Suficiencia de Capital y Riesgo de Crdito en Carteras de Prstamos

Bancarios
Un modelo de impago que relaciona la suficiencia de capital con el
riesgo de crdito, mide el riesgo de concentracin, y determina lmites
individuales para los crditos.

Javier Mrquez Diez-Canedo1

Abril 2002

Documento de Investigacin No. 2002-04

Direccin General de Anlisis del Sistema Financiero
Banco de Mxico

El autor desea agradecer la colaboracin de Maribell Rojas Garduo en la construccin de los ejemplos
presentados, y muy especialmente a Calixto Lpez Castan, por su importante contribucin en las pruebas
de los teoremas 6.1 y 6.2 del apndice, la elaboracin de los resultados del ltimo ejemplo y un sin nmero de
discusiones que condujeron a mejorar considerablemente la consistencia del modelo. Otra persona que
contribuy significativamente a redondear algunos aspectos del modelo, fue Jos Luis Farah del ITAM. Las
opiniones expresadas en este documento son responsabilidad exclusiva del autor y no necesariamente
corresponden a las del Banco de Mxico.

Suficiencia de Capital y Riesgo de Crdito en Carteras de Prstamos Bancarios:

Un modelo de impago que relaciona la suficiencia de capital con el riesgo de
crdito, mide el riesgo de concentracin, y determina lmites individuales para los
crditos.
Javier Mrquez Diez-Canedo
Banco de Mxico
Abril 2002
Resumen
La bsqueda de una regla explcita que relacione el riesgo de crdito con la suficiencia de capital, es
uno de los temas ms importantes tanto para los reguladores como para los administradores de
riesgo. Las metodologas actuales de riesgo de crdito dependen sobremanera de mtodos
numricos para obtener la distribucin de prdidas de una cartera; debido a esto, la determinacin
de la suficiencia de capital y de lmites individuales para los crditos, es un proceso emprico que
requiere de un gran sustento computacional. La obtencin de una medida de concentracin y su
contribucin al riesgo en carteras de crditos as como la identificacin de segmentos que exhiban
concentracin excesiva, son problemas que hasta el momento no se han podido resolver a pesar de
su gran importancia.
Con base en las probabilidades de impago de los crditos y de sus respectivas covarianzas, se
desarroll un modelo que obtiene una forma funcional de la distribucin de prdidas, suponiendo
que dicha distribucin puede caracterizarse por dos parmetros. La representacin del Valor en
Riesgo (VaR) en trminos de la media y la varianza, conduce a una cota inferior para el cociente de
capitalizacin bancaria y la desigualdad resultante establece condiciones para que un banco cuente
con suficiencia de capital. El ndice de

Herfindahl-Hirschman surge como una medida de

concentracin, que cuantifica de manera precisa la contribucin de la concentracin al riesgo de

crdito total de una cartera. Se obtienen dos propiedades nuevas de este ndice, que relacionan los
lmites individuales de los crditos con la concentracin existente en los distintos segmentos en los
que se pueda descomponer la cartera, de tal manera que se garantice la suficiencia de capital. Los
ejercicios numricos realizados hasta la fecha en carteras de crditos reales, arrojan resultados
comparables con aquellos obtenidos usando otras metodologas, con una reduccin considerable en
esfuerzo computacional. A lo largo de este artculo, se discuten las implicaciones de esto para la
administracin de riesgos y la regulacin.
Palabras clave: Suficiencia de capital, riesgo de concentracin crediticia, ndice de concentracin
Herfindahl-Hirschman, lmite de crdito individual, valor en riesgo, modelos de impago.

1. INTRODUCCIN2.
Actualmente, en los paradigmas ms aceptados para medir riesgo de crdito se pueden distinguir
dos enfoques, a saber: el de marcar a mercado y el de modelos de impago. Las diferencias
entre ambos estriban, en primer trmino, en la forma en que se consideran las prdidas. Mientras
que en los modelos de impago un deudor slo puede estar en uno de dos estados, es decir pago o
impago, las prdidas que resulten slo se deben a los incumplimientos del deudor. Los modelos de
marcar a mercado en contraste, consideran adems las prdidas resultantes del cambio en el valor
de los crditos, debido a la migracin de calidad de los mismos. Sin embargo, las mayores
diferencias entre ambos paradigmas, se deben a la forma en que conjugan los diferentes elementos
del riesgo de crdito para obtener la distribucin de probabilidades de las prdidas. Por ejemplo3, en
CreditMetricsTM que es un modelo de marcar a mercado, el componente principal es la matriz de
transicin que est relacionada con un sistema de calificacin, y que provee el mecanismo
probabilstico que modela la migracin de la calidad de los crditos. Esto determina las prdidas
resultantes de los incumplimientos del deudor, y los cambios en el valor de mercado de los crditos
de la cartera, a travs de un proceso de simulacin Montecarlo que toma en cuenta explcitamente la
matriz de covarianzas de migracin, para finalmente obtener la distribucin de prdidas de la
cartera. La matriz de transicin, los cambios en el valor y las prdidas debidas al incumplimiento de
los crditos, as como las covarianzas de migracin e incumplimiento se estiman a partir de datos
estadsticos e informacin de mercado. En contraste, el proceso de simulacin depende en gran
medida de un supuesto de normalidad que permite establecer una relacin entre la calidad del
crdito y el valor de los activos de las empresas deudoras y aplicar el modelo de Merton4, as como
determinar el comportamiento de migracin conjunta de los crditos de la cartera.
La metodologa KMV5 tambin se basa en el modelo de Merton. Define una distancia al impago,
que es la diferencia entre el valor de los activos de las empresas y un cierto umbral, de manera que
si esta cantidad es negativa, la compaa estara en bancarrota y no podra cumplir con sus
obligaciones. Para propsitos de estandarizacin, esta distancia al impago se mide como un
mltiplo de la desviacin estndar del valor de los activos de las empresas. KMV ha acumulado una
gran base de datos, que usa para estimar probabilidades de impago y correlaciones, as como las
distribuciones de prdidas debidas al incumplimiento del deudor y a las migraciones de calidad de

2 Un anlisis detallado de las diferentes aproximaciones se presenta en M. Crouhy et al., JBF (24) 2000.
3 CreditMetricsTM es un subproducto del grupo de desarrollo de los sistemas de Administracin de Riesgos
de J.P. Morgan.
4 Vase Merton 1974.
5 Esta metodologa es propiedad de la corporacin KMV.

los crditos. Para una compaa en particular, esta probabilidad se aproxima por las frecuencias
esperadas de impago; es decir, el cociente entre el nmero de compaas que estn a la misma
distancia de impago que realmente incumplieron, y el nmero total de compaas que estn a la
misma distancia al impago contenidas en la base de datos. Aunque tambin es un mtodo de
marcar a mercado, difiere significativamente de CreditMetricsTM ya que depende de las FEI de
cada deudor, en lugar de depender de las probabilidades de transicin estimadas de los datos
histricos, ya sea internos de cada banco o producidas por las agencias calificadoras. Existen
tambin diferencias considerables en los supuestos y en las formas funcionales utilizadas.
CreditRisk+6 es un modelo de impago en donde la piedra angular de la metodologa, es el conjunto
de probabilidades individuales de impago de los crditos en la cartera, y el supuesto de que las
probabilidades de impago siempre son pequeas, de manera que el nmero de incumplimientos en
la cartera se puede aproximar adecuadamente por una distribucin de probabilidad Poisson. En su
versin ms general, donde las probabilidades de impago pueden cambiar en el tiempo, se supone
adems que estas probabilidades estn completamente explicadas por una suma ponderada de K
factores de riesgo cada uno de ellos distribuido de acuerdo a una distribucin Gamma
independiente. Los ponderadores de los factores de riesgo difieren dependiendo de la calificacin
individual del deudor y, condicionados a estos factores, se supone que los incumplimientos de los
deudores individuales se comportan como ensayos Bernoulli independientes. En este caso general,
la correlacin de impago est implcita en los patrones de covariacin entre los factores de riesgo, y
el supuesto Poisson conduce a una distribucin Binomial Negativa para el nmero de
incumplimientos. Una vez obtenida la distribucin del nmero de incumplimientos en la cartera,
procediendo con un enfoque actuarial, se selecciona una unidad de prdida y dadas las tasas de
recuperacin de los crditos individuales, stos se agrupan en bandas donde la prdida es la misma
para cada crdito que cae en incumplimiento. Con esto, se obtiene la funcin generadora de
probabilidad de las prdidas. Finalmente, se recurre a un procedimiento numrico de recursin para
obtener la distribucin de probabilidad de prdidas. Este procedimiento involucra el clculo de los
coeficientes de dos polinomios cuyo orden es igual al producto del nmero de bandas y el nmero
de factores de riesgo en un caso, y el producto del nmero de bandas menos uno y el nmero de
factores de riesgo en el otro caso. Este clculo puede implicar un esfuerzo computacional
importante, si la cartera es grande y la unidad de prdida escogida es pequea.

CreditRisk+ es comercializado por Productos Financieros de Crdito Suizos.

Otra metodologa popular de impago es Credit Portfolio View7, que es un modelo discreto de
periodos mltiples. Adems del hecho de que esta metodologa se concibe en un principio como un
modelo dinmico, su atraccin principal radica en que obtiene las probabilidades de impago como
funciones logit de ndices de variables macroeconmicas, que de alguna manera representan el
desempeo de la economa. La cartera se segmenta de acuerdo a la localizacin geogrfica y a la
actividad econmica de los deudores, y se supone que los ndices para cada segmento son funciones
lineales de las variables macroeconmicas asociadas a cada segmento. Este modelo supone que
cada variable macroeconmica sigue un proceso autoregresivo de segundo orden, y debido a las
correlaciones en los errores de los modelos lineales para los ndices y de las expresiones
autoregresivas de las variables macroeconmicas subyacentes, los parmetros de ambas se estiman
simultneamente de un sistema de ecuaciones. Como CreditMetricsTM, Credit Portfolio View
tambin recurre a la simulacin de migraciones de calidad de los crditos a travs de matrices de
transicin para obtener la distribucin de las prdidas. En este proceso, las matrices de transicin
incondicionales generadas por las agencias calificadoras se ajustan al estado de la economa de
cada segmento, reduciendo o incrementando las probabilidades incondicionales de transicin de
acuerdo al cociente entre la probabilidad de impago simulada y la tasa promedio histrica
incondicional de impago del segmento.
En una contribucin reciente, Kreinin y Rosen (1999) proponen un modelo dinmico de etapas
mltiples donde las probabilidades de impago se hacen depender de la evolucin conjunta de los
factores de riesgo de mercado y de crdito. Esto facilita la conjuncin del riesgo de mercado y de
crdito, con la virtud adicional de que el modelo puede cuantificar mejor la exposicin de los
segmentos a la contraparte, as como la posicin en derivados de la cartera. Otra mejora en estos
modelos recientes de riesgo de crdito es la posibilidad de modelar las exposiciones estocsticas
mediante simulacin, y la extensin del modelo de impago de Merton a etapas mltiples. La
distribucin de prdidas se obtiene por simulacin bajo la idea de Marcar a Futuro de las
exposiciones de la contraparte y en el contexto de la probabilidad condicional de impago,
alcanzando una gran eficiencia computacional.
Todas las metodologas mencionadas han contribuido al entendimiento de las ideas principales de
los modelos de riesgo de crdito y ahora se acepta que todos los modelos estn convergiendo a
producir resultados comparables. Los resultados de Crouhy et. al. (2000), Finger (1998) y Gordy
(2000) indican que, bajo ciertas equivalencias paramtricas, las metodologas principales como
CreditMetricsTM y CreditRisk+ pueden mapearse una en la otra. Es importante notar que el
7

Este producto lo ofrece McKinsey, la compaa consultora. La referencia clsica es Wilson (I) & (II) 1997.

nfasis de todas estas metodologas es producir una distribucin de prdidas, que se apega lo ms
posible a la realidad. Aunque difcilmente se puede ir en contra de este principio, el esfuerzo
computacional requerido puede resultar imprctico para ciertos usuarios como los reguladores,
quienes tienen que supervisar todo el sistema financiero, y no slo un banco en particular. Adems,
el desarrollo de herramientas de gestin administrativa, tales como la obtencin de reglas simples
para establecer suficiencia de capital, la identificacin de segmentos que presentan las mayores
concentraciones de riesgo y el establecimiento de lmites individuales para los crditos, que estn
directamente relacionados con el perfil de riesgo de la cartera, no se pueden obtener directamente.
El modelo que aqu se presenta, supone que estn dadas las probabilidades de incumplimiento de
los crditos y sus covarianzas. Con estos elementos, se desarrolla un modelo de impago que obtiene
una forma funcional de la distribucin de prdidas, suponiendo que puede caracterizarse por dos
parmetros: la media y la varianza. Dada una distribucin de prdidas con una media y varianza
especficas, no necesariamente Normal, es posible obtener el Valor en Riesgo (VaR) de la cartera
como la prdida esperada ms un cierto mltiplo de la desviacin estndar de las prdidas. Esto
conduce a una cota inferior de la razn de capitalizacin del banco y la desigualdad que resulte
establece la suficiencia de capital. Del desarrollo del modelo emerge de manera natural el ndice de
Herfindahl-Hirschman como medida de concentracin, proporcionando una cuantificacin
precisa de la manera en que la concentracin contribuye al riesgo de crdito de la cartera. Dos
propiedades nuevas que se obtienen de este ndice, relacionan los lmites individuales de los
crditos con la concentracin existente en los distintos segmentos en los que se dividi la cartera, de
tal manera que se garantice la suficiencia de capital. Los ejercicios numricos realizados hasta la
fecha en carteras reales, muestran resultados comparables con aquellos obtenidos usando otras
metodologas. Adems, se observa que las distribuciones obtenidas aproximan aqullas que se
obtienen con las metodologas ms estndar, pero con una reduccin considerable en esfuerzo
computacional. Dado que la medicin de concentracin es el corazn del modelo, se comenzar con
la discusin de este tema.
2. El Tema de la Concentracin.
La concentracin de los crditos ha sido identificada como una fuente importante de riesgo para los
bancos desde hace mucho tiempo. A juzgar por la literatura actual relativa al riesgo crediticio, al
menos para el tema de concentracin, el establecimiento de paradigmas generalmente aceptados no

se ha materializado, a pesar de la importancia del problema8. Los acercamientos ms formales,

basados en la teora de cartera9, se han enfocado principalmente a la diversificacin ptima de
carteras de instrumentos de renta fija, para los cuales se puede obtener informacin compatible con
los modelos tradicionales de Markowitz (1959). Altman y Saunders (1998) presentan un enfoque
interesante, que trata de evitar los principales problemas asociados con los datos y su anlisis, al
mismo tiempo que explota las virtudes de la teora moderna de cartera. Sin embargo, se debe
recalcar que los estudios basados en la teora tradicional de cartera tratan el problema de
concentracin indirectamente, ya que su principal preocupacin es la diversificacin de los activos a
travs del conocido esquema de media-varianza, pero sin proporcionar una medida de concentracin
clara ni una relacin explcita con el riesgo de la cartera. Kealhoffer (1998) hace una discusin
interesante del tema desde el punto de vista de la diversificacin. Primero, seala que realmente no
ha existido mtodo alguno para medir el grado de diversificacin en una cartera de deuda, y que
ex ante, ningn mtodo ha sido creado para cuantificar concentracin; la concentracin slo ha
sido detectada ex post. Despus, argumenta que medir la diversificacin de una cartera significa
especificar el intervalo de posibles prdidas y la probabilidad con la que se podran dar. Ms
adelante, Kealhoffer provee una definicin que permite la comparacin del grado de diversificacin
de dos carteras como:
La cartera A est mejor diversificada que la cartera B si ambas tienen la
misma prdida esperada, pero la probabilidad de que la prdida exceda un
cierto porcentaje es ms pequea para A que para B.
De esta manera, cuando se trata de prstamos bancarios tradicionales, ninguna metodologa formal
para medir la concentracin parece emerger. Como dicen Altman y Saunders (1998), el tema de la
medicin de la concentracin se ha tratado de manera subjetiva. Tpicamente, los bancos y otros
agentes aplican una tcnica de calificacin basada en la opinin de un grupo de expertos, sobre el
grado de concentracin observado en diferentes segmentos de la cartera, considerados con base en
un criterio de clasificacin, para obtener un indicador de la concentracin de crdito. Generalmente,
el nmero obtenido vale ms en trminos cardinales y jerrquicos, que como una medida directa del
riesgo que pueda ser traducida rpidamente en prdidas potenciales o en valor del riesgo10. No
obstante, los resultados del ejercicio proveen los elementos principales para establecer lmites sobre

Vase Caouette, Altman, y Narayanan 1998, captulos 17 y 18. Vase tambin Kealhofer 1998.
Vase por ejemplo Bennet 1984.
10
Vase por ejemplo Moodys Investor Services 1991, y el Informe de 1993 de Coopers y Lybrand.
9

los crditos como una proporcin del capital que puede destinarse a las diferentes reas donde
puede ocurrir la concentracin.
La obtencin de una buena medida ex-ante de concentracin es difcil por varias razones. Primero,
uno debe identificar o decidir las clases o tipos de concentracin que son relevantes en una situacin
en particular (v.gr. por regin geogrfica, industria, mercados, productos, etc.). Aun si todos los
crditos en estas dimensiones de posible concentracin son relativamente pequeos en lo
individual, pueden mostrar excesiva concentracin en cualquier dimensin, si las probabilidades de
impago estn altamente correlacionadas o se correlacionan significativamente en circunstancias
econmicas adversas. Segundo, es necesario decidir la jerarqua adecuada dentro de cada
clasificacin en particular. Por ejemplo, qu es ms importante: Que el crdito sea una pequea
hipoteca o que el deudor viva en un pueblo en particular, o ambos?
Otro obstculo es la cultura tradicional de los analistas de crdito, que casi por definicin estn
altamente especializados. Esto hace difcil para estos analistas percibir el riesgo de la concentracin,
porque cada uno se dedica a una dimensin particular de la concentracin. Adems, el anlisis que
se aplica a crditos al consumo difiere significativamente del que se aplica para analizar un crdito
para la construccin de una planta siderrgica. No se emplean las mismas herramientas analticas, ni
los mismos criterios y ni siquiera el mismo argot. En cualquier caso, el lenguaje empleado
generalmente no est asociado con los conceptos ni con los trminos actualmente aceptados en la
administracin de riesgos. Mientras que los analistas de crdito al consumo infieren riesgos de
cosas como la estabilidad en el trabajo y el ingreso familiar, los que analizan crditos industriales lo
hacen en trminos de razones financieras, flujos de efectivo descontados y garantas. Los
administradores de riesgo en cambio discuten en trminos de volatilidades, correlaciones, Griegas,
perfiles de riesgo y valor en riesgo. De esta manera, aunque no hay duda de que hay analistas de
crdito y administradores de riesgo que entienden los trminos del otro, existe una brecha
conceptual y de comunicacin que necesita llenarse, para establecer un conjunto comn de medidas
de riesgo, que proporcione la asesora integral necesaria para atender el tema de la concentracin.
El enfoque adoptado en el anlisis que sigue no resuelve todos estos problemas, pero s provee un
marco terico que puede permitir la medicin de la concentracin ex-ante. La medida obtenida est
relacionada directamente con el riesgo de crdito expresado en trminos afines a los usados por los
administradores de riesgos. Se ver que la medida de concentracin obtenida es compatible con la
nocin de Kealhoffer antes citada. Partiendo de un modelo simple, donde se supone una sola
dimensin de concentracin y crditos con la misma probabilidad de incumplimiento, se desarrolla

un modelo general donde, por lo menos tericamente, se puede manejar cualquier nmero de
dimensiones de concentracin, y los crditos de cada segmento pueden tener probabilidades de
incumplimiento diferentes, adems de estar correlacionados entre s.
3. Valor en Riesgo, Concentracin y el Lmite Individual: El Caso Simple.
Tradicionalmente, los bancos tratan de atender el riesgo de concentracin poniendo un lmite a la
cantidad mxima que puede prestarse a un solo deudor, a lo largo de las diferentes dimensiones
donde se puede dar la concentracin; esto es, por industria, regin geogrfica, productos, pases, etc.
En lo que sigue, se supone que la concentracin ocurre en una sola dimensin, y la probabilidad
de impago p de cualquier crdito es la misma para todos los crditos y cada uno es
independiente de los dems. Normalmente, el lmite individual se expresa como una proporcin

del capital K del banco. Sin embargo, al discutir la concentracin del crdito, uno
normalmente direcciona el tema a cunto del crdito total est concentrado en un solo individuo o
grupo pequeo de deudores. As, cualesquiera que sean las virtudes de establecer lmites como
porcentaje del capital, ello no da mucha informacin sobre la concentracin del crdito de una
cartera. Para ver esto, ntese que por lo menos tericamente, un banco puede tener todo el crdito
otorgado a un solo deudor sin que este crdito exceda la proporcin del capital que exige el lmite
pero bajo cualquier criterio representara una cartera totalmente concentrada. Por otro lado, el banco
puede tener un milln de crditos del mismo tamao en cuyo caso su cartera est totalmente
diversificada, independientemente de que cada crdito respete o no el lmite. De esta manera, uno
puede tener carteras muy concentradas as como carteras altamente diversificadas que respeten las
restricciones en trminos del capital11. Por estas razones se hace a un lado la tradicin, ya que es
mejor pensar en la concentracin en trminos de proporciones del valor total de la cartera de
crdito, y cambiar el concepto de los lmites. As, para propsitos de concentracin crediticia, se
fijar el lmite como una proporcin del valor total de la cartera V. Adems, se puede
comprobar fcilmente que y estn relacionados linealmente a travs de la razn de
capitalizacin del banco, por lo que no se pierde generalidad. Para ver esto, sea fk el monto del ksimo de N crditos de la cartera y ntese que:
f k K =

K
V = V = V ; k = 0,1,2,3,....,N ....(3.1)
V

11

Por ejemplo, si en un banco con 100 millones de pesos de capital, los crditos estn limitados a no exceder
el 12% del capital, esto puede hacerse con solo un crdito de 12 millones, en cuyo caso la concentracin es la
mxima. Por otro lado, si la cartera tiene 100 mil crditos y cada uno es de 12 millones, ninguno excede el
12% del capital, pero se trata de una cartera altamente diversificada.

donde =

K
es la razn de capitalizacin del banco. As, = , y el lmite sobre el tamao de
V

los crditos se puede representar mediante la restriccin siguiente:

fk V ; k = 0,1,2,3,....,N .....(3.2)

Si la concentracin tiene que ver con el nmero de deudores que tienen ms crditos, entonces la
mxima concentracin que puede tenerse respetando el lmite, es cuando se concentra todo el
crdito en un nmero mnimo de crditos n, que respeta la restriccin previa, es decir:

V ; k = 0,1,2,3,....,n

(3.3)

fk =
0 ; k = n+1, n+2,....,N

En el siguiente argumento se supone que n es siempre un entero y satisface12:

nV = V n = 1 i.e. n = 1/

Con base en estos supuestos, la probabilidad de que m de los n crditos dejen de pagarse se
distribuye de acuerdo a una binomial; es decir:
n
n m
Pr{m; n} = p m (1 p )
m

Es bien sabido que para una n grande, la distribucin binomial se puede aproximar con una
distribucin normal, donde:
Media = = np y la Desviacin Estndar = np(1 p )

Ahora, procediendo en forma actuarial, sea el nivel de confianza adoptado y sea:

n = np + z np (1 p )

.......(3.4)

Es decir: La probabilidad de que ms de n crditos dejen de pagar es . En la expresin

anterior, z es la variable normal estandarizada que corresponde al nivel de confianza

12

No se pierde mucha generalidad bajo este supuesto, dado que el nmero de crditos es usualmente grande y
est siempre bajo el control del administrador de riesgo. Relajar el supuesto no cambia el resultado y
complica el lgebra innecesariamente.

10

escogido. Ahora, si cada crdito vale V, lo anterior significa que el Monto en Riesgo para una

cartera que exhibe este patrn de concentracin, con nivel de confianza es:
VaR = nV
Si se quiere que la prdida con nivel de confianza , no exceda el capital K, entonces:

[np + z

np (1 p ) V K

Despejando de lo anterior, y recordando que n = 1, con un poco de manipulacin algebraica se

llega a:

K pV

z V
( p )2 = (p , , )

= 2
p (1 p )
z p (1 p )

En la expresin anterior, =

......(3.5)

K
es la razn de capitalizacin del banco. Ntese que en estos
V

trminos, la suficiencia de capital existe si se satisface la desigualdad siguiente:

VaR
= p + z p(1 p)
V

.........(3.6)

La expresin (3.5) es por dems atractiva, porque relaciona un indicador de concentracin , con
la razn de capitalizacin del banco , el riesgo de incumplimiento de los deudores individuales
a travs de la probabilidad de impago p, y el monto en riesgo a travs de z. El lmite individual
de los crditos se asocia con el mnimo nmero de deudores donde se concentra todo el crdito

n=

1
, que es tambin un indicador de concentracin, por lo que la cota obtenida tambin se puede

tomar como un lmite para la concentracin de la cartera. La expresin (3.6) representa una
relacin de suficiencia de capital en trminos del riesgo de crdito de la cartera, que explcitamente

incluye una medida de la concentracin de la cartera. Como se ver en este documento, estas
expresiones son muy robustas bajo condiciones mucho ms generales.

11

4. Una Primera Generalizacin.

Evidentemente, el patrn de concentracin descrito, en donde la cartera de crdito contiene
exactamente n crditos en el tope permitido, no es demasiado realista. Por tanto, es importante ver
si se puede obtener un indicador de concentracin, que tenga sentido en trminos de monto en
riesgo, y que al mismo tiempo permitiera un poco ms de juego en la conformacin de la cartera
crediticia de un banco. As, sea F = (fi) EN el vector que representa la cartera crediticia de un
banco13, y sea fi = monto del i-simo crdito en la cartera; i = 1,2,....,N.
Si la probabilidad de impago de cada crdito es p, y suponiendo independencia, podemos definir
N variables aleatorias binarias xi tales que:
fi con probabilidad p
xi =

0 con probabilidad 1-p

Se sabe que E(xi) = pfi y que la varianza de xi es p(1 p ) f i 2 . Entonces, bajo el supuesto de
independencia, se tiene que:
N
N
a) = E x i = pf i = pV ; donde V = f i
i =1 i =1
i = 1
N

b) 2 = VAR

x i =
i =1

VAR ( x i ) =

i =1

p(1 p)f i2 = p(1 p)

i =1

2
i

i =1

Al ser F = (fi) un vector arbitrario, es difcil conocer la distribucin exacta de

x
i =1

. Sin embargo,

para una N grande, la distribucin Normal debe ser una aproximacin razonable14 y por tanto:

VaR = + z = pV + z p(1 p)

2
i

......(4.1)

i =1

Siguiendo la tnica del anlisis anterior, si se requiere que VaR K, despus de un poco de
manipulacin algebraica se obtiene:

13
14

EN denota al espacio Euclidiano N-dimensional.

Vase por ejemplo DeGroot (1988), pg. 263.

12

H(F) =

f
i =1

N f
i
i =1

( p ) = (p, , )
z p(1 p )
2

i
2

....... (4.2)

Ntese que la cota obtenida (p,,) es exactamente la misma que la que se obtuvo en el primer
caso, cuando se supuso que la cartera crediticia consista en n crditos del mismo monto V. La
gran diferencia, es que en lugar de usar el lmite de crdito otorgable a un deudor como medida de
concentracin, ahora la concentracin del crdito est medida por:
N

Concentracin = H(F) =

2
i

i =1

N
fi

i =1

El lector familiarizado con la literatura tcnica sobre concentracin industrial habr reconocido en
el anterior al ndice de Herfindahl-Hirschman15.

5. Anlisis de la Desigualdad de la Suficiencia de Capital.

El primer punto importante a notar es que, con las limitaciones del caso, parece que el nivel de
concentracin de una cartera puede controlarse utilizando una medida general de concentracin,
aparte del lmite individual del crdito. Despus, es interesante notar que la suficiencia de capital
representada por la razn de capitalizacin requiere que:

p + z p(1 p ) H (F )

.....(5.1)

Esta desigualdad relaciona la suficiencia de capital con la probabilidad de impago, el nivel de

confianza usado para calcular el valor en riesgo (VaR) y el ndice de concentracin. Tambin
muestra que existe una relacin directa entre el ndice de Herfindahl y la varianza de la probabilidad
de impago p. Dado que el ndice toma valores entre el recproco del nmero de crditos N y uno,
15

Vase por ejemplo Tirol 1995 y/o Shy 1995.

13

cuando existe una alta concentracin, la varianza

p (1 p ) H ( F ) variar entre

p (1 p )
y
N

p (1 p ) , dependiendo del grado de concentracin en la cartera medido por H(F). Adems,

ntese que el papel que juega H(F) es totalmente compatible con la definicin de concentracin de
Kealhoffer dado que es obvio de (5.1) que para carteras con la misma prdida esperada, entre menor
sea el valor de H(F), menor ser la probabilidad de que la prdida exceda un nivel especfico.
En lo que sigue, se ver que todo se comporta como debe. El teorema siguiente resume las
principales implicaciones de las relaciones anteriores. El resultado se introduce temprano porque no
cambia con las generalizaciones posteriores donde se relajan los supuestos de igualdad de
probabilidades de impago e independencia, y porque muestra el poder del modelo para la
administracin de riesgos, la regulacin y la supervisin bancaria.

Teorema 5.1.
La cota (p,,) sobre la medida de concentracin tiene las siguientes propiedades:
1. (p,,) tiene una relacin directa con la razn de capitalizacin y una
relacin inversa con la probabilidad de impago p y el nivel de confianza del
valor en riesgo z.
2. Si la medida de concentracin excede la cota (i.e. H(F) > (p,,)), entonces el
capital del banco est en riesgo para el nivel de confianza escogido.
3. Si la probabilidad de impago p excede la razn de capitalizacin , entonces
el capital del banco es insuficiente para enfrentar el riesgo asumido, para
cualquier nivel de confianza y valor de la medida de concentracin H(F).
4. Si (p,,) > 1, cualquier nivel de concentracin es aceptable.

Prueba.
El punto uno es obvio por la forma de (p,,). El segundo punto se verifica fcilmente; esto es:
Si H(F) > (p,,) entonces,

VaR = p + z H(F) p(1 p)

) V > (p+z

z p(1 p) ( p )
V=K
p(1 p) V = p +

z
p
(
1
p
)

14

El punto tres sale directo de (5.1):

VaR K p + z p(1 p )H(F)
Si p > , entonces se viola (5.1):

VaR = p + z H(F) p(1 p) V > + z H(F)p(1 p) V = K + z V H( F) p(1 p) > K

Y para el punto cuatro, es bien sabido que H(F) 1 para cualquier F16.
El Teorema 5.1 proporciona reglas tiles tanto para el administrador como para el regulador.
Primero, permite determinar la suficiencia de capital adems de que se pueden calcular con
precisin los ajustes requeridos en la razn de capitalizacin por enfrentar variaciones en las tasas
de incumplimiento y/o la concentracin de la cartera de crditos. Adems, dependiendo del control
que los bancos tengan sobre la razn de impago y la concentracin de los crditos, pueden
calcularse tambin los ajustes necesarios en la probabilidad de impago y la concentracin de la
cartera de crditos. As, si la concentracin de la cartera de crditos excede la cota al nivel de
confianza elegido, la desigualdad (4.2) proporciona una forma conveniente de hacer los ajustes
necesarios en , p y H(F) de manera que el riesgo de crdito no ponga en peligro el capital del
banco. Otro resultado interesante, es que si la tasa de impago de la cartera excede la razn de
capitalizacin, se est mandando una seal de alerta al administrador de riesgo y a las autoridades
financieras, de que el capital del banco est en riesgo independientemente de la concentracin de la
cartera de crdito y el nivel de confianza elegido.

6. El ndice de Herfindahl: Dos Propiedades Importantes para Manejar el Riesgo de

Concentracin de Crdito.
Los resultados anteriores proporcionan un marco analtico atractivo para determinar la suficiencia
de capital, y medir la concentracin en su relacin con el riesgo de crdito. Una de las principales
virtudes, es que surge de manera natural el ndice de Herfindahl como medida de concentracin,
directamente relacionado con el riesgo de crdito. En particular, se muestra que bajo ciertos
supuestos, el lmite individual de crdito y el ndice de Herfindahl son medidas de la concentracin
de la cartera que tienen la misma cota para propsitos de suficiencia de capital. Sin embargo quedan
cabos sueltos, con respecto a cmo el ndice de Herfindahl se relaciona con la idea intuitiva de que

16

Ver Encaoua y Jacquemin 1980.

15

la concentracin est relacionada con el nmero mnimo de crditos donde existe mayor
concentracin. Adems, dado que la concentracin crediticia se administra y regula fijando lmites a
los crditos individuales, otra caracterstica deseable de un ndice de concentracin, es que el valor
del ndice est relacionado con el lmite que se fije para el tamao de los crditos.
Es conveniente adoptar la notacin matricial-vectorial para simplificar el anlisis. Entonces, se
cambiar la notacin como sigue:
N

H(F) =

donde, F =

f
i =1

2
i

f
i =1

2
i

N f
i
i =1

(1 F)
T

es la norma Euclidiana del vector F EN. Adems,

1

1
N
N
T
1 F = f i donde 1 denota el vector unitario en E ; esto es: 1 = .

i =1
.

1
Ntese que 1T F = V siempre, y puede considerarse un factor constante de normalizacin, de
manera que lo que realmente diferencia la concentracin en una cartera de crdito es F . Para
examinar cmo la concentracin se relaciona con la idea de que mucho crdito en pocas manos
significa ms concentracin, se debe ser consistente con la idea de que la mxima concentracin
ocurre cuando todo el crdito est en un solo deudor y la mnima cuando todos los deudores deben
el mismo monto. De manera formal:
En una cartera de N crditos,
a) La mxima concentracin ocurre cuando para algn i, se tiene que:

V
fj =
0

para j = 1
para j i; j = 1,2,...N

i.e. Fmax = Vei , donde ei EN es el i-simo vector unitario.

16

b) La concentracin mnima ocurre cuando f i =

V
para i = 1,2,....,N
N

El ndice de Herfindahl-Hirschman ha sido estudiado ampliamente, principalmente en relacin con

la concentracin industrial, y se sabe que tiene varias propiedades importantes. As, es bien
conocido que el ndice toma valores entre el recproco de N y uno17, y tambin se ha establecido
que este ndice se comporta bien en trminos de las cinco propiedades de las medidas de

desigualdad18.
El ndice de Herfindahl tiene varias propiedades interesantes relacionadas con nmeros. La ms
conocida es la del equivalente-numrico19 de Adelman, que establece que su inverso puede
interpretarse como el mnimo nmero de crditos del mismo tamao que resultaran en un valor

especfico del ndice. En la primera obtencin de la cota (p,,), basada en ideas puramente
intuitivas, se estableci que la concentracin mxima que se puede presentar, respetando el lmite
de crdito establecido, se da cuando se les presta hasta el lmite al mnimo nmero posible de
deudores. Se muestra ahora que el ndice de Herfindahl es compatible con esta idea intuitiva; esto
es: En una cartera en la que los crditos estn restringidos a no exceder cierto lmite, el valor del

ndice se maximiza cuando todo el crdito est concentrado en el mnimo nmero de acreditados,
y cada acreditado est endeudado hasta el lmite. El teorema establece la relacin entre el lmite
individual de crdito y la medida de concentracin Herfindahl-Hirshman, y al hacerlo, se muestra
que el equivalente numrico es de hecho la mxima concentracin posible, cuando los prstamos se
restringen a cierto lmite20.

Teorema 6.1.
Si se requiere que F V1, entonces H(F) y la mxima concentracin bajo la medida de
Herfindahl-Hirschman se da si y slo si F es alguna permutacin de la distribucin siguiente:

Es posible una normalizacin simple, donde fcilmente se ve que (F) como a continuacin se define,
satisface 0 1

17

(F ) =

1
H (F )
N 1

18

Vase Cowell 1995 y Encaoua y Jacquemin 1980.

Vase Adelman 1969 y Kelly Jr. 1981. Para otras propiedades interesantes numricas relacionadas, vase
Weinstock 1984.
20
Aunque el resultado concuerda con la intuicin, no se encontraron pruebas formales de los autores en
referencias como Sleuwaegen et. al. 1989, Weinstock o Encaoua y Jaquemin op. cit..
19

17

V ;

k = 0,1,2,3,....,n

0 ;

k = n+1, n+2,....,N

fk =

donde n V = V n = 1 o n = 1/

Prueba:
Por ser algo laboriosa, aqu se proporcionar solamente un esbozo de la prueba. Los detalles de la
demostracin del teorema se pueden consultar en el apndice. Primero se prueba que la
concentracin mxima posible respetando el lmite, se logra cuando el mnimo nmero posible de
acreditados se endeuda hasta el tope V, y los dems tienen cero crdito. Determinar el mximo de
H(F) respetando la restriccin F V1, equivale a encontrar una solucin al problema de
optimizacin siguiente:

max F T F
s.a. : 1T F = V
F V1
F0
Para probar necesidad, se demuestra que la solucin propuesta satisface las condiciones de KarushKuhn-Tucker para este problema. Para probar suficiencia, se argumenta que dado que se est
maximizando una funcin convexa sujeta a restricciones lineales, la solucin ptima del problema
se encuentra en un punto extremo del poliedro convexo definido por las restricciones. Se puede ver
que todos los puntos extremos de este poliedro son vectores con k elementos iguales a V, y los
restantes son ceros; k n. De esta manera el mximo se obtiene cuando k = n.
De aqu, es fcil verificar que F V1 implica H(F) como sigue: dado que la mxima
concentracin tiene exactamente n crditos en el lmite V, entonces:
F* =

(f
k =1

*) 2 =

(V )
n

= n V = V

k =1

( )

Como n = 1, esto significa que H (F) H F =

(1 F )
T

V2
=
V2

18

Este resultado tiene implicaciones importantes para la administracin de riesgos y la regulacin, de

hecho, establece que poniendo un lmite sobre los crditos individuales, se est aplicando tambin
un lmite a la concentracin medida con el ndice de Herfindahl en la misma cantidad . De esta
manera, es simple comprobar la suficiencia de capital comparando el parmetro individual con

( p )2 = ( p, , ) .
z2 p (1 p )

De forma alternativa, de (5.1), puede obtenerse la relacin de

suficiencia de capital en trminos del lmite individual del crdito (3.6); es decir:

p + z p(1 p)

.......(6.1)

As, (6.1) proporciona una regla de dedo simple para verificar la suficiencia de capital, sin hacer
clculos complicados. Por ejemplo, se toma como el cociente entre el crdito ms grande que
tiene la cartera y el valor total de sta, y la tasa observada de impago como la aproximacin ex post
de la probabilidad de impago y se sustituyen estos valores en el lado derecho de (6.1). Como el
Teorema (6.1) garantiza que H(F) , si la desigualdad se conserva es una buena seal de que el
banco est bien capitalizado.
Sin embargo, debe tomarse en cuenta que esta condicin es suficiente mas no necesaria. Como se
mostrar en el siguiente teorema, si uno adopta la poltica de que la cartera debe satisfacer la
restriccin H (F ) , se pudiera dar un crdito que a la luz de la regla de lmites se viera como
muy grande. La prueba tambin es laboriosa ya que implica ver las condiciones KKT para un
problema de optimizacin no convexo y tambin se releg al apndice para no distraer al lector del
tema central de este documento. Aquellos interesados en los detalles pueden remitirse al apndice a
su conveniencia.
Teorema 6.2.

Si H(F) entonces:
fi

1
1+
N

(N 1)(N 1)) V

<

V para i = 1,2,3,....,N

Corolario:
Sea *V el crdito individual ms grande que se puede tener bajo la restriccin a

. Entonces:

19

(N 1)(N 1))

i) * =

1
1+
N

ii)

< * <

iii)

H (F ) f k * < V k.

El corolario se afirma sin prueba, ya que es obvio el resultado por la demostracin del teorema
segn se muestra en el apndice. Lo interesante de este resultado est contenido en los incisos (ii) y
(iii) del corolario, ya que bajo este criterio, la imposicin de una restriccin al ndice de
concentracin acota el mximo crdito superior e inferiormente, y se sabe que ningn crdito puede
exceder la cota superior, que en este caso es

V > V .

Es necesario enfatizar que las medidas de concentracin que pueden ser apropiadas en algunos
casos, no son necesariamente buenas en otros. Sin embargo, es deseable tener un buen ndice de
concentracin, particularmente desde el punto de vista regulatorio, ya que facilita las comparaciones
en trminos de concentracin de crditos entre diferentes instituciones, y conduce a una evaluacin
del riesgo de concentracin del sistema financiero en su conjunto. Para el administrador de riesgos
de un banco en particular, aparte de medir su propio riesgo, le provee de puntos de referencia para
establecer estrategias de negocios y metas, y le permite hacer comparaciones con la competencia.
Como se ha visto, el ndice de Herfindahl parece ser muy conveniente dado que aparte de medir la
concentracin, est directamente relacionado con el riesgo y provee un medio rpido para
comprobar la suficiencia de capital. En la siguiente seccin se ver que el concepto es robusto bajo
condiciones mucho ms generales.

6.1 Un ejemplo numrico.

Para poder ver el significado de los resultados anteriores, a continuacin se presenta un ejemplo
numrico. Considrese la siguiente cartera de 25 crditos tomada del manual de CreditRisk+:

Cuadro 6.1
N de
CALIFICACIN
A
B
C
D
E
Crditos
1
$4,728 $5,528 $3,138 $5,320 $1,800
2
$7,728 $5,848 $3,204 $5,765 $5,042
3
$4,831 $20,239 $15,411
4
$4,912
5
$5,435
6
TOTAL $12,456 $11,376 $21,520 $31,324 $22,253

F
$1,933
$2,317
$2,411
$2,598

G
TOTAL
$358 $22,805
$1,090 $30,994
$2,652 $45,544
$4,929 $12,439
$6,467 $11,902
$6,480
$6,480
$9,259 $21,976 $130,164

20

Las probabilidades de impago para los crditos se toman de la siguiente tabla:

Cuadro 6.2.
Calificacin
A
B
C
D
E
F
G
Probabilidad
1.65 3.00 5.00 7.50 10.00 15.00 30.00
de Impago.(%)

Hasta este momento, el modelo slo permite considerar carteras de crdito en donde la probabilidad
de incumplimiento es la misma para todos los crditos. As, para los propsitos de este ejercicio,
supngase que se toma como probabilidad de incumplimiento, el promedio ponderado de las
probabilidades de incumplimiento mostradas en la tabla 6.2; que es 10.89%.
El ndice HH de la cartera es 6.61%. Suponiendo normalidad y escogiendo un nivel de confianza de
5%, z = 1.96 se obtiene:

p + z p(1 p )H ( F ) = 0.1089 + 1.96 0.1089 .8911 0.0661 = 0.2658

Esto significa que el capital econmico del banco debe ser cuando menos de:

VaR.05 = 0.2658V = 0.2658 $130,164.00 = $34,602.79

Supngase que el capital econmico es $35,000, entonces la razn de capitalizacin es:

K 35,000
=
= 0.2689
V 130,164

Como 0.2689 > 0.2658, el banco tiene suficiencia de capital. Ahora bajo (4.2), la mxima
concentracin admisible para la cartera sera:

( p )2 = (0.2689 0.1089)2 = 0.0687

z2 p(1 p ) 1.962 0.1089 0.8911
Dado que H(F) = 6.61%, la cartera no presenta una concentracin excesiva. Finalmente, si el valor
mximo del ndice es 6.87%, segn el Teorema 6.2, ningn crdito de la cartera puede ser mayor
que:

f * = 0.0687 V = 0.2621 130,164 = 34,107.88

21

El Cuadro 6.1 muestra que el crdito ms grande en la cartera es el de calificacin D y monto

igual a $20,239, que es efectivamente inferior a la cantidad anterior.
Es interesante ver cual sera el tamao mximo de crdito admisible, si se quisieran limitar los
crditos a la cota de concentracin. De acuerdo a 3.5, los crditos no pueden exceder:
fi 0.0687 130,164 = $8,942.27

De hecho hay dos crditos considerablemente mayores que esta cantidad; el de $20,239 y el de
monto igual a $15,411 con calificacin E. Esto pone en evidencia que la condicin solamente es
suficiente ms no necesaria para evitar una concentracin excesiva. Finalmente, se verifica que las
cotas proporcionadas por el Teorema 6.2, se cumplen para el crdito ms grande: $8,942.27
$20,239 $34,107.88.

7. La Inclusin Explcita de Correlacin de Incumplimientos

Los resultados obtenidos hasta ahora dependen de los siguientes supuestos:
a) Las probabilidades de impago son homogneas e independientes entre s, para todos
los crditos en la dimensin donde la concentracin del crdito puede ocurrir.
b) Slo hay una dimensin de la posible concentracin del crdito.
c) Nada se recupera de los crditos que caen en impago.
Excepto en casos muy particulares, como para ciertas arrendadoras o sociedades de ahorro y
prstamo, ninguno de los supuestos es totalmente realista. En esta seccin, se relajan los supuestos y
los resultados obtenidos se generalizan uno por uno. La primera generalizacin relaja
completamente el supuesto de homogeneidad para examinar el caso donde las probabilidades de
impago pueden ser diferentes y estar correlacionadas.

7.1.

Un Modelo General.

Considrese el caso general donde todos los crditos tienen diferentes probabilidades de impago, y
que adems estn correlacionados entre s. Supngase que la distribucin de probabilidad de
impago se puede caracterizar mediante un vector de probabilidades esperadas de impago y la
correspondiente matriz de varianza-covarianza M. La relacin del monto en riesgo queda como
sigue:

22

VaR = T F + z F T M F K

....(7.1)

Como M es positiva definida, existe una matriz Q tal que,

M = QQ T ......(7.2)
donde es la matriz diagonal de valores caractersticos de M y Q es una matriz ortogonal de los
vectores caractersticos de M, con la propiedad de que Q-1 = QT .21. Sea S = Q Q T , donde

es la matriz diagonal formada con las races cuadradas de los valores caractersticos de M, de
manera que M = S T S . Ahora se hace el cambio de variable G = SF para obtener:

VaR = T F + z G T G K
Al multiplicar y dividir GTG por (1TG)2, y dividir todo por el valor de la cartera V, se obtiene:

p + z

H (G )

p
....(7.3)
y H (G )
z

En lo anterior,

p=

TF
.....(7.4)
V

es la probabilidad esperada de impago de la cartera y

1T G 1T G
= T .......(7.5)
V
1 F

es una medida de la desviacin estndar. De hecho, las desigualdades de (7.3) tienen exactamente
la misma forma que (4.2) y (5.1) excepto que ahora, el ndice de Herfindahl se calcula sobre G en
lugar de hacerse directamente sobre F. Este cambio de variable efectuado equivale a un
redimensionamiento de F en funcin de la matriz S que representa la raz cuadrada de la

matriz de varianza-covarianza M. En trminos de riesgo, lo que esto significa es que los crditos

21

Se puede consultar cualquier libro de texto de lgebra lineal de nivel intermedio. Vase por ejemplo Strang
G. 1980.

23

de la cartera se redimensionan de acuerdo a las covarianzas entre las probabilidades de impago de

cada crdito. Es fcil verificar que lo anterior se reduce al caso simple unidimensional en donde las
probabilidades de incumplimiento son iguales e independientes22 para todos los deudores.
Debe notarse que este redimensionamiento implica que la concentracin en nmeros no es lo
nico que debe tomarse en cuenta. Si bien mucho crdito en pocas manos puede ser riesgoso,

seguramente es an ms peligroso que mucho riesgo est concentrado en un grupo de crditos.

Visto de otra manera, en un momento dado puede representar ms riesgo un grupo de muchos
crditos pequeos pero de varianzas grandes y altamente correlacionadas entre s, que un pequeo
grupo de crditos grandes, cuya varianza y probabilidades de impago sean pequeas y que adems
no estn muy correlacionadas ni entre s, ni con otros crditos. El redimensionamiento de F a
travs de S, proporciona los medios para abordar este problema. Al redimensionar el vector de
crditos, la varianza total de las prdidas

H (G ) , se descompone en el efecto de la varianza de

las probabilidades de incumplimiento, medida por y el efecto de la concentracin medida por

H(G).

7.2

La Determinacin de Lmites Individuales sobre los Crditos y Suficiencia de Capital.

Como se ha mencionado, la forma tpica de administrar la excesiva concentracin de crdito es

fijando lmites a la cantidad de crdito que se le puede otorgar a un deudor. Aunque el Teorema 6.1
indica que G 1(1TG) implica H(G) , es difcil de instrumentar. Para propsitos prcticos, los
lmites que son tiles son aquellos que estn puestos directamente sobre F.23
Por ejemplo, dado que F 1V implica H(F) por el Teorema 6.1 entonces:
H (G )

H (G ) p

H ( F ) z

Entonces
2

H (F ) p

.......(7.6)

H(G ) z

Simplemente hgase = p1 y M = p(1-p)I.

Quisiramos sealar que F VS-11, presenta complicaciones tcnicas serias ya que, entre otras cosas, la
desigualdad no se cumple para cualquier S.
22
23

24

G
G
Ntese que es el Cociente de Rayleigh, y es bien sabido que min max, donde


F
F
2

min y max son los valores caractersticos menor y mayor de la matriz M. As, despus de un poco
de lgebra, por (7.5) se verifica que:

1 1T G

max 1T F

p
1

=
max
z

........(7.7)

tambin es una cota para el lmite individual, aunque ms estricta que (7.6) (Vase la nota de pie de
la pgina siguiente). Por tanto, si se escoge que satisfaga (7.6) o (7.7) se garantiza que F 1V
implica el cumplimiento de (7.3).
Finalmente, se puede comprobar fcilmente que con la transformacin de F a travs de S, no se
afectan los resultados del Teorema 5.1, as como sus implicaciones regulatorias y de administracin
de riesgos. Especficamente, en lo que se refiere a la suficiencia de capital, la desigualdad (7.3), se
generaliza a:

p + z H (G )

.....(7.8)

Adems, (7.7) tiene una analoga con (6.1) donde la suficiencia de capital se relaciona con el lmite
individual de la forma siguiente:

p + z max

....(7.9)

Es interesante notar que la nica diferencia entre (7.9) y (6.1) es que aparece el valor caracterstico
mayor de M en la expresin. Se puede demostrar que max 2H(G), y que ste crece con
correlacin positiva, lo cual es congruente con la nocin intuitiva de que el aumento en la
correlacin, incrementa el requisito de capitalizacin24. Ntese que (7.8) y (7.9) implican que la
suficiencia de capital puede evaluarse con cuatro parmetros.
24

Simplemente divdase (7.6) entre (7.7) y utilcense las cotas sobre el cociente de Rayleigh para llegar a la
conclusin de que la relacin es mayor que uno.

25

Ejemplo 7.1

Para ilustrar los resultados anteriores, considrese el grupo de crditos del ejemplo anterior;
Cuadro 6.1.
Cuadro 7.1.
Calificacin
Probabilidad
Media (p)
de Impago (%) Desv. Est. [p(1-p)]

A
1.65
12.74

B
C
D
E
F
G
3.00 5.00 7.50 10.00 15.00 30.00
17.06 21.79 26.34 30.00 35.71 45.83

Por su tamao, la matriz de covarianzas M, se segment en tres bloques25.

M1

M = C 2,1
C 3,1

C 1, 2
M2
C 3, 2

C 1, 3

C 2, 3
M 3

Factorizando la matriz para obtener S = Q Q T y haciendo el cambio de variable G=SF, se

obtiene el vector de crditos redimensionado, el cual se compara en la tabla 7.2 con el original.
Ntese que, dado que el valor caracterstico ms grande de M es max=0.8758 < 1, G es una
contraccin de F, y adems, sus elementos estn mejor distribuidos de manera que presenta

menor concentracin: H(G) = 4.57% < H(F) = 6.61%.

As, aunque aun es cierto que el crdito D de $20,239 y el crdito E de $15,411, son los ms
grandes en ambos vectores, los dos disminuyen considerablemente de tamao. Del Cuadro 7.2,
ntese que hay elementos que disminuyen en tamao y mientras que otros aumentan. En resumen,
mientras que los crditos calificados de A a D representan una proporcin menor en la cartera
redimensionada en comparacin con la original. Todos los crditos calificados como F o menores,
toman valores proporcionalmente mayores, y por tanto pesan ms en la cartera redimensionada.
Pareciera que los crditos calificados como E representan una lnea divisoria, donde los dos ms
grandes (12 y 13) se reducen en tamao, pero el ms pequeo (21), aumenta.

25

Dichos bloques se presentan en las tablas B.2 a B.7 en el apndice B.

26

Cuadro 7.2
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25

Calificacin
A
C
C
D
D
F
F
G
B
C
C
E
E
F
G
G
A
B
C
D
E
F
G
G
G

F
4,728
3,204
4,912
5,320
20,239
1,933
2,598
1,090
5,528
3,138
4,831
5,042
15,411
2,411
358
6,467
7,728
5,848
5,435
5,765
1,800
2,317
2,652
4,929
6,480
130,164

proporcin
3.6%
2.5%
3.8%
4.1%
15.5%
1.5%
2.0%
0.8%
4.2%
2.4%
3.7%
3.9%
11.8%
1.9%
0.3%
5.0%
5.9%
4.5%
4.2%
4.4%
1.4%
1.8%
2.0%
3.8%
5.0%

G
proporcin
1,660
1.7%
2,401
2.4%
2,738
2.8%
3,327
3.4%
6,886
6.9%
3,216
3.2%
3,431
3.5%
3,539
3.6%
2,606
2.6%
2,761
2.8%
3,085
3.1%
4,081
4.1%
6,810
6.9%
3,877
3.9%
3,845
3.9%
6,302
6.4%
2,292
2.3%
2,759
2.8%
3,367
3.4%
4,039
4.1%
3,619
3.7%
4,303
4.3%
5,339
5.4%
6,143
6.2%
6,665
6.7%
99,093

Suponiendo normalidad, con un nivel de confianza de 5%, el valor en riesgo o monto en riesgo de
la cartera es:
VaR .05 = T F + z

.05

F T MF = 14,179 + 1.96(21,176) = $55,684

As, el capital mnimo requerido es de $55,684 de manera que los $35,000 supuestos como capital
en el ejemplo 6.1, seran insuficientes para cubrir este nivel de riesgo.
Calculando ahora:

p=

TF
14,179
1T G
99,093
=
= 0.1089 y = T =
= 0.7613
V
130,164
1 F 130,164

La suficiencia de capital debe cumplir la desigualdad:

> p + z H (G ) = 0.4278
27

Supngase que K = $60,000, de manera que = 60,000/130,164 = 0.461. Entonces:

2

p
0.461 - 0.1089
=

= 0.05568
1.96(0.7613)
z
Al calcular el lmite individual como proporcin del valor de la cartera, de la ecuacin (7.6), se
obtiene:
2

0.0661
H (F ) p

=
(0.05568) = 0.0805

0.0457
H (G ) z
Esto es:

f i 0.0805 $130,164 = $10,482.97

Slo existen dos crditos que exceden este lmite (Cuadro 7.2).
Utilizando el cociente de Rayleigh, de (7.7) se obtiene:
2

1 p
1 0.461 0.1089
V =

fi V

($130,164) = $4,796.29
0.8758
1.96
max z

Como era de esperarse, este lmite es mucho ms restrictivo que el anterior; de hecho, es menos de
la mitad del obtenido previamente. La mayora de los crditos en la cartera sobrepasan este lmite.
Debe notarse que la cartera de este ejemplo es muy mala, dado que existe una gran proporcin de
crditos con probabilidades de impago altas. Esto explica el requerimiento tan alto de capital de casi
43% del valor de la cartera. Por ello resulta interesante comparar la desviacin estndar de impago
de los crditos correlacionados H (G ) = 0.1627 , con

p (1 p ) H ( F ) = 0.0801 de los

crditos que suponen independencia en los impagos. Ntese que la correlacin duplica la desviacin
estndar de la distribucin de prdidas de los crditos no correlacionados, de tal manera que el
requerimiento de capitalizacin de 43% de la cartera con crditos correlacionados, es
substancialmente mayor que el 26.6% requerido bajo el supuesto de independencia.

28

7.3

El Tratamiento de Diferentes Dimensiones de Concentracin

Generalmente, los bancos clasifican sus carteras de crditos en segmentos de acuerdo a algn
criterio prctico de clasificacin, como regin geogrfica, industria, o productos. Otro criterio es el
de separar crditos al consumo por nivel de ingreso de los deudores, o crditos corporativos o
empresariales por negocios de diferentes tamaos, y la clasificacin responde de alguna manera a la
forma en que los bancos hacen sus negocios. Para el propsito de riesgo de crdito en general y de
concentracin en particular, se deseara adoptar un criterio diferente. Como se mencion, uno de los
problemas ms difciles es determinar ex-ante, dimensiones potencialmente peligrosas de
concentracin, y eso puede no tener nada que ver con la estructura organizacional del banco.

Afortunadamente, el modelo desarrollado permite una segmentacin totalmente arbitraria de la

cartera, de manera que puede analizarse desde varios ngulos, y permite determinar los segmentos
donde la concentracin es potencialmente riesgosa. Esto permite la distincin de lmites para cada
segmento, y la evaluacin de las implicaciones en trminos de la suficiencia de capital. En lo que
sigue, se emplearn las palabras clase, segmento y dimensin de concentracin como sinnimos.
7.3.1. El Anlisis de Segmentos Individuales.

Supngase que se hace una particin arbitraria de F en h clases, F T = (F1 ,..., Fh ) , donde Fi es un
vector que contiene los saldos de los crditos que pertenecen al i-simo segmento. Ahora se parten
el vector de probabilidades esperadas de incumplimiento y la matriz de varianza-covarianza, de esta
manera:
a) = ( i

);

Particin del vector de probabilidades de impago, donde

i es el vector de probabilidades de impago del

segmento i; i = 1,2,3,....,h
b) La matriz de varianza-covarianza se parte como:

M 1 C12
C
M2
M = 21



Ch1 Ch 2

 C1h
 C2 nh



 Mh

Cada submatrz Mi corresponde a la matriz de varianza-covarianza idiosincrtica del grupo i y

tiene dimensin (NiNi); donde Ni es el nmero de crditos en el segmento. Todas estas matrices

29

son positivas definidas al igual que M y se puede obtener su correspondiente factorizacin Si. Las
matrices Cij contienen las covarianzas de las probabilidades de impago entre los crditos del
grupo i y las del grupo j.
A partir de aqu, sea Vi =

jFi

f j , el valor de la cartera asociada a la clase i, y

V
i =1

=V .

Ahora, sea Ki = iK, donde i es la proporcin del capital asignado al segmento i;

h

i [0,1] i ; i = 1 . Procediendo de la manera usual, la desigualdad en el valor en riesgo

i =1

para cada clase es:

VaRi = Ti Fi + z F T R i F K i = i K . (7.10)
En lo anterior, es importante notar que la matriz Ri tiene la forma siguiente:

0


Ri = Ci1


0

 C1i
 
 Mi
 
 C Ni

 0
 
 CiN . (7.11)

 
 0

Cada matriz Ri solamente toma en cuenta las correlaciones entre las probabilidades de impago de
los crditos del grupo i con los de los dems grupos, pero elimina las correlaciones entre los
dems grupos que no inciden directamente sobre el grupo en cuestin. Dividiendo ambos lados por
el valor de la cartera Vi, y haciendo el cambio de variable Gi = SiFi, despus de un poco de lgebra
se llega a:
H(G i )

donde i

p
2
i i
T
1 Gi
z i

F C F . (7.12)
) {}
2

T
i

ij j

j ji

1Ti G i
.
Vi

Resulta interesante notar que la cota de la concentracin ahora incluye una correccin que tiene que
ver con la correlacin de impago con los crditos de otros segmentos (el segundo trmino en el lado

30

derecho de la desigualdad). Esto concuerda con la intuicin, dado que una correlacin alta de
impago con los crditos de otros segmentos, indica que se puede tolerar menos concentracin en el
grupo i.
Con un argumento anlogo al de la seccin 7.2, se pueden obtener lmites individuales i para los
crditos de cada segmento como:
2
H (Fi ) i p i
2

T
H (G i ) z i
1 Gi

F C F ..(7.13)
) {}

T
i

ij j

j ji

Al igual que con la expresin (7.7), el cociente de Rayleigh conduce a:

2

1 i pi
2
T

i
F
C
F

ij j .(7.14)
i
max z
Vi2 {j ji}

Ntese que la diferencia con la relacin (7.6), es que en (7.13) se hace un ajuste por la correlacin
que hay entre las probabilidades de impago de los crditos del segmento i con las de los crditos
de los dems segmentos, representado por el trmino,
F CF
(1 G ) {}
2

T
i

ij j

j ji

2
FiT CijFj
Vi2 {j ji}

Evidentemente, cuando este trmino es positivo, como suele ser el caso, el efecto es el de reducir las
cotas sobre los segmentos individuales. En resumen, se hace evidente como se obtienen lmites
individuales diferenciados por segmento, que dependen de tres factores, a saber:
1. La concentracin de riesgo al interior del segmento, representada por el
cociente H(Fi)/H(Gi), o en su caso por el valor caracterstico mayor de Mi.
2. La razn de suficiencia de capital idiosincrsica del segmento:

p i
i
z i

3. La correccin por correlacin con otros segmentos:

F CF
(1 G ) {}
2

T
i

j ji

ij j

2
FiT CijFj
Vi2 {j ji}

31

7.3.2. Suficiencia de Capital para una Cartera Segmentada.

Al integrar el anlisis de los segmentos individuales a toda la cartera, es importante tomar en cuenta
dos cosas. Primero, que los pesos relativos de cada segmento en la cartera no alteren los resultados
obtenidos para la cartera no segmentada. Segundo, que se mantenga una propiedad de aditividad,
que permita sumar los requerimientos de capital de los segmentos individuales, para obtener el
requerimiento para la cartera en su conjunto. Esto puede lograrse de la siguiente manera:
Sea

F T MF

.. (7.15)

F Ri F

i =1

y defnase:

i = Ti Fi + z F T R i F K i = i K para i = 1,2,,h ..(7.16)

Donde i 0 y

= 1 . Es fcil verificar que

= VaR = T F + z F T M F

Ahora, dividiendo (7.16) por Vi, un anlisis similar al de la seccin anterior conduce a:
i

i
2
= p i + z i H(G i ) +
T
Vi
1 Gi

F CF
) {}
2

T
i

ij j

.(7.17)

j ji

Resolviendo para H(Gi) se obtiene,

H(G i )

p
2
i i
T
1 Gi
z i

F CF
) {}
T
i

ij j

..(7.18)

j ji

y por el Teorema 6.1,

2
H(Fi ) i p i
2

T
H(G i ) z i
1 Gi

F C F
) {}

T
i

ij j

..(7.19)

j ji

En lo anterior, (7.17) establece la suficiencia de capital para los segmentos individuales, (7.18)
establece un lmite de concentracin para el segmento y (7.19) provee la relacin para los lmites

32

individuales. Usando el cociente de Rayleigh y los resultados del Teorema 6.1 pueden obtenerse las
expresiones para todo lo anterior pero en trminos de los valores caractersticos.
Ntese que (7.17) y las expresiones siguientes se obtienen de i/Vi, de manera que el peso de los
segmentos en la cartera no se toma en cuenta. Por lo tanto, una simple suma de trminos puede ser
engaosa en cuanto a suficiencia de capital para la cartera segmentada. Por tanto, sea, i =
Entonces, por construccin, si (7.17) se satisface para todos los segmentos, =

Vi
.
V

i =1

asegura la

suficiencia de capital para la cartera.

Una vez ms, el anlisis nos lleva a unas relaciones simples a partir de las cuales se puede
establecer la suficiencia de capital. Las expresiones obtenidas pueden usarse como instrumentos
normativos para determinar lmites individuales, cambios en la composicin de la cartera y/o los
ajustes al capital requeridos para mantener suficiencia si cambia el comportamiento de impago de
los crditos en alguno o todos los segmentos.

Ejemplo 7.2.
Para ilustrar estos resultados, se usar la cartera mostrada en el Cuadro 6.1 de los ejemplos
anteriores. Esta cartera se segment en tres grupos. El vector de crditos, las probabilidades de
impago y la matriz de varianza-covarianza se partieron de acuerdo a:

F T = (F1

F2

F3 ) , T = (1

3 )

M1

y M = C 2,1
C 3,1

C 1, 2
M2
C 3, 2

C 1, 3

C 2, 3 donde:
M 3

M1, es la matriz de varianza-covarianza idiosincrtica del primer grupo,

que en este ejemplo consiste de ocho crditos: A1, C2, C4, D1, D3, F1,
F4 y G2.26

M2, es la matriz de varianza-covarianza idiosincrtica del segundo

grupo. En este ejemplo est formado por los ocho crditos siguientes:
B1, C1, C3, E2, E3, F3, G1 y G5.

26

A1 es el primer crdito calificado con A, C2 es el segundo crdito calificado con C y as sucesivamente.

33

 M3, es la matriz de varianza-covarianza idiosincrtica del tercer grupo,

que en este ejemplo se conforma de los nueve crditos restantes: A2, B2,
C5, D2, E1, F2, G3, G4 y G6.

C12T = C21, es la matriz de covarianzas entre los crditos de los grupos

uno y dos. Anlogamente, C13T = C31 es la matriz de covarianzas entre
los crditos del primer y segundo grupos y C23T=C32 es la matriz de
covarianzas entre los crditos del segundo y tercer grupos.

Para aplicar los resultados, el primer paso es calcular el valor de cada segmento, su correspondiente
ndice de Herfindahl Hirschman, y su asignacin de capital. Estos nmeros se resumen en el
siguiente cuadro:

Cuadro 7.3.
Segmento i
1
2
3

Vi

H(Fi)

Ki

$ 44,024
$ 43,186
$ 42,954

0.2613
0.2008
0.1293

0.3382
0.3318
0.3300

$ 20,293
$ 19,907
$ 19,800

Ntese que para cada segmento, la forma de la matriz Ri es:

M 1
R1= C 21
C 31

C12
0
0

C13
0

0 , R2= C 21
0
0

C12
M2
C 32

0
0

C 23 y R3= 0
C 31
0

0
0
C 32

C13
C 23 .
M 3

De (7.15), el parmetro que permite la suma de los VaR ajustados es:

F T MF

FT R i F

= 0.4622

Al calcular i con (7.16), usando un nivel de confianza de 5% y suponiendo normalidad se obtienen

las siguientes relaciones para suficiencia de capital: 1 = $16,255 < K 1 = $20,293 , 2 = $19,368

< K 2 = $19,907 , 3 = $20,060 > K 3 = $19,800 . Ntese que el capital asignado al ltimo segmento

no cubre su riesgo. De hecho, es el segmento ms riesgoso de los tres. Esto significa que este ltimo
grupo tampoco satisface las dems condiciones.

34

Siguiendo con el ejemplo, la matriz de varianza-covarianza idiosincrtica Mi para cada grupo se

factoriza para obtener Si, y con ello se obtienen los vectores correspondientes redimensionados Gi.
En el siguiente cuadro se resumen los resultados:

Cuadro 7.4
F1

G1

F2

G2

F3

G3

A1

4,728

1,043

B1

5,528

1,603

A2

7,728

1,637

C2

3,204

1,362

C1

3,138

1,529

B2

5,848

1,895

C4

4,912

1,699

C3

4,831

1,853

C5

5,435

2,284

D1
D3

5,320
20,239

2,092
5,651

E2
E3

5,042
15,411

2,481
5,211

D2
E1

5,765
1,800

2,756
2,181

F1

1,933

1,608

F3

2,411

2,042

F2

2,317

2,634

F4

2,598

1,823

G1

358

1,630

G3

2,652

3,298

G2

1,090

1,571

G5

6,467

4,087

G4

4,929

4,086

16,849

Total=

Total=

44,024

43,186

20,436

G6
Total=

6,480
$

42,954

4,622
$

25,392

Es interesante notar que las carteras redimensionadas se reducen en valor, y no slo eso sino que los
valores son ms uniformes, como se aprecia en los ndices de Herfindahl. Adems, como i =
necesariamente se tiene i =

Vi
,
V

K i i K K 60,000
=
= =
= 0.4610 para todos los segmentos. El
Vi
Vi
V 130,164

siguiente cuadro muestra los ndices de concentracin, las probabilidades esperadas de impago y las

i obtenidas:

Cuadro 7.5
Segmento i
1
2
3

H(Gi)
0.1779
0.1561
0.1236

0.4610
0.4610
0.4610

pi
0.0774
0.1162
0.1339

0.3827
0.4732
0.5912

Con estos valores, pueden verificarse las relaciones (7.18) y (7.19) para todos los segmentos de la
cartera. Como era de esperarse, el tercer grupo incumple (7.18):
H(G 3 )

pi
= 0.1236 > i
z
i

T
1 Gi

F
) {}
2

T
i

C ij Fj = 0.1097

j j i

Ahora, de (7.19) se obtienen los lmites suficientes para los crditos de cada grupo (f1, f2, f3), que
implican suficiencia de capital:
1

0.2613
0.6933 = 1.0179 ; f1 1.0179 $44,024 = $44,812
0.1779

35

0.2008
0.2020 = 0.2598 ; f2 0.2598 $43,186 = $11,222
0.1561

0.1293
0.1097 = 0.1148 ; f3 0.1148 $42,954 = $4,930
0.1236

Evidentemente, dado que la cota para los crditos del primer grupo es 1 = 1.018 > 1 todos los
crditos del grupo estn dentro del lmite. En el segundo grupo, el crdito de $15,411 excede el
lmite. Finalmente, como era de esperarse el tercer grupo es el ms problemtico ya que slo los
cuatro crditos ms pequeos respetan el lmite.
Es interesante analizar los efectos de la correlacin y el procedimiento de redimensionamiento en
este ejemplo. Lo anterior establece que el primer grupo puede tener crditos de cualquier tamao,
pero por otro lado, el segmento ms riesgoso debe incluir slo crditos muy pequeos, lo cual
aunque es lgico, claramente no se cumple.
Ahora, con respecto a la suficiencia de capital, se examina (7.17) y al comparar con

i
, se
Vi

obtiene:

= 0.4610

V
i =1

VaR 55,684
=
= 0.4278 ,
V
130,164

Ntese que el resultado es el mismo que el del ejemplo 7.1, con lo cual se verifica que la cartera
cuenta con suficiencia de capital, a pesar de que el tercer segmento en lo individual, viola todos los
requisitos. Es interesante notar el poder analtico de la herramienta aqu desarrollada, dado que si se
restringe el ejercicio al uso del modelo general como en el ejemplo 7.1, sin analizar los segmentos
individuales, el tercer segmento que es claramente un grupo riesgoso de crditos, hubiera pasado
desapercibido. Finalmente, es adems evidente, que los resultados dependen del criterio de
segmentacin usado, dado que se pueden clasificar los crditos de manera que todos los segmentos
cumplan con las relaciones que sean relevantes, en cuyo caso los grupos riesgosos no se detectaran.
Sin embargo, el ejemplo indica claramente como obtener una idea de la concentracin ex ante, en el
peor de los casos por prueba y error. Un poco ms de investigacin seguramente conducir a una
bsqueda ms sistemtica.

36

7.4 La Inclusin de Tasas de Recuperacin.

Es sencillo ampliar todas las relaciones obtenidas hasta ahora, para tomar en cuenta de forma
explcita las tasas de recuperacin de los crditos. Hacerlo, conduce a lmites menos estrictos en
trminos de la concentracin tolerable en los distintos segmentos. Bsicamente, existen dos maneras
de incluir a las tasas de recuperacin en el anlisis. La primera es definir F directamente como el
vector de prdidas dado incumplimiento (PDI) en lugar del saldo pendiente, donde se supone
que nada se recupera si los deudores no pagan. Esto estara ms de acuerdo con la prctica actual27.
Entonces, si se tiene una estimacin del vector PDI, puede usarse directamente en las relaciones
antes obtenidas sin cambio alguno, pero deben interpretarse correctamente.
Explcitamente, incluir las tasas de recuperacin implica hacer una transformacin inicial del vector
original de crditos. Sea la matriz diagonal, cuyos elementos distintos de cero son las tasas de
prdida dado incumplimiento. El vector de prdidas dado incumplimiento para la cartera es
entonces: P = F y sea V = 1TP. Para incluir una correlacin, se calcula la transformacin G = SP.
As, el vector original se modifica de hecho dos veces i.e. G = SF. Con un poco de lgebra se
llega a las relaciones de suficiencia de capital, concentracin y lmites individuales, las cuales
muestran como los cambios en la matriz de prdida dado incumplimiento , afectan los
parmetros.
Aunque la transformacin sugerida conduce a un modelo completamente general, es difcil
visualizar el impacto de cambiar las tasas de recuperacin en el riesgo de crdito, la concentracin y
la suficiencia de capital. Adems, debe tomarse en cuenta que las tasas de recuperacin son por s
mismas variables aleatorias, de manera que esta matriz puede variar de acuerdo a las condiciones
econmicas y de mercado. Por ello, se deseara poder explorar fcilmente la sensibilidad de las
relaciones de suficiencia de capital, concentracin y lmites individuales a cambios en las tasas de
recuperacin. Entonces, considrese la alternativa de suponer, por ejemplo28, que la cartera est
segmentada de manera que las tasas de recuperacin sean las mismas para todos los crditos del
grupo. Bajo la estructura de la seccin anterior, sea ri la tasa de recuperacin de los crditos que
caigan en impago en el segmento i, de manera que la prdida dado incumplimiento es
simplemente Pi = (1 ri )Fi . Procediendo de la manera usual:

27
Vase el documento de Credit Risk Modeling del Comit de Basilea de Supervisin Bancaria. Abril
1999.
28
Esto es lo que hace CreditRisk+.

37

 (1 r ) H(G ) + (1 G )
i

2
i

(1 ri ) (1 r j ) FiT C ij Fj V
{j j i}

(1 ri ) iT Fi
i

(7.4.1)

Esta expresin muestra claramente que cualquier cambio en las tasas de recuperacin tiene un
impacto doble. Por un lado, un aumento (disminucin) en la tasa de recuperacin de cualquier
segmento en particular, reduce (incrementa) la importancia de la contribucin de la concentracin
de estos segmentos (parte izquierda de la desigualdad). Adicionalmente, su contribucin a la
prdida esperada tambin disminuye (aumenta) el numerador del lado derecho, incrementando
(disminuyendo) la cota establecida para la concentracin. Adems, no es difcil probar que el
denominador del lado derecho de la desigualdad, se comporta de la manera esperada: disminuyendo
al aumentar la tasa de recuperacin y viceversa.
Finalmente, es necesario sealar que no se requiere hacer la segmentacin por prdidas iguales dado
incumplimiento. Aunque esto fue conveniente para hacer evidente el impacto de las tasas de
recuperacin sobre la concentracin, los lmites y los requisitos de capital, se puede adecuar el
modelo haciendo la transformacin del vector de saldos, y conservar la flexibilidad del modelo para
segmentar la cartera de cualquier manera que se estime conveniente y realizar el anlisis
correspondiente para detectar segmentos riesgosos.
8. El Supuesto de Normalidad y una Visin Sistmica.
Hasta el momento, en todos los ejemplos se ha considerado que la distribucin de prdidas se
aproxima con una distribucin Normal. En esta seccin se discutir la posibilidad de aproximar
dicha distribucin con otras que quedan totalmente caracterizadas por la media y la varianza, en
particular, la distribucin Gama. La distribucin Gama es conveniente porque, adems de que queda
totalmente especificada por su media y su varianza, puede captar la asimetra que tpicamente
presentan las distribuciones de prdidas atribuibles a carteras de crditos. Una forma de representar
la funcin de densidad Gama es la siguiente29:

f (x , ) =

x 1
e

( )

29

Hay muchas formas de representar la distribucin Gama. La parametrizacin presentada es muy usual y es
la que se utiliza en el desarrollo de CreditRisk+, segn se aprecia en el manual.

38

La media y la varianza de la distribucin Gama son, E (x ) =

y VAR(x ) = 2 ,

respectivamente.
Se ha realizado una serie de ejercicios comparativos, entre el modelo desarrollado y CreditRisk+.
Sin pretender que la investigacin es exhaustiva ni rigurosamente cientfica, los resultados
obtenidos hasta el momento son alentadores. En el ejemplo siguiente se presentan las distribuciones
de prdidas obtenidas mediante CreditRisk+ y CyRCE para dos carteras elegidas de manera
aleatoria.
Ejemplo 8.1.
El primer ejercicio muestra la distribucin de prdidas para una cartera aleatoria de 3000 crditos
tomados del SENICREB30. Como puede apreciarse en este ejemplo, si bien con la aproximacin
normal, el VaR difiere hasta en un 37.7% con respecto a la cifra que produce CreditRisk+, en el
caso de la aproximacin a travs de la distribucin Gama, la diferencia es solamente del 0.45%. A
nuestro juicio, esta diferencia no es significativa ni justifica el esfuerzo computacional adicional
requerido para aplicar CreditRisk+.
GRFICA 8.1
Distribuciones de Probabilidad de Prdidas Obtenidas Mediante CreditRisk+
y CyRCE, haciendo el Ajuste Mediante la Gama y la Normal para una
Muestra Aleatoria de 3000 Crditos

0.0016

probabilidad de impago

0.0014
0.0012
0.001
0.0008
CR+

0.0006

Normal

Gama

0.0004
0.0002

3,960

3,780

3,600

3,420

3,240

3,060

2,880

2,700

2,520

2,340

2,160

1,980

1,800

1,620

1,440

1,260

900

1,080

720

540

360

180

unidade s de p rdida (250 mil)

30

SENICREB (Servicio Nacional de Informacin de Crditos Bancarios), es una base de datos administrada
por el Banco de Mxico que contiene todos los crditos del sistema bancario.

39

Cuadro 8.1: Estadsticas de las Distribuciones de Prdidas Obtenidas.

VaR en unidades de prdida
CR+
Normal
Gama
Estadsticas en unidades
CR+
Normal
Gama

E(x)
673
674
674

0.95
1,878
1,590
1,770

0.975
2,212
1,765
2,120

VAR(x)
312,277
310,116
310,116

0.99
2,623
1,969
2,577

Desv. Estndar(x)
559
557
557

0.995
2,932
2,108
2,919
alfa
1.46

beta
460.27

El segundo ejemplo repite el ejercicio para una cartera de 1320 crditos tomados de manera
aleatoria del SENICREB. Ntese que la distribucin de prdidas obtenida mediante la aplicacin de
CreditRisk+ es bi-modal. Esto se debe a que la cartera contena un crdito muy grande, en relacin
con los dems de la muestra, y al requerimiento de CreditRisk+ de agrupar los crditos en
cubetas de unidades de prdida homogneas, que genera una discontinuidad en las prdidas
posibles, al quedar varias cubetas vacas. Como se aprecia en la Grfica 8.2 y en el cuadro adjunto,
haciendo un ajuste con la distribucin Gama para CyRCE, la mayor discrepancia se presenta en el
VaR al 99% de confianza, con respecto al que se obtiene utilizando CreditRisk+ y es de 12.34%.
De los ejercicios realizados a la fecha, este es uno de los peores resultados.
GRFICA 8.2
Distribuciones de Probabilidad de Prdidas Obtenidas Mediante CreditRisk+
y CyRCE, Haciendo el Ajuste Mediante la Gama y la Normal para una
Muestra Aleatoria de 1320 Crditos

0.0016

Distribucin VaR95 VaR97.5 VaR99 VaR99.5

CreditRisk+
Gama
Normal

0.0014

1606
1467
1405

1790
1618
1509

2030
1807
1630

Gama

Normal

2190
1942
1712

0.0012
0.001
0.0008
CR+

0.0006
0.0004
0.0002
0
0

250

500

750

1000

1250

1500

1750

2000

2250

2500

2750

3000

40

Finalmente se seala que no siempre es el caso que el VaR obtenido por CyRCE, subestima el que
se consigue mediante CreditRisk+. Se han realizado ejercicios donde sucede lo contrario, y
normalmente en esos casos, las diferencias en trminos porcentuales son an ms pequeas que en
el primer ejemplo mostrado.
Dada la eficiencia de clculo que se logra utilizando CyRCE, es posible analizar todo el sistema
bancario y obtener algunas estadsticas interesantes. Esto se ilustra en el ejemplo siguiente.
Ejemplo 8.2.
En este ejemplo se presenta el anlisis de riesgo de crdito para los 20 bancos que ms contribuyen
al riesgo del sistema financiero mexicano. En este ejercicio se utilizaron los datos del SENICREB.
Los nombres de los bancos se omiten por razones de confidencialidad. En la Grfica 8.3, se muestra
un histograma que representa la concentracin del crdito en los bancos, medida con el ndice de
Herfindahl. De este ejercicio se obtiene que la concentracin del crdito en los bancos mexicanos es
de 0.0163 en promedio.
Grfica 8.3
Concentracin de la Cartera de la Banca Mexicana Medida con el ndice de
Herfindahl-Hirschman

Histograma del ndice de Herfindahl

5

Frecuencia

4
3
2

mayor

0.03

0.0275

0.025

0.0225

0.02

0.0175

0.015

0.0125

0.01

0.0075

0.005

0.0025

ndice de Herfindahl

En la Grfica 8.4, se aprecia como est distribuida la probabilidad de incumplimiento de los bancos
del sistema, mientras que en la Grfica 8.5, se observa el cumplimiento de suficiencia de capital.
As, para el ejercicio presentado, la probabilidad de impago promedio en el sistema es de 0.0813.

41

Ntese que si se toma el capital contable como capital econmico, solamente hay dos bancos que
estn en una regin sensible de incumplimiento, ya que la relacin de VaR sobre Capital contable
para esos bancos es superior a 75%. En promedio, VaR/CC = 38% para el sistema.
Grfica 8.4
Histograma de la Distribucin de la Probabilidad de Incumplimiento de la
Banca Mexicana

Histograma de la probabilidad de impago

10
9

Frecuencia

8
7
6
5
4
3
2
1
0
0.025

0.05

0.075

0.1

0.125

0.15

0.175

0.2

0.225

mayor

Probabilidad

Grfica 8.5
Histograma del Cumplimiento del Requerimiento de Capital segn CyRCE
para la Banca Mexicana

Histograma de VaR/Capital Contable

6

4
3
2

mayor

75%

70%

65%

60%

55%

50%

45%

40%

35%

30%

25%

20%

15%

10%

1
5%

Frecuencia

VaR/Capital Contable

42

Finalmente, en la Grfica 8.6, se presenta la forma en que est concentrado el riesgo crediticio del
sistema bancario mexicano. En ella se aprecia que ms de 96% del VaR del sistema est
concentrado en seis bancos.
Grfica 8.6
Concentracin de Riesgo en el Sistema Bancario Mexicano

Curva
Lorenz
Curva
de de
Concentracin
100%
90%
80%
70%
60%
50%
40%
30%
20%

B20

B19

B18

B17

B16

B15

B14

B13

B12

B11

B10

B9

B8

B7

B6

B5

B4

B3

B2

0%

B1

10%

Los ejercicios anteriores son solamente una muestra del tipo de anlisis que permite la metodologa.
9. Conclusiones
Los resultados obtenidos hasta ahora son muy convenientes para administrar el riesgo de crdito, ya
que proporcionan frmulas explcitas para medir el riesgo y permiten una cuantificacin precisa de
las acciones normativas que deben tomarse para mantener la suficiencia de capital. Adems, el
modelo proporciona medios simples para determinar los efectos de la correlacin y la concentracin
en el riesgo de la cartera de crditos. Dado que los lmites individuales y el ndice de HerfindahlHirschman estn relacionados con la concentracin, y las medidas estn sujetas a la misma cota,
cualquier indicador puede usarse como instrumento normativo. Adems, no hay razn para no usar
ambas medidas de manera conjunta. Por ejemplo, si un ejecutivo de cuenta decide otorgar un
crdito haciendo caso omiso del lmite individual establecido por norma, la gravedad de la
infraccin puede evaluarse mediante el ndice de Herfindahl. Puede ser que la infraccin a los
lmites no sea seria en trminos de incremento del riesgo. Finalmente, si las tasas de recuperacin y

43

de impago cambian, o la concentracin en una dimensin en particular parece excesiva, las

relaciones pueden usarse para determinar los ajustes a la razn de capitalizacin y/o a la
composicin de la concentracin de la cartera para reestablecer la suficiencia de capital.
Obviamente, el grado en el que los bancos tengan control sobre las tasas de recuperacin e impago,
haciendo eficiente su gestin en materia de cobranza y recuperacin y haciendo uso de derivados de
crdito, puede ser parte de la mezcla de instrumentos de administracin que pueden usarse para
mantener la suficiencia de capital.
Claramente, se recomienda usar el ndice de concentracin y los lmites de manera conjunta, ya que
ambos tienen sus mritos y sus problemas. Mientras que el lmite individual es fcil de instrumentar
y supervisar, puede conducir a restringir demasiado las distribuciones de los crditos. Por otro lado,
aunque el ndice de Herfindahl permite ms flexibilidad en la configuracin de la cartera de crdito,
es mucho ms difcil de instrumentar, y las logsticas pueden resultar difciles de manejar. Para
ilustrar este punto, considrese el caso simple de concentracin en slo una dimensin de crditos
no correlacionados con probabilidades iguales de impago. Supngase que la administracin est
considerando otorgar un nuevo crdito. An para este caso simple de una dimensin, se debe
comprobar que no se viole la condicin de la suficiencia de capital. Mientras que en la regla
individual para el crdito slo es necesario verificar que el tamao del crdito no exceda el lmite
establecido, an suponiendo independencia, el uso del ndice de Herfindahl implicara verificar que
se mantenga la desigualdad

1
F . Si slo un crdito f est incluido, la condicin que debe
V

satisfacerse para no violar la desigualdad es:

F + f 2 (V + f )
2

Esto significa que debe resolverse una ecuacin de segundo grado para llegar a:
2

F
f 2 + V (1 ) 2
V

Aunque manejable, esto es claramente mucho ms complicado que la regla tradicional. Ahora
imagnese la situacin de un comit tradicional de crdito, donde se est considerando la aprobacin
simultnea de muchos crditos, y stos pueden estar correlacionados en distintos segmentos: la
logstica puede probar ser un reto formidable.

44

Esto se debe a los resultados obtenidos donde se esclarece que la concentracin en nmeros no
necesariamente es un indicador de riesgo, pero s se debe ver cmo qu est concentrado el riesgo
mediante la transformacin G = SF.
Finalmente, es evidente que las distribuciones de la probabilidad de impago as como las tasas de
recuperacin, muestran comportamientos aleatorios en el tiempo, dependiendo de varios factores
econmicos y financieros. Contrario al riesgo de mercado, donde los factores de riesgo pueden
modelarse usando procesos continuos, porque los incumplimientos de los crditos son eventos
discretos en el tiempo, el comportamiento de impago en un grupo en particular puede cambiar
tambin en saltos discretos pronunciados. En particular el punto de vista del autor es que
precisamente por eso es difcil establecer una concentracin ex-ante, a saber: bajo diferentes
condiciones econmicas y crediticias, las probabilidades de impago y las correlaciones pueden
incrementarse en un cierto grupo de deudores, que por otro lado parecen no estar relacionados. Por
ejemplo, un grupo de crditos hipotecarios a empleados de una gran compaa que cae en
bancarrota. El modelo facilita la deteccin de este tipo de concentraciones dado que puede manejar
segmentaciones arbitrarias de la cartera, y es relativamente simple examinar segmentos particulares
de la cartera bajo condiciones extremas de probabilidad de incumplimiento y correlacin y analizar
sus consecuencias.
El comportamiento aleatorio de las probabilidades de impago introduce otros tipos de dificultades
tcnicas. Obviamente no existe razn para que las probabilidades de impago no dependan de
factores de riesgo y de elementos crediticios, a travs de modelos logit como en Credit Portfolio
View, o como combinaciones lineales de estos factores como proponen Krenin y Rosen. Los
resultados obtenidos pueden ser incluidos en modelos de simulacin que generan escenarios de
trayectorias para estas variables en el tiempo, y que muestran las tpicas discontinuidades de los
eventos relacionados de impago. Con los escenarios generados, se puede obtener la distribucin de
la razn adecuada de capitalizacin que debe mantenerse para conservar a la concentracin bajo
control, y/o la distribucin de la cota que establece un lmite a la concentracin que tenga una
probabilidad alta de satisfacerse. De hecho, este tipo de experimento puede ser precisamente lo que
se necesita para establecer las normas apropiadas al cociente de capitalizacin y el nivel adecuado
de la concentracin. Ntese que dado que el proceso de simulacin es en este caso para slo algunas
variables, puede hacerse de forma eficiente. Adems, es posible que bajo supuestos semejantes a los
que hace CreditRisk+ sobre la distribucin de los factores de riesgo, se pueda obtener una solucin
cerrada para la distribucin del VaR, manteniendo la elegancia del modelo.

45

Cualquiera que sea la dinmica de las variables, siempre es posible hacer los ajustes necesarios en el
tiempo, rastreando slo algunas variables. Todas estas consideraciones puntualizan nuevas
direcciones para las investigaciones futuras, que pueden enriquecer considerablemente los
resultados hasta ahora obtenidos.

46

Apndice A
Teorema 6.1.
Si se requiere que F V1, entonces H(F) y la mxima concentracin bajo la medida de
Herfindahl-Hirschman ocurre si y slo si F es alguna permutacin de la distribucin siguiente:

V ; k = 0,1,2,3,....,n
*
k

f =
0 ; k = n+1, n+2,....,N
donde n V = V n = 1 o n = 1/
Prueba:
Slo se probar la cuestin de la optimizacin, dado que la primera parte se prob en el texto. Para
probar necesidad, ntese que la mxima concentracin bajo el lmite individual en el sentido de la
definicin 1, se puede obtener resolviendo el problema siguiente de optimizacin:

max F T F
s.a. : 1T F = V
F V1
F0
Haciendo F=aV, donde a es tal que 1Ta = 1, entonces el problema anterior es equivalente al
siguiente:

max a T a

s.a : 1T a = 1

1 a 0

a 0
(P.1).......
Para examinar las condiciones de Karush-Kuhn-Tucker (KKT), defnase la funcin de Lagrange:

L(a, , u, v ) = a T a + 1 1 T a + v T ( 1 a ) + u T a .
De la cual, las condiciones de optimalidad de primer orden conllevan a:

a L = 2a 1 v + u = 0 a* =

1
(1 + v u )....(6.1)
2
47

Ntese que para cualquier vector x tal que xTx = , entonces para cualquier vector y que sea
simplemente una permutacin de los elementos de x, tambin se cumple que yTy=. Entonces, si
n=1, sin perdida de generalidad se mostrar que cualquier permutacin de:

ai =
0

si i = 1,..., n
si i = n + 1,...., N

es una solucin ptima al problema P.1.

Claramente la solucin es viable ya que todos los componentes son no negativos y suman uno.
Adems, ninguno de los elementos es mayor a . Por lo tanto, slo es necesario encontrar los
valores de los multiplicadores , u y v consistentes con la solucin propuesta y que satisfagan las
condiciones complementarias; esto es:

ui ai = 0

i
vi ( ai )= 0

Sea, ui = ai

and vi = ai , y la complementariedad se verifica fcilmente.

Para probar suficiencia, se introducen variables de holgura h, y el problema se reescribe de la

manera siguiente:

s. a. 1 a = 1

.....(P'.1.)
Ia + Ih = 1

a 0, h 0

max a T a
T

Como se trata de maximizar una funcin convexa en un poliedro definido por un conjunto de
restricciones lineales, la solucin ptima del problema se encuentra en un punto extremo del
poliedro convexo31. Los puntos extremos del poliedro estn asociados a las bases de la matriz de
restricciones. En lo que sigue, se muestra que estas bases y sus inversas pueden caracterizarse de
manera que todos los puntos extremos ptimos del poliedro pueden ser identificados y son de

31

Vase por ejemplo Mrquez (1987) o Nash y Sofer (1996)

48

hecho, permutaciones de la solucin propuesta. Reescribiendo las restricciones de manera matricial,

se obtiene:

a
A = b
h
a 0; h 0
Donde:

1Tn  0 Tn

A =    ;
I N  I N

a1
a = 
a N

h1
h = 
hN

1

b=


Es fcil verificar que cada solucin bsica est asociada a una base compuesta de N+1 columnas de
A linealmente independientes, y tienen necesariamente la forma:

1 Tn
o 0 TN n o 0

m m m m m

B=
o

o e1
IN

1n es un vector suma de n componentes, 0N-n es una matriz de (N-n N-n) de ceros, ei es un vector
unidad donde el isimo elemento es uno y los dems elementos son zero. Ntese que no se pierde
generalidad suponiendo que es siempre e1. Tambin puede verificarse que la inversa del anterior
tiene la forma:

= 0 N n


1

1 Tn 1

I n 1

 0 N n 






 0 N nn 1 

1

T
n 1

0 TN n


0 n 1 N n


I N n


0 TN n

49

Multiplicando la inversa por el vector de trminos independientes se obtiene:

1
B b = 0 N n


1

1 Tn 1

I n 1



0
 

 0 N n










 0 N nn 1



1Tn 1


1

 0 TN n 1



 0 n 1 N n


 = 
 I N n 



 0 TN n 0
1N
, para cualquier base B
0

Moviendo filas y columnas como convenga, se observa que B 1b =

de A. Como habra de probarse, esto significa que todos los puntos extremos del poliedro son
alguna permutacin de:

a in =
0

i = 1,..., n
i = n + 1,...., N

si
si

Teorema 6.2.
Si H(F) entonces:

fi

1
1+
N

(N 1)(N 1))V

<

V para i = 1,2,3,....,N

Prueba:
La idea detrs de la demostracin es que slo se puede tener un crdito muy grande respetando la
restriccin. Como en la prueba del teorema anterior, redefiniendo F en trminos de las proporciones
del valor total de la cartera a significa que el crdito mximo bajo las restricciones como una
proporcin del valor de la cartera, se obtiene resolviendo el siguiente problema de optimizacin:

max e Ti a
s. a. a T a =
1T a = 1
a0

50

Una vez ms, las condiciones necesarias de primer orden se examinan con el Lagrangeano:

) (

L(a , , ,u ) = eTi a a T a 1T a 1 u T a

Tomando derivadas parciales con respecto a a, se puede ver que la solucin al problema debe
tener la siguiente forma:
a L = e i 1 u 2a = 0

a* =

ei * 1 u
. . . . . . ...................... . . . . . . (6.1)
2 *

Sucesivamente, tomando el producto interior de a* con 1, ei, ek despus de un poco de lgebra se

llega a:
1 * N 1T u *
=1
2 *
2* = 1 * N 1T u * . . ... . (6.2)

1T a* =

(Dado que 1T1 = N)

a i * * (u *) a *
=
2 *
a i * = * +2 * .. . . . . . . . . . . . .... . .(6.3)
T

(a *)T a* =

(Dado que por complementariedad (u*)Ta* = 0; y 1Ta* = 1).

e Ti a* =

1 * u i *
= a i * .. .. .. . . . .. . .. (6.4)
2 *

e Tk a* =

* u i *
= a k ....................... (6.5)
2 *

Finalmente, una inspeccin a (6.1), (6.2), (6.3), (6.4) y (6.5) indica que todas las soluciones al
problema tienen la forma:
> 0

a i = ; > 0
0

si k = i
si k = 1,..., n k i .....(6.6)
en otro caso

51

Para verificar que la solucin propuesta satisfaga las condiciones KKT, primero ntese que por
complementariedad ak > 0 requiere uk=0 o k = 1, 2, 3,...,n y por tanto ui=0.
Substituyendo = ai en (6.3) y (6.4) y resolviendo para * se obtiene:
* =

1 *
. . . . . . . . . (6.7)
2

* =

*
.. . . . . . . (6.8)
2

Igualando (6.6) y (6.7) y resolviendo para :

2
.........(6.9)

Del mismo modo, la solucin propuesta junto con los resultados de complementariedad en uk>0
(k=n+1,...,N), y uk>0 ak=0. As, de (6.5) se obtiene:

u k = .......(6.10)
Dado que 1Tu=(N-n), la siguiente ecuacin junto con (6.2) conduce a:

2 = 1 n ................... (6.11)
Ahora, sustituyendo en (6.6):

1
(1 )

1
2 =
................... (6.12)

2 =

Igualando (6.8) y (6.9) y sustituyendo :

2
1
n 2 2 (n 1) + 1 = 0 .......(6.13)
= 1 n


Resolviendo la ecuacin cuadrtica:

52

1
1+
n

(n 1)(n 1)]

Donde la nica raz relevante es la positiva. Dado que =

1
1

1+
n 1 n(n 1)

.....(6.14)

1
, entonces:
n 1

(n 1)(n 1)]

......(6.15)

Es importante notar que estos valores son significativos slo cuando 1/n. Tambin es interesante
notar qu ocurre bajo los valores extremos de : Si =1 entonces =1, =0 y si =1/n, entonces
=1/n= .
Ahora debe mostrarse que los valores de y estn asociados a los multiplicadores de Lagrange

*, * y u* que satisfacen las condiciones KKT. De (6.4) y (6.5), y debido a la complementariedad,

se observa que:

ai * =

*
1 *
, y aj =
(1 i n, i j),
2 *
2 *

De manera similar:
uk* = -* (k=n+1, ....,N).
De (6.9) es claro que las condiciones KKT se satisfacen si y solo si:
*<0, *0 y 2* -*
Por tanto, se debe mostrar que *<0, por (6.9) es lo mismo que probar que:

2 <
Obviamente, 2 < y para probar que < ntese que:

1
1+
n

(n 1)(n 1)) >

(n 1)(n 1) > n 1

n 1 > n 1

que es siempre cierto cuando < 1.

53

Para concluir la prueba, dado que el problema es no convexo, el mximo est en uno de los
extremos, entonces debe determinarse el valor de n donde se obtiene el mximo. Esto es simple
ya que es fcil ver que es una funcin montona creciente de n, si < 1, porque en este caso

d
> 0 , as que:
dn

* (N ) =

1
1+
N

(N 1)(N 1))

Finalmente ntese que:

* (N ) < = lim a * (N )
N

lo cual concluye la prueba.

54

APNDICE B
EJEMPLO 7.1
Segmentacin de la matriz de covarianzas M:

Cuadro B.2:M1

1
2
3
4
5
6
7
8

1
0.0162
0.0050
0.0050
0.0060
0.0060
0.0082
0.0082
0.0105

2
0.0050
0.0475
0.0086
0.0103
0.0103
0.0140
0.0140
0.0180

3
0.0050
0.0086
0.0475
0.0103
0.0103
0.0140
0.0140
0.0180

4
0.0060
0.0103
0.0103
0.0694
0.0125
0.0169
0.0169
0.0217

5
0.0060
0.0103
0.0103
0.0125
0.0694
0.0169
0.0169
0.0217

6
0.0082
0.0140
0.0140
0.0169
0.0169
0.1275
0.0230
0.0295

7
0.0082
0.0140
0.0140
0.0169
0.0169
0.0230
0.1275
0.0295

8
0.0105
0.0180
0.0180
0.0217
0.0217
0.0295
0.0295
0.2100

6
0.0177
0.0226
0.0226
0.0311
0.0311
0.0370
0.0475
0.0475

7
0.0177
0.0226
0.0226
0.0311
0.0311
0.0370
0.0475
0.0475

8
0.0227
0.0290
0.0290
0.0399
0.0399
0.0475
0.0609
0.0609

7
0.0109
0.0146
0.0187
0.0226
0.0257
0.0306
0.0393
0.0393
0.0393

8
0.0140
0.0188
0.0240
0.0290
0.0330
0.0393
0.0504
0.0504
0.0504

Cuadro B.3: C 12 = C 21

9
10
11
12
13
14
15
16

1
0.0063
0.0081
0.0081
0.0111
0.0111
0.0132
0.0169
0.0169

2
0.0108
0.0138
0.0138
0.0190
0.0190
0.0226
0.0290
0.0290

3
0.0108
0.0138
0.0138
0.0190
0.0190
0.0226
0.0290
0.0290

4
0.0130
0.0166
0.0166
0.0229
0.0229
0.0273
0.0350
0.0350

5
0.0130
0.0166
0.0166
0.0229
0.0229
0.0273
0.0350
0.0350

Cuadro B.4: C 13 = C 31

17
18
19
20
21
22
23
24
25

1
0.0039
0.0052
0.0067
0.0081
0.0092
0.0109
0.0140
0.0140
0.0140

2
0.0067
0.0089
0.0114
0.0138
0.0157
0.0187
0.0240
0.0240
0.0240

3
0.0067
0.0089
0.0114
0.0138
0.0157
0.0187
0.0240
0.0240
0.0240

4
0.0081
0.0108
0.0138
0.0167
0.0190
0.0226
0.0290
0.0290
0.0290

5
0.0081
0.0108
0.0138
0.0167
0.0190
0.0226
0.0290
0.0290
0.0290

6
0.0109
0.0146
0.0187
0.0226
0.0257
0.0306
0.0393
0.0393
0.0393

55

Cuadro B.5: M2

9
10
11
12
13
14
15
16

9
0.0291
0.0086
0.0086
0.0118
0.0118
0.0140
0.0180
0.0180

10
0.0086
0.0475
0.0109
0.0150
0.0150
0.0179
0.0230
0.0230

11
0.0086
0.0109
0.0475
0.0150
0.0150
0.0179
0.0230
0.0230

12
0.0118
0.0150
0.0150
0.0900
0.0207
0.0246
0.0316
0.0316

13
0.0118
0.0150
0.0150
0.0207
0.0900
0.0246
0.0316
0.0316

14
0.0140
0.0179
0.0179
0.0246
0.0246
0.1275
0.0376
0.0376

15
0.0180
0.0230
0.0230
0.0316
0.0316
0.0376
0.2100
0.0483

16
0.0180
0.0230
0.0230
0.0316
0.0316
0.0376
0.0483
0.2100

Cuadro B.6: C 32 = C 23

9
10
11
12
13
14
15
16

17
0.0070
0.0089
0.0089
0.0122
0.0122
0.0146
0.0187
0.0187

18
0.0093
0.0119
0.0119
0.0164
0.0164
0.0195
0.0250
0.0250

19
0.0119
0.0152
0.0152
0.0209
0.0209
0.0249
0.0320
0.0320

20
0.0144
0.0184
0.0184
0.0253
0.0253
0.0301
0.0386
0.0386

21
0.0164
0.0209
0.0209
0.0288
0.0288
0.0343
0.0440
0.0440

22
0.0195
0.0249
0.0249
0.0343
0.0343
0.0408
0.0524
0.0524

23
0.0250
0.0320
0.0320
0.0440
0.0440
0.0524
0.0672
0.0672

24
0.0250
0.0320
0.0320
0.0440
0.0440
0.0524
0.0672
0.0672

25
0.0250
0.0320
0.0320
0.0440
0.0440
0.0524
0.0672
0.0672

22
0.0196
0.0262
0.0335
0.0404
0.0461
0.1275
0.0704
0.0704
0.0704

23
0.0251
0.0336
0.0429
0.0519
0.0591
0.0704
0.2100
0.0903
0.0903

24
0.0251
0.0336
0.0429
0.0519
0.0591
0.0704
0.0903
0.2100
0.0903

25
0.0251
0.0336
0.0429
0.0519
0.0591
0.0704
0.0903
0.0903
0.2100

Cuadro B.7: M3

17
18
19
20
21
22
23
24
25

17
0.0162
0.0093
0.0119
0.0144
0.0164
0.0196
0.0251
0.0251
0.0251

18
0.0093
0.0291
0.0160
0.0193
0.0220
0.0262
0.0336
0.0336
0.0336

19
0.0119
0.0160
0.0475
0.0247
0.0281
0.0335
0.0429
0.0429
0.0429

20
0.0144
0.0193
0.0247
0.0694
0.0340
0.0404
0.0519
0.0519
0.0519

21
0.0164
0.0220
0.0281
0.0340
0.0900
0.0461
0.0591
0.0591
0.0591

56

REFERENCIAS.
Adelman, M. A. 1969. Comment on the H Concentration Measure as a Numbers-Equivalent.

Review of Economics and Statistics, Febrero, pp. 99-101.

Altman Edward I., y Anthony Saunders 1998. Credit risk measurement: Development over the last

20 years. Journal of Banking & Finance 21 (1998) 1721-1742.

Crouhy, Michel, Dan Galai y Robert Mark: A comparative analysis of current credit risk models.
Journal of Banking and Finance 24 (2000) pp. 59-117.
Basle Committee on Banking Supervision, 1999. Credit Risk Modeling: Current Practices and

Applications.
Bennet, P. 1984. Applying Portfolio Theory to Global Bank Lending. Journal of Banking and
Finance.
Caouette, John B., Edward I. Altman y Paul Narayanan 1998. Managing Credit Risk: The next great

challenge. Ed. John Wiley & Sons, Inc.

Coopers and Lybrand. 1993. Growth and Diversification: Are the Benefits Always There? In

Mortgage Banking, editado por J. Lederman. Chicago: Probus Publishing Company.

Cowell, Frank A., Measuring Inequality 2nd edition. LSE Handbooks in Economics, Prentice
Hall/Harvester Wheatsheaf, 1995.

Credit Risk + : Credit Suisse Financial Products, New York, N.Y. 1996.
CreditMetricsTM: Technical document, Abril 2, 1997.
De Groot, Morris H., Probabilidad y Estadstica, Addison-Wesley Iberoamericana, Wilmington
Delaware. 1988.
Encaoua, David y Jacquemin, Alexis. 1980. Degree of monopoly, indices of concentration and

threat of entry. International Economic Review 21.

Finger, Christopher C.: Sticks and Stones, The RiskMetrics Group. 1998

57

Gordy, Michael B. A comparative Anatomy of Credit Risk Models. Journal of Banking and Finance,
vol 24, 2000, pp. 119-149.
Kealhofer, S. Portfolio Management of Default Risk. KMV Corporation, 1998.(Revised.)
Kealhofer, S. Modeling Default Risk. KMV Corporation, 1999 (Revised.)
Kelly Jr. W.A. 1981. A Generalized Interpretation of the Herfindahl Index. Southern Economic

Journal, 48(1) pp. 50-57.

Lambert, Peter J. 1993. The Distribution and Redistribution of Income, Ed. Manchester University
Press.
Mrquez Diez-Canedo, Javier 1987. Fundamentos de Teora de Optimizacin, Editorial Limusa
S.A. de C.V.
Markowitz, H. 1959. Portfolio Selection: Efficient Diversification of Investments. New York: John
Wiley & Sons.
Mason, S. P. 1995. The allocation of Risk. In The Global Financial System. Boston: Harvard
Business School Press.
Merton, R. C. On the pricing of corporate debt: The risk structure of interest rates.Journal of
Finance 29, pp. 449-470, 1974.
Moodys Investors Service. 1991. Rating Cash Flow Transactions Backed by Corporate Debt.
Moodys Special Report. Abril.
Nash, Stephen G. y Ariela Sofer 1996. Linear and Nonlinear Programming, The McGraw-Hill
Companies, Inc.
Neckell, Pamela, W. Perraudin and S. Varotto: Stability of Rating Transitions. Journal of Banking
and Finance, vol. 24, pp. 203-227, 2000.
Shy, Oz. 1995. Industrial Organization: Theory and Applications. The MIT press.
Sleuwaegen, Leo E., Raymond R. De Bondt, and Wim V. Dehandschuter. The Herfindahl index and

concentration ratios revisited. The Antitrust Bulletin/Fall 1989.

58

Theil, Henri 1967. Information Theory, Ed. North Holland Publishing Co.
Tirole, Jean. 1995. The Theory of Industrial Organization. M. I. T. Press.
Weinstock, David S. Some little-known properties of the Herfindahl-Hirschman Index: Problems of

Translation and Specification. The Antitrust Bulletin/ Winter 1984.

Wilson, Thomas C. Portfolio Credit Risk (I). Risk magazine, 10(9) Septiembre 1997.
Wilson, Thomas C. Portfolio Credit Risk (II). Risk magazine, 10(10) Octubre 1997.

59