Professional Documents
Culture Documents
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
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
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.
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.
PE = E [X ]
(PE ) es
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
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
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
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:
10
11
12
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:
1:
2:
:
.
:
.
x:
n:
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:
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
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)
14
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
Y =0
fY | X (y | x ) = (x )y (1 (x ))1 y
donde y {0,1}
15
(x ) .
(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
(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 )
(X )
1 ( X ) ,
(x i ) = P (y = 1) , 1 (x i ) = P (y = 0 ) ;
se
16
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.
probabilidad es
h( t ) = lim 0
f (t )
1 F( t )
La tasa de riesgo
h( t ) = h0 ( t ) e x ( t )
17
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
19
20
E [X ] = B q
(3.1)
V ( X ) = B 2 q (1 q )
(3.2)
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.
S = X1 + X 2 + K X n
(3.5)
n
n
PE = E [S ] = E X i = E [X i ]
i =1 i =1
(3.6)
(3.7)
22
N = I1 + I 2 + K + I n donde I i Bernoulli (q )
(3.8)
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
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)
23
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
= qi .
i =1
N Poisson( h )
en el caso de Poisson
24
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)
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)
h2 .
25
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)
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 .
S = X1 + X 2 + K + X N
(3.21)
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 )
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
Si se denota
PE = E [S ] = E [E [S | N ]] = E E X i | N = E [N X ] = X
i =1
[ (
)] (
= a2 X2 + X2 + 2 h2
= a2 + X2 2 h2
(3.22)
)
(3.23)
27
V (S ) = X2 + a 2 X2 + X2 2 h2
= V ( N ) + V (Z ) + 2 V (h )
2
X
2
X
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
28
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%
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 .
2
con parmetros r = h , =
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,....
i b
P[S = M j ] = a +
si P[S = M ( j 1)]
j
i =1
j
a (1 s 0 )
P[S = 0] = 1 +
a+b
a 1
P[S = 0] =
a s0 1
a +b
a
a +b
a
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
F S (s ) = P
s Fh (s ) cuando PE
PE
PE
(3.24)
S
S
E | h 0 cuando n
SA
SA
Donde SA =
SA
i =1
(3.25)
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)
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
i =1
i =1
(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 .
S = P[S ] = SA h = SA P[h ].
(3.29)
32
F X ( x ) = P[ X x ] .
(4.1)
33
S ( x ) = 1 F ( x ) = P[ X > x ] .
(4.2)
q x = P[ X t + x | X > x ] =
Y de que sobreviva es
t
F ( x + t ) F ( x)
1 F ( x)
t0
(4.3)
t0
1 F ( x + t ) F ( x)
f (x )
=
t 0 t
1 F ( x)
1 F ( x) ,
q( x) = lim
(4.4)
f ( x) = F ' ( x) .
(4.5)
34
q ( x) =
S ' (x )
d
= ln S ( x )
S ( x)
dx
,
(4.6)
(4.7)
px =
S (x + t)
x +t
(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.
(4.9)
En donde:
q(t ) que representa una fuerza de incumplimiento base que slo depende del
tiempo y
35
en donde q(t )
q(s; t ) = q(t ) h (s )
(4.10)
es la tasa de fallo (fuerza de incumplimiento) es un escenario
q( x; t ) = q( x ) h (t )
q xt = q x ht
(4.11)
q xt se dividen en dos
(4.12)
son
36
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.
=0.
=0.5.
=1.
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
(4.15)
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.
S (t )
h (t ) cuando n
PE (t )
(4.16)
38
i =1
i =1
(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
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
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
Promedio
DesvEstandar
Mediana
Percentil75%
Percentil90%
$ 86,089
$ 61,457
$ 74,436
$103,453
$155,630
41
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
Ene-03
11
13
6
13
14
7
8
:
6
Feb-03
8
4
5
7
18
7
12
:
4
Mar-10
13
9
28
24
19
23
44
:
26
t =1
t =1
dx
. La siguiente grfica muestra la curva de
lx
incumplimiento obtenida.
42
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
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
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
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)
Los procesos que se ajustaron fueron: el Vasicek, cuyo parmetro gamma est
definido como
=0,
=0.5,
y un proceso
45
Intervalo de
confianza al
99%
Sin restriccin
13.30
61.55
1.55
CIR
5.19
13.81
Vasicek
16.61
74.76
ht +1 = ht (hi )t + ht t t +1 + 12 2 ht
Donde
t2+1
2 1
2
t +1
1)
h(0 ) = 1.50
46
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)
h2 .
promediaron las observaciones del proceso mixto h(t ) por grupos excluyentes de
doce meses. La siguiente grfica muestra las variables mixtas anuales obtenidas.
47
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 ,
PE y varianza V (S ) = PE 2 h2 .
de
cada
crdito
como
(12 )
variables
Bernoulli
(q
(12 )
k
con
i 1
i =1
j =1
48
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)
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
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%
1.00
0.42
0.13
0.50
50
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)
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
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
52
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
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)
Prdida(Pesos)
$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)
54
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
$
$
$
$
$
$
700,284,217
22,127,874
699,816,769
752,717,698
758,606,979
771,996,316
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