no pago o pago inoportuno de las

obligaciones a cargo de (i) sus aseguradoras (particularmente en el caso de
enfermedades de alto costo), (ii) de sus afiliados y aportantes, (iii) anticipos
otorgados a prestadoras de servicios (contratos por capitación) (iv) riesgo de
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.
A continuación se realizaran las respectivas mediciones y el desarrollo de las metodologías

de medición de riesgo de crédito para este fin.
67
5.1 MEDICIÓN DE RIESGO DE CRÉDITO POR RETRASOS EN EL FLUJO OPORTUNO DE LOS
RECURSOS DEL SISTEMA.
Una de las fuentes de riesgo de crédito especificadas en la en la resolución 1740 del 23 de

Mayo de 2008 es: “(v) de retrasos en el flujo oportuno de los recursos del sistema”. Estos
retrasos son causados por los incumplimientos de los recobros realizados al FOSYGA.
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.
En vista de ello, se le solicitó la información a la EPS. Estos disponen de los historiales de

recobros hechos al FOSYGA con sus respectivos montos, los pagados y los rechazados,

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
Fuente: Datos proporcionados por la EPS
El cuadro 7 representa la estructura de la Base de datos utilizada, los datos corresponden

al mes de Enero de 2010, el campo “Código” se refiere al número del recobro presentado:
en el cuadro se visualiza desde el recobro 9052 hasta el 9069 de los 37.557 recobros
hechos en Enero. El campo “Tipo” representa la causa por la que se presentó el recobro
que puede ser por una tutela o por un medicamento, en el caso de tutela esto representa
que la EPS tuvo que prestar un servicio que no estaba contemplado dentro del POS por
exigencia de algún tribunal. El campo “Valor recobrado” representa el monto que la EPS
tuvo que desembolsar por concepto de medicamentos o servicios que no están
contemplados dentro del POS y que presenta como recobros ante el FOSYGA. El campo
“Valor aprobado” representa el monto que el FOSYGA le reconoció y pagó a la EPS por
concepto de los servicios o medicamentos prestados. El campo “Valor rechazado”
representa los montos que el FOSYGA no le reconoce a la EPS. El campo “Incumplimiento”
es una función que indica cuando se presenta un incumplimiento por parte del FOSYGA:
toma el valor de 1 cuando el valor pagado por el FOSYGA es menor que el valor recobrado
por la EPS, de lo contrario asume el valor de 0.
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:
Lo siguiente es asignarle a cada recobro su correspondiente variable aleatoria que

representa la perdida por el incumplimiento del recobro i y definir
como la variable aleatoria que representa la pérdida por riesgo de crédito de la cartera
durante el mes. En este caso es una constante que representa el número de recobros en
la cartera para cada mes. En el Cuadro 8 se especifica la cantidad de recobros que la EPS
presentó cada mes al FOSYGA por servicios de salud prestados a los usuarios que no están
contemplados bajo el POS, cada uno representa un crédito que en total componen la
cartera de recobros hechos al FOSYGA.
Cuadro 8 Cantidad de recobros mensuales durante el 2010 y 2011, valores de n
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
Fuente: Datos proporcionados por la EPS
En el Cuadro 8 se presenta el número de recobros presentados al FOSYGA más no el valor

de estos, cada recobro puede oscilar entre $1000 y $3.000’.000.000. El problema ahora
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:
{ }
Donde representa el monto del crédito . En el siguiente cuadro se muestran estos

valores para el ejemplo desarrollado en el cuadro 7
Cuadro 9 Montos de los créditos
82
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.
A través del método de aproximación Normal el Valor en Riesgo se calcula de la siguiente

forma:
[ √ ( ) ( )]
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:
Figura 7 Ventana para seleccionar mes y año
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:
Figura 8 Ventana de Informe
La aplicación permite calcular automáticamente la probabilidad de incumplimiento, la

pérdida esperada, la granularidad, además del VaR en varios niveles de confianza: 90%,
95%, 97% y 99%. También permite visualizar las gráficas del comportamiento histórico de
75
los indicadores mencionados, además tiene la opción de generar proyecciones por lo
métodos de promedio móvil y suavización exponencial.
Figura 9 Ventana de selección de gráficas
En la figura 9 se presenta la opción de selección de los indicadores de riesgo crediticio, los

cuales pueden servir como parámetros para definir en que momento se deben
implementar las medidas de intervención.
A continuación se analizarán los resultados obtenidos para el periodo Enero 2010- Mayo
2011:
En la Figura 10 se representa el valor de los recobros efectuados al FOSYGA, el menor

valor de los recobros se presentó en Febrero de 2010 con un valor de $23.498.968.429,00
el mayor se presentó en Abril de 2011 con $45.213.915.711,20; la media estuvo en
$34.696.986.639,96. Estas cifras representan la gran magnitud de los recobros
presentados ante el FOSYGA cada vez y como el incumplimiento de estos pueden impactar
en el resultado del ejercicio de la empresa en cuestión.
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.
Figura 11 Probabilidad de incumplimiento
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)
Como se puede observar en la Figura 12 el índice Herfindahl-Hirshman tiene un

comportamiento relativamente bajo esto debido en gran medida a la alta cantidad de
recobros presentados, sin embargo en el mes de Abril se evidencia un gran incremento de
la granularidad debido a que en ese mes se presentó un recobro por $3’619.774.458,00
mientras la media del monto de los créditos solamente era de $81.748,49.
En cuanto a la perdida esperada, en la Figura 13 se evidencia una tendencia creciente

hacia el aumento de las perdidas, lo que es completamente consecuente con el
comportamiento de la probabilidad de incumplimiento, lo que tiene implicaciones
negativas para la EPS, porque estas pérdidas representan costos que el FOSYGA no
reconoce por concepto de servicios no pos y por lo tanto la entidad debe asumir.
78
Figura 13 Pérdida esperada (Cifras en pesos colombianos)
Figura 14 Valor en Riesgo con un 97% de confianza. (Cifras en pesos colombianos)
En la Figura 14 se representa el valor en riesgo hallado por el modelo de riesgo individual

por aproximación normal, en este se puede evidenciar un comportamiento similar a la
perdida esperada, es decir, un comportamiento creciente, la media de los VaR calculados
mensualmente es de $11’207.363.609,8 pesos colombianos, con una desviación estándar
de $7.081.425.003,47 lo que muestra una gran variación mensual y es sinónimo de mayor
Riesgo para la entidad.
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.
La aplicación del modelo Z” Score con la función discriminante basada en empresas de

Estados Unidos queda en duda y podría constituir 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 Z” Score de Altman en el Sector Real Colombiano.
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.
El modelo Creditmetrics también permite incluir las correlaciones entre créditos, la

ventaja que tiene este modelo sobre el CreditRisk+ es que al tomar las probabilidades de
incumplimiento como las probabilidades de migración de la calidad crediticia, es decir al
estimarlas a través de las matrices de transición tiene en cuenta la relación de los factores
macroeconómicos y de mercado, los cuales inciden en la probabilidad de incumplimiento.
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. 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. 54 p.
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.
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. 70 p.
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.
COLOMBIA, SUPERINTENDENCIA FINANCIERA. Circular externa 022, 26 de Junio de 2008,

Anexo III Modelo de Referencia de cartera comercial MRC. 2008. 6 p.
COLOMBIA, SUPERINTENDENCIA FINANCIERA. Circular externa 035 de Septiembre de

2009, Reglas relativas a la gestión de Riesgo Crediticio. 2009. 28p.
COLOMBIA, Superintendencia Financiera de Colombia. Reporte de estabilidad financiera.

Banco de la República. Marzo de 2010. 141p.
CREDIT SUISSE FIRST BOSTON INTERNATIONAL, CreditRisk+, A CreditRisk Management

Framework. Boston EEUU. 1997. 72 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.
JÍMENEZ CARABALÍ, 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. 75p.
J.P. MORGAN. CreditMetrics Technical Document. New York, 1997. 212 p.
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.
ORTEGA GUTIERREZ, Jack et al. El modelo de calificación crediticia Z-Score: Aplicación en

la evaluación del Riesgo Crediticio en HB Fuller de Colombia Ltda. En: Revista MBA EAFIT,
(2009), 111p.
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.
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, 56p.
86

Medición de Riesgo de Credito Sector Real

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Medición de Riesgo de Credito Sector Real

Încărcat de

Drepturi de autor:

Formate disponibile

MEDICIÓN DE RIESGO DE CRÉDITO EN EMPRESAS DEL SECTOR REAL

CASO APLICADO: EMPRESA PROMOTORA DE SALUD

JHONY MAURICIO PEREA DELGADO

UNIVERSIDAD DEL VALLE

ESCUELA DE INGENIERÍA INDUSTRIAL Y ESTADÍSTICA

CASO APLICADO: EMPRESA PROMOTORA DE SALUD

JHONY MAURICIO PEREA DELGADO

Trabajo de grado para optar al título de

Director: Msc Víctor Javier Jiménez Carabalí

UNIVERSIDAD DEL VALLE

ESCUELA DE INGENIERÍA INDUSTRIAL Y ESTADÍSTICA

Firma del Evaluador

Firma del Evaluador

Firma del Director

Santiago de Cali 26 de Enero de 2012

A mi madre por su fe en mi, a mi hermano por su ejemplo, al profesor Víctor por

5. CASO APLICADO .......................................................................................... 66

5.1 MEDICIÓN DE RIESGO DE CRÉDITO POR RETRASOS EN EL FLUJO OPORTUNO DE

Cuadro 1 Indicadores utilizados por el modelo Z-Score ............................................. 21

Figura 1 Distribución de las pérdidas .......................................................................... 14

El riesgo de crédito consiste en la probabilidad de que un deudor incumpla con sus

En las actividades comerciales de la mayoría de las entidades tanto empresas como

El documento empieza con la conceptualización del riesgo de crédito y algunas

1.2 OBJETIVOS ESPECÍFICOS

• Desarrollar un caso de estudio para la aplicación de una metodología que le

“La posibilidad de incurrir en pérdidas por el no pago o pago inoportuno de las

En el artículo 8° se le exige a la entidad que debe identificar su riesgo de crédito: “Se

Es claro como las entidades promotoras de salud deben desarrollar e implementar

Dada la importancia que tiene el riesgo de crédito en el ámbito empresarial surge la

3.1 DEFINICIÓN Y CLASIFICACIÓN DE LOS RIESGOS FINANCIEROS

El riesgo de crédito es el más antiguo y probablemente el más importante que enfrentan

Riesgos operativos: Las transferencias financieras deben ser registradas, almacenadas y

En general los riesgos financieros son fenómenos multidimensionales, que están

El riesgo de crédito es la posibilidad de sufrir una perdida originada por el incumplimiento

En el segundo acuerdo del comité de Basilea se define al riesgo de crédito de la siguiente

En ambas definiciones se asume el riesgo de crédito como la probabilidad de que la

3. Cuando se intenta controlar el riesgo de mercado, se está determinando una situación

3.3 FACTORES QUE DETERMINAN EL RIESGO DE CRÉDITO

3.3.1 Perdida Esperada

En este sentido es necesario aclarar que en modelos de riesgo de crédito, un préstamo se

“La pérdida esperada de un portafolio de activos crediticios representa el monto de

La pérdida esperada representa en realidad el costo de participación en el negocio, en el

 Probabilidad de incumplimiento (PI): Representa la frecuencia relativa con la que

 La pérdida dado el incumplimiento (PDI): Se define como el deterioro económico

La pérdida esperada (PE) puede calcularse de la siguiente forma17:

Lo ideal para estimar la probabilidad de incumplimiento es disponer de bases de datos con

Figura 1 Distribución de las pérdidas

En la Figura 1 se representa gráficamente la distribución de probabilidad de pérdidas,

A diferencia del riesgo de mercado, el desarrollo de metodologías para medir el riesgo de

A continuación se describen algunas de las metodologías más relevantes para la medición

Los elementos analizados por este sistema son los siguientes24:

 Carácter. Mide la reputación de la firma, su voluntad para pagar y su historial de

 Capital. Mide la contribución de los accionistas en el capital total de la empresa y la

 Capacidad. Mide la habilidad para pagar, la cual se refleja en la volatilidad de los

 Colateral. En el evento de default, la entidad tendría derecho sobre el colateral

 Ciclo económico. Es un elemento importante en la determinación de la exposición

4.2 MODELO Z-SCORE

A partir de 1968, varios investigadores comenzaron a trabajar en modelos que incluyeran

Para la selección de las variables independientes Altman integró un grupo de 22

En cuanto al proceso de su investigación, está involucró las siguientes cuatro etapas:

 Observación de la significancia estadística de varias combinaciones de indicadores

Cuadro 1 Indicadores utilizados por el modelo Z-Score

Coeficiente Variable Nombre del Indicador Factor

Fuente: Elaboración propia