Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE CIENCIAS EVALUACIÓN DEL RIESGO DE CRÉDITO DE UN PORTAFOLIO DE ACCIONES: MODELO DE CORRELACIONES CONDICIONALES DINÁMICAS T E S I S QUE PARA OBTENER EL TÍTULO DE: A C T U A R I O P R E S E N T A : CARLOS ALBERTO REYES MARTÍNEZ DIRECTOR DE TESIS: DR. JOSÉ GONZALO RANGEL LÓPEZ 2010 UNAM – Dirección General de Bibliotecas Tesis Digitales Restricciones de uso DERECHOS RESERVADOS © PROHIBIDA SU REPRODUCCIÓN TOTAL O PARCIAL Todo el material contenido en esta tesis esta protegido por la Ley Federal del Derecho de Autor (LFDA) de los Estados Unidos Mexicanos (México). El uso de imágenes, fragmentos de videos, y demás material que sea objeto de protección de los derechos de autor, será exclusivamente para fines educativos e informativos y deberá citar la fuente donde la obtuvo mencionando el autor o autores. Cualquier uso distinto como el lucro, reproducción, edición o modificación, será perseguido y sancionado por el respectivo titular de los Derechos de Autor. “No se puede llegar a la verdadera ciencia a menos que se haya aprendido antes a rendirle culto. Verdad es que el hombre tiene derecho a mirar de frente la luz, mas ese derecho tiene que conquistarlo” R. Steiner. Agradezco... ... a mi Dios por esa posibilidad de Luz... ... a mis padres Pablo y Coty por su amor, dedicación y ejemplo. ... a Génesis por su amor y paciencia. Un agradecimiento especial para mi tutor, el Dr. José Gonzalo Rangel López, por su disposición a dar el cauce correcto al presente trabajo y a mis inquietudes profesionales. Finalmente, por el tiempo dedicado a revisar esta tesis y sus valiosos comentarios, agradezco a mis sinodales: Dra. Ruth Selene Fuentes García Dr. Eneas Arturo Caldiño García M. en C. Jorge Humberto Del Castillo Spíndola Act. Gildardo Yahveh Romero Rodríguez 1 CONTENIDO 1. INTRODUCCIÓN ....................................................................................................................... 2 2. RIESGO DE CRÉDITO ................................................................................................................ 6 2.1 El Crédito ........................................................................................................................... 6 2.2 Riesgo de Crédito............................................................................................................... 9 2.3 Modelos de Riesgo de Crédito ........................................................................................ 13 3. MODELOS MULTIVARIADOS DE VOLATILIDAD...................................................................... 21 3.1 Portafolios de Varianza Mínima ...................................................................................... 21 3.2 Modelos Multivariados de Volatilidad ............................................................................ 23 4. MODELO DE RIESGO DE CRÉDITO FACTOR-‐DCC ................................................................... 38 4.1 Fundamentos Económicos de las Correlaciones ............................................................. 38 4.2 Modelo de Correlaciones Condicionales Dinámicas (DCC) ............................................. 41 4.3 Modelo Factor-‐DCC de Riesgo de Crédito ....................................................................... 44 5. ESTIMACIÓN DEL MODELO Y RESULTADOS .......................................................................... 54 5.1 Datos................................................................................................................................ 54 5.2 Estimación del Modelo.................................................................................................... 55 5.3 Resultados ....................................................................................................................... 57 6. CONCLUSIONES ..................................................................................................................... 69 7. BIBLIOGRAFÍA ........................................................................................................................ 71 APÉNDICE ...................................................................................................................................... 73 2 1. INTRODUCCIÓN En las últimas décadas se ha escrito una gran cantidad de artículos sobre riesgo de crédito que han abordado tanto cuestiones teóricas como cuestiones prácticas. Estas contribuciones han sido hechas desde distintas áreas de conocimiento: economía, finanzas, actuaría, administración, sistemas computacionales, teoría de juegos, teoría de contratos, entra otras. El creciente interés por un área tan específica como el riesgo de crédito puede explicarse por los nuevos retos a los que se enfrentan las instituciones financieras. Por ejemplo, las nuevas regulaciones tanto locales como directrices internacionales tipo Basilea I y II. Se han dado innovaciones en los mercados de crédito entre las que destaca el desarrollo de productos estructurados de crédito como los CDO (Credit Default Obligations), MBS (Mortgage Backed Securities), etc. En general, existe una necesidad de evaluar correctamente el riesgo involucrado en las operaciones financieras cada vez más sofisticadas e impersonales. Este rápido y concurrido desarrollo en el área ha conducido a un proceso de selección, donde los innumerables modelos propuestos son confrontados con distintos retos teóricos y prácticos. Algunos de estos modelos han probado ser buenos a nivel teórico pero con deficiencias a nivel práctico, y viceversa. Hay, por supuesto, modelos que guardan un balance entre robustez teórica y aplicación práctica. Ninguna de estas categorías es necesariamente mejor que las otras, todo depende de si la pregunta que se intenta resolver es relevante y de si la respuesta es adecuada. Por esta razón es importante delimitar bien el problema a resolver y los alcances del modelo propuesto. El problema que se aborda en el presente trabajo es el de la medición del riesgo de crédito en un portafolio de activos financieros. El modelo propuesto describe la varianza (multivariada) de los activos en el portafolio de forma dinámica con una estructura que permite hacer simulaciones en el tiempo y recuperar la función de distribución de pérdidas, la cual es unaherramienta fundamental para el administrador de riesgos. En la administración de riesgos de portafolios financieros un reto consiste en modelar las matrices de varianzas multivariadas. Al aumentar el número de 3 activos, la estimación de la matriz de volatilidad se vuelve demasiado compleja y demandante en recursos de cómputo. El modelo propuesto (Factor-‐DCC) permite modelar cada una de las componentes de la matriz de forma separada, sin dejar de lado la interdependencia entre los activos del portafolio. Es decir las varianzas y covarianzas de los activos se modelan en forma univariada y condicional: las varianzas individuales siguen procesos tipo GARCH y las covarianzas se obtienen a partir de estas varianzas y de las correlaciones, las cuales siguen procesos DCC (Correlaciones Condicionales Dinámicas, por sus siglas en inglés). Robert Engle (2009) califica a esta modelación dinámica de las correlaciones como un nuevo paradigma para la administración de riesgos. El modelo se plantea como un modelo de factores, es decir, se considera que existen factores (económicos, estadísticos) que imponen una dinámica común a los activos, al estilo del CAPM de Sharpe (1964) o del APT de Ross (1976). Para este trabajo se sigue la metodología de Engle, Berd y Voronov (2007). En dicho trabajo los autores utilizan un modelo Factor-‐GARCH (de la misma familia de modelos que el Factor-‐DCC) para capturar la volatilidad de los productos CDO (Colletaralized Debt Obligations) los cuales son portafolios financieros muy generales. En Engle (2009) se muestra cómo el empleo de modelos DCC pudo haber anticipado los agentes financieros cuando invirtieron en exceso en los productos CDO, durante las crisis hipotecaria de U.S.A. El comportamiento económico que se trata de capturar es que, en períodos de alta volatilidad en los mercados financieros, existen dos procesos de volatilidad hacia dentro de los portafolios: el de la volatilidad propia del activo y el de la covarianza con los otros activos del portafolio (y el mercado mismo). De entre la vasta literatura de modelos de riesgo de crédito, se opta por esbozar los modelos de riesgo de crédito más populares entre las instituciones financieras. Algunos de ellos alcanzan el estatus de “paradigmas” como los son CreditRisk+ y CreditMetricsTM. Con este breve recorrido -‐que se realiza en el capítulo 2-‐ nos situamos en contexto y podemos contrastar ventajas y desventajas de las distintas metodologías de medición del riesgo de crédito. En este capítulo también se hace una discusión sobre el concepto de riesgo de crédito: su 4 evolución, la distinción respecto a otro tipo de riesgos financieros y económicos, las innovaciones en los mercados de crédito y los retos que conllevan. En el capítulo 3 se trata el tema de los modelos de volatilidad multivariados, en los cuales se enmarca la medición de riesgo de crédito propuesta. En esta área de estudio las contribuciones son abundantes. Se opta por esbozar los modelos considerados como relevantes en Silvennoinen y Teräsvirta (2008); Bauwens, Laurent y Rombouts (2006); y en Tsay (2006). Una vez puesto este marco de referencia es más fácil apreciar las bondades de los modelos DCC para la estimación de matrices de varianzas multivariadas. Se esbozan desde modelos muy básicos hasta modelos más sofisticados. Para ser justos, se incluyen en la reseña modelos más flexibles que el modelo Factor-‐DCC (básico para esta tesis) para la modelación de la matriz de varianzas y covarianzas; modelos que emplean información de alta y baja frecuencia simultáneamente para describir tendencias de largo plazo no estacionarias y fluctuaciones alrededor de dichas tendencias. Esta clase de modelos bien pueden emplearse en la medición del riesgo de crédito pero rebasarían los alcances de lo que aquí se pretende presentar. El cuarto y el quinto capítulo son los centrales en esta tesis. En el capítulo 4 se explica la construcción del modelo. En primer lugar se da una justificación de teoría financiera para el uso de las correlaciones para modelar dependencia en series de rendimientos financieros. Enseguida se plantea el modelo DCC, las partes que lo conforman y la forma en que interactúa con los modelos GARCH. Se desarrolla la forma en que el modelo se modifica para tomar en cuenta la existencia de un factor común a los rendimientos. Se explica la estimación usando métodos de máxima verosimilitud. En el capítulo 5 se desarrolla una aplicación práctica del modelo para un portafolio de acciones de la Bolsa Mexicana de Valores. Se explican los supuestos a los que se recurre, como el supuesto de Portafolio Homogéneo. Para dar riqueza al análisis se prueban distintas especificaciones de la heteroscedasticidad de las varianzas. Una vez que se ha estimado la matriz de varianzas y covarianzas condicional del portafolio, se aprovecha la estructura del modelo para simular trayectorias de rendimientos. El producto final de la simulación es la recuperación de la función de distribución de las pérdidas (rendimientos). 5 Finalmente los capítulos 5 y 6 se presentan las conclusiones y la bibliografía a laque se recurrió en la elaboración de este trabajo. Para tener un referente de la eficiencia de las correlaciones respecto a otras medidas de dependencia se incluye un apéndice donde se repasan de forma breve otras medidas menos populares pero que son de uso común en el medio financiero. 6 2. RIESGO DE CRÉDITO 2.1 El Crédito La actividad de crédito es fundamental para la economía. Permite a los distintos agentes económicos ir más allá de lo que sus respectivas restricciones presupuestarias les imponen. El crédito hace posible que más individuos tengan acceso a vivienda, educación y a bienes de consumo básicos para el bienestar en los hogares. Las empresas tienen acceso a proyectos más rentables y con potencial de generación de empleo. Los entes públicos tienen mayor flexibilidad fiscal para proveer servicios, infraestructura, programas sociales y para tener mejores instrumentos de planeación y control presupuestal. Debido a la importancia de la actividad de crédito (en sus cada vez más diversas formas) ésta debe ejercerse con responsabilidad y conocimiento. En este sentido, es fundamental contar con una valoración lo más precisa posible del riesgo involucrado en una transacción de crédito. Si bien es posible rastrear los orígenes de la actividad de crédito en las primeras transacciones comerciales de la humanidad1, resulta más relevante para los propósitos de este trabajo remitirnos a los orígenes de la actividad de crédito bancario. Históricamente los bancos han sido los prestamistas por excelencia y los que (lógicamente) empezaron a analizar mejores prácticas de otorgamiento de crédito. De acuerdo a de Roover (1966) las ciudades de Siena y Plascencia en Italia fueron los primeros centros bancarios de Europa, incluso antes que Florencia. Sin embargo, el modelo de banca que se desarrolló en esta última es el precedente más similar a la banca que conocemos hoy en día. La primera mitad del siglo XIV estuvo dominada por las familias Bardi, Peruzzi y Acciaiulli. A finales de dicho siglo 1 “En el Código de Hammburabi, aproximadamente en 1800 a.C., se incluyen secciones respecto a la regulación del crédito en Babilonia (véase Homer y Sylla [1996]). Hay evidencia de que la Civilización del Valle Indo, una civilización ribereña posiblemente más antigua que Babilonia misma, tenía contacto comercial con ésta a través de la ciudad vecina de Meluhha (véase Sasson [1995]). Así que posiblemente el interés por el riesgo de crédito históricamente se remonta a tiempos anteriores a 1800 a.C.” Texto citado en Caouette, et.al (1998) traducido por el autor. 7 surgen participantes como los Medici, los Pazzi y otros menos renombrados. El banco de los Medici que es emblemático de la Florencia renacentista, se establece en 1397 y cierra sus puertas en 1494. Posteriormente surgen otros banqueros prominentes en Europa, como los Rothschild en Alemania en los siglos XVIII y XIX. Entre la élite pionera en la banca también podemos contar a J.P. Morgan a finales del siglo XIX y principios del XX. Esta élite pionera en la banca tenía una característica común: su cercanía con el poder político. Era una forma de hacer banca mediante relaciones públicas y persiste hasta el día de hoy aunque con un peso específico menor. En esta forma tradicional de hacer negocio (otorgando crédito) es prioridad la relación con el cliente, pasando por alto incluso que el cliente le haya causado pérdidas en el pasado debido a incumplimientos. Los riesgos asumidos eran elevados y se basaban únicamente en el conocimiento del dinero, poder y fiabilidad del cliente. La regla de otorgamiento era el “ojo experto” del banquero, que podía sintetizar las características del cliente para hacer trajes a la medida. Empleando su sensibilidad experta los banqueros sabían cuánto podían prestar a un cliente, su solvencia y la rentabilidad del negocio en términos financieros y de poder económico. Por ejemplo, en Márquez (2006) se menciona una operación de principios del siglo XIX en la que los Rothschild deciden respaldar a los ingleses en el envío de oro desde Inglaterra hasta España. El general inglés Wellington (Arhur Wellesley) se encontraba apoyando a España en contra de la invasión francesa. Los Rothschild se las ingeniaron para hacer llegar el oro a Wellington pasando por la misma Francia, corriendo el grave riesgo de ser sorprendidos por Napoleón Bonaparte. El negocio resultó exitoso a pesar del riesgo de crédito tan alto de la operación. La ganancia: la corona inglesa quedó “muy agradecida” por años. Como caso no exitoso de cercanía con el poder podemos remitirnos nuevamente a los Medici, quienes a finales del siglo XV y con una administración poco eficiente del banco reciben el “golpe de muerte” al serles confiscado el banco de parte de los círculos de poder. Los bancos, pues, tenían un negocio muy focalizado de pocos pero importantes clientes a quienes conocían de forma cercana. Las ganancias se recibían en términos financieros, de poder y de información privilegiada. Se necesitaba de sensibilidad para los negocios y para la política. 8 La globalización de la banca –y por lo tanto del crédito-‐ ya existía en época de los Medici y de los Rothschild. Por ejemplo,los Rothschild contaban con sucursales en varios continentes. Claro está, esta globalización era acotada por el número reducido de participantes y por lo excluyente del sistema. Hoy en día la banca es global y da acceso a un mayor número de participantes, incluso a individuos con poco capital en lo individual pero que en el agregado representan un negocio importante para los bancos. Además, la intermediación financiera no bancaria también se ha diversificado, crecido y globalizado. Actualmente existen participantes muy especializados, como las SOFOLES o SOFOMES en México, agencias calificadoras de instrumentos financieros, proveedoras de precios, cámaras de compensación electrónicas, empresas dedicadas a empaquetar créditos, a estructurar instrumentos financieros e intermediarlos, etc. La línea divisoria entre banca comercial y privada se ha vuelto difusa y su existencia es objeto de debate. Se tienen mercados financieros muy dinámicos, con especuladores, creadores de mercado, inversionistas institucionales poderosos, todos ellos con capacidad de mover expectativas y precios. Existen bancos centrales activos imponiendo controles a los flujos de capitales (más o menos laxos de acuerdo al país en cuestión) y cuyas decisiones impactan en el costo financiero de los créditos. En resumen: los mercados de crédito se han vuelto muy complejos. Altman et al. (2008) resumen los 10 cambios más importantes en los mercados de crédito como sigue: • Desarrollo de nuevos productos. Particularmente en las áreas de derivados de créditos y de financiamiento estructurado. • La creciente sofisticación de los agentes más grandes en los mercados de crédito en términos de técnicas y de estrategias. • El uso cada vez mayor de modelos matemáticos y científicos (por ejemplo, modelos de scoring para créditos hipotecarios y modelos de correlaciones para determinar el precio de canastas de swaps de defaults). 9 • Los nuevos acuerdos de Basilea, los cuales han moldeado directamente los mercados bancarios e indirectamente influenciado a los participantes del mercado en general (llamado con frecuencia el regulatory capital arbitrage). • La mayor disponibilidad de información confiable sobre operaciones de crédito a nivel global a través del Internet. El enorme crecimiento en las capacidades de los sistemas de cómputo a costos accesibles, que permite una mejor capacidad para generar reportes y para modelación. • Enormes cambios en los mercados mismos en términos de tamaño, liquidez y globalidad. • El surgimiento de fondos de coberturas (hedge funds) como inversionistas mayores en los mercados. • La creciente influencia (y posterior declive) de las empresas calificadoras. • Menores niveles de pérdidas y mayores niveles de liquidez conducen a una reducción de los spreads de crédito, el cuál alcanzo mínimos históricos en junio de 2007. Este frenesí del mercado involucró a un número grande de inversionistas en lo que resultó ser una mala selección de créditos. Siguiendo a los mercados internacionales, el mercado crediticio en México ha crecido también en tamaño y en sofisticación durante la última década. Sin embargo, dicho crecimiento no se ha dado en los mismos niveles que se ha dado en los mercados de países más desarrollados. 2.2 Riesgo de Crédito Como se mencionó en la sección anterior, los instrumentos de crédito hoy en día van más allá de los bonos corporativos, gubernamentales o productos bancarios tradicionales. Actualmente existen instrumentos mediante los cuales se pueden financiar empresas con proyectos productivos ligados a la economía real; intermediarios con necesidades meramente financieras; entes públicos con 10 objetivos sociales; pero cuyo grado de complejidad hacen que la evaluación del riesgo que conllevan sea poco clara. Salvo para algunas operaciones muy grandes (y no todas) el crédito se ha vuelto algo impersonal. Incluso en operaciones sencillas como de tarjeta de crédito o créditos hipotecarios el manejo del crédito es impersonal en casi cualquier institución financiera. El crédito ha cambiado y junto con él la medición del riesgo involucrado. Es importante hacer una distinción de los distintos tipos de riesgos financieros que existen. A grandes rasgos, Darrel Duffie y Kenneth J. Singleton (2003) proporcionan la siguiente clasificación de riesgos financieros: -‐ Riesgo de Mercado: el riesgo de cambios inesperados en los precios o tasas. -‐ Riesgo de Crédito: el riesgo de cambios en valor asociados a cambios en la calidad crediticia. -‐ Riesgo de Liquidez: el riesgo de que los costos de ajustar posiciones financieras incrementen sustancialmente, o de que la firma pierda acceso al financiamiento. -‐ Riesgo operacional: el riesgo de fraude, de fallas en los sistemas, errores en el trading (por ejemplo, una valuación inadecuada de precios), y otros riesgos organizacionales internos. La mayoría de los riesgos a que se enfrenta una institución financiera van a caer dentro de una de estas categorías. Para abundar en el tipo de riesgo que nos interesa, se presentan enseguida otras definiciones de riesgo de crédito: “… el riesgo de no recibir los pagos acordados sobre inversionestales como préstamos o bonos, debido al default de la contraparte”. Embrechts et al. (2005). “… el riesgo asociado a cualquier tipo de eventos relacionados con la actividad crediticia, tales como: cambios en la calidad crediticia (ajustes a la alza o a la baja 11 de las calificaciones de crédito), variaciones de los spreads de crédito, y el evento de default”. Bielecki et al. (2004). “… la pérdida potencial que se registra con motivo del incumplimiento de una parte en una transacción financiera (o en alguno de los términos y condiciones de una transacción). También se concibe como un deterioro de la calidad crediticia de la contraparte o en la garantía o colateral pactada originalmente” De Lara (2002). “Se determina que existen dos tipos de riesgo de crédito: el riesgo de incumplimiento, que se refiere a la pérdida potencial derivada de que la contraparte no pueda cumplir sus obligaciones financieras en las condiciones definidas contractualmente; y el riesgo de mercado, que se define como la pérdida 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 aún en el caso de que la contraparte no sufra quebranto alguno”. Comité de Supervisión Bancaria de Basilea (1999). Algunos académicos definen al riesgo de crédito como un tipo de riesgo de mercado. En la última definición vemos que la clasificación es a la inversa: el riesgo de mercado es un tipo de riesgo de crédito. El riesgo de mercado es muy parecido al riesgo de crédito, en especial para valuaciones con precios de mercado. Pero sí existe una distinción fundamental entre estos conceptos. El riesgo de mercado se refiere a eventos “cotidianos” mientras que el riesgo de crédito se refiere a eventos “extremos” en la calidad de los instrumentos de crédito. En la literatura de las fallas de mercado existen tres conceptos que también son importantes para nuestro estudio: -‐ Selección Adversa: se da cuando un comprador acude al mercado pero no puede determinar la calidad de lo comprado debido a un problema de información donde el vendedor no revela toda la información relevante. -‐ Riesgo Moral: se da cuando el diseño de un contrato proporciona incentivos a una de las partes para modificar su comportamiento, conduciendo por 12 ejemplo a una toma excesiva de riesgos. El problema es de acciones más que de información como en el caso de la selección adversa, aunque sí existe una componente de información asimétrica. -‐ Externalidades: ocurren cuando un agente económico se ve afectado por las decisiones o acciones de otro agente con el que no tiene una relación directa. Son efectos colaterales y pueden ser negativas o positivas. Los dos primeros mecanismos han sido incorporados en la práctica tradicional del análisis del riesgo de crédito. Respecto a las externalidades, si bien se han tomado para el análisis tradicional, esto ha sido en menor medida y más como una consideración de buen juicio que como una práctica sistemática. Las diversas crisis financieras de las últimas décadas han dejado claro que tomar en cuenta las externalidades es relevante en presencia de eventos sistémicos. Es decir, existen eventos, como la quiebra de Lehman Brothers en septiembre de 2008, que comprometen el funcionamiento de todo el sistema financiero. Incorporar el riesgo sistémico al análisis es vital para las instituciones privadas y los gobiernos. El riesgo sistémico debe impactar directamente la medición del riesgo de crédito. Es natural pensar en una correlación creciente de los eventos económicos. Cada vez es más difícil pensar en eventos económicos totalmente independientes. Los eventos ligados a la actividad de crédito tienden a estar relacionados entre sí a nivel nacional y a nivel internacional. Este efecto se acentúa en épocas de inestabilidad económica, como quedó claro en la crisis actual (2008). Eventos originados en los mercados internacionales de crédito (principalmente en E.U.A.) tienen repercusiones en la economía de todos los países en el mundo en distintas dimensiones: producción, consumo, mercados laborales, comercio, el crédito mismo, etc. La interacción entre agentes económicos es un proceso que varía en el tiempo. El valor de las empresas también cambia en el tiempo. Un modelo de crédito estático (que no incorpore información de manera condicional) probablemente va a arrojar una medición deficiente del riesgo. 13 Una medición adecuada del riesgo de crédito debe tomar en cuenta estos cambios. Además, debe capturarse el hecho de que el valor de un activo también se ve afectado por la variación en el valor de otros activos. Es de este modo que cobra forma y fuerza el argumento de contar con una medida condicional de la dependencia del valor de los activos financieros. Aquí es donde encuentran cabida los modelos de correlaciones condicionales dinámicas que se explican en detalle en el capítulo 4. A pesar de la importancia de contar con una valoración confiable del riesgo de crédito,la adopción de nuevos modelos no ha sido tan rápida como debiera. La afirmación anterior es válida para México y para otras economías emergentes. En México, por ejemplo, se tiene poca evidencia de la adopción de modelos de riesgo de crédito que contemplen la dinámica en el tiempo de las correlaciones entre activos de un portafolio. 2.3 Modelos de Riesgo de Crédito Existe entonces una necesidad de sistematizar la medición y el pricing del riesgo de crédito. Y por lo explicado en la sección anterior, es importante que dicha medición sea hecha de forma condicional. La medición del riesgo de crédito puede ser a nivel individual o a nivel portafolio. El énfasis en esta tesis es sobre los modelos de riesgo de crédito de portafolio. Antes de presentar el modelo Factor-‐DCC para riesgo de crédito de un portafolio de activos, es importante delinear un marco con modelos relevantes en el área de riesgo de crédito de portafolios. Una gran parte de las calificaciones de cartera se hacen con base en opiniones de especialistas o en una sistematización de esta intuición experta. Tal es el caso de los modelos de scoring, que asignan un puntaje con base en la experiencia de otorgamiento de crédito de la institución. 14 En cuanto a los modelos con un sustento teórico más claro, se pueden clasificar en modelos estructurales y modelos de forma reducida (Márquez, 2006). Los modelos estructurales tienen su origen el modelo propuesto por Merton (1974). En dicho modelo el incumplimiento de una empresa se da en función de su estructura de capital y del valor de sus activos respecto a sus pasivos. Cuando el valor de mercado de los activos es insuficiente para cubrir las obligaciones exigidas por sus pasivos o simplemente traspasa un valor crítico, se entra en un estado de default. Un problema serio del modelo es que las variables relevantes por lo regular no pueden observarse con la frecuencia requerida. Debido a esto y a los costos que implica su implementación, su uso por lo general se va a reservar para grandes corporativos. Los modelos de forma reducida determinan la quiebra como un proceso probabilístico que depende de los factores de entorno económico y financiero. Por ejemplo, las tasas de interés, la inflación y el tipo de cambio. En esta categoría se encuentran los modelos tipo Z-‐score de Altman y los modelos tipo logit y probit2. Este tipo de modelos también son usados en México y presentan la ventaja que no dependen de una calificación exógena para calcular las probabilidades de pérdida y la severidad de la misma. Es justo decir que hablar de los modelos de riesgo de crédito (más) empleados debe estar libre de afirmaciones categóricas, ya que las instituciones financieras consideran este tipo de modelos como parte de su capital intelectual y resulta complicado conocer a cabalidad qué modelos emplea cada una de ellas. Sin embargo, podemos obtener alguna información como la de una encuesta realizada en México a seis bancos en 1999 y citada en Elizondo et al. (2003). Se puede inferir que a pesar de que la mayoría de los bancos encuestados usan modelos internos de calificación de cartera, la manera en que realizan dicha calificación no conduce a una estimación explícita de la probabilidad ni de la severidad de las pérdidas. La calificación queda entonces más en un nivel cualitativo que en uno cuantitativo. Sin embargo, como se mencionó anteriormente, para un administrador de riesgos es fundamental conocer la función de pérdidas a las que está expuesta su inversión. 2 Modelos probabilísticos de elección discreta, que en el caso del otorgamiento de crédito calculan una propensión al pago o al no-pago, de acuerdo a una serie de características de la operación en particular. 15 Se hace una selección de modelos acorde con de Lara (2002), Elizondo et al. (2003) y Márquez (2006). Con excepción del modelo Z-‐score (riesgo individual) los modelos presentados se enfocan en el riesgo de crédito de portafolio. La siguiente descripción de los modelos es a un nivel muy general puesto que la intención no es hacer una exposición detallada de los mismos, sino dejar en claro las características principales que permitan un nivel de abstracción en el que puedan compararse unos con otros. Un modelo pionero en el tema de riesgo de crédito es el Z-‐score de Altman (1978). La base es una función discriminante, la función Z que asigna una calificación basada en el valor de las variables Xi (extraídas de los estados financieros de la empresa) y su ponderación correspondiente. Z = 1.2 X1 + 1.4 X2 + 3.3 X3 + 0.6 X4 + 0.99 X5 Esta función discriminante ya no es un score “subjetivo” como los mencionados anteriormente porque la calificación se basa en ponderaciones estimadas con datos reales de empresas que quebraron y de empresas en buen estado financiero. Lo que se discrimina es el estado de solvencia y el estado de insolvencia. Después de una cuidadosa selección de los determinantes de la salud financiera de una empresa, y partiendo de una lista de 22 razones financieras, Altman presenta una propuestaparsimoniosa donde los cocientes relevantes resultan ser: X1 = capital de trabajo/activos totales X2 = utilidades retenidas/activos totales X3 = utilidades antes de impuestos/activos totales X4 = valor de mercado de la acción/valor en libros de la deuda X5 = ventas/activos totales La calificación Z nos va a indicar la situación financiera de la empresa. Se determinan tres intervalos críticos: 16 -‐ Empresas sanas, si Z > 2.99. -‐ Empresas en bancarrota, si Z < 1.81. -‐ No es posible afirmar algo sobre su situación financiera, si 1.81 ≤ Z ≤ 2.99. Para determinar la confiabilidad del indicador, se realizan pruebas de hipótesis sobre el estadístico Z. En años posteriores (1977 y 1991) Altman hace modificaciones a su modelo original incluyendo otras variables que mejoran la capacidad de predicción de las quiebras. Las probabilidades de quiebra se determinan por medio de matrices de transición de estado. Las pérdidas promedio dado el estado de quiebra, junto con las probabilidades de quiebra nos permiten calcular la severidad de las pérdidas. Un modelo muy popular en la evaluación del riesgo de crédito de un portafolio es CreditMetricsTM, desarrollado por J.P. Morgan (1997). Es un modelo que utiliza precios de mercado. En forma general los 3 pasos de la metodología de CreditMetricsTM son los siguientes: • Establecer la matriz de transición que será utilizada, la cual se obtiene de una calificadora de valores o de forma interna o por alguna proveedora de precios. Los elementos de esta matriz son las probabilidades de transición del estado i al estado j, (Pij). • Se realiza una valuación del portafolio a valor presente contingente. Es contingente a la ocurrencia de cada uno de los estados de calidad crediticia y al evento de incumplimiento. Se toma en cuenta la posibilidad de cierta recuperación sobre las pérdidas y una tasa de interés acorde a cada uno de los posibles estados (más baja si la calidad crediticia mejora y más altas si empeora). • Usando las probabilidades de transición y los valores presentes contingentes y fijando umbrales del tipo VaR se simula la distribución de pérdidas del portafolio. 17 Se calculan la media y la varianza pero debido a la no-‐normalidad de los rendimientos de mercado, éstas no son suficientes para caracterizar correctamente los movimientos extremos en el portafolio. El modelo logra capturar kurtosis en la cola de la distribución, sin embargo esta es una modelación no-‐condicional. Se puede incluir modelación de las correlaciones mediante factores, pero nuevamente se realiza de forma no-‐condicional. Asumir que se cuenta con calificaciones de los activos o que se pueden generar internamente es un supuesto no trivial. Cabe resaltar que este modelo toma en cuenta: -‐ El evento de incumplimiento. -‐ El deterioro (o mejora) de la calidad crediticia del emisor. En contraste CreditRisk+, el modelo desarrollado por Credit Suisse/First Boston en 1977, únicamente modela el evento de incumplimiento. Por lo que se le conoce como modelo de probabilidad de impago3. Este modelo parte de la teoría del riesgo, la cual se desarrolló en gran parte para dar respuesta a los problemas actuariales con los que se enfrentan las compañías aseguradoras. Las compañías aseguradoras integran en sus portafolios activos/pasivos de naturaleza contingente, de ahí la similitud con los portafolios de activos sujetos al riesgo de crédito. La técnica actuarial toma en cuenta el efecto de la diversificación pero también el tamaño y la concentración de los créditos, elementos que son incorporados por CreditRisk+. El modelo considera dos estados de la naturaleza, a diferencia de CreditMetricsTM donde los estados son múltiples. Dichos estados son cumplimiento e incumplimiento. La probabilidad de incumplimiento va a ser aquí una variable continua que tiene una distribución Poisson. El parámetro característico de la distribución Poisson va 3 Y por su parte, los múltiples estados posibles, a CreditMetrics se le conoce como modelo de mark-to-market. 18 a ser la tasa de créditos incumplidos se registran en cierto período de tiempo. Pero este parámetro no es meramente determinista sino que sigue un proceso gamma. Se considera que existen factores sistemáticos y factores idiosincráticos que afectan al valor de los activos. Estos factores son los que determinan la forma en que debe segmentarse el portafolio: se asignan proporciones de cada instrumento a sectores que son independientes entre sí. Las proporciones están en relación directa con la influencia del factor sobre el instrumento. Cada sector está ligado a un factor. Bajo esta segmentación del portafolio se pueden modelar la tasa de incumplimientos de una manera relativamente sencilla y obtener la distribución del número de incumplimientos. La distribución de pérdidas del portafolio se deriva a partir de esta última. Gracias a la segmentación en sectores relacionados a factores independientes es relativamente sencillo pasar de las distribuciones marginales a las conjuntas y viceversa. Nótese que los supuestos distribucionales son sobre el número de incumplimientos y no sobre los montos de las pérdidas. Se logracapturar adecuadamente los efectos de concentración y volatilidad en las probabilidades de incumplimiento. Se captura la kurtosis de la cola izquierda de la distribución. No se modela la migración a distintos estados de calidad crediticia. La modelación es condicional respecto a los factores pero no en el tiempo. CreditMetrics y CreditRisk+ son los dos modelos más usados por los bancos para medir el riesgo de crédito. Sin embargo, debido al requerimiento de calificaciones adecuadas de crédito, no es aplicable en muchas situaciones en México. Javier Márquez/Banco de México (2002) propone el modelo CyRCE que presenta tres ventajas importantes: (i) Hace supuestos que permiten obtener expresiones cerradas del VaR y no incurrir así en métodos numéricos altamente demandantes de recursos. 19 (ii) Permite la segmentación de la cartera en grupos no homogéneos a diferencia de CreditMetrics y CreditRisk+. (iii) Se consideran correlaciones entre activos y entre grupos de activos. El modelo permite descomponer el riesgo, de manera que se aprecia la contribución al riesgo de crédito tanto de las probabilidades individuales, como la de la concentración –medida a través del índice de Herfindahl-‐Hirschman. Un problema importante es que modelos más populares como el paradigma CreditMetricsTM, emplean como insumos las calificaciones de crédito. Estas calificaciones se determinan con frecuencia usando la experiencia de otros países y en consecuencia ignoran aspectos relevantes del mercado interno específico. La aplicación de modelos que no toman en cuenta particularidades regionales o locales es cuestionable, por lo que las agencias calificadoras han tenido que evolucionar en este aspecto. Hoy en día se emiten calificaciones más regionalizadas y por lo tanto más específicas a las empresas. Sin embargo, la credibilidad de las empresas calificadoras se ha deteriorado recientemente al no haber anticipado correctamente los riesgos en la crisis financiera de 2008. Cada uno de estos modelos incorpora por separado elementos importantes para caracterizar el riesgo de crédito adecuadamente. Sin embargo, y aunque algunos de estos modelos toman en cuenta las interrelaciones entre los activos de una cartera, todos ellos nos dan una medida no condicional (estática) del riesgo de un portafolio. Por esta razón, los modelos anteriores no nos permiten incorporar completamente el impacto de los cambios en el entorno económico sobre los parámetros que caracterizan la distribución conjunta de pérdidas en el tiempo. En México no parece existir evidencia de que la tendencia en los modelos empleados haya evolucionado hacia esquemas dinámicos para la evaluación del riesgo de crédito. De la investigación para este trabajo sobre los modelos empleados en las instituciones financieras en México, sólo se tuvo conocimiento 20 de una institución que ha desarrollado un modelo de correlaciones condicionales con un factor y el modelo no es del dominio público. El modelo que se propone en esta tesis toma en cuenta la dinámica en el tiempo del valor de los activos y la dinámica en el tiempo entre los activos de un portafolio. El producto final del modelo es la función de distribución condicional de las pérdidas del portafolio. En el capítulo 4 se presenta dicho modelo, comenzando con una introducción al tema de la modelación de la matriz de varianzas y covarianzas, el cual es un elemento central en la teoría de portafolios. 21 3. MODELOS MULTIVARIADOS DE VOLATILIDAD 3.1 Portafolios de Varianza Mínima El trabajo pionero en la selección de portafolios óptimos es el de Harry Markowitz de 1952, “Potfolio Selection”. Los modelos teóricos anteriores al de Markowitz visualizaban al rendimiento esperado como el mejor parámetro para juzgar la conveniencia de una inversión. La innovación de Markowitz fue reconocer al riesgo de la inversión como el otro parámetro relevante para las decisiones de inversión y propuso a la varianza como medida representativa de dicho riesgo. Puesto de manera simplificadora, Markowitz propone buscar portafolios de mínima varianza para un determinado nivel de retornos esperados. O bien, buscar portafolios de máximo retorno dado un nivel de varianza. En términos matemáticos la expresión más básica del modelo es la siguiente: min w ′w Vr w sujeto a: ′w r ≥ µ y wi∑ = 1 Donde r es el vector de rendimientos de los activos del portafolios, wi es la proporción del portafolio invertido en el activo i, µ es el nivel mínimo de rendimientos requerido y Vr es la matriz de varianzas y covarianzas de los rendimientos. 22 Esta simple expresión matemática nos resume el paradigma central de las finanzas: alcanzar un balance óptimo entre riesgo y rendimiento. A partir de este modelo se han desarrollado otros trabajos importantes, como el Capital Asset Pricing Model de Sharpe (1964) que también estudia la mejor forma de conformar un portafolio de inversión. Sharpe descompone el riesgo en una parte sistemática (no diversificable) y una parte idiosincrática (diversificable).Se estima una regresión de los rendimientos de los activos sobre el rendimiento de mercado. rit = βMirMt + ε it El rendimiento de mercado es la parte sistemática y los errores son la parte idiosincrática. El coeficiente estimado (beta) nos va a decir la sensibilidad de cada activo respecto al mercado. Se busca integrar al portafolio con activos bien diversificados y por lo tanto con betas pequeñas. En 1976 Stephen Ross propone una generalización del CAPM con su Asset Pricing Theory, donde considera que los rendimientos pueden estar explicados por otros factores además del exceso de rendimiento del mercado. Cuando tenemos modelos multifactoriales, podemos representar al rendimiento del activo i de la siguiente forma: rit = β1ix1t + β2ix2t + ....+ βkixkt + ε it Donde (para j=1,…,k) las Xjt son los k factores de riesgo, las β ji las respectivas sensibilidades del activo a los factores de riesgo y ε i los rendimientos idiosincráticos. 23 El problema de varianza para portafolios que consideran factores de riesgo es similar: min w ′w Vr w sujeto a: wi∑ = 1 y ′w r ≥ µ pero donde ahora Vr = βVx ′β + Vε Es decir la matriz de varianzas y covarianzas de los rendimientos del portafolios está ahora compuesta de la matriz de varianzas y covarianzas de los factores, sus respectivas sensibilidades, y la matriz de varianzas y covarianzas de riesgos idiosincráticos. De esta breve exposición sobre portafolios de varianza mínima podemos ver la importancia que tiene en finanzas la estimación de la matriz de varianzas y covarianzas del portafolio. Esta no es la única aplicación para la matriz de varianzas y covarianzas pero es la que mejor muestra la intuición de la asociación del riesgo a la varianza (desviación estándar o volatilidad) y la importancia de conocer dicha matriz. 3.2 Modelos Multivariados de Volatilidad Estimar la matriz de volatilidades es central para esta tesis en la que se propone un método parsimonioso para la estimación y con una estructura que permite simular la función de pérdidas del portafolio. Para entender las ventajas y desventajas del modelo, además del repaso sobre modelos de riesgo de crédito del capítulo anterior se considera apropiado hacer también un breve repaso sobre los modelos de volatilidad multivariados. 24 La modelación de la matriz de varianzas y covarianzas Ht puede clasificarse de la siguiente manera4: Ht La mayoría de estos modelos pertenecen a la familia Generalizada de Heteroscedasticidad Autoregresiva Condicional (GARCH) con excepción de los modelos de Volatilidad Implicada, Volatilidad Estocástica y Volatilidad Realizada. Puesto que el modelo DCC pertenece a la familia GARCH multivariada, nos enfocaremos más en este tipo de modelos. Los modelos de varianzas condicionales tienen la siguiente forma: ht = Var(rt Ft−1) = E(rt 2 Ft−1) = Et−1(rt 2 ) Son condicionales porque están condicionados a un conjunto de información o sigma-‐álgebra o filtración. Los modelos de varianzas condicionales autoregresivos tienen su origen en el trabajo de 1982 de Robert Engle “Autoregressive condicional heteroscedasticity 4 Para este repaso de modelos multivariados de volatilidad me basé en cuatro trabajos: - “Multivariate GARCH Models: a survey” de Bauwens, Laurent y Rombouts (2006) - “Multivariate Volatility Models” de Ruey S. Tsay (2007) - “Multivariate GARCH Models” de Annastina Silvennoinen y Timo Teräsvirta (2008) - “Market Models” de Carol Alexander (2001) Volatilidad Estadística Volatilidad Implicada - Modelación Directa - Modelación con Factores - Modelación Indirecta con Correlaciones - Modelación Semi-paramétrica - Volatilidad Estocástica y Volatilidad Realizada 25 with estimates of the variance of United Kingdom inflation”. La aportación de este trabajo es generalizada posteriormente por Tim Bollerslev (1986). La forma que asumen estos modelos es la siguiente: rt = htεt ht = α0 + α irt− i 2 + β jht− j j=1 q ∑ i=1 p ∑ ht es la varianza condicional y es un proceso latente que se estima a partir de los rendimientos que sí son observables. De la forma autoregresiva de la varianza podemos ver que aquí el conjunto de información sobre el que se condiciona se genera con rezagos de los rendimientos al cuadrado. Son modelos de heteroscedasticidad porque la varianza condicional cambia en el tiempo. La suma de los parámetros alfa y beta debe estar dentro del círculo unitario para que el proceso sea estacionario. Los modelos multivariados GARCH que se han desarrollado no son tan directos de estimar como los modelos univariados. Hay varias características deseables, de carácter práctico, para un modelo de volatilidad multivariado: -‐ Flexibilidad: el modelo debe ser capaz de describir de manera adecuada la dinámica en el tiempo de las varianzas y covarianzas condicionales. -‐ Parsimonía: los modelos más flexibles presentan un problema de alta dimensión en el número de parámetros y alto consumo de recursos de cómputo. A esto se le conoce como “curse of dimensionality”. La búsqueda de modelos que sean teóricamente robustos y factibles de implementar para un gran número de activos en la práctica, es un objetivo importante en la modelación de la matriz de varianzas condicional. La parsimonia se refiere al númerode parámetros a ser estimados y a la facilidad de implementación. Existe por tanto un trade-‐off entre flexibilidad y parsimonía. Un modelo ideal reduce al mínimo este trade-‐off. 26 -‐ Matrices positivas definidas: por ser matrices de varianza. Éste no es un problema menor. El obtener estimados positivos definidos requiere imponer restricciones, que para algunos modelos pueden ser demasiado fuertes. -‐ Estacionariedad: los primeros modelos de varianzas condicionales multivariadas son modelos estacionarios. Sin embargo, los procesos multivariados de volatilidad no tienen por qué apegarse al supuesto de estacionariedad. El planteamiento general de varianzas multivariadas condicionales (MGARCH) es el siguiente: es un proceso estocástico vectorial, de dimensión N x 1, E rt⎡⎣ ⎤⎦ = 0 es el conjunto de información generado por el proceso observable rt{ } hasta el tiempo t-‐1. Los rendimientos son condicionalmente heteroscedásticos, es decir: rt = Ht 1/ 2ξt Ht = Var rt Ft−1( ) ξt es RBE(0,I) La literatura sobre modelos MGARCH es abundante y por lo tanto se eligen sólo algunos modelos representativos, enfocándose en sus principales características y retos más que en una descripción detallada de los mismos. Modelación Directa de Ht Estos fueron los primeros modelos condicionales de volatilidad multivariada y por lo tanto son los que mayor grado de maduración teórica han alcanzado. El modelo que se considera como el punto de partida de la literatura GARCH multivariada es el modelo VEC-‐GARCH de Bollerslev, Engle y Wooldridge (1988). 27 Este modelo es un arreglo matricial que generaliza directamente el caso GARCH univariado: vech Ht( ) = c + Ajvech rt− j ′rt− j( ) j=1 q ∑ + Bjvech Ht− j( ) j=1 p ∑ donde vech(.) es un operador que apila las columnas de la parte triangular inferior de la matriz del argumento. La matriz tiene que ser cuadrada. Como puede verse, esta especificación es muy flexible pues las matrices de parámetros cambian según los períodos de rezagos, sin embargo presenta problemas de dimensionalidad y de cómputo (por ejemplo, un modelo VEC(1,1) con N=3 requiere estimar 78 parámetros). Además, para conseguir matrices positivas definidas es necesario recurrir a supuestos demasiado fuertes. Debido a las desventajas mencionadas, Bollerslev, Engle y Wooldridge (1988) proponen un modelo simplificado llamado Diagonal VEC-‐GARCH. El cual asume que las matrices de parámetros son matrices diagonales. La estimación se facilita pues se estiman ecuaciones separadas. Las condiciones de matriz positiva definida son más inmediatas para toda t. El modelo es parsimonioso (con N=3, se requiere estimar 21 parámetros) pero al costo de no poder estudiar interacciones entre las distintas varianzas y covarianzas condicionales. Los modelos tipo VEC presentan un problema numérico, pues las funciones de verosimilitud hacen estimaciones iterativas que requieren invertir la matriz en cada período t y para cada iteración. Engle y Kroner (1995) describen el modelo BEKK (por Baba-‐Engle-‐Kraft-‐Kroner). En este caso las matrices son positivas definidas por construcción pues se utilizan sólo formas cuadráticas: Ht = C ′C + ′Akjrt− j ′rt− j k =1 K ∑ j=1 q ∑ Akj + ′Bkj Ht− j Bkj k =1 K ∑ j=1 p ∑ 28 Se introduce el número K que determina el grado de generalidad del modelo. Se establecen condiciones para estacionariedad en covarianza análogas al caso univariado. Existen problemas de identificación cuando K > 1. La interpretación de los parámetros no es muy directa. Tomando K=1, podemos ver que no se modelan las varianzas y covarianzas de los rendimientos, sino varianzas y covarianzas de combinaciones lineales de los rendimientos. El modelo MGARCH exponencial de Kawakatsu (2006) generaliza el modelo univariado de Nelson (1991). Por construcción, al usar transformaciones exponenciales las matrices estimadas son positivas definidas: vech(ln Ht − C) = Aiηt− i + Fi (ηt− i i=1 q ∑ i=1 q ∑ − E ηt− i ) + Bivech(ln Ht− i − C) i=1 p ∑ El modelo no tiene problemas con las condiciones de matrices positivas definidas pero sí tiene problemas de dimensionalidad. En el mismo paper se proponen estas especificaciones más parsimoniosas. Modelación de Ht usando Factores La premisa de la que parten este tipo de modelos es que existen factores que imponen una dinámica común a las series de rendimientos. El objetivo que se busca es reducir la dimensionalidad de las estimaciones de forma válida, como en el APT de Ross (1976) mencionado anteriormente. Los factores pueden ser observables o no observables, pueden estar o no correlacionados, pueden ser homoscedásticos o heteroscedásticos. El uso de uno o de otros depende de lo que se intente modelar o de la generalidad que se le quiera imponer al modelo. Engle, Ng y Rostchild (1990) proponen el primer modelo Factor-‐ARCH: Ht = Ω + wk ′wk k =1 K ∑ fkt fk ,t = wk +α k ( ′γ k fk ,t−1) 2 + βk fk ,t−1 29 los factores f pueden o no estar correlacionados, pero son heteroscedásticos de orden uno. Idealmente la dimensión del vector de factores debe ser menor qua la del vector de rendimientos para lograr una mayor parsimonia. Es mejor trabajar con factores no correlacionados porque estos evitan duplicidad de información, permiten interpretaciones más directas del modelo
Compartir