FRAGILIDAD EN EL SISTEMA BANCARIO VENEZOLANO. UN

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.