Banco Central de Venezuela Colección Economía y Finanzas Serie Documentos de Trabajo FRAGILIDAD EN EL SISTEMA BANCARIO VENEZOLANO. UN MODELO DE RESPUESTA BINARIA MARÍA BERNARDETTE DiAS MARÍA FERNANDA HERNÁNDEZ OSWALDO LÓPEZ [Nº 86] Febrero, 2007 Banco Central de Venezuela Colección Economía y Finanzas Serie Documentos de Trabajo FRAGILIDAD EN EL SISTEMA BANCARIO VENEZOLANO. UN MODELO DE RESPUESTA BINARIA MARÍA BERNARDETTE DiAS* MARÍA FERNANDA HERNÁNDEZ* OSWALDO LÓPEZ* [Nº 86] Febrero, 2007 * Las opiniones expresadas en esta nota técnica son de la completa responsabilidad de los autores y no necesariamente corresponden con las del Banco Central de Venezuela Banco Central de Venezuela, Caracas, 2007 Gerencia de Investigaciones Económicas Producción editorial Gerencia de Comunicaciones Institucionales Departamento de Publicaciones Torre Financiera, piso 14, ala sur. Avenida Urdaneta, esquina de Las Carmelitas Caracas 1010 Teléfonos: 801.8075 / 8063 Fax: 536.9357 [email protected] www.bcv.org.ve Las opiniones y análisis que aparecen en la Serie Documentos de Trabajo son responsabilidad de los autores y no necesariamente coinciden con las del Banco Central de Venezuela. Se permite la reproducción parcial o total siempre que se mencione la fuente y no se modifique la información. ÍNDICE 1. Introducción...................................................................................... 9 2. Revisión de la literatura.......................................................... 10 3. Aspectos Metodológicos........................................................... 13 4. Descripción de los datos y variables................................. 15 4.1 Datos............................................................................................. 15 4.2. Variables..................................................................................... 16 5. Resultados........................................................................................ 19 6. Pronósticos....................................................................................... 24 7. Conclusiones.................................................................................... 30 Referencias Bibliográficas......................................................... 32 Resumen Este documento tiene por objeto elaborar un modelo de detección y proyección de fragilidad para la banca venezolana. La variable dependiente del modelo es dicotómica (banco frágil o no), con lo cual se utiliza el logit para estimar la probabilidad de que una institución financiera presente situaciones de vulnerabilidad. En la definición de fragilidad se utilizó un umbral de decisión de ajuste dinámico que permite capturar el comportamiento relativo de las instituciones financieras con respecto al total del sistema. Entre las variables que afectan la vulnerabilidad del sistema destacan: la ocurrencia de un boom crediticio y la mayor participación de depósitos del sector público en el total. Resalta el efecto diferenciado que la inversión en títulos públicos tiene sobre la fragilidad financiera, dado que la adquisición de títulos del BCV disminuye la fragilidad, en tanto que la tenencia de bonos gubernamentales aumenta la vulnerabilidad financiera. El mayor número de casos acertados en la predicción ocurre en los 6 principales bancos, en los cuales la situación de no-fragilidad es detectada en un 100% y los escenarios de fragilidad en un 87%. Palabras Clave: datos de panel, fragilidad, logit, variable dicotómica. Clasificación JEL: C00; E4; E59. Abstract The aim of this paper is to propose a model to detect and illustrate the Venezuelan banking fragility. A dichotomic dependent variable of the model (The bank is fragile or not) is used by adopting the logit to estimate financial institutions’ vulnerability probability. A dynamic decision threshold adjustment was used to define fragility allowing capturing the relative behavior of the financial institutions with respect to the system’s total. Among the variables that affect the vulnerability of the system can be found: the credit boom and the higher participation of public sector deposits in the total. It is to be highlighted the differential effect that public securities investment has on financial fragility, since the acquisition of BCV securities diminishes fragility while holding government bonds increases financial vulnerability. The prediction is highly perceived in six main banks, where non-fragility is 100% detected and fragility 87%. Keywords: fragility, logit, dichotomic variable. JEL classification: C00; E4; E59. 1. Introducción La experiencia internacional indica que procesos de crecimiento acelerado del crédito pudieran desencadenar en una situación de fragilidad bancaria. En este sentido, el importante crecimiento de la cartera de crédito de la banca venezolana a partir del año 2004, en un contexto de dinamismo de la actividad económica interna, hace pertinente realizar un estudio de fragilidad del sistema financiero. Más aun, si se considera que los indicadores tradicionales que se utilizan para hacer monitoreo bancario están influenciados por las condiciones económicas coyunturales, lo que pudiera ocultar eventuales situaciones de aumento de riesgo crediticio. El presente documento tiene por objeto elaborar un modelo que permita detectar o predecir la vulnerabilidad del sector financiero. A estos efectos, se construyó una ecuación que emite señales de alerta temprana a los agentes decisores, para monitorear y responder oportunamente ante posibles escenarios de inestabilidad financiera. El concepto de fragilidad está asociado a la contrastación de un indicador de vulnerabilidad financiera con respecto a un determinado umbral establecido como tope máximo de tolerancia prudencial. Una de las ventajas de este enfoque, en contraposición con la construcción de modelos de detección de crisis bancarias, radica en los beneficios obtenidos tanto en la oportunidad del pronóstico como en la evaluación empírica. El informe está estructurado como sigue: la primera sección muestra una revisión de los trabajos realizados anteriormente sobre el tema de fragilidad financiera; seguidamente, se realiza una breve descripción de la metodología aplicada y especificación del modelo; a continuación se describen los datos y las variables. En la cuarta sección se evalúan los resultados y, posteriormente, se enfatiza en el alcance de predicción del mismo en la sección llamada pronóstico. Finalmente, se presentan algunas conclusiones. 9 2. Revisión de la literatura En esta sección se expone un resumen de trabajos realizados anteriormente que tratan el tema de la fragilidad bancaria, los cuales sirvieron como referencia para diseñar el modelo. La disponibilidad de nuevas herramientas computacionales y la necesidad de incluir variables que han adquirido importancia en los últimos años, para explicar el comportamiento del sistema financiero venezolano, promovió la creación de un nuevo modelo econométrico que pudiera ser utilizado como herramienta de proyección en el corto plazo1. Tabla N° 1 1El programa econométrico E-views en su versión más reciente 5.1 permite estimar un modelo logit con datos de panel, estimación que no se encontraba disponible en las versiones previas. Por lo tanto, los estimadores encontrados a través de esta aplicación son más precisos que los obtenidos a través de las herramientas computacionales anteriores. 10 Tabla N° 2 11 Tabla N° 3 Ma. Amelia Fernández Autor 2004 Año 1997:01 - 2003:12 Muestra Inmovilización neta > 4% Variable dependiente Variables independientes (Cartera “Morosa” - Prov.) / Cartera Total Índice de cobertura < 1.5% (Capital social + Provisiones - Cartera crédito Morosa) / Total activo Inmovilización bruta > 10% (CC morosa / CC bruta) Capitalización (-) Inversión títulos públicos (-) Capitalización (-) Inversión títulos públicos (-) Spread por banco (-) Rentabilidad (-) Rentabilidad (-) Activo por banco (-) Otros activos (+) Otros activos (+) IVP (-) Activo por banco (-) Spread por banco (-) Spread global (+) IVP (-) Activo por banco (-) Tipo de cambio (-) Spread global (+) IVP (-) AR (1) (+) Tipo de cambio (-) AR(1) (+) IPC (+) AR(1) (+) Logit Método País Venezuela De los modelos anteriores se desprende lo siguiente: 1)La variable dependiente se construye con base en un criterio de umbrales fijos. Estos indicadores pudieran perder sensibilidad para detectar fragilidad bancaria en momentos de crecimiento acelerado de crédito. 2)Existe un consenso en utilizar variables macroeconómicas y microfinancieras. 3)Existe dualidad para determinar la vulnerabilidad financiera en el sentido que algunos estudios se enfocan en predecir situaciones de crisis y otros en escenarios de fragilidad. 4)Las variables que resultaron consistentemente significativas en los modelos fueron: rentabilidad, patrimonio, spread de tasas y tipo de cambio. 12 3. Aspectos Metodológicos Tomando en consideración que la variable dependiente del modelo de fragilidad a ser estimado es dicotómica2, el modelo seleccionado para la estimación es el logit. El mismo permite calcular la probabilidad de ocurrencia de un hecho específico, siendo en este caso particular, la probabilidad de que una institución financiera presente una situación de fragilidad. El modelo logit plantea: P(Yit = 1/Xit) = P(Yit = 1/x1t, x2t,….,xkt) (1) Donde: Yit= variable dependiente binaria para el banco i al mes t Yit= {0,1} x1t, x2t,….,xkt= variables explicativas La P(Yit=1/Xit) se define como la probabilidad de “éxito”, es decir, la probabilidad de que Yit=1, que en el presente estudio se identifica como la probabilidad de que el banco i sea frágil. A continuación se expone la forma funcional del modelo logit, que corresponde a la función de distribución logística3: P(Yit=1/Xit)=F(Xit β)=eXitβ/1+eXitβ) 2 3 (2) Una variable dicotómica es aquella que asume sólo dos valores. En este caso, cero y uno. Para obtener más detalles o el gráfico de la función logística diríjase a: Wooldridge J. (2001) “Introducción a la econometría. Un enfoque moderno”. 13 Donde β representa los coeficientes del modelo. La variable dependiente utilizada en el modelo se construye partiendo del siguiente indicador de solvencia: Inmovilización_neta= créditos (vencidos+en_litigio+reestructurados)-provisiones cartera_de_crédito_brutal_total Dado que este indicador descuenta aquella parte de la cartera morosa que está cubierta con provisiones, el mismo muestra el riesgo crediticio latente al cual están expuestas las instituciones financieras. A partir de esta definición de fragilidad se establece el umbral de decisión que permite categorizar a las instituciones financieras de la siguiente manera: si la inmovilización neta supera el umbral implicará que el banco se considera en situación de fragilidad. La definición del umbral de decisión representa un aspecto de amplia discusión en los trabajos que sobre esta materia se han desarrollado, muchos autores se inclinan por la fijación de un tope máximo fijo. Esta práctica pudiera resultar muy penalizadora o laxa en determinadas situaciones, dado que no toma en cuenta los aspectos intrínsecos de cada país, tales como la situación económica o el tamaño del negocio bancario. En la coyuntura actual, caracterizada por una importante recuperación de los indicadores bancarios, la fijación de umbrales de decisión fijos para detectar fragilidad podría resultar incapaz de capturar señales de deterioro en determinadas instituciones. Adicionalmente, en modelos que pretenden determinar periódicamente la fragilidad del sistema bancario, el establecimiento de umbrales fijos requiere de una actualización frecuente ante el riesgo que los mismos pierdan vigencia y, por ende, ofrezcan resultados distorsionantes. A los fines de corregir estos inconvenientes y establecer un criterio de decisión que se adapte dinámicamente a la situación del sistema bancario, se optó por establecer como umbral el promedio del índice de 14 inmovilización neta del sector bancario más una desviación estándar4. Posteriormente, a los efectos de la contrastación empírica, se construye la variable binaria índice de fragilidad, que toma valor uno al detectarse la situación de fragilidad financiera (inmovilización neta > umbral), en caso contrario toma valor cero (inmovilización neta < umbral). Esta última serie es la que se utiliza como variable dependiente en la estimación. Una vez estimado el modelo, se evaluó su capacidad de predicción separando la muestra en dos períodos: de estimación y de prueba. El lapso de estimación comprende desde enero de 2000 hasta diciembre 2004, en el cual se calculan los estimadores del modelo y se establecen las variables que influyen en la definición de fragilidad financiera considerada en este trabajo. Por su parte, el período de prueba, que parte en enero de 2005 y culmina en agosto de 2005, permitirá contrastar los pronósticos del modelo con los valores observados. 4. Descripción de los datos y variables 4.1 Datos La muestra utilizada en este modelo corresponde a 24 bancos comerciales y universales que han mantenido continuidad a lo largo del rango comprendido entre enero de 2000 y agosto de 20055. Este grupo de bancos posee el 94,2% del total de activos del sector financiero para julio de 2005. La utilización de datos de panel en este lapso de tiempo ofrece la disponibilidad de 1.632 observaciones para cada variable. 4 El promedio y la desviación estándar se calcularon como variables móviles no centradas de 12 meses. Bajo un escenario de un elevado nivel promedio del índice de inmovilización neta se determinaría un tope máximo que evite clasificar escenarios frágiles como no frágiles. 5La selección del período muestral corresponde a la disponibilidad de los datos de las variables utilizadas para la estimación. 15 Es de destacar que algunas instituciones en la actualidad son el resultado de un proceso de fusión llevado a cabo en el período, por lo tanto se procedió a sumar sus estados financieros para homogeneizar y tratar de mantener el balance en la muestra de datos6. 4.2. Variables Las variables que fueron consideradas para explicar la fragilidad financiera se agrupan en dos categorías: indicadores microfinancieros y variables macroeconómicas7. A continuación se definen las variables evaluadas en la estimación: * * * * Índice de fragilidad: variable limitada que identifica la situación de vulnerabilidad8. Patrimonio / Activo: mide la participación que representan los recursos propios del banco en el financiamiento del activo. A mayor capitalización se reduce la fragilidad bancaria. Resultado Neto / Patrimonio (ROE): se espera que el coeficiente tenga signo negativo, aunque un valor positivo puede señalar la existencia de inversiones o carteras riesgosas. Gastos de Transformación / Activo total: indica el grado de eficiencia o de gestión administrativa de la banca. Se considera mayor eficiencia en la medida que el indicador disminuye o tiende a reducirse en el tiempo. El signo del coeficiente sería positivo, pues si se incrementan los gastos de transformación (gastos de personal más gastos operativos) se reduce la eficiencia y se incrementaría la fragilidad financiera. 6Los bancos incluidos en el modelo fueron: ABN Amro Bank, Bancoro, Banesco, Banfoandes, Canarias, Caribe, Caroní, Citibank, Confederado, Corpbanca, Helm Bank de Venezuela, Exterior, Federal, Fondocomún, Guayana, Industrial, Mercantil, Occidental de Descuento, Plaza, Provincial, Sofitasa, Nacional de Crédito, Venezolano de Crédito, Venezuela. 7La fuente de información es la Superintendencia de Bancos y Otras Instituciones Financieras (Sudeban) a través del Balance General y el Estado de Resultados de la banca comercial y universal, cuya periodicidad es mensual. 8Para mayores referencias de esta variable remitirse a la sección 1 (Aspectos metodológicos). 16 * * * * * * * Cartera de Créditos / Activo: el signo del coeficiente puede ser positivo, indicando mayor cartera en riesgo o negativo, señalando el incremento de la cartera productiva. Inversiones Totales / Activo: es una medida de riesgo de portafolio. El signo puede ser positivo si las inversiones realizadas por el banco resultan riesgosas o negativo si contribuyen a cubrir al banco de créditos morosos. Este indicador fue calculado para las Inversiones en Títulos del Gobierno y para las Inversiones en títulos del BCV, a fin de diferenciar el efecto del riesgo entre organismos públicos. Depósitos del Sector Público / Depósitos Totales: es un indicador de liquidez que mide el impacto del incremento de los depósitos públicos en la banca. Se espera un signo del coeficiente positivo debido a que la banca mostraría mayor apalancamiento hacia un único depositante. Otros Activos / Activo: se refiere a activos con problema o no generadores de ingresos para el banco. Se espera un coeficiente con signo positivo. Otros ingresos financieros / total de ingresos financieros: captura el incremento de actividades no asociadas con el negocio de intermediación. El signo esperado es positivo. Tasa de interés activa implícita: se refiere a la tasa ex-post obtenida por las instituciones financieras, proveniente de sus colocaciones en cartera de crédito. El signo esperado es negativo. Tasa de interés pasiva implícita: se refiere a la tasa ex-post pagada por las instituciones financieras de sus captaciones totales. Un incremento de esta tasa puede señalar problemas de liquidez en la medida que el banco quiera incrementar sus captaciones del público, con lo cual se espera que el signo resulte positivo. Con respecto a las variables macroeconómicas, cabe señalar que se estimaron las brechas de ciertas variables con respecto a su tendencia, con la finalidad de aproximar el impacto de los ciclos de las series de tiempo sobre el indicador de fragilidad. Para estimar la brecha del Producto Interno Bruto (PIB), dado que la periodicidad requerida es 17 mensual, se utilizó como variable proxi el Índice General de Actividad Económica Mensual (Igaem)9. De igual manera se construyeron las brechas de los índices de profundización financiera y monetización de la economía. La profundización financiera se mide como la participación de la cartera de crédito neta con respecto al PIB; en el caso de la monetización, este indicador mide el ratio de las captaciones totales entre el PIB. Tomando en consideración que el PIB nominal es una variable flujo de frecuencia trimestral y las variables bancarias están medidas en saldos de periodicidad mensual, se procedió a calcular los indicadores de la siguiente manera: ICCPIBij= IDEPIB = ij CCiTj PIBT-4+PIBT-3+ PIBT-2+PIBT-1 DEPiTj (3) (4) PIBT-4+PIBT-3+ PIBT-2+PIBT-1 Donde: j = mes; i = banco i; T = Trimestre; ICCPIB = Índice de profundización financiera; IDEPPIB = Índice de monetización; CC = Cartera de crédito; DEP = Depósitos totales. En las expresiones anteriores, el PIB nominal es actualizado cada trimestre en el denominador del índice; por ejemplo, si se utiliza la cartera de crédito del mes de diciembre, el PIB nominal calculado comprendería la sumatoria del PIB nominal del cuarto trimestre del año anterior y del primer, segundo y tercer trimestre del año corriente. La interpretación de las brechas se refiere a que incrementos de las mismas pueden indicar futuros problemas de fragilidad, en la medida en que las condiciones económicas se deterioren una vez que culmine el ciclo expansivo10. 9 10 El valor de tendencia se estimó a través del Filtro de Hodrick-Prescott con lambda igual a 14400. Diversos estudios sugieren el uso de las brechas del producto para explicar los movimientos de riesgo de crédito. Uno de ellos es: Tarashev N. (2005) “An empirical evaluation of structural credit risk models”, BIS Working Papers, N° 179, Monetary and Economic Department. 18 Igualmente, se incluye el tipo de cambio nominal puntual como variable explicativa. El signo esperado de una depreciación de la moneda resulta ambiguo, dado que, por una parte, se incrementa el costo de oportunidad de mantener depósitos en moneda doméstica, con lo cual se reduce el tamaño del negocio bancario y, por ende, se incrementa la fragilidad financiera. Por el contrario, las depreciaciones generan ganancias cambiarias netas en la gestión bancaria que disminuyen la fragilidad del sistema11. Finalmente, se incluyó como variable aproximada de los precios de bienes raíces el índice de gastos por alquiler del área metropolitana de Caracas. Es de esperar que el crecimiento en los precios de los inmuebles genere una mejor percepción en la calidad del prestatario y, en consecuencia, una mayor colocación de créditos independientemente de la calidad del mismo. El signo esperado puede ser positivo si la asignación de créditos atiende más a la valoración del colateral inmobiliario que a la calidad intrínseca del proyecto12. 5. Resultados El Gráfico N° 1 muestra la trayectoria del índice de inmovilización neta, así como el umbral de fragilidad del sistema bancario, calculado como el promedio móvil más la desviación estándar móvil no centrada para doce meses de amplitud. Este umbral indica el tope máximo de tolerancia dentro del cual una institución o el sistema es considerado no-frágil. En los períodos julio de 2001 a noviembre de 2001 y enero de 2002 a abril de 2002, así como en los momentos puntuales de enero de 2001 y abril de 2001, el índice de inmovilización neta superó el umbral, con lo cual se identificaron situaciones de fragilidad financiera. 11 12 La ganancia cambiaria neta proviene de la revalorización de los activos en moneda extranjera que supera la aplicada a los pasivos externos. La aproximación a la variable precios de los bienes raíces, podrá ser mejorada al disponer de la serie del índice de precios por metro cuadrado de los inmuebles en la zona de Caracas. Dicha información fue solicitada a la unidad de bienestar social del BCV. 19 Gráfico N° 1 Determinación de la fragilidad financiera1/ (Banca comercial y universal) 1/ (Cartera morosa-provisiones) / cartera de crédito bruta. Fuente: Sudeban y cálculos propios. En el gráfico se observa la tendencia decreciente del índice de inmovilización neta, lo que refleja el fortalecimiento del sistema financiero en los últimos años, al presentar una disminución de la cartera morosa como proporción del total de las colocaciones crediticias. Esta situación se profundiza a partir de octubre de 2003, cuando la variable adquiere valores negativos, indicando el sobreaprovisionamiento del sistema con respecto a su cartera morosa. La Tabla N° 4 muestra las dos mejores estimaciones del modelo logit planteado con base en la ecuación (2). Las series fueron rezagadas al menos una vez con el propósito de evitar problemas de endogeneidad entre las variables. Los coeficientes estimados en la regresión no pueden ser interpretados como efectos parciales de las variables explicativas sobre el índice de fragilidad debido a la condición no lineal de la función logística; sin embargo, el sentido y significancia de las variables sí pueden ser ampliamente evaluados. 20 Tabla N° 4 Variable dependiente: IFRAGIL Método ML-Binary Logit (Quadratic hill climbing) Número: 1368 � El valor en paréntesis indica el p-value Donde: Ifragil=Índice de fragilidad;Tiactiva:tasa de interés activa implícita(-); Repat: resultado neto/patrimonio(-); IBCVACT=Inversiones en títulos valores emitidos por el BCV con respecto al activo total (+/); Igobact=Inversiones en títulos valores emitidos por el gobierno con respecto al activo total (+/-); Ingoit=Otros ingresos financieros / total de ingresos financieros (+); Gtact=Gastos de transformación / activo total (+); Deptot=Depósitos del sector público / depósitos totales (+); ALQ=Índice de gastos por alquiler(+); TCN= Tipo de cambio nominal puntual (+); Gccpib=Brecha del índice de profundización financiera (+); D1Control. 21 Tal como se explicó en la sección 2.2, las variables fueron clasificadas en microfinancieras y macroeconómicas. Dentro las microfinancieras, las series que reflejan las operaciones por el lado del activo y de ingresos bancarios muestran los signos esperados en ambas regresiones. La remuneración de las operaciones crediticias percibidas por las instituciones (TIACTIVA) presenta un efecto negativo, resultado que indica el fortalecimiento de la institución vía incremento de sus ingresos financieros. El coeficiente negativo que acompaña a la variable rentabilidad del banco, capturada a través de REPAT, señala que incrementos en las ganancias bancarias reducen la vulnerabilidad financiera. Por el contrario, los incrementos en los gastos de transformación y los ingresos no asociados estrictamente a actividades de intermediación (GTACT, INGOIT) constituyen potenciales factores de fragilidad para el sistema. Un efecto interesante dentro de las regresiones es el impacto diferenciado que la inversión en títulos valores públicos tiene sobre el indicador de fragilidad. Las colocaciones que realiza la banca en instrumentos emitidos por el BCV (IBCVACT) disminuyen su fragilidad, en contraste, una mayor adquisición de títulos de Deuda Pública Nacional (DPN) y de Letras del Tesoro (IGOBACT) conduce a un incremento en la vulnerabilidad del sistema. Este resultado pudiera señalar la diferencia en la percepción de riesgo que tienen ambos bonos públicos que influyen de manera opuesta sobre la determinación de la fragilidad del sistema13. Dentro de las variable microfinancieras se encuentra la participación de los depósitos públicos en el total de captaciones de la banca (DEPTOT) como factor de incidencia en la fragilidad del sistema. Este hecho puede estar asociado a la mayor volatilidad que los depósitos públicos presentan con respecto a los privados, lo que se traduce en problemas en la asignación de créditos14. Si se considera que la admi13Pruebas de Causalidad de Granger demuestran que existe una relación de causalidad unidireccional desde la tenencia de bonos gubernamentales hacia la fragilidad bancaria. 14La volatilidad fue calculada como la desviación típica de la tasa de variación intermensual de los depósitos, resultando en el caso de los depósitos públicos 12,2% y para los privados 5,3%. 22 nistración bancaria busca mantener relativamente estable la intermediación crediticia, en un contexto de alta volatilidad en los depósitos un crecimiento abrupto en los mismos podría inducir a la asignación de recursos de una manera más laxa, con el consecuente efecto en la cartera morosa. Asimismo, la concentración de depósitos en torno a un solo oferente (la administración pública) asigna mayor vulnerabilidad a las instituciones bancarias toda vez que están expuestas a la no-diversificación de los depositantes que le garantice un nivel estable de captaciones para la intermediación. Este aspecto adquiere particular importancia en la coyuntura actual debido al creciente peso relativo de las captaciones del sector público en el sistema financiero durante los últimos meses. Gráfico N° 2 Depósitos del sector público como proporción de los depósitos totales Fuente: Sudeban. 23 En cuanto a las variables macroeconómicas, el tipo de cambio nominal puntual (TCN) y su variación presentaron signos positivos y significativos, pudiendo esbozarse como canal de transmisión el impacto adverso de las depreciaciones de la moneda sobre el mantenimiento de depósitos en moneda local y, por ende, la menor disposición de recursos para la intermediación por parte del sistema. Por su parte, la brecha del índice de profundidad financiera mostró el signo positivo esperado con doce meses de rezago, indicando la mayor vulnerabilidad del sistema luego de haberse concretado un período de boom o de sobrereacción en el mercado crediticio15. Vale destacar que esta variable con menores rezagos no resultaron significativas16. El período de control de cambio, descrito por la variable dicotómica D1Control, resultó significativo y con impacto adverso en la estabilidad del sistema bancario. 6. Pronósticos A partir del modelo estimado en la sección anterior, se procedió a utilizar la submuestra denominada “período de prueba” que comprende el rango enero-2005 y agosto-2005 para evaluar la capacidad de predicción del modelo. En este sentido, los valores obtenidos del pronóstico fueron aproximados a una variable binaria {0,1} de manera que pudieran ser comparados con las observaciones reales del índice de fragilidad. Tomando en consideración que el modelo ofrece probabilidades estimadas de fragilidad para un determinado banco, se igualó este factor a uno (cero) cuando su valor resultase mayor (menor) a 0,5; así se generaría la nueva serie del índice de fragilidad pronosticada. 15 Cabe recordar que la brecha del índice de profundización financiera fue construida como la diferencia entre la razón crédito/pib y su tendencia. 16Es importante señalar que el indicador de riesgo-país EMBI Plus como una medida aproximada del riesgo de incumplimiento de las obligaciones públicas y el Índice de Precios al Consumidor (IPC) no resultaron significativos en la estimación. 24 A los fines de evaluar la capacidad de predicción del modelo se utiliza la metodología de Rocco (2004) que aplica medidas de sensibilidad, especificación y precisión como clasificadores de comportamiento. A los efectos de este informe, los indicadores se definen como: NFA NFA+NFF (5) FA FA+FF (6) FA+NFA FA+FF+NFA+NFF (7) Sensibilidad= Especificación= Precisión= Donde: NFA = Número de casos clasificados como no-frágiles acertados FA = Número de casos clasificados como frágiles acertados FF = Número de casos clasificados como frágiles fallados NFF = Número de casos clasificados como no-frágiles fallados En la evaluación de la fragilidad, la sensibilidad ofrece el porcentaje de eventos clasificados correctamente como no-frágiles y la especificación del porcentaje de eventos de fragilidad clasificados correctamente. A partir de estos clasificadores se construye un criterio alterno para evaluar la predicción del modelo: la razón ruido/señal (RRS), cuyo valor mide las señales falsas como proporción de las señales acertadas emitidas por el modelo. En la medida que el RSS tienda a cero se considera al modelo con una mayor capacidad de predicción. RSS= 1-Sensibilidad Especificación (8) La Tabla N° 5 presenta las predicciones de los modelos clasificados por peso relativo de los bancos y por tipo de clasificador de pronóstico para las estimaciones 1 y 2. Al evaluar las predicciones de ambas regresiones, la estimación 1 presenta los mejores resultados, lo que 25 indica su superioridad en términos predictivos sobre la estimación 217. En el caso de la estimación 1, la primera parte de la tabla muestra que la mayoría de los clasificadores de pronóstico tienen un elevado nivel de acierto en los grupos de bancos considerados. El índice de precisión reflejó la capacidad del modelo para acertar en más del 90% de los casos las señales emitidas por el índice de fragilidad. Sin embargo, el modelo evidenció cierta debilidad de predicción hacia el conjunto de bancos grandes, mostrando el coeficiente de ruido señal más alto entre los grupos seleccionados. Tabla N° 5 Evaluación de los resultados considerando diversos clasificadores 1/ Grandes = Seis principales bancos. 2/ Medianos = Participación del activo sobre el total del sistema entre el 5% y 10% 2/ Pequeños = Participación del activo sobre el total del sistema entre el 0,5% y 5% Al enfocarnos en la parte inferior de la tabla referida a las predicciones sobre observaciones que el modelo no consideró en la estimación 1, se observa que en el 92% de los casos acertó las situaciones de nofragilidad, en tanto que los escenarios de fragilidad fueron detectados en un 73%. Los pronósticos para los bancos grandes del sistema financiero se presentan bastante alentadores, acertando todos los casos de no-fragilidad (coeficiente de sensibilidad = 100%) y un elevado coeficiente de precisión (96%). De hecho, el comportamiento de los 17Adicionalmente, de acuerdo al criterio econométrico de selección de modelos de Schwarz debería seleccionarse la regresión 1 como modelo de estimación. 26 clasificadores en el período de prueba para este subconjunto de bancos resultó mejor que los presentados para el período de entrenamiento. El mínimo nivel de “sensibilidad” determinó que la razón ruido señal fuese igual a 0, resultado que indica como el modelo no emitió falsas señales de no-fragilidad durante este período. En el conjunto denominado bancos pequeños, el modelo 1 mantuvo en términos generales elevados registros para los clasificadores de pronóstico tanto en el período de entrenamiento como en el de prueba. Sin embargo, la estimación 1 presentó dificultades para predecir las situaciones de fragilidad dentro de los bancos medianos del sistema, grupo que presentó los clasificadores de pronóstico más bajo de toda la muestra. Dentro de las posibles causas de la falta de capacidad de predicción, se puede destacar la importante influencia que el factor autorezagado ejerce sobre la estimación. A continuación la Tabla N° 6 muestra los pronósticos del modelo 1 clasificados por institución financiera durante el período de prueba: Tabla N° 6 Evaluación de los pronósticos del modelos por banco F NF V P = Frágil. = No-frágil. = Valor verdadero = Valor de pronóstico Grandes 3 6 17 18 20 24 Medianos 27 2 4 5 7 8 10 12 13 14 15 16 22 23 Pequeños 1 9 11 19 21 A los fines de comprender el alcance de la clasificación de frágil realizada sobre un determinado banco, es necesario resaltar que esta definición es una posición relativa de cada institución con respecto al sistema. En este sentido, los cinco bancos de la muestra que consistentemente presentan fragilidad (Bancoro, Banesco, Corpbanca, Industrial y Venezuela), con la excepción del Banco Industrial, mantienen coeficientes de inmovilización neta bajos e inclusive sobreaprovisionados (valores negativos). No obstante, considerando la recuperación que presenta este coeficiente para el sistema financiero en su conjunto en los últimos meses, los índices para estas instituciones resultaron superiores al nivel de tolerancia establecido, situación que propicia su clasificación como frágiles. La definición de vulnerabilidad financiera en la coyuntura actual puede ser interpretada como una señal de alerta temprana para instituciones que realizan colocaciones más riesgosas o de menor calidad en comparación con las realizadas por sus homólogos. En este sentido, cabe resaltar la clasificación de los bancos Banesco y Venezuela (agrupan el 30% del total de depósitos del sistema) como frágiles de acuerdo a los resultados obtenidos por el modelo. Estas señales de vulnerabilidad deben ser monitoreadas con especial interés debido a que su comportamiento pudiera eventualmente transmitirse al resto del sistema. Finalmente, los gráficos N° 3 y N° 4 presentan los pronósticos de las probabilidades de fragilidad, sustentado en el modelo 1, para el conjunto de bancos estudiados en la muestra, así como por grupo de bancos. A los fines de aproximar una estimación de la probabilidad de la fragilidad del sistema financiero en su totalidad se realizó un promedio ponderando por el tamaño relativo de cada banco18. 18Participación del activo del banco como proporción del activo total. 28 Gráfico N° 3 Pronóstico de la probabilidad de fragilidad en el sistema financiero 100.0% 75.0% Zona de fragilidad 50.0% Zona de no-fragilidad 25.0% 0.0% Enero Febrero Marzo Abril Mayo 2005 Fuente: Cálculos propios. Gráfico N° 4 Pronóstico de la probabilidad de fragilidad Fuente: Cálculos propios. 29 Junio Julio Agosto Los gráficos N° 3 y 4 identifican las zonas de “fragilidad” y “nofragilidad”, las cuales han fungido como criterio de decisión para determinar si la probabilidad de fragilidad derivada del modelo para un determinado banco puede clasificarse como frágil o no. Al aplicar este criterio al conjunto de bancos de la muestra en forma agregada se observa que la probabilidad pronosticada consistentemente se ubica en la zona de no-fragilidad. 7. Conclusiones La estimación a partir de la construcción de un modelo logit con datos de panel para un conjunto de 24 bancos del sistema banca comercial y universal venezolano, sugieren que las variables microfinancieras como: resultado neto (-), tasa de interés activa implícita (-), otros ingresos financieros (+) y gastos de transformación (+) tienen efectos estadísticamente significativos sobre la fragilidad de las instituciones financiera19. En cuanto al impacto del sector público sobre el sistema, el modelo indica mayor vulnerabilidad cuando se incrementa la proporción de depósitos de la administración pública, en tanto que en el caso de las inversiones en títulos valores el efecto depende del emisor. La adquisición de bonos gubernamentales acentúa la vulnerabilidad mientras que los adquiridos por colocación primaria del Banco Central de Venezuela fortalecen la situación del negocio crediticio. Según los resultados obtenidos para las variables macroeconómicas, depreciaciones en el tipo de cambio nominal afectan adversamente la fortaleza del sistema, en tanto que los escenarios de crecimiento crediticio por encima de su tendencia tienden a debilitar a las instituciones financieras incrementando la probabilidad de fragilidad. 19Los signos entre paréntesis indican el sentido de la relación. 30 La capacidad predictiva del modelo 1, evaluada durante el período de prueba comprendido entre enero y agosto de 2005, presenta resultados alentadores especialmente para el pronóstico de fragilidad de los seis bancos más importantes del sistema. Los clasificadores de predicción para esta submuestra fueron los más altos del conjunto de datos, llegando a acertar la predicción de todas situaciones de no-fragilidad y el 87% de las situaciones de fragilidad ocurridas en este rango. El comportamiento de los clasificadores de predicción para los bancos pequeños del sistema también mostró resultados positivos, destacando un nivel de precisión del 93% y sensibilidad de 94%. No obstante estos resultados, los esfuerzos en materia de predicción deben acentuarse sobre el comportamiento de los bancos medianos del sistema, los cuales no mostraron elevados niveles en los clasificadores de predicción. 31 Referencias Bibliográficas Fernández, Ma. Amelia (2004), “Fragilidad bancaria en Venezuela”. Hilbers P. et al.,(2005), “Assesing and managing rapid credit growth and the role of Supervisory and prudential policies”, IMF. Rocco C. (2004), “An application of one-class support vector machine for currency crises discrimination”. Tarashev N. (2005), “An empirical evaluation of structural credit risk models”, BIS Working Papers, N° 179. Monetary and Economic Department. Wooldridge J. (2001), “Introducción a la econometría. Un enfoque moderno”. 32 Este N° 86 de la serie Documentos de Trabajo, en edición de 25 ejemplares, se terminó de imprimir en los Talleres de impresión del BCV, durante el mes de febrero de dos mil siete.