Modelos de riesgo para el seguro de

Crdito a la vivienda.
Trabajo presentado para el XVII Premio de Investigacin
sobre Seguros y Fianzas 2010.
Act. Valeria lvarez Navarro
Mtro. Javier Gutirrez Garca
FREDDY MAE
FANNIE MAC

XVII

Premio de Investigacin sobre

Seguros y Fianzas 2010
Primer Lugar
Categora de Seguros

ndice
Resea ............................................................................................... 1
1 El crdito y el seguro a la vivienda .................................................. 2
1.1 El mercado de crdito a la vivienda .................................................... 2
1.2 El riesgo de incumplimiento y el seguro del crdito a la vivienda ........ 3

2 Elementos del riesgo del seguro de crdito a la vivienda ................. 6

2.1
2.2
2.3
2.4

El Riesgo de Crdito ........................................................................... 7

La Prdida Esperada ........................................................................... 8
La Exposicin y Severidad .................................................................. 9
La Probabilidad de Incumplimiento .................................................. 11
2.4.1 Tipos de Informacin ...............................................................................11
2.4.2 Modelos de estimacin de probabilidades de incumplimiento para crditos
hipotecarios ...................................................................................................12

3 Modelos de Riesgo de Corto Plazo ................................................. 19

3.1
3.2
3.3
3.4

Tipos de modelos de dependencia .................................................... 19

Modelos de riesgo para un crdito hipotecario .................................. 21
Modelos de Riesgo para una Cartera con Crditos Independientes.... 22
Modelo de Riesgo para un Cartera con Crditos No Independientes .. 24
3.4.1 Nmero de incumplimientos .....................................................................24
3.4.2 Distribucin de prdidas de la cartera ........................................................26
3.4.3 Momentos de la Distribucin Poisson Mixta Compuesta .................................27
3.4.4 Estimacin de la Distribucin Poisson Mixta Compuesta ................................29

4 Modelos de Riesgo de Largo Plazo ................................................. 33

4.1
4.2
4.3
4.4

Modelos de Supervivencia ................................................................ 33

Modelos de Tasa de Fallo Proporcionales .......................................... 35
Procesos Mixtos ............................................................................... 36
Distribucin de Prdida y Proyeccin de Siniestros ........................... 38

5 Aplicacin Numrica a una Cartera de Seguros de Crdito a la

Vivienda ........................................................................................... 40
5.1 Descripcin de las base de datos ..................................................................40

5.2 Estimacin de la curva de incumplimiento y el proceso mixto ........... 41

5.3 Distribucin de prdida anual ........................................................... 47
5.3.1 Distribuciones de Prdida bajo una Variable mixta Gamma ............................47
5.3.2 Distribuciones de Prdida Bajo un Proceso Mixto CIR ....................................50
5.4 Flujos y distribucin de prdida por el plazo del crdito ................... 53

6 Conclusiones ................................................................................. 56
Bibliografa ...................................................................................... 57

Resea
La vivienda es uno de los aspectos ms relevantes para el bienestar de las familias,
sin embargo, en Mxico una gran cantidad de ellas no cuentan con una propia. Para
que ms familias puedan adquirir una vivienda se requieren mecanismos financieros
como el crdito y el seguro de crdito a la vivienda. El seguro de crdito a la vivienda
es un instrumento financiero con el que una aseguradora comparte el riesgo de
incumplimiento con las instituciones financieras que otorgan el crdito. Esto hace
posible que el crdito llegue con mejores condiciones al acreditado y a poblaciones
que de otra forma no tendran acceso al mismo. Sin embargo, las aseguradoras
deben medir correctamente el riesgo de incumplimiento con el fin de que stas
puedan ser solventes y llevar una adecuada administracin.
Los seguros de crdito a la vivienda presentan caractersticas diferentes a los
seguros de otros ramos, lo que presenta retos importantes para modelar las prdidas
generadas por las reclamaciones de estos seguros. Los principales retos se derivan
de que estos seguros son de largo plazo y que dependen de factores exgenos como
el estado de la economa. Sin embargo, tambin presentan caractersticas que
facilitan la modelacin, como es el hecho de que las sumas aseguradas y por ende el
tamao de las prdidas son relativamente homogneos. El presente trabajo tiene
como objetivo describir el riesgo del seguro de crdito a la vivienda y proponer
modelos que sean adecuados y prcticos para su medicin.

1 El crdito y el seguro a la vivienda

Uno de los aspectos ms relevante para el bienestar de la poblacin es que las
personas cuenten con una vivienda. La situacin actual de Mxico es que hacen falta
tanto viviendas nuevas, como ampliacin y mejoramiento de viviendas ya existentes.
De acuerdo a la CONAVI en el ao 2000 haba necesidad de crear un milln
ochocientos mil viviendas nuevas, adems de ampliar dos millones cuarenta y dos
mil viviendas y reparar otras 438 mil para evitar que su deterioro las hiciera
inadecuadas.
Ante tal demanda se requiere contar con los mecanismos necesarios para poder
cubrirla. Uno de estos mecanismos es el crdito a la vivienda, donde instituciones
financieras otorgan los recursos necesarios a las personas para que estos puedan
adquirir una vivienda. La persona se compromete a ir pagando el crdito a lo largo
de varios aos. Las instituciones financieras quedan entonces sujetas al riesgo de
que la persona incumpla en sus obligaciones de pago y con ello a perder una parte
importante de los recursos que esperan recibir. A este se le conoce como riesgo de
crdito o, en este, caso riesgo de incumplimiento. Este riesgo inhibe el otorgamiento
de crdito a la vivienda. Las instituciones financieras preferiran invertir sus recursos
en alternativas ms seguras, en donde sus recursos no estuvieran expuestas a este
tipo de riesgo, o bien, podran seguir otorgando crditos a la vivienda, pero a tasas
ms elevadas para compensar el riesgo de crdito que estn asumiendo.
Ante tal situacin, surge el seguro de crdito a la vivienda como un mecanismo que
transfiere el riesgo de incumplimiento de las instituciones financieras otorgantes de
crditos a la vivienda a una entidad aseguradora.
A continuacin se explica con mayor detalla la funcin del crdito y el seguro de
crdito a la vivienda.

1.1 El mercado de crdito a la vivienda

La vivienda es una necesidad bsica para la inmensa mayora de las familias, sin
embargo, su alto costo en relacin al ingreso familiar provoca que la mayor parte de
la poblacin no tenga la capacidad financiera para adquirir vivienda con sus propios
recursos y tenga que recurrir a diferentes alternativas para poder acceder a ellas,
como son: el pago renta, vivir con otra personas o bien adquirir un crdito.
Una gran parte la poblacin aspira a la adquisicin de una vivienda ya que con ello
genera un patrimonio que le brinda estabilidad econmica y social. Mediante el
crdito a la vivienda se puede acceder a una, sin embargo, para que ste sea
accesible y se adecue a la capacidad de pago, debe ser de largo plazo, de tal manera
que el ingreso de los demandantes sea suficiente para cubrir sus necesidades bsicas
y el pago del crdito a la vivienda.
Actualmente existen en el pas diversas instituciones que brindan crditos a la
vivienda que abarcan: bancos comerciales, sociedad financieras de objeto limitado y
mltiple (SOFOLES y SOFOMES) e instituciones gubernamentales como INFONAVIT y
FOVISSSTE. Estos intermediarios requieren recursos financieros en grandes
cantidades para poder otorgar financiamiento a cada acreditado que lo solicite.
Algunos de ellos como los bancos comerciales, son entidades que manejan varias
lneas de negocio y pueden acceder a recursos a travs de depsitos de sus clientes.

Sin embargo, hay otros que son instituciones especializadas en hipotecas (SOFOLES
y SOFOMES) que no cuentan con otras operaciones que les provean recursos,
teniendo que buscar fuentes de fondeo alternativas para poder seguir originando
crditos y al mismo tiempo ser competitivos.
Una de las estrategias financieras que han adoptado todos estos participantes
(incluyendo los bancos y las instituciones gubernamentales) es captar fondeo a
travs de la venta de cartera de crditos hipotecarios ya originados en el mercado de
capitales. De esta manera, un inversionista de largo plazo compra el portafolio de
crditos individuales proveyendo de recursos al intermediario financiero a cambio de
recibir los flujos de los pagos que genere el crdito hipotecario. De esta forma se
tienen un nuevo participante en el mercado de crdito a la vivienda que es el
inversionista. Este proceso es conocido en Mxico como bursatilizacin.
Todos estos participantes: bancos, SOFOLES Y SOFOMES, inversionistas, cumplen la
funcin de captar recursos para canalizarlos a las personas que los requieren para
poder adquirir una vivienda. Sin embargo, el riesgo de incumplimiento que asumen
puede inhibir el otorgamiento del crdito o encarecerlo. A continuacin se describe
el riesgo de incumplimiento y el mecanismo del seguro de crdito a la vivienda.

1.2 El riesgo de incumplimiento y el seguro del crdito a la vivienda

Los crditos a la vivienda estn estructurados como instrumentos de deuda
amortizables cuyas condiciones quedan establecidas en un contrato hipotecario. En
ste, el intermediario financiero se compromete a otorgar un monto especfico al
cliente para la adquisicin de vivienda. Por su parte, el acreditado se compromete a
pagar el crdito peridicamente durante el plazo y tipo de tasa de inters
establecidos en dicho contrato. Sin embargo, no todos los acreditados pagarn el
crdito que adquirieron, algunos de ellos decidirn o se vern obligados por las
circunstancias a dejar de pagar una o varias mensualidades. Dados los derechos y
obligaciones aceptados por las partes involucradas, la falta de pago por parte del
acreditado se considera un incumplimiento al contrato.
Un crdito puede encontrarse en diferentes fases cuando un pago programado no se
realiza. El intermediario desconoce si el acreditado est retrasado en el pago
temporalmente o ha decidido no hacer ms pagos a la hipoteca. Por lo que en la
prctica la falta de pago de la mensualidad se considera que el crdito est en
mora.
La morosidad es una situacin que antecede al incumplimiento y tiene un papel
importante en su definicin. El trmino morosidad, indica que en la fecha de
vencimiento de la mensualidad, el acreditado no hace el pago correspondiente. La
morosidad simplemente cuenta el nmero de pagos que el acreditado no ha hecho
en relacin con los que deba hacer de acuerdo a su tabla de amortizacin vigente.
Cuando un crdito presenta morosidad, significa que tiene cierto nmero de pagos
vencidos acumulados a la fecha de observacin. Sin embargo si la situacin de no
pago contina por varios periodos incrementando hasta un lmite predeterminado, el
intermediario financiero puede declarar al crdito en una situacin en la cual la falta
de pago no es temporal sino permanente.
El nmero de mensualidades sin pago consideradas para declarar que un crdito ha
dejado de pagar depende de la institucin crediticia; sin embargo la prctica comn

se considera que si un crdito acumula cuatro o ms pagos en mora, el intermediario

puede declarar el crdito en incumplimiento y empezar el trmite legal de
recuperacin del mismo.
El incumplimiento es un riesgo para la institucin otorgante o inversionista del
crdito pues dejar de recibir los flujos de efectivo programados. En el caso de su
realizacin la consecuencia puede representar una prdida econmica para el
intermediario.
El seguro de crdito a la vivienda surge ante la necesidad que tienen las instituciones
o inversionistas que reciben estos flujos de cubrirse por el riesgo de incumplimiento.
Mediante este seguro las instituciones reciben un monto que cubre parcial o
totalmente la prdida por el incumplimiento del acreditado a cambio de una prima.
De esta manera pueden transferir el riesgo de incumplimiento a una tercera entidad
que es la aseguradora.
Si bien varias de las instituciones pueden administrar el riesgo de incumplimiento de
su cartera, existen ciertas ventajas en la transferencia de este riesgo a una
aseguradora:
o

En primer lugar las instituciones financieras tienen que hacer frente a su

riesgo de incumplimiento mediante la creacin de reservas y la constitucin
de capital, por lo que el contar con seguros de crdito a la vivienda, liberaran
gran parte de estos recursos y les permite otorgar un mayor nmero de
crditos.

Asimismo, la mayora de las instituciones estn ms especializados en la

captacin de fondos para proveer de liquidez a la poblacin y en menor grado
en la estimacin del riesgo, por lo que prefieren transferir el riesgo a una
entidad especializada.

El seguro de crdito a la vivienda brinda una mayor certeza del flujo de

efectivo que recibe la institucin o el inversionista, lo que les permite tener
estados financieros ms estables.

Se incorpora una entidad, la aseguradora, en la revisin del otorgamiento del

crdito a la vivienda, lo que genera una mayor calidad en la suscripcin de
crdito.

En trminos generales, la aseguradora se vuelve un socio en el negocio del

otorgamiento del crdito al compartir el riesgo. Como tal, la aseguradora tendr
incentivos para revisar que los crditos estn bien originados y se otorguen a la
poblacin adecuada, a que los productos de crditos tengan las caractersticas
adecuadas para la poblacin objetivo, y a que se hagan de manera correcta los
procesos de cobranza y de recuperacin de crditos incumplidos. Todo esto con el fin
de mitigar el riesgo de incumplimiento y de que se otorguen ms crditos a la
vivienda.
Una de las consecuencias de incorporar el seguro de crdito a la vivienda es que se
otorguen crditos que en otras condiciones los intermediarios financieros no estaran
dispuestos a hacerlo. Por ejemplo, para recibir un crdito la persona debe participar
de la compra de la vivienda pagando una parte, lo cual se conoce como enganche.
Los otorgantes de crdito prefieren enganches altos ya que esto mitiga el riesgo de

que la persona incumpla, derivado de que en caso de incumplimiento la persona

perdera el enganche. Desafortunadamente, no todas las personas logran integrar el
enganche necesario para ser sujetas de crdito. Con el seguro de crdito a la
vivienda, las instituciones financieras estn dispuestas a otorgar crditos con
menores enganches, debido a que el seguro les compensa el riesgo que de otro
forma estaran asumiendo.
Resulta natural que la demanda de seguros de crdito a la vivienda se concentre en
las poblaciones de crditos ms riesgosas, pues es donde las instituciones financieras
tienen el mayor inters de cubrirse. Entre estas poblaciones estn las que reciben
crdito por primera vez y en las que se carece de informacin, lo que conlleva a que
la medicin del riesgo de incumplimiento sea ms complicada. Sin embargo, es de
esta manera que el seguro de crdito a la vivienda cumple con una funcin de social
muy importante que es la de hacer llegar crdito a poblaciones que de otra forma no
tendran acceso al mismo.
Para que esta funcin social se cumpla es necesario que las aseguradoras del ramo
de crdito a la vivienda midan correctamente el riesgo que estn asumiendo, con el
fin de que determinen los criterios y polticas de suscripcin adecuados, estimen de
manera correcta las tarifas de riesgo a cobrar, valen correctamente las reservas
tcnicas para el pago de las reclamaciones, constituyan el capital econmico
necesario para salvaguardar su solvencia, y en general hagan una administracin
adecuada del riesgo de su cartera.
En otros ramos, existen modelos probados para medir las prdidas potenciales que
asumen las aseguradas, sin embargo, el ramo de crdito a la vivienda es un ramo
nuevo y desconocido por el sector asegurador, por lo que se requieren estudios para
comprender el comportamiento de las prdidas de ste y determinar los modelos
adecuados para su medicin.
El presente trabajo tiene como objetivo describir el riesgo del seguro de crdito a la
vivienda y proponer algunos modelos adecuados para la medicin del mismo. El
capitulo 2 describe los mtodos y modelos para estimar los parmetros bsicos del
riesgo de un crdito a la vivienda de forma individual, que son las probabilidades de
incumplimiento, las tasas de severidad y el nivel de exposicin. El capitulo 3 agrega
los crditos individuales y describe como llegar a modelos de distribucin de prdidas
de una cartera para un horizonte de tiempo de corto plazo. El capitulo 4 extiende los
modelos del captulo 3 para contemplar un horizonte de tiempo de largo plazo. El
captulo 5 aplica los modelos descritos a una cartera real de seguros de crdito a la
vivienda. El capitulo 6 concluye el presente trabajo.

2 Elementos del riesgo del seguro de crdito a la

vivienda
El seguro de crdito a la vivienda tiene la particularidad, como su nombre lo indica,
de que en l se conjuntan dos productos del mercado financiero: el seguro y el
crdito. Cada uno de estos es atendido por una entidad especializada del mercado
financiero, el seguro por parte de las instituciones de seguros y el crdito por parte
de los bancos, SOFOLES y SOFOMES. Asimismo cada uno tiene su propio marco
regulatorio y entidad regulatorio, la CNSF para los primeros y la CNBV para los
segundos. A pesar de ello, en el caso del seguro de crdito a la vivienda, todos los
participantes, aseguradores como bancos asumen el mismo riesgo, que es el
incumplimiento del acreditado.
No solamente en la cuestin prctica se conjugan estos dos mbitos. Dentro de las
teoras para la medicin del riesgo existen desarrollos tanto dentro del mbito
bancario como en el de seguros. Dentro del mbito bancario ha habido un
importante desarrollo a partir de los aos noventa en la medicin de riesgo de
crdito. Aparecieron en esta dcada los modelos de distribucin de prdidas que
marcaron un parte-aguas en la forma de modelar el riesgo crediticio de los bancos,
entre estos modelos se encuentran CreditMetrics (Gupton et al. 1997),
CreditPortfolioView (Wilson 1998) y CreditRisk+ (Credit Suisse 1997). A partir de
estos modelos se han abierto una serie de trabajos que enmarcan un marco terico
sobre el que descansan estos modelos, Gordy 2000, Bluhm et al. 2001, por
mencionar algunos, y que han desencadenado una serie de estudios para probar
otros enfoques como es el de las cpulas (Ver Li 1999).
Estos estudios se han
derivado a su vez de estudios de valuacin de riesgo de mercado y productos de
derivados financieros y que hoy en da marchan en paralelo con muchos trabajos
relativos a la valuacin de derivados de crdito. El desarrollo de estos modelos ha
jugado un papel fundamental en la creacin del nuevo marco de regulacin de
bancos a nivel internacional conocido como Basilea II.
De igual forma, en el mbito de seguros existe un desarrollo importante para la
modelacin del riesgo, destacando lo que se conoce en el mbito actuarial como la
teora de riesgo. Beard 1984, Gerber 1979, Bhlmann 1970 representan algunos de
los primeros y ms representativos trabajos al respecto. Estos estudios son
anteriores a los desarrollados en el mbito bancario, sin embargo, no son ajenos los
unos de los otros, por ejemplo, el modelo CreditRisk+ es un modelo basado en la
teora de riesgo. Poco a poco los mbitos bancarios y de seguros empiezan a
converger, no slo en cuestin de modelacin, sino tambin en cuestiones de
administracin, regulacin y reportes. Una prueba de ello es el desarrollo de un
nuevo marco metodolgico de solvencia para las aseguradoras de Europa conocido
como Solvencia II.
Los modelos del presente trabajo recaban tanto elementos encontrados en los
modelos de riesgo de crdito de tipo bancario como en la teora de riesgo aplicada a
seguros, y los engloba en un solo marco para la medicin del riesgo de crdito a la
vivienda.

2.1 El Riesgo de Crdito

El riesgo de crdito se refiere a la prdida potencial que existe por la posibilidad de
que la contraparte del crdito incumpla o bien se degraden sus condiciones de
solvencia crediticia. La prdida por degradacin de la calidad de solvencia crediticia
se materializa en un contexto de mercado lquido, en donde es posible vender el
crdito. De esta manera, si la calidad del crdito se degrada, el crdito tendr un
menos valor en el mercado.
En el caso particular del crdito a la vivienda, la contraparte es el acreditado y la
prdida potencial se da cuando el acreditado incumple. Si bien existe degradacin de
la calidad de los crditos a la vivienda, no existe en Mxico un mercado lquido donde
se coticen estos crditos de manera individual. Existen transacciones de bonos
respaldados por crditos a la vivienda donde no se cotizan crditos de forma
individual sino fideicomisos cuyos flujos dependen de una cartera de crditos. De
esta manera se puede enfocar el anlisis de crdito a la vivienda en el riesgo de
incumplimiento.
La literatura y la prctica reciente clasifica las prdidas del riesgo de crdito en dos:
las prdidas esperadas y las prdidas no esperadas.
Prdida Esperada: Se refiere a la prdida que se esperan ocurra dadas las
condiciones actuales o promedio de los crditos. Los otorgantes de crditos no
esperan que todos los crditos que otorgan les sean pagados, en realidad saben que
algunos incumplirn en sus pagos. La expectativa del monto a perder es lo que se
conoce como prdida esperada. La regulacin bancaria establece el monto de las
reservas por riesgo de crdito con base en la prdida esperada. De igual manera, en
el mbito de seguros, la prdida esperada equivale a la expectativa del monto de
siniestros que esperan pagar las aseguradoras, mismas que igualmente forman parte
fundamental de la estimacin de las reservas tcnicas que constituyen. En trminos
probabilsticos, como se ver ms adelante, la prdida esperada se refiere al valor
esperado de la distribucin de prdidas.
Prdida no esperada: Se refiere a las prdidas que ocurren por encima de la prdida
esperada. Si bien las prdidas que ocurren deben ser en promedio la prdida
esperada, tambin es cierto que en ciertas ocasiones las prdidas que ocurran sern
menores y otras mayores a la prdida esperada. La cuestin es entonces, conoces
que tan mayores pueden ser las prdidas, lo que implica una medicin del nivel de
desviacin de las prdidas sobre la prdida esperada. Los bancos y aseguradoras
deben tener los recursos suficientes para poder hacer frente tambin a estas
prdidas, de lo contario quebraran al momento en que las prdidas fueran mayores
a las esperadas. Esto conlleva al concepto de capital econmico, el cual se define
como el monto de recursos necesarios por encima de la prdida esperada que
garanticen la solvencia de la institucin ante la mayora de los escenarios probables.
Se habla de mayora de escenarios probables ya que es prcticamente imposible
poder garantizar la solvencia ante cualquier escenario. En trminos probabilsticos la
prdida no esperada y el capital econmico suele definirse como la diferencia entre
un percentil de la distribucin de prdidas y el valor esperado de la misma. El
percentil que se utilice estar en funcin de la probabilidad con la que se quiere que
la prdida que ocurra sea menor al capital econmico.
A continuacin se describir la forma como estimar la prdida esperada de un crdito
a la vivienda incluyendo los parmetros que se requieren. Posteriormente en los

siguientes captulos se describirn modelos para obtener la distribucin de prdidas

con los cuales se puede estimar adems la prdida no esperada.

2.2 La Prdida Esperada

El primer paso para estimar la prdida de un crdito consiste en asignar una variable
aleatoria X la prdida potencial de un crdito o seguro de crdito a la vivienda. La
variable X toma el valor de cero si el crdito no incumple o el monto de la prdida
en caso de incumplimiento. De esta manera la prdida esperada

PE = E [X ]

(PE ) es

En la literatura de la administracin de riesgo la prdida esperada se divide en tres

componentes: la probabilidad de incumplimiento, la prdida dado el incumplimiento y
la exposicin. Estos corresponden en el mbito asegurador a la probabilidad de que
ocurra el siniestro q , a la severidad de la prdida Sev y la suma asegurada M .
Matemticamente se tiene que

X = I Sev M
donde I es la variable aleatoria que indica si el crdito incumple o no y a la que se
le asigna una distribucin Bernoulli con la probabilidad de incumplimiento q

1 incumple
I =
e.oc.
0

i =1
q
f I (i ) =
1 q i = 0
Claramente el evento de incumplimiento es incierto y por ende se modela como una
variable aleatoria. Por otra parte la severidad y la exposicin pueden considerarse
determinsticos o variables de acuerdo al modelo que se utilice.
Cabe destacar que esta modelacin depende del horizonte de tiempo que se
considere, que puede ser desde considerar la prdida por la posibilidad de
incumplimiento en el siguiente ao, o bien, por lo que resta de la vigencia del
crdito.
Un supuesto que comnmente se hace para facilitar la modelacin de la prdida
esperada es el de suponer que estos componentes son independientes entre ellos, de
tal forma que la prdida esperada es igual al producto del valor esperado de cada
uno

E [X ] = q E [Sev ] E [M ] .
Esto resulta muy til ya que permite estimar cada componente por separado para
despus multiplicarlo y obtener la prdida esperada. Un ejemplo de esto es la
metodologa de la regulacin bancaria para el clculo de las reservas de los crditos

hipotecarios. En sta se obtiene un factor, de acuerdo a la morosidad del crdito, que

corresponde a la probabilidad de incumplimiento. Asimismo se obtiene otro factor
que corresponde a la severidad de la prdida. Ambos factores se multiplican por el
saldo del crdito, el cual corresponde a la exposicin (Ver Circular nica Bancaria).
A continuacin se describir una serie de mtodos para estimar cada uno de estos
parmetros para el seguro de crdito a la vivienda.

2.3 La Exposicin y Severidad

La exposicin o suma asegurada del seguro de crdito a la vivienda es un porcentaje
del saldo del crdito por lo que es variable y est funcin del mismo. El saldo vara
mes con mes y depende de la tabla de amortizacin programada, del incumplimiento
de pago as como de los pagos anticipados o prepagos que pudieran hacer los
acreditados.
El acreditado que recibe un crdito a la vivienda se compromete a hacer pagos,
generalmente mensuales, para ir amortizando su crdito. En general, los pagos y la
tasa de inters que paga son fijos, sin embargo, existen crditos con ciertas
variaciones.
Lo comn es que el pago que realiza el acreditado tenga un
componente de inters y otra de amortizacin, de esta forma el saldo programado
del crdito para el mes

St se puede obtener mediante la siguiente frmula recursiva

j

St = St 1 1 + t Pagot
12

j
Donde t es la tasa de inters anual del crdito para el mes t .
Conforme el crdito madura y va amortizando, la exposicin disminuye como lo
muestra la siguiente figura.
Millares

Saldo Insoluto
$140
$120

Saldo Insoluto

$100
$80
$60
$40
$20
$0

50

99

148

197

246

295

344

Meses

Un aspecto importante al modelar los crditos hipotecarios es considerar el hecho de

que el acreditado puede realizar amortizaciones anticipadas de capital, conocidas
como prepagos, para disminuir su deuda. Por ello, en lugar de utilizar el saldo
programado, en adelante, se utilizar un saldo esperado de acuerdo con una
estimacin de prepago

St = St 1 (1 + j t ) Pagot Pr epagot
La estimacin el prepago es un tema tan estudiado como el del riesgo de
incumplimiento.
La siguiente figura muestra cmo se afecta la exposicin por los prepagos parciales
hechos por el acreditado.

Millares

Amortizacin Programada
$140
$120

Saldo Insoluto

$100
$80
$60
$40
$20
$0

50

99

148

197

246

295

344

Meses

Otro aspecto relevante en los crditos a la vivienda es que en caso de no pago del
acreditado, el acreedor tiene derecho a hacerse de la vivienda para resarcir su
prdida. Este proceso de recuperacin puede derivar en un proceso legal, que toma
tiempo y genera mayores costos. En ciertas ocasiones el acreedor no lo logra
recuperar el total del monto que le adeudan y es esa prdida la que cubre el seguro
de crdito a la vivienda.
Los seguros de crdito a la vivienda pueden cubrir esa prdida de forma proporcional
o como primera prdida. En el caso de los seguros proporcionales la prdida se
reparte proporcionalmente de acuerdo al porcentaje del monto cubierto.
Esto es

Bt = Cob max ((St Re c t ),0 )

Re c t es el monto recuperado.
Donde Cob es el porcentaje de cobertura del seguro y
En el caso de los seguros de primera prdida, el seguro cubre la totalidad de la
prdida hasta un monto mximo que se determina como el porcentaje de cobertura
por el saldo al momento del incumplimiento o recuperacin. Esto es:

Bt = max (min (Cob St ,St Re c t ),0 )

Si bien pueden generarse otros esquemas, actualmente stos son los ms utilizados,
y la caractersticas que tienen en comn es que la suma asegurada depende del
saldo al momento del incumplimiento por lo que es importante contar con un modelo
del tiempo al incumplimiento. Este tipo de modelos se describen el captulo 5.

10

2.4 La Probabilidad de Incumplimiento

Existen una gran cantidad de modelos para la estimacin de las probabilidades de
incumplimiento. Una de las razones de ello se debe a que el incumplimiento del
crdito est relacionado con una gran cantidad de factores y que en muchas
ocasiones se puede tener informacin de estos. A continuacin se explicar la
informacin que se tiene y que resulta relevante para la estimacin de las
probabilidades de incumplimiento y posteriormente se har una breve descripcin de
los modelos ms utilizados.
2.4.1 Tipos de Informacin
En trminos generales una pliza de seguro de crdito a la vivienda puede en un
periodo tener dos eventos: reclama o no reclama, el cual est ligado al evento de
que el acreditado incumpla o no en el pago del crdito hipotecario. Aunque no se
conoce de antemano el evento que va ocurrir, s se tiene una serie de informacin
que permiten asignar una probabilidad al evento de incumplimiento del acreditado.
Esta informacin se puede dividir en:
o Informacin socio-econmica del acreditado.
o Informacin del comportamiento de crdito.
o Informacin macroeconmica.
Las instituciones otorgantes del crdito buscan otorgar los crditos a personas
solventes que tengan la capacidad de pagar su crdito hipotecario, por lo que para
determinarlo llevan a cabo un proceso de suscripcin en el que se genera una gran
cantidad de informacin. Entre la informacin ms relevante se encuentra:
o

Los ingresos y egresos del solicitante. En general se busca, que el ingreso

mensual que recibe la personal sea al menos 3 o 4 veces el monto del pago
mensual del crdito hipotecario.

El monto del enganche. A mayor monto de enganche, la persona tiene

menos incentivos a incumplir, ya que en caso de perder la casa podra perder
la parte del enganche. En general se piden enganches mnimos de 5% a 10%
del valor de la vivienda.

Informacin de Bur de Crdito. Una persona que ha no pagado otros

crditos tiene ms probabilidad de incumplir en el crdito hipotecario.
Asimismo un alto nivel de endeudamiento podra mermar el ingreso de la
persona y hacerla caer en incumplimiento.

Valor de la Vivienda. El valor de la vivienda debe corresponder al nivel de

ingresos de la persona, de lo contrario la persona no sera capaz de pagar el
crdito.

11

Tipo y tiempo de empleo. El tipo y tiempo que lleva la persona en el empleo,

da certidumbre de que el ingreso de la persona es estable. En general las
personas con empleos estables tiene menos probabilidad de incumplir.

Caractersticas del crdito. El tipo de crdito que se le otorgue a la persona

resulta relevante para determinar si sta va poder pagarlo. Los crditos con
mayores tasas y plazos ms cortos generan pagos ms altos. Los crditos
denominados en UDIS pueden resultar en pagos y saldo ms altos en
periodos inflacionarios que los denominados en Pesos.

Posteriormente al otorgamiento del crdito se va generando un nuevo tipo de

informacin para determinar la probabilidad de incumpliendo del crdito. Esta
informacin es la del comportamiento del crdito, en donde se tiene si el acreditado
a estado pagando su crdito, cunto ha pagado, si ha realizado prepagos etc. Un
crdito que ha estado pagando puntualmente es menos propenso a incumplir que un
crdito que se ha atrasado en sus pagos. Esta informacin resulta mucho ms
relevante para determinar la probabilidad de incumplimiento que la informacin de
suscripcin, sobre todo si ya ha transcurrido mucho tiempo desde la originacin del
crdito. Este tipo de informacin tan valiosa en seguro de crdito a la vivienda, no se
tiene disponible en otros seguros. Por ejemplo, en seguro de vida equivaldra a
conocer el estado de salud de una persona cada mes, con lo cual si la persona est
enferma de gravedad tiene una probabilidad ms alta de fallecer. O bien, en seguro
de autos, a conocer los hbitos de manejo del conductor en un seguro de autos, en
donde los malos hbitos daran una probabilidad ms alta de siniestro.
Asimismo, es sabido que el incumplimiento de los crditos est muy ligado a los
ciclos macroeconmicos. En periodos de expansin los niveles de empleo, salarios,
remesas son buenos y conllevan a que la gente tenga los recursos suficientes para el
pago de su crdito hipotecario. Por el contrario en periodos de recesin, estos niveles
se deterioran y se presenta un mayor nmero de incumplimientos. El estado
macroeconmico es por ello una informacin relevante para determinar la
probabilidad de incumplimiento de los seguros y crditos hipotecarios.
2.4.2 Modelos de estimacin de probabilidades de incumplimiento para
crditos hipotecarios
Existen una diversidad de estudios y mtodos utilizados para estimar la probabilidad
de incumplimiento. Ello se debe a que existe una gran variedad de informacin y
aplicaciones. Los modelos por informacin se pueden dividir en:
Modelos de suscripcin. Son aquellos que emplean nicamente la informacin de
suscripcin de los crditos, como son los datos del crdito (tasa, enganche,
denominacin) y los datos del solicitante (ingreso, tipo de empleo, bur de crdito
etc.). Estos modelos se emplean generalmente para determinar la suscripcin de un
crdito, por lo que no se tiene informacin de comportamiento debido a que este no
ha sido originado.
Modelo de comportamiento. Son aquellos que adems de utilizar la informacin de
suscripcin, utilizan los datos del comportamiento del crdito como son el nmero de
pagos vencidos, el saldo actual, etc. Tambin pueden utilizar el estado de factores
exgenos, como niveles de desempleo, valores de vivienda, tasas, etc.

12

Asimismo los modelos se pueden dividir en modelos de corto y largo plazo.

Modelos de corto plazo. Son aquellos que buscan determinar el incumplimiento del
crdito en un periodo corto, de tal manera que buscan utilizar la mayor cantidad de
informacin que permite determinar esta probabilidad.
Modelos de largo plazo. Son aquellos que buscan determinar el comportamiento que
tendr el crdito durante toda su vigencia. Por esta razn la informacin actual si
bien resulta relevante para determinar la probabilidad de incumplimiento en el corto
plazo, pierde efectividad en el largo, por lo que se buscan otros enfoques. Un
ejemplo de este tipo de modelos es la curva de incumplimiento que se describe ms
adelante.
A continuacin se describen algunos modelos.

Matrices de Transicin
Las matrices de transicin son una herramienta que permite determinar la
probabilidad de incumplimiento de un crdito de acuerdo a su estado de morosidad
actual. Es una herramienta sencilla, intuitiva, til y poderosa para pronosticar el
desempeo de una cartera de crditos en el corto plazo sin requerir de mayor
informacin que el historial de morosidad.
Para obtener una matriz de transicin primeramente se definen los estados que
puede tener un crdito de acuerdo a su morosidad. Por ejemplo el estado de un
crdito puede ser que tenga cero pagos vencidos, o que tenga uno, dos, etc. Se
pueden definir estados como tener ms de 25 pagos vencidos, estar en
incumplimiento, en cancelacin de crdito etc., siempre que estos estados sean
mutuamente excluyentes.
La siguiente tabla muestra un ejemplo de una definicin de estados:
Estado

Descripcin

0:

El crdito tiene 0 pagos vencidos al momento de observacin

1:

El crdito tiene 1 pago vencido al momento de observacin

2:

El crdito tiene 2 pagos vencidos al momento de observacin

:
.

:
.

x:

El crdito tiene x o ms pagos vencidos lo que se considera como

Incumplimiento.

n:

El crdito ha sido prepagado.

13

Los crditos van cambiando de estado cada periodo de pago, lo que se denomina
transicin. Por ejemplo, un crdito que hasta el momento tiene un pago vencido

tiene tres opciones en el prximo periodo de pago t + 1 , es decir tres estados a los
que puede cambiar:

Puede pagar la mensualidad correspondiente a t + 1 y seguir debiendo un pago.

Puede pagar la mensualidad correspondiente a t + 1 y pagar la cantidad que
debe de algn periodo anterior, ponindose con ello al corriente en su historial
de pagos.
Puede no pagar la mensualidad correspondiente a
vencimiento llegando as a dos mensualidades vencidas.

t + 1 acumulando otro

Mes i + 1
Transicin

Mes i

0: 0 Pagos
Vencidos

1:
1 Pago
Vencido

1: 1 Pago
Vencido
2: 2 Pagos
Vencidos

Desde el punto de vista probabilstico esto conforma un proceso estocstico discreto

el cul puede ser representado por una matriz que contiene las probabilidades de
transicin, es decir, las probabilidades de pasar de un estado a otro

p(EstadoActual, EstadoFuturo)

Matriz de Transicin

EstadoFuturo
EstadoActual
CeroPagosVencidos
UnPagoVencido
DosPagosVencidos
:
Incumplimiento
Prepago

CeroPagos
Vencidos
p(0,0)
p(0,1)
p(0,2)
:
p(0,I)
p(0,P)

UnPago
Vencido
p(1,1)
p(1,1)
p(1,2)
:
p(1,I)
p(1,P)

DosPagos
Vencidos
p(2,0)
p(2,1)
p(2,2)
:
p(2,I)
p(2,P)

Incumplimie
nto
p(I,0)
p(I,1)
p(I,2)
:
p(I,I)
p(I,P)

Prepago
p(P,0)
p(P,1)
p(P,2)
:
p(P,I)
p(P,P)

Estas probabilidades nicamente utilizan el estado actual. Para estimarlas se necesita

contar con informacin histrica del historial de pagos de los crditos. Las

14

probabilidades en una matriz de transicin se pueden obtener por mtodos de

mxima verosimilitud simplemente dividiendo el nmero de crditos que pasaron de
un estado i a un estado j en un periodo t + 1 entre el nmero de crditos que tenan
morosidad

i en el periodo t .

Una ventaja de las matrices de transicin es que permiten dada la morosidad actual
de una cartera, determinar la morosidad futura. Si se supone que estas matrices
son homogneas en el tiempo, entonces si se multiplica la matriz de transicin
mensual por si misma entonces se obtiene la matriz de transicin para un periodo de
dos meses. De esta forma, por ejemplo, la matriz anual se puede obtener
multiplicando la matriz de transicin por si misma doce veces. Esto requiere suponer
que las probabilidades de transicin son estacionarias, lo cual no se puede suponer
para periodos largos ya hay diversos factores afectando el comportamiento del
crdito, como por ejemplo, la edad del crdito, la razn del monto del crdito valor
de la vivienda, etc. Por esta razn se considera este un mtodo adecuado slo para
periodos cortos.

Modelos logsticos
A diferencia de las matrices de transicin, los modelos logsticos buscan incorporar
mayor cantidad de informacin para determinar la probabilidad de incumplimiento de
los crditos.
Para aplicar un modelo logstico al caso de un crdito se parte del evento de que un
acreditado tiene la alternativa de pagar o no pagar. Este evento se puede modelar
como una variable aleatoria Y donde:

Y =1

Si el crdito incumple en el periodo

Y =0

Si el crdito no incumple en el periodo.

Y que tiene funcin de probabilidad Bernoulli de la siguiente forma:

fY | X (y | x ) = (x )y (1 (x ))1 y

donde y {0,1}

Donde x se refiere a las variables de informacin que determinan la probabilidad de

incumplimiento.
Como se puede ver, no existe relacin lineal entre las variables de informacin x y el
evento de incumplimiento

Y por lo que ajustar una regresin lineal del tipo

Yi = 0 + x i + i dara resultados poco precisos e incluso errneos. Adems los

resultados no estaran restringidos a tomar valores entre 0 y 1, incumplimiento o no

incumplimiento, los cuales son los dos nicos posibles resultados.

15

El modelo logstico propone como alternativa trabajar con la media condicional

E ( Y | X ) como la variable de respuesta en vez de la utilizar la respuesta misma Y .

(x ) medida que tambin
Se sabe que Y se distribuye Bernoulli con media,

representa la probabilidad de que el resultado sea igual uno (incumplimiento). Por lo

tanto, el objetivo del pronstico se concentra en la estimacin de la probabilidad de
incumplimiento

(x ) .

La expresin para estimar la probabilidad de incumplimiento, es:

(x i ) =

e 0 + 1 x i 1 + K + k x ik
1 + e 0 + 1 x i 1 + K + k x ik
donde:

(x i ) = E ( Y | X i )

( )
Aplicando la transformacin logstica, la expresin para x i puede simplificarse y
hacer los clculos ms sencillos, sta se obtiene simplemente dividiendo por

1 ( x i ) y calculando el logaritmo natural en ambos lados, obteniendo lo que se

( )
conoce como la funcin de respuesta g x i :

(x i )
= 0 + 1 x i1 + ... + k x ik
ln
1 (x i )
Haciendo

r
(x i )
r
g (x i ) = ln
r
1 (x i )
Se tiene que:

g (x i ) = 0 + 1 x i1 + ... + k x ik

(x i ) =

eg( xi )
1 + eg( xi )

La transformacin logstica es la que da origen a la regresin logstica, donde a la

expresin

(X )
1 ( X ) ,

se le conoce como momios u odds por su nombre en ingls.

Es el cociente de dos probabilidades

(x i ) = P (y = 1) , 1 (x i ) = P (y = 0 ) ;

se

interpreta como el nmero de veces que es ms probable obtener el resultado y = 1

16

(incumplimiento) contra la probabilidad de obtener y = 0 (no incumplimiento), por

3
= 3 :1
, se interpreta como tres variables y = 1 por cada
ejemplo, unos momios de 1
y = 0 ; o como que la probabilidad de obtener y = 1 es tres veces mayor a la
variable
de obtener y
probabilidad.

= 0 . El valor de los momios, es siempre mayor o igual al de la

La ventaja de este modelo es que permite incorporar cualquier tipo de informacin

para determinar las probabilidades de incumplimiento, incluyendo variable como la
edad, morosidad, saldo del crdito que varan en el tiempo. El siguiente modelo hace
explcito el hecho de que existen variables dependientes del tiempo que afectan las
probabilidades de incumplimiento.

Modelos de tasa de riesgo proporcional

Estos modelos son usados frecuentemente en las ciencias biomdicas para estimar la
probabilidad de supervivencia de los pacientes basndose en sus caractersticas y el
tratamiento que se les est proporcionando. En este caso el paciente es una hipoteca
y su probabilidad de incumplimiento se puede interpretar como el fallo a la
supervivencia del crdito. Es por ello que este modelo ha sido adoptado en la
literatura hipotecaria para estimar los efectos que las variables explicativas tienen en
el tiempo que las hipotecas tardan en tomar en incumplir. En particular este modelo
estima la probabilidad de que un crdito a la vivienda con ciertas caractersticas
incumpla o prepague en determinado periodo dado que se encontraba vigente al
inicio del mismo, lo cual tambin es conocido con el nombre de probabilidad
condicional de incumplimiento.
Suponiendo que la funcin de probabilidad de terminacin en funcin del tiempo que
tarda el crdito en incumplir o prepagar es

f ( t ) , y que la funcin acumulada de

F ( t ) , la funcin de tasa de riesgo se define como la funcin de

probabilidad de incumplimiento al tiempo t , condicionada a que se encontraba activa
antes de t :

probabilidad es

h( t ) = lim 0

Pr( t < T < t + T t )

f (t )
1 F( t )

h( t ) representa la probabilidad condicional de incumplimiento en el

siguiente periodo dado que el crdito estaba vigente en el periodo t . El supuesto de

La tasa de riesgo

tasa de riesgo proporcional de Cox (1972) supone que el vector de variables

x ( t ) , ya sean variables o constantes en el tiempo, afectan la tasa de

h ( t ) de una manera proporcional y exponencial. La tasa de
riesgo de referencia 0
riesgo para el individuo i al tiempo t se puede especificar como:
explicativas

h( t ) = h0 ( t ) e x ( t )

17

es el vector de coeficientes constantes de las variables explicativas. Cabe

Donde
sealar que la tasa de riesgo de referencia es la tasa de fallo a lo largo del tiempo
para el prstamo promedio en la muestra, y que el factor de proporcionalidad es la

funcin exponencial de las variables explicativas xs y el vector de coeficientes .

La principal ventaja de este modelo es la facilidad que proporciona para modelar y
probar la influencia de alguna variable en particular en la funcin de supervivencia
sin hacer supuestos especficos acerca de la distribucin de la funcin de referencia

h0 ( t ) .
Un caso particular de este modelo son las probabilidades de incumplimiento
condicionadas a la edad del crdito, llamadas curvas de incumplimiento y que son
equivalentes a las tablas de mortalidad utilizadas en los seguros de vida.
La siguiente figura presenta un ejemplo de una curva de incumplimiento:
Ejemplo Curva de incumplimiento
Edad
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

dx
0
0
0
0
0
132
168
199
181
207
206
213
218
220
228
224
225
222
219
220

lx
100,000
100,000
100,000
100,000
100,000
100,000
99,868
99,700
99,501
99,320
99,113
98,908
98,695
98,476
98,256
98,028
97,804
97,579
97,357
97,137

qx
0.0000%
0.0000%
0.0000%
0.0000%
0.0000%
0.1319%
0.1683%
0.1992%
0.1824%
0.2081%
0.2073%
0.2155%
0.2210%
0.2236%
0.2319%
0.2289%
0.2304%
0.2276%
0.2251%
0.2265%

xp0 qx
0.0000%
0.0000%
0.0000%
0.0000%
0.0000%
0.1319%
0.1681%
0.1986%
0.1815%
0.2067%
0.2055%
0.2131%
0.2181%
0.2202%
0.2279%
0.2244%
0.2253%
0.2221%
0.2192%
0.2200%

18

3 Modelos de Riesgo de Corto Plazo

En el capitulo pasado se mencion que las prdidas se dividen en prdidas esperada
y no esperadas. Asimismo se describieron metodologas para estimar las
probabilidades de incumplimiento, las tasas de severidad y la exposicin de los
crditos a la vivienda que permiten estimar la prdida esperada. El presente y el
siguiente captulo parten de estos mismos parmetros para estimar no slo el valor
esperado sino la distribucin de prdidas de una cartera de crdito a la vivienda.
La estimacin de la distribucin de prdidas y de la prdida no esperada tiene una
mayor complejidad que la estimacin de la prdida esperada, debido a que la prdida
no esperada depende de la interrelacin o dependencia que tienen los crditos entre
s, lo que comnmente se suele llamar correlacin entre los crditos.

3.1 Tipos de modelos de dependencia

Existen varias formas de modelar la dependencia entre los crditos y actualmente se
siguen elaborando estudios al respecto. Los modelos que se describirn en el
presente trabajo parten del enfoque llamado doble estocstico.
Enfoque Doble Estocstico
Bajo este enfoque se supone que las probabilidades de incumplimiento o
equivalentemente las fuerzas de incumplimiento de los crditos son variables o
procesos aleatorios que dependen de una serie de factores en comn. De esta
manera los crditos estn interrelacionados pues dependen de los mismos factores.
Sin embargo, en el enfoque doble estocstico, una vez determinados estos factores,
los crditos son independientes. Un ejemplo, de la aplicacin de este enfoque en el
mbito de seguros, sera el nmero de incendios forestales en Estados Unidos. El
nmero de incendios depende de las condiciones del tiempo, ya que en poca de
lluvias el nmero es menor que en pocas secas. Sin embargo, una vez determinada
las condiciones del tiempo se espera que los incendios ocurran de forma
independiente. Otro ejemplo, sera el nmero de tarjetahabientes que no pagan sus
tarjetas de crdito. En el nmero de incumplimiento depende de las condiciones de la
economa, especficamente del nivel de ingreso, endeudamiento, desempleo etc. Sin
embargo, una vez dadas estas condiciones se espera que los tarjetahabientes
incumplan de manera independiente, esto es que el impago de una persona no
implica que otra forzosamente lo har tambin.
Este supuesto de independencia condicional ha sido estudiado y algunos casos
cuestionados por no lograr modelar de forma adecuada la dependencia que se
observada en algunos mercados. Por ello, han surgido otros enfoques como el de
incumplimientos simultneos o riesgo de contagio.
Enfoque de Incumplimientos Simultneos
Bajo este enfoque los incumplimientos no son independientes una vez dadas las
probabilidades o fuerzas de incumplimiento, sino que incluso pueden ocurrir
incumplimientos simultneos. Para modelar esto se frmula no solo los
incumplimientos de cada uno de los crditos, sino que adems se adicionan los
eventos de incumplimiento simultaneo los cuales tiene su propia fuerza de
incumplimiento. Un ejemplo de este tipo es el propuesto por Duffie and Singleton
1999.
Una crtica a este enfoque, es que en raras ocasiones se observan

19

incumplimientos simultneos, sino que ms bien se observan incumplimientos muy

cercanos en el tiempo. El siguiente enfoque explora esta idea.
Enfoque de Riesgo de Contagio
En este enfoque el evento de incumplimiento de un crdito, conlleva a un incremento
en las probabilidades de incumplimiento de otros crditos. Un ejemplo de ello son los
mercados burstiles con pocos participantes. En estos mercados, los participantes
tiene crditos o bonos unos con otros de tal manera que si uno incumple, esto
conllevar a que otro incumpla tambin y as sucesivamente generando un efecto
domin. De hecho una de las razones para el rescate de la aseguradora AIG durante
la crisis crediticia de 2008 fue que de haber sido rescatada hubiera generado un
mayor el incumplimiento de otros participantes. Asimismo, se comenta que el
quebrante de Lehman Brothers conllevo a una agudizacin de la crisis por este
fenmeno de contagio.
Ejemplos de estos modelos son los propuestos por Davis and Lo (1999) y Jarrow
and Yu (2001), Giesecke and Tomecek (2005).
Enfoque de cpulas
Una herramienta matemtica que se utiliza para modelar dependencia es las
funciones de cpula. Esto ha dado lugar a un nuevo enfoque que es muy utilizado
tanto en el mbito bancario como en el de seguros. De cierta manera la utilizacin
de cpulas implica una cierta dinmica en las fuerzas de incumplimiento de los
crditos y contempla que el incumplimiento de un crdito puede afectar la
probabilidad de incumplimiento de otro. Sin embargo, bajo este enfoque no se
modelan directamente las fuerzas de incumplimiento por lo que se considera un
enfoque separado.
Una funcin copula es una distribucin multivariada con distribuciones marginales
uniformes.
Sklar (1973) demuestra que para toda funcin de distribucin
multivariada se puede encontrar una funcin de cpula que relaciona las
distribuciones marginales con la funcin multivariada. Esto resulta muy til en la
prctica, ya que generalmente se tiene las distribuciones marginales que
corresponden a los crditos individuales, los cuales se interrelacionan a travs de la
funcin cpula para encontrar la distribucin multivariada.
Li (1999) fue uno de los primeros en proponer el uso de funciones de cpula para
modelar el riego de crdito. A partir de su trabajo, ha habido muchos estudios para
comprender las implicaciones que tienen la utilizacin de diferentes funciones de
cpula. En particular el mismo Li demostr que el modelo de CreditMetric y el de
KMV, estn implcitamente basados en una copula Gausiana. Frey y McNeil (2001)
demuestran que la cpula Gausiana otorga una muy baja probabilidad a los eventos
en los que ocurren varios incumplimientos, por lo que propone el uso de otras
funciones cpula para modelar eventos extremos. Otras funciones de cpula han sido
estudiadas. Ver por ejemplo los trabajados de Burtschell et al. (2005) y Embrechts
et al. (2001).
El enfoque de copulas se ha vuelto muy popular por su fcil tratamiento, sin
embargo, existe la preocupacin de entender su relacin con los otros enfoques, en
particular, que tipo de dinmica en las fuerzas de incumplimiento implican las
cpulas. El trabajo de Schnbucher y Schubert (2001) estudia este problema.
La razn de emplear el enfoque doble estocsticos para el seguro de crdito a la
vivienda parte del supuesto de que los crditos estn sujetos a factores en comn
como son el estado de la economa, pero que una vez establecidos estos factores los

20

crditos ocurren de forma independiente. No se espera que el incumplimiento de un

crdito afecte las probabilidad de otro. Este enfoque ha sido muy utilizado en la
modelacin de siniestros en el mbito asegurador y a continuacin lo aplicaremos
para la modelacin de las prdidas del seguro de crdito a la vivienda.

3.2 Modelos de riesgo para un crdito hipotecario

En mucha ocasiones se requiere tener una estimacin de las prdidas que pueden
ocurrir en un periodo de corto plazo, comnmente un ao. Por ejemplo, conocer el
monto de reclamaciones que se esperan para el siguiente ao. Asimismo, los
requerimientos de reservas y capital suelen establecerse de acuerdo a ventanas de
tiempo de un ao.
El tomar un horizonte de tiempo de corto plazo permite estimar la distribucin de
prdidas de forma esttica. Primeramente se definir un modelo para un crdito.
Posteriormente se describen los modelos de prdida para carteras con eventos
independientes, los cuales son muy utilizados en el mbito de seguros, ya en muchos
de estos casos es posible asumir independencia. Por ltimo se describirn los
modelos con eventos no independientes que son los ms adecuados para la modelar
el seguro de crdito a la vivienda.
Se define X como la variable aleatoria de la prdida de un crdito en un horizonte
de tiempo determinado, por ejemplo un ao.
Como se ha mencionado la
probabilidad de incumplimiento q de un seguro de crdito a la vivienda puede
considerarse como una variable aleatoria cuyas variaciones se deben a factores
exgenos como el estado macroeconmico. Antes de hacer este supuesto primero
analizaremos la distribucin de X suponiendo que q es fija y posteriormente se
suponiendo que es una variable aleatoria.
Si se supone

q fija durante el horizonte de tiempo y que el monto de la reclamacin

dado el incumplimiento es independiente del evento de incumplimiento, entonces se

tiene que la prdida esperada y la varianza de la prdida son

E [X ] = B q

(3.1)

V ( X ) = B 2 q (1 q )

(3.2)

Donde B es el monto de la reclamacin, el cual se supondr conocido.

Estos supuestos son comunes en los modelos de seguros tradicionales, sin embargo,
en el seguros de crdito a la vivienda resulta ms adecuado considerar la
probabilidad de incumplimiento como una variable aleatoria. De esta forma la
prdida esperada y la varianza de la prdida son

E [X ] = E [E [X | q]] = E [B q ] = B q

(3.3)

V ( X ) = V (E [X | q]) + E [V ( X | q )] = V (B q ) + E B 2 q (1 q ) = B 2 q2 + B 2 q (1 q )
(3.4)

21

Donde

q = E [q] y q2 = V (q ) .
Se observa en las ecuaciones 3.1 y 3.3 que la prdida esperada es la misma tanto en
el caso de que la probabilidad de incumplimiento es fija como si es variable, mientras
que la varianza incorpora un nuevo sumando que indica la volatilidad de la
probabilidad de incumplimiento a travs del valor

q2 .

Este parmetro tiene una gran relevancia en el ramo de crdito a la vivienda, debido
a que mide el impacto que tiene en las probabilidades de incumplimiento los
factores exgenos y que pueden generar mayores prdidas no esperadas. Adems,
como se ver ms adelante, a travs de considerar la probabilidad de incumplimiento
q como una variable aleatoria, se tiene una de las formas ms tiles con las que se
puede modelar el riesgo sistmico de una cartera hipotecaria y las dependencia entre
los crditos de dicha cartera.

3.3 Modelos de Riesgo para una Cartera con Crditos Independientes

La seccin anterior describe la prdida esperada y varianza de un solo crdito, en
esta seccin se estudia estas mismas medidas para una cartera.
Respecto a la prdida esperada, sta tiene la propiedad de ser lineal. Esto implica
que la prdida esperada de la cartera es igual a la suma de las prdidas esperadas
de cada crdito. Matemticamente, si la cartera hipotecaria est conformada por n
crditos y a cada crdito i se le asigna la variable aleatoria X i que indica el monto
de la reclamacin de dicho crdito (en caso de que no haya reclamacin toma el
valor de cero) entonces el monto de reclamaciones de la cartera corresponde a la
suma de los montos de los crditos

S = X1 + X 2 + K X n

(3.5)

y la prdida esperada de la cartera resulta ser la suma de las prdidas esperadas de

los crditos

n
n
PE = E [S ] = E X i = E [X i ]
i =1 i =1

(3.6)

La estimacin de la varianza de una cartera no es tan simple, ya que est toma en

cuenta la dependencia entre los crditos a travs de las covarianzas de los crditos
n
n
n
V (S ) = V X i = V ( X i ) + Cov (X i , X j )
i j
i =1 i =1

(3.7)

En la mayora de los ramos es posible suponer independencia entre los eventos de

siniestros o reclamaciones. En dicho caso, las covarianzas seran cero y la varianza
de la cartera sera la suma de las varianzas de los crditos que la componen.

22

Asimismo, suponiendo independencia se facilita la determinacin de la distribucin

del nmero de incumplimientos y por ende la distribucin de prdidas. Bajo este
supuesto la suma de las n variables aleatorios independientes e idnticamente
distribuidas Bernoulli( q ) correspondientes al evento de incumplimiento de cada
crdito resulta en una distribucin binomial con parmetros n y q , de tal forma que
la distribucin del nmero de incumplimientos de la cartera

N = I1 + I 2 + K + I n donde I i Bernoulli (q )

(3.8)

da como resultado que N Binomial (n, q ) .

Asimismo al suponer independencia entre las reclamaciones, se tiene que la
distribucin de prdidas de la cartera S = X 1 + X 2 + K + X n se puede aproximar
cuando n es lo suficientemente grande, utilizando el teorema de lmite central, por
una distribucin normal con media y varianza
n

E [S ] = E [X i ] = n B q

(3.9)

i =1
n

V (S ) = V [X i ] = n B 2 q (1 q )

(3.10)

i =1

si supone que el monto de la reclamacin es igual para todos los seguros.

El que todos los crditos tengan el mismo monto de reclamacin esperado
difcilmente sucede y aunque se puede utilizar un monto promedio, no hay
impedimentos tericos que impidan utilizar esta aproximacin aun cuando los
montos sean distintos, siempre que estos sean lo suficientemente homogneos (Ver
DeGroot 1988). De esta manera que la distribucin de prdidas es Normal con
media y varianza
n

i =1

i =1

E [S ] = E [X i ] = q Bi
n

i =1

i =1

V (S ) = V [X i ] = q (1 q ) Bi2

(3.11)
(3.12)

Un ventaja de la cartera de seguro de crdito a la vivienda es que ests presentan

una gran homogeneidad en sus sumas aseguradas. En general, no existen los
grandes riesgos presentes en otros seguros de daos, lo que en principio permitira
aplicar el teorema central de lmite. Sin embargo, la aproximacin normal como se
acaba de presentar no es adecuada para las carteras de seguros de crdito a la
vivienda debido a que estos crditos no son independientes. La siguiente seccin
describe como solventar este problema.

23

3.4 Modelo de Riesgo para un Cartera con Crditos No

Independientes
La dependencia de los crditos a la vivienda se supone se debe fundamentalmente a
que los acreditados estn sujetos a factores exgenos como el estado de la
economa, lo cual afectan de manera global la capacidad de pago de los acreditados
y tambin afecta el valor de las viviendas simultnea, lo que puede llevar a un mayor
nmero de incumplimientos.
Para incorporar la dependencia entre los crditos y la volatilidad de las
probabilidades de incumplimiento se parte de los modelos colectivos encontrados en
la teora de riesgo. El modelo colectivo modela la prdida de una cartera a travs de
la variable aleatoria S la cual corresponden a la suma de las prdidas de los crditos
que incumplen, donde el nmero de incumplimientos N a su vez una variable
aleatoria

S = X1 + X 2 + K + X N

(3.13)

Para analizar estos modelos es conveniente primero analizar el modelo del nmero
de incumplimientos N y posteriormente la prdida de la cartera S .
3.4.1 Nmero de incumplimientos
Como se menciono anteriormente, si se supone que las variables aleatorios

I i que

indican el incumplimiento del crdito son independientes e idnticamente distribuidas

con distribucin Bernoulli( q ), entonces el nmero de incumplimientos N tiene
distribucin Binomial( n , q ).
Otra distribucin muy utilizada en los modelos colectivos para el nmero de
incumplimiento es la distribucin Poisson( ) , con lo que S es llamada una
distribucin Poisson Compuesta. La eleccin de la distribucin Poisson se debe, entre
otras cosas, a que la distribucin Binomial (n, q ) converge a la Poisson ( = n q )
cuando el nmero de crditos en la cartera n es grande y q es pequeo, lo cual es
el caso de los crditos a la vivienda. Asimismo, no requiere que los crditos tengan la
misma probabilidad de incumplimiento q , con lo cual se tiene que la distribucin del
nmero de incumplimientos es Poisson con parmetro

= qi .
i =1

Ahora bien, para modelar la volatilidad de las probabilidades de incumplimiento y la

dependencia de los crditos, se incorporara al modelo un factor de riesgo h que
multiplica a las probabilidades de incumplimiento, de tal manera que la distribucin
del nmero de incumplimientos es

N Poisson( h )

en el caso de Poisson

N Binomial(n, q h ) en el caso de Binomial

2
donde h es un variables aleatoria con media uno y varianza h .
Y

24

Estos modelos son llamados procesos compuestos mixtos y h es conocida como la

variable mixta. En trminos de los seguros de crditos a la vivienda, la variable
mixta modela un factor exgeno, por ejemplo el estado de la economa, que afecta
directamente las probabilidades de incumplimiento de los crditos. Cuando esta
variable toma un valor mayor a uno, las probabilidades de incumplimiento se
incrementan y con ello aumenta el nmero esperado de incumplimientos, y cuando
es menor a uno el nmero esperado de incumplimientos y las probabilidades
disminuyen.
Esto genera una dependencia entre los crditos. La covarianza entre
incumplimientos, suponiendo que los crditos tienen la misma probabilidad de
incumplimiento, es

Cov (I X , I y ) = E [E [I x I y | h ]] E [I x ] E [I y ] = E q 2 h 2 q 2 = q 2 (1 + h2 ) q 2 = q 2 h2
(3.14)
que corresponde a la varianza de las probabilidades de incumplimiento.
El efecto en la media y la varianza del nmero de incumplimientos es el siguiente:
Para el modelo Poisson mixto

E [N ] = E [E [N | h ]] = E [ h ] =

V (N ) = V (E [N | h]) + E [V (N | h )] = V ( h ) + E [ h ] = 2 h2 +

(3.15)
(3.16)

Y para el modelo Binomial mixto

E [N ] = E [E [N | h ]] = E [n q h ] = n q

(3.17)

V (N ) = V (E [N | h ]) + E [V (N | h )] = V (n q h ) + E [n q h (1 q h )]

= n 2 q 2 h2 + n q (1 q (1 + h2 ))

= n q (1 q ) + q 2 h2 (n 2 n )

(3.18)

En ambos casos el nmero de incumplimientos esperado es igual que en el caso en el

que no se incorpora la variable mixta h . Por otro lado, las varianzas estn
conformadas por dos sumandos, uno de ellos corresponde a la varianza del modelo
sin la incorporacin la variable mixta, mientras que el otro sumando es el que se
obtiene al incorporar la variable mixta y que resulta proporcional a la varianza de
sta

h2 .

Este ltimo sumando corresponde lo que se conoce como riesgo sistmico de la

cartera o riesgo no diversificable, mientras que el otro corresponde al riesgo
idiosincrsico o diversificable. Esto se debe ya que a medida que el nmero de
crditos de la cartera se incrementa, la proporcin de la varianza por el riesgo
idiosincrsico disminuye, en otras palabras, se diversifica, mientras que la proporcin

25

correspondiente al riesgo sistmico no disminuye. Para demostrar esto se obtiene la

varianza de la proporcin del nmero de incumplimientos y se toma el lmite cuando
el nmero de crditos de la cartera tiende a infinito:
Para el modelo Binomial mixto se tiene:

q (1 q )
1
N 1

V = 2 V (N ) =
+ q 2 h2 1
n
n
n n

N
lim V = 0 + q 2 h2
n
n

(3.19)

Para el modelo Poisson mixto, tomando en cuenta que

q
N 1
V = 2 V (N ) = + q 2 h2
n
n n
N
lim V = 0 + q 2 h2
n
n

= n q , se tiene que

(3.20)

En ambos casos el sumando del riesgo idiosincrsico converge a cero y el del riesgo
sistmico converge a la varianza de las probabilidades de incumplimiento. Esto
quiere decir que si los crditos son independientes, la prdida no esperada de la
cartera tiende cero al aumentar el nmero de crditos (efecto de diversificacin) ms
no as si los crditos estn afectados por un factor sistmico en cuyo caso siempre
habr una prdida no esperada (riesgo sistmico no diversificable).
Este mismo resultado muestra que entre mayor nmero de crditos tenga la cartera
el tipo de riesgo ms relevante es sistmico el cual proviene de la variable mixta y el
parmetro que la caracteriza

h2 .

En otras palabras, en las carteras de crdito a la

vivienda el riesgo importante es el riesgo sistmico.

3.4.2 Distribucin de prdidas de la cartera
En la seccin anterior se obtuvieron distribuciones del nmero de incumplimiento
N caracterizados por su valor esperado y varianza. En esta seccin se obtiene a
partir de dichos modelos la distribucin de prdida de la cartera

S = X1 + X 2 + K + X N

(3.21)

El modelo que utilizaremos es el Poisson Mixto Compuesto, en donde, el nmero de

incumplimientos N se distribuye de acuerdo a un proceso Poisson ( ) con variable
mixta h . Este modelo es muy utilizado en la teora de riesgos (ver Daykin) e
igualmente ha sido utilizado para modelar el riego de crdito (Ver CreditRisk+). Este
modelo corresponde al tipo de modelos llamados doble estocstico debido a que
existen componentes aleatorios: el nmero de incumplimientos y el tamao de las
prdidas.

26

Para trabajar con este modelo se hace el supuesto de que el tamao de las prdidas
X i son independientes del nmero de incumplimientos N .
Otro supuesto que se hace es que las variables del tamao de prdidas
independientes e idnticamente distribuidas, es decir,

X i son

F ( X ) = P[X i X ] es la

distribucin del tamao de las prdidas para todos los crditos. Podra parecer que
supuesto no permite la aplicacin de este modelo en carteras de seguro de crdito a
la vivienda ya que cada crdito tiene un saldo asegurado distinto y por ende debera
tener una distribucin del tamao de su prdida distinta. Sin embargo, este supuesto
no representa un impedimento debido al siguiente resultado:
La suma de procesos poisson mixto

(i , Fi ( X ), h )

que dependen de la misma

h es tambin un proceso poisson mixto ( , F ( X ), h ) con

n
n

variable aleatoria h en donde = i y F ( X ) = i Fi ( X )

i =1
i =1
variable mixta

Este resultado permite agrupar los crditos en distintos grupos, en un caso extremo
cada crdito representara un grupo, en el que la distribucin de prdidas de cada
grupo se distribuye como una variable Poisson Mixta Compuesta (i , Fi ( X ), h ) , la
suma de estos grupos al final continuara siendo Poisson Mixta Compuesta. Lo nico
que se requiere es determinar la distribucin del tamao de las prdidas de la
siguiente forma F ( X ) =

F (X ).
i =1

La distribucin de prdida de la cartera depende de la distribucin de la variable

mixta, del nmero de incumplimiento, y de la distribucin del tamao de las prdidas
del crdito. De acuerdo a las distribuciones que se supongan existen describen
algunos de estos mtodos.

3.4.3 Momentos de la Distribucin Poisson Mixta Compuesta

X = E[X ] como la media de la distribucin del monto de la

j
reclamacin y a j = E [X ] como el j-simo momento central, la prdida esperada y la

Si se denota

varianza de la cartera son

PE = E [S ] = E [E [S | N ]] = E E X i | N = E [N X ] = X

i =1

[ (

)] (

V (S) = E[V (S | N)] +V (E[S | N]) = E[N V ( X )] +V (N E[X ]) = E N a2 X2 +V N X

= a2 X2 + X2 + 2 h2
= a2 + X2 2 h2

(3.22)

)
(3.23)

27

La prdida esperada es igual producto del nmero esperado de incumplimiento por el

monto de la reclamacin esperada. La varianza tiene dos sumandos, el primero
corresponde a la varianza sin considerar el efecto de la variable mixta, de hecho,
corresponde a la varianza del proceso Poisson, el segundo sumando corresponde al
efecto que tiene la variable mixta.
Mediante una descomposicin con tres sumandos se tiene

V (S ) = X2 + a 2 X2 + X2 2 h2
= V ( N ) + V (Z ) + 2 V (h )
2
X

2
X

El primer sumando corresponde a la varianza derivada de que el nmero de

incumplimientos es estocstico, pero sin considerar el efecto de la variable mixta. El
segundo corresponde al efecto de la varianza del monto de las reclamaciones y el
ltimo a la varianza causada por el efecto de la variable mixta.
En la seccin pasada se demostr que el efecto de la varianza de la variable mixta es
el ms importante dentro de la varianza del nmero de incumplimiento cuando el
nmero de crditos de la cartera en grande. De la misma forma sucede en la
varianza de las prdidas. Para ver esto se toma el lmite de la varianza de la prdida
entre la perdida esperada.

1
S
a 2 + PE 2 h2 = 2 2 + h2
V
=
2
PE PE
x

S
S
2
V
lim V
=h
= lim
n

PE
PE

Este resultado indica que entre mayor sea el nmero de crditos en la cartera, la
varianza de la prdida tiende a la varianza de la variable mixta por el cuadrado de la
prdida esperada.
Se observa que el efecto de la varianza del nmero de
incumplimiento y del tamao de las reclamaciones, los cuales se pueden catalogar
como riesgo idiosincrsico, tienden a cero.
La siguiente tabla contiene un ejemplo de una cartera real que muestra la
contribucin de cada sumando en la varianza total para diferentes tamaos de
cartera. Donde V 1 = X2 V 2 = a 2 X2 , V 3 = X2 2 h2 , = n 1% y donde los

parmetros

a 2 = 11,188,251,476 , X = $86,089 h2 = 0.11 fueron obtenidos de la

distribucin de la suma asegurada y del historial de comportamiento de una cartera

de seguros de crdito a la vivienda real:

28

Contribucin de la varianza de las prdidas.

Nmerode
Crditosn
1,000
10,000
100,000
1,000,000
10,000,000
100,000,000

Nmeroesperado
deincumplimientos

10
100
1,000
10,000
100,000
1,000,000

V1/V(S)

V2/V(S)

38.31%
7.99%
0.90%
0.09%
0.01%
0.00%

19.52%
4.07%
0.46%
0.05%
0.00%
0.00%

V3/V(S)
42.17%
87.94%
98.65%
99.86%
99.99%
100.00%

Esto demuestra que el principal componente de riesgo de las carteras de seguros de

crdito a la vivienda es el riesgo sistmico, lo que da al seguro de crdito a la
vivienda su naturaleza catastrfica.

3.4.4 Estimacin de la Distribucin Poisson Mixta Compuesta

Si bien ya se tienen determinados la prdida esperada y la varianza de la distribucin
de prdidas, queda pendiente estimar dicha distribucin. A continuacin se describen
algunos mtodos para obtenerla:
Simulacin Monte Carlo
Este mtodo es el ms general ya se puede aplicar a cualquier tipo de distribucin.
Consiste en simular primeramente el valor de la variable mixta, para lo cual se puede
se debe suponer alguna distribucin. Con dicho valor se obtiene las probabilidades de
incumplimiento condicionadas a la variable mixta q (h ) con lo que es posible simular
el incumplimiento de cada crdito i a travs de distribuciones Bernoulli con
probabilidades qi (h ) . El ltimo paso consiste en simular el monto de la reclamacin
de los crditos que incumplieron y agregarlos para obtener la prdida de la cartera.
Este procedimiento se repite hasta obtener la distribucin de prdidas. Este mtodo
tiene la desventaja de que requiere una gran cantidad de clculos.

Modelo Plya
El modelo Plya es un modelo Poisson mixto compuesto donde la variable mixta
tiene una distribucin Gamma con media 1 y varianza

2
h .

Esto conlleva a que la

distribucin del nmero de incumplimientos sea una distribucin binomial negativa

2
con parmetros r = h , =

, con lo que las probabilidades del nmero de

+

incumplimiento se obtienen de la siguiente manera

29

 n+ r 1
(1 )r n
P[N = n] =
r 1
Adems de que la distribucin del nmero de incumplimientos se obtiene de manera
explcita, el modelo Plya tiene la ventaja de que la distribucin de prdidas se puede
calcular mediante las frmulas recursivas de Panjer.
Estas frmulas requieren de dos condiciones para aplicarse:
1. Que el nmero de incumplimientos siga la formula recursiva

P [N = n ] = a + P[N = n 1]
n

n = 1,2,3,....

2. Que la distribucin del tamao de las reclamaciones sea no negativa, discreta

y equidistante, es decir que X i se pueda expresar como M i = M i

i = 0,1,2,.....r donde M es un nmero positivo.

Las distribuciones binomial, poisson y binomial negativa cumplen con la condicin
uno. De tal forma que se pueden aplicar a los modelos Poisson Compuesto y Plya.
La segunda condicin requiere que la discretizacin de la distribucin del monto de
las reclamaciones, lo cual no representa ningn problema en la prctica. Se puede,
por ejemplo, utilizar la distribucin emprica de la cartera suponiendo que la prdida
de cada crdito corresponde a la reclamacin esperada.
Con la discretizacin del monto de las reclamaciones, las prdidas de la cartera se
hacen a su vez discreta de tal forma que las prdidas son de la forma S = M j .

Denotando si = P X = i , se tiene que bajo las frmulas recursivas

i b
P[S = M j ] = a +
si P[S = M ( j 1)]
j
i =1
j

P[S = 0] = exp( s0 ) para el caso Poisson Compuesto.

a (1 s 0 )
P[S = 0] = 1 +

a+b

a 1

P[S = 0] =
a s0 1

a +b
a

a +b
a

para el caso Plya (binomial negativa)

para el caso binomial.

Para el caso particular del modelo Plya Compuesto se tiene que

h2

h2

P[S = 0] =
2
+ h
j

P[S = M j ] =
2
i =1 + h

i
1 + h2 1 s i P[S = M ( j 1)]
j

30

Aproximacin por medio de distribucin de la Variable Mixta

El mtodo ms sencillo para obtener la distribucin de prdidas de la cartera consiste
hacer uso de una aproximacin por medio de la distribucin de la variable mixta.
Como se demostr anteriormente, la varianza de la distribucin de perdidas
converge a la varianza de la variable mixta por la prdida esperada. Este resultado
se puede generalizar y demostrar que la distribucin de prdidas converge a la
distribucin de la variable mixta por la prdida esperada. Este resultado se encuentra
tanto en los estudios de teora de riesgo, como en los trabajos de riesgo de crdito.
En la teora de riesgo se encuentra que

F S (s ) = P
s Fh (s ) cuando PE
PE

PE

(3.24)

Un resultado equivalente se encuentra en el trabajo de Gordy 2003. Sobre este y

otros trabajos del autor se basa la frmula de capital de Basilea II. En este trabajo
Gordy demuestra el siguiente resultado

S
S

E | h 0 cuando n
SA
SA
Donde SA =

SA
i =1

(3.25)

denota el monto total de suma asegurada de la cartera.

De esta forma se puede aproximar la distribucin de prdidas de

distribucin de E [S | h ] .

S mediante la

Este resultado dicen si los crditos son independientes dado el valor de la variable
mixta y no existen grandes riesgos de tal forma que el riesgo idiosincrsico se
diversifica, entonces a medida que aumenta el nmero de crditos el porcentaje de
prdida con respecto a la suma asegurada de la cartera tiende al valor esperado
dado el valor de la variable mixta.
Aplicando este resultado a la variable aleatoria de la distribucin de prdidas

S = X1 + X 2 + K+ X n

(3.1)

Y suponiendo como hasta ahora que el monto, la severidad y el evento de

incumplimiento son independientes dado el valor de la variable mixta se tiene que

n
n
E[S | h] = E X i | h = E M i LGDi I i | h = E[SAi | h] E[LGDi | h] E[I i | h]
i=1

i=1
i=1
(3.26)
Haciendo diferentes supuestos se pueden obtener caracterizaciones sencillas de la
distribucin de prdidas. Por ejemplo, para los modelos compuestos mixtos se tiene
que
n

E [S | h ] = E [SAi | h ] E [LGDi | h ] qi h
i =1

(3.27)

31

Adems, si se supone que la suma asegurada y la severidad son independientes de

la variable mixta entonces la distribucin de prdidas es simplemente la prdida
esperada de la cartera multiplicada por variable mixta.
n

i =1

i =1

E[S | h] = E[SAi | h] E[LGDi | h] qi h = h E[SAi ] E[LGDi ] qi =h PE

(3.28)

Con lo que obtiene un resultado muy importante para modelar las prdidas de una
cartera de seguro de crdito a la vivienda. Esto es que la distribucin de prdidas se
puede aproximar por medio de la distribucin de la variable mixta por la prdida
esperada. Cabe destacar que resultado no requiere que los crditos tengan las
mismas probabilidades de incumplimiento, ni severidad, ni sumas aseguradas.
En el caso del modelo Pyla, la distribucin de la variable mixta es Gamma, lo que
dara que la distribucin de prdidas fuera Gamma con media PE y varianza

PE 2 h2 .

Es recomendable, si se est estimando el capital econmico mediante un percentil de

la distribucin, y se quiere evitar el supuesto de que la severidad es independiente
del factor de riesgo, y en su lugar considerar que en escenarios macroeconmicos
desfavorables la severidad es mayor, se puede suponer que ante estos escenarios la
severidad es el 100% de la suma asegurada, de tal forma que el capital econmico
con nivel de confianza sera es

S = P[S ] = SA h = SA P[h ].

(3.29)

32

4 Modelos de Riesgo de Largo Plazo

Los crditos a la vivienda son de largo plazo pues tienen plazos que van desde 5
hasta 30 aos. De hecho los plazos ms largos son los ms demandados, debido a
que estos requieren pagos mensuales menores. El seguro de crdito a la vivienda es
tambin un producto a largo plazo ya que se otorga por el plazo remanente del
crdito. Si bien podra otorgarse a plazos menores, por ejemplo un ao, dichas
coberturas no son demandas por los otorgantes del crdito, debido que estos ya han
asumido el riesgo por todo el plazo del crdito, de tal forma que buscan una
cobertura que los cubra por todo el plazo.
En el captulo 3 se describieron modelos de riesgo para carteras de crdito a la
vivienda contemplando un horizonte de corto plazo. El siguiente captulo extiende
estos modelos para aplicarlos a un horizonte de largo plazo. Estos modelos resultan
necesarios para describir el riesgo inherente del seguro de crdito a la vivienda y
poder establecer cuotas de riesgo, esquemas de reaseguro y de rendimiento de
capital apropiados. Asimismo sirven para proyector los flujos de reclamaciones y
primas ante distintos escenario y permite medir la volatilidad de los mismos.
Los modelos de largo plazo son ms complejos que los de corto, debido a que es
necesario tomar en cuenta la dinmica propia de los crditos. Cmo se describi en
el captulo 2 el saldo del crdito va cambiando en el tiempo, al igual que la severidad
y las probabilidades de incumplimiento. Por esta razn, contrario a los modelo de
corto plazo en los que se poda utilizar los saldos, tasas de severidad y
probabilidades de incumplimiento estimados en ese momento, en los modelos de
largo plazo es necesario considerar hacer las proyecciones necesarias. Para ello se
emplearan las proyecciones de saldo y tasas de severidad descritas en el captulo 2.
Para el caso de las probabilidades de incumplimiento se utilizarn las curvas de
incumplimiento, las cuales tienen su smil con las tablas de mortalidad de los seguros
de vida.
El presente captulo comienza con una descripcin de los elementos fundamentales
que se utilizan en los modelos de riesgo de largo plazo. Al igual que con los de corto
plazo, muchos de estos elementos se encuentran tanto en el mbito asegurador
como el mbito bancario.
El elemento base para la modelacin a largo plazo del seguro de crdito a la vivienda
son los modelos de supervivencia.

4.1 Modelos de Supervivencia

Cuando se modelo un crdito o seguro a largo plazo no slo se requiere determinar si
el seguro reclama o no, sino que es necesario determinar el momento en que ste
incumple. Esto debido a que el monto de la reclamacin depende del momento en
que se d el siniestro. Para ello, se define a X como la variable aleatoria que
indica el tiempo al incumplimiento. Para el caso del seguro de crdito a la vivienda
indica el mes de edad del crdito en el que este incumple.
La funcin de distribucin de X se denota como

F X ( x ) = P[ X x ] .

(4.1)

33

La cual indica la probabilidad de que el crdito incumpla antes del mes x de

vigencia.
La modelacin del tiempo al incumplimiento equivale a la utilizacin de los modelos
de supervivencia que se utilizan tanto en los seguros de vida como los campos
medicina, ingeniera etc.
El complemento de esta funcin de distribucin se conoce como funcin de
supervivencia e indica la probabilidad de que un crdito sobreviva, es decir, que no
incumpla en el siguiente periodo x

S ( x ) = 1 F ( x ) = P[ X > x ] .

(4.2)

La probabilidad de que el crdito no incumpla durante toda su vigencia es

S X ( Plazo) . Donde Plazo indica el plazo del crdito en meses.
Cuando se trabaja con estas funciones de supervivencia, un aspecto que resulta muy
til en la prctica es el de considerar las probabilidades condicionales. Las
probabilidades de incumplimiento condicionales toman en cuenta el hecho de que al
transcurrir el tiempo los crditos habrn incumplido, en cuyo caso el tiempo del
incumplimiento es conocido, o se habrn mantenido vigentes. Dado el evento de que
el crdito se mantiene vigente por un periodo x las probabilidades de que el crdito
incumpla durante el siguiente periodo t es

q x = P[ X t + x | X > x ] =

Y de que sobreviva es
t

F ( x + t ) F ( x)
1 F ( x)
t0

p x = 1 t q x = P[X > t + x | X > x ]

(4.3)

t0

Estas probabilidades corresponde a las curva de incumplimiento descritas en el

captulo 2.
Al dividirse la ecuacin 4.3 por t y tomando el lmite cuando ste tiende a cero, se
obtiene la tasa de incumplimiento adelantada o fuerza de incumplimiento

1 F ( x + t ) F ( x)
f (x )
=
t 0 t
1 F ( x)
1 F ( x) ,

q( x) = lim

(4.4)

Donde f (x ) es la funcin de densidad del tiempo al incumplimiento

f ( x) = F ' ( x) .

(4.5)

La tasa de incumplimiento adelantada puede interpretarse como la probabilidad

instantnea de incumplimiento condicionada a que el crdito se encuentra vigente al
tiempo x .
Cabe hacer notar la siguiente igualdad

34

q ( x) =

S ' (x )
d
= ln S ( x )
S ( x)
dx
,

(4.6)

de tal manera que la probabilidad de supervivencia se puede expresar en trminos

de la fuerza de incumplimiento como

S (t ) = exp q(s )ds

0
.

(4.7)

La razn para nombrar esta funcin como tasa de incumplimiento adelantada

proviene del hecho de que la frmula

px =

S (x + t)
x +t

= exp q(s )ds

S ( x)
x

(4.8)

tiene una similitud matemtica con la frmula del precio de un bono cupn cero,
donde la tasa de incumplimiento adelantada tiene el mismo papel que la tasa
adelantada (forward). Por otro lado, en seguros de vida, se le conoce como fuerza de
mortalidad, de ah que tambin la nombremos como fuerza de incumplimiento.
La caracterizacin de modelos a travs de la fuerza de incumplimiento ha sido
utilizada en muchas aplicaciones. En seguros de vida se encuentran las casos de De
Moivre de 1972, Gompertz de 1825, Makeham de 1860 y Weibull de 1939, ver
Bowers et al. (1997). En la industria de manufacturas y sistemas a este tipo de
funciones se les conoce como tasa de fallo en manufacturas y sistemas. Igualmente
son utilizados en biologa y las ciencias mdicas.

4.2 Modelos de Tasa de Fallo Proporcionales

Uno de estos modelos que ha sido muy utilizado es el modelo de tasa de fallo
proporcional (proporcional hazzard rate) propuesto por D.R. Cox (1972). Este modelo
supone que la tasa de fallo, o en nuestro caso, la fuerza de incumplimiento se puede
dividir en dos componentes

q(t; z ) = exp(z ) q(t )

(4.9)

En donde:

q(t ) que representa una fuerza de incumplimiento base que slo depende del
tiempo y

exp(z ) que representa un factor que depende de una serie de variables

explicativas z = ( z1 , z 2 ....z m ) que hacen que el objeto en cuestin sea ms o
menos probable de fallar.
El uso principal de este modelo ha sido el de determinar qu y cmo diversos
factores z que pueden afectar las tasas de fallo. En particular, en los crditos a la
vivienda se ha utilizado este modelo para determinar cmo factores como el LTV, las
tasas de inters, la regin geogrfica, etc. afectan el prepago (Green and Shoven

35

1986 y Quigley 1987) y ms recientemente para el incumplimiento (Quigley y Van

Order 1991).
Si bien, el mismo Cox cuando elabora este modelo tena como propsito determinar
la tasa de fallo a travs de variables explicativas, en su trabajo no deja de mencionar
posibles variantes del modelo. Una de estas variantes consiste en determinar el
tiempo de incumplimiento bajo diversos escenarios de estrs. Esta variante consiste
en el siguiente modelo

en donde q(t )

q(s; t ) = q(t ) h (s )

(4.10)
es la tasa de fallo (fuerza de incumplimiento) es un escenario

promedio y h (s ) es la funcin del estrs.

Definiendo este modelo de la siguiente forma

q( x; t ) = q( x ) h (t )

q xt = q x ht

(4.11)

se puede aplicar al caso particular de los seguros de crdito a la vivienda en donde

q ( x ) representa la curva de incumplimiento, misma que depende de la edad
del crdito x y
h(t ) representa el factor de riesgo que depende del mes t .
De esta forma las probabilidades de incumplimiento

q xt se dividen en dos

componentes: por un lado en las probabilidades de incumplimiento esperadas y por

otro lado en el riesgo de incertidumbre de estas probabilidades debido a factores
exgenos.
Este modelo tiene una forma anloga a los modelos mixtos descritos el captulo
anterior, por lo que generaliza el concepto de la variable mixta al marco conceptual
de las funciones de supervivencia. Por esta razn se nombra al proceso h(t ) , proceso
mixto.

4.3 Procesos Mixtos

As como es necesario determinar una distribucin para la variable mixta en los
modelos estadsticos, en este caso en necesario especificar el proceso mixto.
Para ello se requiere que el proceso mixto sea congruente con las series de tiempo
de los incumplimientos observados, en donde, existen periodos de pocos
incumplimientos y periodos de altos incumplimientos. Asimismo, de la misma manera
en la variable mixta se define como no negativa con media uno y una cierta varianza,
resulta necesario que el proceso mixto sea no negativo y que tenga una regresin a
la media de uno. Algunos modelos para la modelacin de tasas de inters cumplen
con estas caractersticas. En particular se encuentra los modelos de la forma

dh(t ) = k (h(t ) )dt + h(t ) dW (t )

donde W (t ) es un proceso de Wiener (proceso Browniano) y k ,

escalares constantes.

(4.12)

son

36

Los parmetros tienen interpretaciones naturales:

representa la media de largo plazo del proceso mixto. A medida que el tiempo
se va a infinito el valor esperado de h es . Esto es muy conveniente para el
modelo ya que permite fijar este valor en uno. De esta forma si bien podemos
estar en un periodo de altos o bajos incumplimientos en general el proceso mixto
tendr una media a largo plazo de 1.

k es la velocidad promedio de regresin a la media que ndica que tan rpido el

valor de h regresa a su media de largo plazo . Por ejemplo, en el caso de que
se estuviera en un periodo de crisis econmica con un alto nmero de
incumplimientos, este parmetro indica el tiempo promedio que requiere para
regresar a los niveles promedio. Un valor de uno ndica que proceso regresa a su
media en un solo periodo, mientras que un valor de cero indicara que no hay
regresin.

es el coeficiente de volatilidad e indica que tanto puede variar el nivel de h de

un periodo a otro ms all de su tendencia de regresin a la media.

es un parmetro que indica la sensibilidad que tiene el proceso de ser ms

voltil cuando el proceso mixto es grande y menos voltil cuando el proceso es

pequeo. A mayor valor de mayor esta sensibilidad. Un valor de cero indica
que la volatilidad no depende de las tasas de inters.
Entre los procesos ms conocidos que se podran aplicar como estrs a las
probabilidades de incumplimiento estn, considerando que k , , y , estn
1. Vasicek

=0.

2. Cox Ingersoll Ross

3. Brennan-Schwartz

=0.5.
=1.

Los procesos 2 y 3 tienen la ventaja de que son no negativos. Esto se debe

precisamente a que el parmetro es en estos casos mayor o igual a 0.5. De esta
forma a medida que el proceso tiende a cero, la volatilidad, que depende del nivel
del proceso en ese momento, tambin tiende a cero, con lo que es arrastrado por la
regresin a la media.
El modelo de Vasicek podra quedar descartado ya que ste puede volverse negativo.
Sin embargo, puede considerarse si la probabilidad de ello es baja. Como se ver en
el capitulo siguiente, se realizaron pruebas estadsticas para encontrar el valor de los
parmetros que mejor ajustaban al proceso mixto observado para una cartera de
crdito a la vivienda. Los modelos aceptados fueron el de Vasicek y el Cox Ingersoll
Ross (CIR), de hecho el parmetro ptimo fue de 0.10. Esto ndica que si bien la
volatilidad del proceso depende del nivel del proceso, la sensibilidad parece ser
menor que la propuesta por el proceso de CIR. Sin embargo, la aplicacin con este
parmetro de 0.10 generaba procesos negativos, por lo que se opt por utilizar el
proceso CIR.

37

Otra ventaja de utilizar el proceso CIR es que ste tiene media y varianza conocida
dado el nivel actual de h(t )

E [h (t + t ) | h (t )] = h (t )e kt + (1 e kt )
V (h (t + t ) | h (t )) = h (t )

(e

kt

e 2 k t ) +

(4.13)

(1 e )
2k
2

k t 2

(4.14)

Se observa que valor esperado es un promedio ponderado entre el valor actual h(t ) y

la media de largo plazo , y que la varianza depende de los tres parmetros as

como del nivel actual del proceso h(t ) .
Asimismo se conoce la funcin de distribucin de la variable mixta al tiempo t + t
dado el valor de la variable al tiempo t es una ji-cuadrada no central

2 [2c h (t + t );2q + 2,2u ]

(4.15)

con 2q + 2 grados de libertad y parmetro de no centralidad 2u , donde

2k
(1 e kt )
u c h (t ) e kt
2 k
q 2 1

Esto permite generar directamente el valor del proceso mixto para cualquier ventana
de tiempo, sin necesidad de generar todo el proceso. Adems tiene la ventaja de que
dicha distribucin depende del nivel actual del proceso, de tal forma que si
actualmente se est pasando por un periodo de altos incumplimientos, en donde el
valor actual del proceso es mayor a uno h (0 ) > 1 , esto se ver reflejado tanto en la
prdida esperada, como en la varianza de la prdida, siendo estas mayores que en el
caso de que el nivel fuera uno o menor.

4.4 Distribucin de Prdida y Proyeccin de Siniestros

El conocer la distribucin del valor del proceso mixto para cada momento permite
estimar las distribuciones de prdida en cada periodo. De acuerdo a los resultados
descritos en el captulo anterior, esta distribucin por la prdida esperada resulta en
una buena aproximacin de la distribucin de prdidas para una cartera con un
nmero suficientemente grande de crditos. De esta manera la distribucin de
prdidas S (t ) al tiempo t se puede obtener como

S (t )
h (t ) cuando n
PE (t )

(4.16)

38

La prdida esperada de cada crdito se obtiene de multiplicar la probabilidad de

incumplimiento, la tasa de severidad y la suma asegurada de acuerdo a las curvas
descritas en el captulo 2.
n

i =1

i =1

PE (t ) = E[Bi (t )] q x (t ) = SA(t ) Sev(t ) q x (t )

(4.17)

Cabe destacar que este resultado es vlido en la medida de que haya un nmero
suficiente de crdito en cualquier momento t .
El contar con un proceso de prdida permite adems estimar los flujos de las
reclamaciones en el tiempo. Esto resulta muy valioso para proyectar las
reclamaciones, ingreso de primas, elaborar estados financieros proforma, evaluar
esquemas de reaseguro, etc.
Para obtener distintos escenarios de flujos de reclamaciones se puede llevar a cabo
el siguiente proceso de simulacin:
1. Se genera una trayectoria del proceso mixto h(t ) .
2. La trayectoria simulada se multiplica por la curva de incumplimiento.
3. Se determinan las reclamaciones esperadas sobre la curva de incumplimiento
o bien se realiza una simulacin del tiempo de incumplimiento de cada
crdito.
4. Se determinan los montos de las prdidas de los crditos incumplidos de
acuerdo al tiempo del incumplimiento.
5. Se agregan los flujos de los distintos crditos para obtener un escenario de
flujos.
O bien, se pueden omitir los pasos del dos al 5 y hacer uso directamente de la
frmula
(4.16) con lo cual slo sera necesario hacer la simulacin de las
trayectorias del proceso mixto y multiplicarlas por la trayectoria de la prdida
esperada. Adicionalmente se pueden descontar los flujos para obtener el valor
presente de las reclamaciones esperadas de la cartera de crdito. Este ejercicio se
presenta en el siguiente captulo.

39

5 Aplicacin Numrica a una Cartera de Seguros de

Crdito a la Vivienda
El siguiente captulo aplica los modelos de prdida obtenidos en los captulos
anteriores a una cartera real de seguros de crdito a la vivienda.

5.1 Descripcin de las base de datos

Se utilizaron dos bases de datos:
o Historial de morosidad
o Cartera de seguros de crdito a la vivienda
El Historial de Morosidad es una base de datos que contiene la fecha de originacin
del crdito y la morosidad histrica mensual de con aproximadamente 340,000
crditos a la vivienda fondeados o asegurados por Sociedad Hipotecaria Federal.
La morosidad se refiere al nmero de pagos que tiene un crdito. El historial va
desde enero de 2003 hasta marzo de 2010, con lo que se tiene 87 meses de
observacin e incluye crditos que se han originado desde enero de 1995 hasta
crditos originados hasta marzo de 2010.
El siguiente cuadro muestra un ejemplo de un historial de morosidad:
Historial de Morosidad
Pliza
1
2
3
:
n

Ene-03
0
0
5
-

Feb-03
1
0
6
-

Mar-03 .
0
0
7

Mar-10
-

En este ejemplo, la pliza 1 tiene en enero una morosidad de cero pagos vencidos, lo
que indica que est al corriente, en febrero tiene un pago vencido, lo que significa
que no hizo el pago, en marzo tiene nuevamente una morosidad de cero, lo que
indica que se puso al corriente haciendo dos pagos en dicho mes.
Esta base se utiliz para estimar la curva de incumplimiento y el proceso mixto que
se utilizan en el presente ejercicio. Estos parmetros requieren el mayor nmero de
datos posibles para obtener una estimacin robusta, de ah que se haya utilizado
esta base an cuando no todos estos crditos hayan tenido seguro de crdito a la
vivienda.
La segunda base de datos contiene una cartera conformada por 59,999 plizas de
seguros de crditos a la vivienda pertenecientes a Sociedad Hipotecaria Federal.
Esta base contiene la edad de cada crdito, misma que se utiliza para determinar la
probabilidad de incumplimiento con base en la curva de incumplimiento estimada.
Asimismo contienen la suma asegurada de cada crdito a julio de 2010.
La siguiente grfica muestra la distribucin de la suma asegurada.

40

Frecuencia

Distribucin de Suma Asegurada

8,000
7,000
6,000
5,000
4,000
3,000
2,000
1,000
0
950-960

900-910

850-860

800-810

750-760

700-710

650-660

600-610

550-560

500-510

450-460

400-410

350-360

300-310

250-260

200-210

150-160

100-110

50-60

0-10

Suma Asegurada (miles de pesos)

Estadsticas de la Distribucin
de la Suma Asegurada

Promedio
DesvEstandar
Mediana
Percentil75%
Percentil90%

$ 86,089
$ 61,457
$ 74,436
$103,453
$155,630

5.2 Estimacin de la curva de incumplimiento y el proceso mixto

Con la base del historial de morosidad se estimaron una curva de incumplimiento y
un proceso mixto.
El primer paso consisti en establecer una definicin de incumplimiento. Idealmente
el incumplimiento debe corresponder a la reclamacin del seguro, sin embargo,
existen aun pocos eventos de reclamaciones que permitan estimar tanto la curva de
incumplimiento como el proceso mixto. Por esta razn, se opt por definir
incumplimiento como el evento en el que un crdito llega a tener seis o ms meses
de morosidad.
El siguiente paso consisti en crear dos tablas, una con el nmero de crditos
vigentes por edad del crdito y mes corriente, y otro con el nmero de crditos que
habiendo estado vigentes en el mes corriente pasaron a un estado de incumplimiento
en el siguiente mes, igualmente por edad y mes corriente del crdito. Las siguientes
grficas muestran un ejemplo de dichas tablas.

41

Tabla de crditos vigentes l x por edad y mes corriente

Vigentes lxt
Mes Corriente (t)
Abr-03
.
Mar-10
Edad(x)
Ene-03 Feb-03 Mar-03
1

5,679
4,823
4,942
6,135
4,572
2

3,783
5,669
4,792
4,916
3,700
3

4,038
3,768
5,633
4,768
6,080
4

7,309
4,027
3,747
5,602
4,861
5

4,643
7,268
4,003
3,726
4,720
6

4,536
4,630
7,232
3,934
5,527
7

4,845
4,516
4,596
7,202
3,660
:
:
:
:
:
:
x

3,860
3,989
4,798
4,460
7,128

Tabla de crditos incumplidos

Incumplidos dxt
Edad(x)
1
2
3
4
5
6
7
:
x

Ene-03
11
13
6
13
14
7
8
:
6

Feb-03
8
4
5
7
18
7
12
:
4

d xt por edad y mes corriente

Mes Corriente (t)

Abr-03
Mar-03
7
15
15
7
17
13
11
20
8
12
19
55
13
22
:
:
15
9

Mar-10
13
9
28
24
19
23
44
:
26

La curva de incumplimiento se obtiene agregando los datos de las columnas de cada

tabla, con lo que se obtiene un vector de crditos vigentes por edad de la primera
tabla

t =1

t =1

l x = l xt , y uno de crditos incumplidos de la segunda d x = d xt .

Posteriormente se obtienen las probabilidades de incumplimiento condicionales a la

edad del crdito, dividiendo los datos del vector de crditos incumplidos entre el
vector de crditos vigentes q x =

dx
. La siguiente grfica muestra la curva de
lx

incumplimiento obtenida.

42

Curva de Incumplimiento Condicionada

Observada
0.50%

Probabilidad condicional

0.45%
0.40%
0.35%
0.30%
0.25%
0.20%
0.15%
0.10%
0.05%
0.00%
1

15

22

29

36

43

50

57

64

71

78

85

92

99 106 113 120 127

EDAD Mes

Se observa que en las ltimas edades se tiene tanto una mayor probabilidad de
incumplimiento como una mayor volatilidad de la misma. Esto se debe a que en este
periodo el nmero de observaciones se reduce considerablemente, adems de que
corresponde a los crditos ms viejos que se tienen en la base. Por esta razn se
considera apropiado no utilizar esta ltima parte de la curva.
Asimismo se observa que la edad mxima para la que se tienen observaciones es de
128. Con el fin de poder hacer proyecciones de incumplimientos futuros es necesario
tener una curva que llegue a 360 meses (plazo mximo de los crditos). Para ello se
realiza un suavizamiento de la curva mediante promedios mviles as como una
extrapolacin de la curva, en la que se supone que las probabilidades de
incumplimiento decrecen de manera exponencial. El punto a partir del cual se realiza
la extrapolacin es a partir del mes 87. Las siguientes grficas muestran las curvas
de incumplimiento obtenidas tras el suavizamiento y la extrapolacin.
Curva de Incumplimiento Condicionada
Suavizada

Probabilidad condicional

0.40%
0.35%
0.30%
0.25%
0.20%
0.15%
0.10%
0.05%
0.00%
1

13

19

25

31

37

43

49

55

61

67

73

79

85

91

97 103

EDAD Mes

43

Curva de Incumplimiento Condicionada Suavizada y

Extrapolada

Probabilidad condicional

0.40%
0.35%
0.30%
0.25%
0.20%
0.15%
0.10%
0.05%
0.00%
1

20 39 58 77 96 115 134 153 172 191 210 229 248 267 286 305 324 343
EDAD Mes

Por su parte, para obtener el proceso mixto primero se construy una tabla con las
probabilidades de incumplimiento condicionales por edad y mes corriente, las cuales
se calculan como el cociente del nmero de crditos incumplidos observados para
cada edad y mes corriente entre el correspondiente nmero de crditos vigentes

d xt
q = t .
lx
t
x

Posteriormente, se obtiene una tabla de factores mixtos por edad y mes corriente
que se calcula dividiendo la probabilidad de incumplimiento condicional por edad y
mes corriente de la tabla anterior, entre la probabilidad de incumplimiento de la edad

q xt
.
correspondiente a la curva de incumplimiento observada h =
qx
t
x

Finalmente se obtiene el proceso mixto como un promedio por mes corriente de los
factores mixtos, ponderados por el nmero de crditos vigentes

h(t ) =

1 X t t
hx l x
l (t ) i =1

donde

l (t ) = l xt .
t =1

El proceso mixto obtenido se muestra en la siguiente grfica:

44

h(t)

3.00
2.50
2.00
1.50
1.00
0.50
-

10
bFe 09
ct
O -09
n
Ju 09
bFe 08
ct
O -08
n
Ju 08
bFe 07
ct
O -07
n
Ju 07
bFe 06
ct
O -06
n
Ju 06
bFe 05
ct
O -05
n
Ju 05
bFe 04
ct
O -04
n
Ju 04
bFe 03
ct
O -03
n
Ju -03
b
Fe
Mes (t)

Proceso Mixto Observado

Se observa que en los ltimos meses, el valor del proceso ha estado
incrementndose en los ltimos meses y que ha estado por encima del valor
promedio uno. Esto es congruente con la situacin de crisis observada en dichos
meses en el mercado hipotecario. El valor del proceso a marzo de 2010 es de 1.49,
lo que significa que el incumplimiento fue 49% mayor al incumplimiento promedio.
A este proceso mixto se le ajustaron procesos estocstico de la forma

dh(t ) = k (h(t ) )dt + h(t ) dW (t )

Los procesos que se ajustaron fueron: el Vasicek, cuyo parmetro gamma est
definido como

=0,

el proceso CIR cuyo parmetro gamma es

sin restriccin sobre el parmetro

=0.5,

y un proceso

Se utiliz el Mtodo de Momentos Generalizado de Hansen (1982) para estimar los

parmetros de dichos modelos. Los resultados obtenidos, restringiendo el valor de
a ser igual a uno son:

Resultados de la Estimacin de los

Procesos Estocsticos al Proceso Mixto

Los nmeros en rojo representan valores predeterminados.

45

Todos los parmetros estimados resultaron significativos al 99% de confianza. La

siguiente tabla muestra los estadsticos t. Si estos estadsticos estn fuera del
intervalo de confianza significa que existe evidencia estadstica de que los
parmetros son distintos de cero.
Estadsticos t

Intervalo de
confianza al
99%

Sin restriccin
13.30
61.55
1.55

CIR
5.19
13.81

Vasicek
16.61
74.76

( -0.67, 0.67) ( -0.64, 0.64) ( -0.64, 0.64)

En el modelo sin restriccin, se observa que existe evidencia estadstica de que el

es distinto de cero, aunque el valor que toma es mucho menor al 0.50

parmetro
propuesto por el modelo CIR.
Para medir el ajuste de los modelos, se realizaron las pruebas de ajuste propuestas
Chan et al (1992) para medir y comparar el ajuste de estos modelos. Tanto el
modelo CIR como el Vasicek ajustan correctamente y no pueden ser rechazados ni a
un nivel de 20%.
Al simularse los procesos Vasicek y el modelo sin restriccin se encontr que varias
de las trayectorias simuladas se volvan negativas, por lo que se decidi utilizar
nicamente el proceso CIR. La simulacin se hizo utilizando el mtodo de
discretizacin de Milstein, el cual discretiza el proceso de la siguiente manera:

ht +1 = ht (hi )t + ht t t +1 + 12 2 ht

Donde

t2+1

2 1

2
t +1

1)

es un nmero aleatorio con distribucin normal estndar.

La siguiente grfica muestra algunos ejemplos de trayectorias simuladas del modelo

CIR, as como la trayectoria esperada, ajustado considerando el valor inicial

h(0 ) = 1.50

46

Trayectorias Proceso Mixto h(t)

Trayectorias Simuladas del Proceso CIR

1.80
1.60
1.40
1.20
1.00
0.80
0.60
0.40
0.20
-

Trayectoria Esperada

11

16

21

26

31

36

41

46

51

56
Mes (t)

5.3 Distribucin de prdida anual

Utilizando la curva de incumplimiento y el proceso mixto, se estimaron cuatro
modelos de prdida anual, dos que suponen una distribucin gamma para la variable
mixta, y otros dos que suponen que la variable mixta sigue el proceso CIR estimado.
Para el presente ejercicio se supuso que la prdida dado el incumplimiento es la
suma asegurada del crdito.
5.3.1 Distribuciones de Prdida bajo una Variable mixta Gamma
Bajo el supuesto de que la variable mixta tiene una distribucin gamma, esta debe
tener media uno y una varianza anual

h2 .

Para estimar la varianza anual se

promediaron las observaciones del proceso mixto h(t ) por grupos excluyentes de
doce meses. La siguiente grfica muestra las variables mixtas anuales obtenidas.

47

Distribucin la variable mixta

Variable mixta anual

1.6
1.4
1.2
1.0
0.8
0.6
0.4
0.2
2003

2004

2005

2006

2007

2008

2009
Ao

Esta grfica representa la versin anual del proceso mixto. La varianza obtenida es

h2 = 0.1101 .
Con esta variable mixta se obtuvieron dos distribuciones de prdida.
Aproximacin Gamma. Se obtiene mediante el mtodo de aproximacin de la
distribucin de la variable mixta. La variable mixta tienen distribucin gamma con
media uno y varianza

h2 = 0.1101 ,

por lo que la distribucin de prdidas S es

gamma con media igual a la prdida esperada

PE y varianza V (S ) = PE 2 h2 .

Monte Carlo Gamma. La segunda se obtuvo a travs de simulacin Monte Carlo, en

donde se simulaba un valor de la variable mixta h para posteriormente simular el
incumplimiento

de

cada

crdito

como
(12 )

probabilidades de incumplimiento anuales q k

variables

Bernoulli

(q

(12 )
k

con

. Las probabilidades de incumplimiento

anual se obtienen de la curva de incumplimiento de acuerdo a la edad del crdito

12

i 1

i =1

j =1

q k(12 ) = q x +i 1 (1 q x + j 1 ). Una vez simulado los incumplimientos se agregan las

prdidas de los crditos incumplidos. Este proceso se hizo para 20,000 simulaciones
de la variable mixta.
A continuacin se muestran las funciones de densidad y estadsticos obtenidos.

48

Distribucin de Prdida con Variable Mixta Gamma

14%
12%
MonteCarloGamma

10%
8%
6%

Aproximacin
Gamma

4%
2%
0%

92
$4
61
$4
31
$4
00
$4
69
$3
38
$3
08
$3
77
$2
46
$2
15
$2
85
$1
54
$1
23
$1
2
$9
2
$6
1
$3

$0

Prdida(MilesdePesos)

Estadsticos de la Distribucin de Prdida

con Variable Mixta Gamma

Aproximacin
Gamma

Monte Carlo
Gamma

Media

153,821,777

153,601,999

Desviacin Estandar

51,032,229

51,538,934

Mediana

148,216,564

147,971,616

Percentil (99%)

296,647,615

298,466,808

Percentil (99.5%)

316,609,579

318,863,934

Percential (99.9%)

360,375,993

377,509,461

Como puede observarse las distribuciones son prcticamente idnticas, lo que indica
que la aproximacin a travs de la distribucin de la variable mixta es adecuada. Si
se comparan los estadsticos, se observa pequeas diferencias entre los percentiles
ms elevados. El siguiente cuadro incorpora la diferencia de la distribucin en monto
y en porcentaje respecto a la distribucin obtenida por simulacin Monte Carlo.

49

Estadsticos de la Distribucin de Prdida con Variable Mixta Gamma

Aproximacin
Gamma

Monte Carlo
Gamma

Diferencia Diferencia
en Monto Porcentual

Media

153,821,777

153,601,999

219,777

0.1%

Desviacin Estandar

51,032,229

51,538,934

-506,705

-1.0%

Mediana

148,216,564

147,971,616

244,948

0.2%

Percentil (99%)

296,647,615

298,466,808

-1,819,192

-0.6%

Percentil (99.5%)

316,609,579

318,863,934

-2,254,355

-0.7%

Percential (99.9%)

360,375,993

377,509,461

-17,133,468

-4.5%

La diferencia entre las medias (prdida esperada) se debe al proceso de simulacin

del mtodo de Monte Carlo, siendo el valor de la aproximacin gamma el valor real.
Se puede observar que las diferencias entre los estadsticos de estas distribuciones
son relativamente pequeas, lo que justifica el uso del mtodo de aproximacin.
5.3.2 Distribuciones de Prdida Bajo un Proceso Mixto CIR
Se obtuvieron otras dos distribuciones de prdida, una Aproximacin CIR y Monte
Carlo CIR, siguiendo los mismos mtodos que las distribuciones anteriores, con la
diferencia de que en lugar de suponer una distribucin gamma para la variable
mixta, se supuso que esta se sigue un proceso CIR con los parmetros obtenidos
anteriormente. El valor del proceso en el tiempo cero es uno h(0 ) = 1 .
Parmetros del Proceso CIR

1.00
0.42
0.13

0.50

De acuerdo a este proceso, el valor de la variable mixta en un ao sigue una

distribucin chi-cuadrada no central. Sin embargo, en el presente ejercicio se simulo
el proceso para un periodo de un ao y se tomo el valor del proceso al trmino de
este. La simulacin se hizo utilizando la discretizacin de Milstein.
Las distribuciones y los estadsticos obtenidos son:

50

Distribuciones de Prdida con Proceso Mixto CIR

16%
14%
12%
AproximacinCIR

10%
8%

MonteCarlosCIR

6%
4%
2%
0%

1
46
$
1
43
$
0
40
$
9
36
$
8
33
$
8
30
$
7
27
$
6
24
$
5
21
$
5
18
$
4
15
$
3
12
$

92
$

62
$

31
$

$
Prdida(MilesdePesos)

Estadsticos de la Distribucin de Prdida con Proceso Mixto CIR

Aproximacin
CIR

Diferencia
Monte Carlo CIR en Monto

Media

153,720,819

35,162

0.02%

Desviacin Estandar

41,620,262

41,783,868 -$

163,605

-0.39%

Mediana

150,354,489

150,529,151 -$

174,662

-0.12%

Percentil (99%)

264,244,237

263,822,501

421,736

0.16%

Percentil (99.5%)

277,143,986

277,699,435 -$

555,449

-0.20%

Percential (99.9%)

311,657,449

310,933,981

723,468

0.23%

153,685,657

Diferencia
Porcentual

Como puede observase en estas distribuciones tampoco existe una gran diferencia
entre las distribucin obtenidas por los mtodos de Monte Carlo y aproximacin.
A continuacin se muestra la grfica y la tabla con las cuatro distribuciones.

51

Distribuciones de Prdida

16%

Prdida(MilesdePesos)

14%
MonteCarloGamma

12%

AproximacinGamma

10%

AproximacinCIR
MonteCarlosCIR

8%
6%
4%
2%
0%

2
49
$ 1
46
$ 1
43
$ 0
40
$ 9
36
$ 8
33
$ 8
30
$ 7
27
$ 6
24
$ 5
21
$ 5
18
$ 4
15
$ 3
12
$
92
$
62
$
31
$

$
Estadsticos de la Distribucin de Prdida con Proceso Mixto CIR
Aproximacin
Gamma

Monte Carlo
Gamma

Aproximacin
CIR

Monte Carlo CIR

Media

153,821,777

153,601,999

153,720,819

Desviacin Estandar

51,032,229

51,538,934

41,620,262

41,783,868

Mediana

148,216,564

147,971,616

150,354,489

150,529,151

Percentil (99%)

296,647,615

298,466,808

264,244,237

263,822,501

Percentil (99.5%)

316,609,579

318,863,934

277,143,986

277,699,435

Percential (99.9%)

360,375,993

377,509,461

311,657,449

310,933,981

153,685,657

Haciendo un comparativo entre las cuatro distribuciones, se observa que la diferencia

fundamental proviene del supuesto de distribucin de la variable mixta. Mientras que
la consideracin de la distribucin del nmero de incumplimiento o la del tamao de
las prdidas resulta poco relevante debido al efecto de diversificacin.
Por ello la determinacin del capital econmico del seguro de crdito a la vivienda,
un vez que se tiene determinada la prdida esperada, debe estar enfocada a modelar
las variaciones del factor sistmico.

52

5.4 Flujos y distribucin de prdida por el plazo del crdito

El utilizar un modelo basado en un proceso mixto tiene la ventaja de que permite
modelar el comportamiento de los flujos para toda la vida restante de la cartera.
El presente ejercicio utiliza el modelo CIR descrito anteriormente con la diferencia de
que se supone que el valor del proceso al tiempo cero es el ltimo valor observado
esto es h(0) = 1.5, con se toma en cuenta el hecho de que actualmente se est
pasando por un periodo con alto nmero de incumplimiento.
La siguiente grfica muestra una trayectoria simulada del proceso en conjunto con la
trayectoria esperada del proceso.
Trayectoria del Proceso Mixto
1.60
Procesomixtoh(t)

1.40
1.20
1.00
0.80
0.60
0.40

TrayectoriaSimulada

0.20

TrayectoriaEsperada

17 33 49 65 81 97 113 129 145 161 177 193 209 225 241 257 273
Mes(t)

Se observa que el valor esperado del proceso mixto es mayor a uno durante el
primer ao debido a que se parte de un valor de 1.5 y posteriormente se mantiene
en uno. Sin embargo, en la trayectoria simulada se tienen periodos por arriba y por
debajo de uno.
La siguiente grfica muestra un ejemplo de aplicar a la curva de incumplimiento de
un crdito con edad de 36 meses el proceso mixto

53

Trayectoria de las Probabilidades de Incumplimiento

0.50%

Probabilidad de incumplimiento

0.45%
0.40%

ProbabilidadSimulada

0.35%

ProbabiidadEsperada

0.30%
0.25%
0.20%
0.15%
0.10%
0.05%
0.00%
1

11 21 31 41 51 61 71 81 91 101 111 121 131 141 151 161 171 181 191 201 211 221 231 241 251 261

Mes (t)

Se observa como a medida que la probabilidad de incumplimiento esperada se

reduce lo mismo ocurre con la volatilidad.
La siguiente grfica muestra la evolucin esperada de las prdidas de la cartera, as
como una trayectoria simulada

Prdida(Pesos)

Trayectoria de la Prdida Esperada

$20,000,000
$18,000,000
$16,000,000
$14,000,000
$12,000,000
$10,000,000
$8,000,000
$6,000,000
$4,000,000
$2,000,000
$0

TrayectoriaSimulada
TrayectoriaEsperada

17 33 49 65 81 97 113 129 145 161 177 193 209 225 241 257 273
Mes(t)

A medida que el saldo de la cartera amortiza y la probabilidad de incumplimiento

disminuye lo mismo ocurre con las prdidas.

54

La siguiente distribucin se obtiene de generar 10,000 simulaciones de procesos

mixtos y aplicarlos a la trayectoria de prdida esperada en valor presente1.
Distribucin de las Prdidas Proyectadas de la Cartera de Seguros de
Crdito a la Vivienda en Valor Presente

4.0%
3.5%
3.0%
2.5%
2.0%
1.5%
1.0%
0.5%
0.0%
80
$7
70
$7
60
$7
50
$7
40
$7
30
$7
20
$7
10
$7
00
$7
90
$6
80
$6
70
$6
60
$6
50
$6
40
$6
30
$6

Prdida (Millones de Pesos)

Estadsticos de la Distribucin de las Prdidas Proyectadas de la Cartera de

Seguros de Crdito a la Vivienda en Valor Presente
Promedio
Desv. Estndar
Mediana
Percentil (99%)
Percentil (99.5%)
Percentil (99.9%)

$
$
$
$
$
$

700,284,217
22,127,874
699,816,769
752,717,698
758,606,979
771,996,316

La distribucin de prdidas proyectadas para el resto de la vida de la cartera resulta

en menos voltil que la distribucin para un periodo, esto se debe a que en el largo
plazo se espera que los ciclos de alto incumplimiento se compensen con los de bajo
incumplimiento.

Lastasasdedescuentoaplicadasfueron5%paracrditosenpesosy3%paracrditosenUDIS.

55

6 Conclusiones
Los seguros de crdito a la vivienda presentan caractersticas diferentes a los
seguros de otros ramos, lo que presenta retos importantes para modelar las prdidas
derivadas de las reclamaciones de estos seguros. Los principales retos se derivan de
que existe una gran cantidad de variables que inciden en el comportamiento de los
crditos, en que son de largo plazo y en que dependen de factores exgenos como el
estado de la economa, por lo que no se pueden considerarse independientes. Sin
embargo, tambin presentan caractersticas que facilitan la modelacin, como es el
hecho de que las sumas aseguradas y por ende el tamao de las prdidas son
relativamente homogneos.
La teora de riesgo del mbito actuarial, en conjunto con algunos estudios de riesgo
de crdito, presentan las bases para encontrar la distribucin de prdidas de estos
seguros. El enfoque doble estocstico presenta un marco metodolgico adecuado y
tiene la ventaja, sobre otros enfoques, de presentar un marco conceptual sencillo y
que permite estimar modelos de fcil implementacin. En particular, las
distribuciones compuestas mixtas, como el modelo de Plya compuesto, resultan
adecuados por considerar la dependencia entre factores exgenos que de esta
manera incorporan la dependencia entre los crditos. Ms aun, dado que las
carteras son homogneas en su suma asegurada, la distribucin de prdidas se
puede obtener de manera muy sencilla aproximndola mediante la distribucin la
variable mixta, para lo cual nicamente se requiere, adems de dicha distribucin, la
prdida esperada. Esto resulta en un modelo sumamente fcil de implementar.
Este enfoque doble estocstico se puede extender para considerar la naturaleza de
largo plazo del seguro. La variable mixta se generaliza a un proceso estocstico,
llamado proceso mixto. Bajo este enfoque se obtienen distribuciones de prdida para
cada momento en el tiempo, considerando tanto la evolucin de los saldos, como de
las probabilidades de incumplimiento y tasas de severidad. Una ventaja de este
modelo es que considera el estado actual del factor exgeno en la determinacin de
la prdida esperada y la varianza de las prdidas, de tal forma que si se est en un
periodo de alto incumplimiento la prdida esperada y la varianza son mayores. Este
modelo permite a su vez la determinacin de flujos de prdidas, ingreso de primas,
bajo un esquema comprensible y de fcil aplicacin.

56

Bibliografa
Beard, R.E., T. Pentikinen, M. Pesonen, 1984, Risk theory, 3rd edition, Chapman &
Hall.
Bluhm, C., Overbeck, L., and Wagner, C., 2001, Irreconcilable differences, RISK,
14(10): S33-S37, October 2001.
Bluhm, C., Overbeck, L., and Wagner, C., 2003, An introduction to credit risk
modelling, Chapman & Hall.
Bowers, N.L., JR. Gerber H.U, Hickmann. J.C., Jones, D.A., and Nesbitt, C.J., 1997,
Actuarial Mathematics, 2nd Edition, Schaumberg, Illinois, Society of Actuaries.
Bllhlmann, H, 1970, Mathematical methods of risk theory, Springer Verlag,
Heidelberg.
Chan K.C., G. Andrew Karolyi, Francis A. Longstaff, Anthony B. Sanders, 1992, An
Empirical Comparison of Alternative Models of the Short-Term Interest Rate.
Clapp, J.M., Deng, Y, and An X. (2004). Alternative models for competing risks of
mortgage termination. Working Paper No. 2004-1002. University of Southern
California, Lusk Center for Real Estate.
Comisin Nacional Bancaria y de Valores, 2005, Disposiciones Generales Aplicables a
las Instituciones de Crdito (Circular nica), Diario Oficial de la Federacin, 2 de
diciembre de 2005, Captulo V Seccin Segunda.
Comisin Nacional de Vivienda, 2009, Necesidades
http://www.conavi.org.mx

de Vivienda 2006-2012,

Cox, D.R., 1972, Regression Models and Life Tables, Journal of the Royal Statistical
Society. Series B (Methodological), Vol. 34, No. 2., pp. 187-220.
Cox, J. C., Ingersoll, J., and Ross, S., 1985, A theory of the Term Structured of
Interest Rates, Econometrica 53, 385-407.
Credit Suisse Finacial Products, 1997, CreditRisk+: A Credit Risk Management
Framework, London.
Davis, M. and Lo, V., 1999, Modelling default correlation in bond portfolios, In: C.
Alexander (ed.), ICBI Report on Credit Risk.
Daykin, C.D., T. Pentikinen, M. Pesonen, 1994, Practical Risk Theory for Actuaries,
Chapman & Hall.
De Groot, Morris H., 1988, Probabilidad y Estadstica, Addison-Wesley
Iberoamericana, Wilmington Delaware.
Deelstra, G. and Parker, G., 1995, A Covariance Equivalent Discretisation of the CIR
model, 5th AFIR International Colloquium, Brussels.
Duffie, D. and Singleton, K.J., 1999, Modelling term structures of defaultable bonds,
Review of Financial Studies 12, 687-720.

57

Duffie, D. and Singleton, K.J., 1999, Simulating Correlated Defaults, Working Paper,
Graduate School of Business, Standford University.
Gerber, H. 1979, An introduction to mathematical risk theory, S.S. Huebner
Foundation, University of Pennsylvania, Philadelphia.
Giesecke, K. and Tomececk, P., 2005, Dependent events and changes of time,
Working Paper, Cornell University.
Gordy, Micheal B., 2000, A Comparative Anatomy of Credit Risk Models, Journal of
Banking & Finance.
Gordy, Micheal B., 2003, A risk-factor model foundation for Ratings-Based Bank
Capital Rules, Journal of Financial Intermediation, Volume 12, Issue 3, pp. 199-232.
Gupton, Greg M., Christopher C. Finger, Mickey Bhatia, 1997, CreditMetrics Technical
Document, New York: J.P. Morgan & Co. Incorporated.
Hansen, Lars Peter, 1982, Large sample propierties of Generalized Method of
Moments estimators, Econometrica 50, 1029-1054.
Hosmer, D.W. and Lemeshow, S. (2000). Applied Logistic Regression (2nd edition).
New York: Wiley.
Jarrow, R.A. and Yu, F., 2001, Counterparty risk and the pricing of defaultable
securities, Journal of Finance, 56 (Oct).
Li. D., 1999, On default correlation: a copula function approach, Working Paper,
RiskMetrics Group, New York.
Panjer, H., 1980, The Aggregate Claims Distribution an Stop-Loss Reinsurance,
Transaction of the Society of Actuaries, 32, 523-535.
Panjer, H., 1981, Recursive Evaluation of a Family of Compound Distributions, ASTIN
Bulletin, 12, 22-26.
Quercia, R. G. and Stegman, M.A. (1992) Residential Mortgage Default: A review of
the literature. Journal of Housing Research Volume 3, issue 2.
Quigley, John y Van Order, Robert. 1991. Defaults on mortgage obligations and
capital requirements for U.S. savings institutions, Journal of Public Economics 44
353-369.
Ross, S. (2006). A first course of probability (7th edition). Pearson: Prentice Hall.
Sklar, A., 1973, Random Variables, Joint Distribution Functions and Copulas,
Kybernetika 9, 449-460.
Smith, L.D., Sanchez, S.M. and Lawrence, E.C. (1996). A comprehensive model for
managing credit risk on home mortgage portfolios. Decision Sciences. Volume 27,
Number 2.
Wilson, Thomas C, 1998, Portfolio Credit Risk, FRBNY Economic Policy Review,
October 1998.

58