Post on 17-Nov-2021
UNIVERSIDAD NACIONAL DE PIURA
Facultad de Economía
Escuela Profesional de Economía
TESIS
“SHOCKS MACROECONÓMICOS Y VULNERABILIDAD DEL
RIESGO DE CRÉDITO: PRUEBAS DE TENSIÓN PARA EL
SISTEMA BANCARIO PERUANO 2003:01 – 2018:12 Y ESCENARIO
2020:12”
Presentada por:
Br. Américo Reyes Ozeta Sosa
PARA OPTAR EL TÍTULO PROFESIONAL DE ECONOMÍA
Línea de Investigación:
Economía y negocios
Sub línea de investigación:
Economía de las finanzas y del desarrollo financiero
Piura, Perú
2020
UNIVERSIDAD NACIONAL DE PIURA
Facultad de Economía
Escuela Profesional de Economía
TESIS
“SHOCKS MACROECONÓMICOS Y VULNERABILIDAD DEL
RIESGO DE CRÉDITO: PRUEBAS DE TENSIÓN PARA EL
SISTEMA BANCARIO PERUANO 2003:01 – 2018:12 Y ESCENARIO
2020:12”
Sub línea de investigación:
Economía de las finanzas y del desarrollo financiero
Presentada por:
Br. Américo Reyes Ozeta Sosa
EJECUTOR
M. Sc. Pablo Rijalba Palacios
ASESOR
M.Sc. Luis Antonio Rosales García COASESOR
PARA OPTAR EL TÍTULO PROFESIONAL DE ECONOMÍA
DECLARACIÓN JURADA
DE ORIGINALIDAD DE TRABAJO DE INVESTIGACIÓN
Yo: AMÉRICO REYES OZETA SOSA, identificado con Carnet Universitario N° 0402013050 y
Documento Nacional de Identidad N° 72458130, en la condición de bachiller en Economía y
domiciliado en AV. Centenario Sn, distrito y provincia de Huancabamba, departamento de Piura,
Celular: 937772158, Email: Ozs8909@gmail.com
DECLARO BAJO JURAMENTO: Que el trabajo de investigación que presento a la Oficina
Central de Investigación (OCIN). Es original, no siendo copia parcial ni total de un trabajo de
investigación desarrollado, y/o realizado en el Perú o en el extranjero, en caso de resultar falsa la
información que proporciono, me sujeto a los alcances de lo establecido en el Art. N° 411, del
Código Penal concordante con el Art. 32°de la Ley N° 27444, y Ley del Procedimiento
Administrativo General y las Normas Legales de Protección a los Derechos de Autor.
En fe de lo cual firmo la presente.
Piura viernes, 23 de octubre del 2020.
DNI N° 72458130
Articulo 411.- El que, en un procedimiento Administrativo, hace una falsa declaración en relación a los
hechos o circunstancias que le corresponde probar, violando la presunción de veracidad establecida por Ley
será reprimido con pena privativa de libertad no menor de uno ni mayor de cuatro años.
Art. 4. Inciso 4.12 del Reglamento del Registro Nacional de Trabajos de Investigación para optar grados
académicos y títulos profesionales – RENATI Resolución de Consejo Directivo N° 033-2016-SUNED
UNIVERSIDAD NACIONAL DE PIURA
Facultad de Economía
Escuela Profesional de Economía
TESIS
“SHOCKS MACROECONÓMICOS Y VULNERABILIDAD DEL
RIESGO DE CRÉDITO: PRUEBAS DE TENSIÓN PARA EL
SISTEMA BANCARIO PERUANO 2003:01 – 2018:12 Y ESCENARIO
2020:12”
Jurado calificador:
Dr. Segundo Dioses Zárate
PRESIDENTE DEL JURADO
Dr. Luis Varona Castillo
SECRETARIO DEL JURADO
M.Sc. Gabriel Arellano Morán
VOCAL DEL JURADO
Sub línea de investigación:
Economía de las finanzas y del desarrollo financiero
PARA OPTAR EL TÍTULO PROFESIONAL DE ECONOMÍA
Acta de sustentación
Dedicatoria
A mi madre.
Agradecimiento
Agradecimiento a mi asesor M.Sc. Pablo Rijalba Palacios y Coasesor M.Sc. Luis Antonio
Rosales García.
1
CONTENIDO
Acta de sustentación .............................................................................................................................. v
Dedicatoria............................................................................................................................................vi
Agradecimiento .................................................................................................................................. vii
ÍNDICE DE TABLAS ........................................................................................................................... 5
ÍNDICE DE GRÁFICOS ...................................................................................................................... 8
ÍNDICE DE FIGURAS ....................................................................................................................... 10
INDICE DE ANEXOS ........................................................................................................................ 11
RESUMEN........................................................................................................................................... 12
ABSTRACT ......................................................................................................................................... 13
INTRODUCCIÓN............................................................................................................................... 14
CAPITULO I ....................................................................................................................................... 16
1. ASPECTOS DE LA PROBLEMÁTICA ................................................................................... 16
1.1. Descripción de la realidad problemática ........................................................................... 16
1.1.1. Problema general ............................................................................................................. 21
1.1.2. Problemas específicos ...................................................................................................... 21
1.2. Justificación e importancia de la investigación ................................................................. 21
1.3. Objetivos .............................................................................................................................. 23
1.3.1. Objetivo general .............................................................................................................. 23
1.3.2. Objetivos específicos ........................................................................................................ 23
1.4. Delimitación de la investigación ......................................................................................... 23
CAPITULO II ..................................................................................................................................... 24
2. HECHOS ESTILIZADOS .......................................................................................................... 24
2.1. Análisis en nivel ................................................................................................................... 24
2.1.1. Riesgo de crédito del sistema bancario peruano 2003 – 2018 ....................................... 24
2.1.2. Producto Bruto Interno peruano 2003 – 2018 ............................................................... 26
2
2.1.3. Tasa de desempleo en el Perú 2003 – 2018 ..................................................................... 28
2.1.4. Exportaciones en el Perú 2003 – 2018 ............................................................................ 29
2.1.5. Liquidez del sistema bancario 2003 – 2018 .................................................................... 31
2.1.6. Colocaciones del sistema bancario 2003 – 2018 ............................................................. 32
2.2. Análisis en tasas de crecimiento ......................................................................................... 33
2.2.1. Riesgo de crédito del sistema bancario y PBI 2003 – 2018 ........................................... 33
2.2.2. Riesgo de crédito y tasa de desempleo en el Perú 2003 – 2018 ..................................... 34
2.2.3. Riesgo de crédito y exportaciones en el Perú 2003 – 2018 ............................................ 35
2.2.4. Riesgo de crédito y liquidez del sistema bancario 2003 – 2018 ..................................... 36
2.2.5. Riesgo de crédito y colocaciones del sistema bancario 2003 – 2018 ............................. 37
2.3. Análisis de relación de variables......................................................................................... 38
2.3.1. Factores macroeconómicos ............................................................................................. 38
2.3.2. Factores microeconómicos .............................................................................................. 40
CAPITULO III .................................................................................................................................... 41
3. MARCO TEÓRICO Y EVIDENCIA EMPÍRICA ................................................................... 41
3.1. Riesgo de crédito .................................................................................................................. 41
3.2. Modelos de medición del riesgo de crédito ........................................................................ 42
3.2.1. Modelos tradicionales ...................................................................................................... 42
3.2.1.1. Modelo expertos ........................................................................................................... 42
3.2.1.2. Z – Score o credit scoring ............................................................................................ 43
3.2.2. Modelos modernos ........................................................................................................... 44
3.2.2.1. Modelo KMV – Merton ............................................................................................... 44
3.2.2.2. Modelo de valuación de Merton ................................................................................. 45
3.3. Determinantes del riesgo de crédito ................................................................................... 46
3.4. Choques macroeconómicos y vulnerabilidad financiera .................................................. 51
3.4.1. Escenarios adversos y sistema financiero ...................................................................... 52
3.4.2. Escenarios adversos y sistema bancario ......................................................................... 54
3
3.4.3. Escenarios adversos y riesgo de crédito ......................................................................... 56
3.5. Teorías de crisis del sistema financiero .............................................................................. 60
3.5.1. Teoría de “las corridas” bancarias ................................................................................. 60
3.5.2. Teoría de la información asimétrica............................................................................... 60
3.5.3. Teoría de Minsky ............................................................................................................. 63
3.5.4. Teoría de Mishkin – 1998 ................................................................................................ 64
3.5.5. Teoría de Karl Marx ....................................................................................................... 66
3.5.6. Teoría de Irving Fisher ................................................................................................... 66
3.5.7. Teoría de Kindleberger ................................................................................................... 67
3.5.8. Teoría monetarista: Friedman y Schwartz .................................................................... 67
3.5.9. Teoría de Stigliz ............................................................................................................... 68
3.5.10. Teoría de Krugman ......................................................................................................... 68
3.6. Evidencia empírica .............................................................................................................. 69
3.6.1. Evidencia empírica internacional ................................................................................... 69
3.6.2. Evidencia empírica nacional ........................................................................................... 81
3.7. Modelo teórico de los determinantes del riesgo de crédito ............................................... 84
3.8. Hipótesis ............................................................................................................................... 86
3.8.1. Hipótesis general .............................................................................................................. 86
3.8.2. Hipótesis específicas ........................................................................................................ 86
3.9. Definición y operacionalización de variables ..................................................................... 87
CAPITULO IV .................................................................................................................................... 89
4. MARCO METODOLÓGICO .................................................................................................... 89
4.1. Datos ..................................................................................................................................... 92
4.2. Métodos ................................................................................................................................ 92
4.3. Tratamiento de información ............................................................................................... 93
4.4. Enfoque de la investigación................................................................................................. 94
4
4.5. Diseño de la investigación ................................................................................................... 94
4.6. Nivel o alcance de la investigación ...................................................................................... 94
4.7. Tipo de investigación ........................................................................................................... 95
4.8. Sujetos de la investigación .................................................................................................. 95
CAPITULO V .................................................................................................................................... 101
5. RESULTADOS Y DISCUSIÓN ............................................................................................... 101
5.1. Hallazgos y resultados ....................................................................................................... 101
5.1.1. Especificación del modelo ............................................................................................. 101
5.1.2. Estimación del modelo ARIMAX ................................................................................. 102
5.1.3. Evaluación e interpretación del modelo ARIMAX ..................................................... 103
5.1.4. Análisis de escenarios con choques macroeconómicos ................................................ 106
5.1.4.1. Predicción en escenario macroeconómico estable ................................................... 106
5.1.4.2. Predicción en escenario con choque macroeconómico tipo 2017............................ 107
5.1.4.3. Predicción en escenario con choque macroeconómico 2008 ................................... 108
5.1.4.4. Predicción en escenario con choque macroeconómico COVID19 .......................... 108
5.2. Discusión y análisis económico ......................................................................................... 111
CONCLUSIONES ............................................................................................................................. 115
RECOMENDACIONES ................................................................................................................... 116
REFERENCIAS BIBLIOGRÁFICAS............................................................................................. 118
ANEXOS ............................................................................................................................................ 127
5
ÍNDICE DE TABLAS
Tabla 3.1: Modelos de medición del riesgo de crédito ......................................................................... 42
Tabla 3.2: Modelo estructural KMV – MERTÓN. ............................................................................... 44
Tabla 3.3: Esquema de las pruebas de estrés. ....................................................................................... 58
Tabla 3.4: Ciclo económico y crisis bancaria, experiencia en Latinoamérica....................................... 59
Tabla 3.5: Relación de las asimetrías de la información con las ineficiencias del sistema financiero. . 63
Tabla 3.6: Evidencia empírica internacional. ....................................................................................... 69
Tabla 3.7: Evidencia empírica internacional. ....................................................................................... 70
Tabla 3.8: Evidencia empírica internacional. ....................................................................................... 71
Tabla 3.9: Comparación de los stress test supervisiones. ..................................................................... 80
Tabla 3.10: Escenarios de estrés según la SBS, 2010. .......................................................................... 82
Tabla 3.11: Escenario de estrés por sector económico en el estudio de Luy, 2010. .............................. 82
Tabla 3.12: Escenarios de estrés macroeconómicos en el estudio de Luy, 2011. ................................. 83
Tabla 3.13: Resultados de la morosidad en escenarios de estrés, estudio de Luy 2011. ....................... 83
Tabla 3.14: Interrelaciones de variables macroeconómicas del modelo. .............................................. 85
Tabla 3.15: Interrelaciones de variables microeconómicas del modelo. ............................................... 86
Tabla 3.16: Definición y operacionalización de las variables macroeconómicas. ................................ 87
Tabla 3.17: Definición y operacionalización de las variables macroeconómicas. ................................ 88
Tabla 3.18: Definición y operacionalización de las variables microeconómicas. ................................. 88
Tabla 4.1: Diseño metodológico de la investigación. ........................................................................... 89
Tabla 4.2: Diseño metodológico para la estimación y proyección de escenarios. ................................ 90
Tabla 4.3: Diseño metodológico para la estimación y proyección de escenarios. ................................ 91
Tabla 4.4: Estructura del sistema financiero del Perú, 2019. ................................................................ 96
Tabla 4.5: Participación del sistema bancario en el sistema financiero en diciembre 2018. ................. 97
Tabla 4.6: Indicadores del sistema bancario peruano 2003 – 2018....................................................... 97
Tabla 4.7: Morosidad del sistema bancario por banco 2003 – 2018. .................................................... 98
Tabla 4.8: Indicadores financieros del sistema bancario peruano 2003 – 2018. ................................... 99
Tabla 4.9: Ranking de créditos del sistema bancario peruano 2003 – 2018. ...................................... 100
Tabla 4.10: Ranking de depósitos del sistema bancario peruano 2003 – 2018. .................................. 100
Tabla 5.1: Interrelaciones de variables del modelo. ........................................................................... 101
Tabla 5.2: Resultados de la estimación del modelo ARIMAX. .......................................................... 102
Tabla 5.3: Evaluación económica del modelo ARIMAX. .................................................................. 103
Tabla 5.4: Evaluación económica del modelo ARIMAX. .................................................................. 104
6
Tabla 5.5: Proyecciones macroeconómicas en el Marco Macroeconómico Multianual. .................... 107
Tabla 5.6: Riesgo de crédito en escenarios 2020:01 – 2020:12. ......................................................... 109
Tabla 6.1: Matriz de consistencia del estudio. .................................................................................... 127
Tabla 6.2: Matriz de consistencia del estudio. .................................................................................... 128
Tabla 6.3: Estadísticas descriptivas de las variables en estudio. ......................................................... 131
Tabla 6.4: Interrelaciones entre variables del modelo. ....................................................................... 133
Tabla 6.5: Prueba de estacionaridad de las variables del modelo. ...................................................... 134
Tabla 6.6: Resumen de los modelos MCO estimados. ....................................................................... 135
Tabla 6.7: Modelo MCO con variables rezagadas estadísticamente significativas. ............................ 138
Tabla 6.8: Correlograma de los residuos del modelo MCO................................................................ 139
Tabla 6.9: Resultados de la estimación del modelo ARIMAX con todos los componentes AR y MA.
............................................................................................................................................................ 140
Tabla 6.10: Resultados de la estimación del modelo ARIMAX con componentes AR y MA
significativos. ...................................................................................................................................... 141
Tabla 6.11: Evaluación de signos en variables macroeconómicas del modelo ARIMAX. ................. 142
Tabla 6.12: Evaluación de signos en variables microeconómicos del modelo ARIMAX. .................. 142
Tabla 6.13: Interpretación de parámetros en variables macro del modelo ARIMAX. ........................ 143
Tabla 6.14: Interpretación de parámetros en variables micro del modelo ARIMAX. ......................... 144
Tabla 6.15: Evaluación estadística individual de variables macro en el modelo ARIMAX. .............. 144
Tabla 6.16: Evaluación estadística individual de variables micro en el modelo ARIMAX. ............... 145
Tabla 6.17: Evaluación estadística individual de variables macro en el modelo ARIMAX. .............. 146
Tabla 6.18: Test de multicolinealidad; segunda versión regla.. .......................................................... 148
Tabla 6.19: Test de Breush – Godfrey, autocorrelación de los residuos del modelo ARIMAX......... 149
Tabla 6.20: Test de Box Pierce, autocorrelación de los residuos del modelo ARIMAX. .................. 149
Tabla 6.21: Test de heterocedasticidad de los residuos del modelo ARIMAX. .................................. 149
Tabla 6.22: Correlograma de los residuos del modelo ARIMAX. ...................................................... 150
Tabla 6.23: Test de Anderson y Pankratz para validar el modelo ARIMAX. ..................................... 151
Tabla 6.24: Test de raíces unitarias de los residuos del modelo ARIMAX. ....................................... 152
Tabla 6.25: Test de raíces unitarias de los residuos del modelo ARIMAX. ....................................... 153
Tabla 6.26: Test de Wald en el modelo ARIMAX. ............................................................................ 154
Tabla 6.27: Correlación entre las variables del modelo ARIMAX final. ............................................ 154
Tabla 6.28: Capacidad predictiva del modelo ARIMAX. .................................................................. 155
Tabla 6.29: Proyecciones macroeconómicas en el Marco Macroeconómico Multianual. .................. 156
Tabla 6.30: Capacidad predictiva del modelo ARIMAX en escenario base. ...................................... 158
7
Tabla 6.31: Capacidad predictiva del modelo ARIMAX en escenario con choque macroeconómico 1.
............................................................................................................................................................ 160
Tabla 6.32: Capacidad predictiva del modelo ARIMAX en escenario con choque macroeconómico 2.
............................................................................................................................................................ 162
Tabla 6.33: Capacidad predictiva del modelo ARIMAX en escenario con COVID19. ...................... 164
Tabla 6.34: Matriz de correlación de las variables del modelo. .......................................................... 167
Tabla 6.35: Matriz de correlación con un rezago de las variables del modelo. ................................... 168
Tabla 6.36: Matriz de correlación con dos rezagos de las variables del modelo. ................................ 169
Tabla 6.37: Matriz de correlación con tres rezagos de las variables del modelo. ............................... 170
Tabla 6.38: Matriz de correlación con cuatro rezagos de las variables del modelo. ........................... 171
Tabla 6.39: Matriz de correlación con cinco rezagos de las variables del modelo.............................. 172
Tabla 6.40: Matriz de correlación con seis rezagos de las variables del modelo. ............................... 173
Tabla 6.41: Matriz de correlación con siete rezagos de las variables del modelo. .............................. 174
Tabla 6.42: Matriz de correlación con ocho rezagos de las variables del modelo. ............................. 175
Tabla 6.43: Matriz de correlación con nueve rezagos de las variables del modelo. ............................ 176
Tabla 6.44: Matriz de correlación con diez rezagos de las variables del modelo................................ 177
Tabla 6.45: Matriz de correlación con once rezagos de las variables del modelo. .............................. 178
Tabla 6.46: Matriz de correlación con doce rezagos de las variables del modelo. .............................. 179
Tabla 6.47: Data del estudio. .............................................................................................................. 180
8
ÍNDICE DE GRÁFICOS
Gráfico N° 1.1: Riesgo de crédito en el sistema bancario del Perú 2003:01 – 2018:12 ........................ 19
Gráfico N° 1.2: Relación del riesgo de crédito del sistema bancario con indicadores macroeconómicos
del Perú 2003:01 – 2018:12................................................................................................................... 20
Gráfico N° 2.1: evolución del riesgo de crédito del sistema bancario peruano 2003:01 – 2018:12. ..... 24
Gráfico N° 2.2: evolución del PBI peruano 2003:01 – 2018:12. .......................................................... 26
Gráfico N° 2.3: evolución de la tasa de desempleo en el Perú 2003:01 – 2018:12. .............................. 28
Gráfico N° 2.4: evolución de las exportaciones en el Perú 2003:01 – 2018:12. ................................... 29
Gráfico N° 2.5: Liquidez del sistema bancario peruano 2003:01 – 2018:12. ........................................ 31
Gráfico N° 2.6: Colocaciones del sistema bancario peruano 2003:01 – 2018:12. ................................ 32
Gráfico N° 2.7: Riesgo de crédito y PBI en el Perú 2003:01 – 2018:12. .............................................. 33
Gráfico N° 2.8: Riesgo de crédito y tasa de desempleo en el Perú 2003:01 – 2018:12. ........................ 34
Gráfico N° 2.9: Riesgo de crédito y exportaciones en el Perú 2003:01 – 2018:12. .............................. 35
Gráfico N° 2.10: Riesgo de crédito y liquidez del sistema bancario peruano 2003:01 – 2018:12......... 36
Gráfico N° 2.11: Riesgo de crédito y colocaciones del sistema bancario peruano 2003:01 – 2018:12. 37
Gráfico N° 2.12: Riesgo de crédito y variables macroeconómicas en el Perú 2003:01 – 2018:12. ....... 38
Gráfico N° 2.13: Riesgo de crédito y variables macroeconómicas en el Perú 2003:01 – 2018:12. ....... 39
Gráfico N° 2.14: Riesgo de crédito y variables microeconómicas en el Perú 2003:01 – 2018:12. ...... 40
Gráfico N° 5.1:Correlaciónes de variables con el riesgo de crédito. .................................................. 105
Gráfico N° 5.2: Riesgo de crédito en escenarios al 2020:01 – 2020:12. ............................................. 110
Gráfico N° 5.3: Riesgo de crédito con escenario de COVID19, 2020:01 – 2020:12. ......................... 111
Gráfico N° 6.1: Test de normalidad de los residuos del modelo ARIMAX. ....................................... 147
Gráfico N° 6.2: Test de homocedasticidad de los residuos del modelo ARIMAX. ............................ 151
Gráfico N° 6.3: Test de raíces unitarias de los residuos del modelo ARIMAX. ................................ 152
Gráfico N° 6.4: Correlación entre las variables del modelo ARIMAX final. ..................................... 154
Gráfico N° 6.5: Proyección de variables macroeconómicas a través del método de suavizamiento
exponencial. ........................................................................................................................................ 157
Gráfico N° 6.6: Proyección de variables microeconómicas a través del método de suavizamiento
exponencial. ........................................................................................................................................ 157
Gráfico N° 6.7: Proyección en escenario normal. ............................................................................... 158
Gráfico N° 6.8: Proyección del riesgo de crédito en escenario con choque macroeconómico tipo 2017.
............................................................................................................................................................ 160
9
Gráfico N° 6.9: Proyección del riesgo de crédito en escenario con choque macroeconómico tipo 2008.
............................................................................................................................................................ 163
Gráfico N° 6.10: Vulnerabilidad del riesgo de crédito ante choque COVID19. ................................. 164
Gráfico N° 6.11: Proyección del riesgo de crédito en los cuatro escenarios propuestos. .................... 165
10
ÍNDICE DE FIGURAS
Figura N° 3.1: Teoría de probabilidad de incumplimiento de Merton. ................................................. 45
Figura N° 3.2: Relación entre el riesgo de crédito y el crecimiento del PBI. ....................................... 46
Figura N° 3.3: Interrelación entre los factores determinantes del riesgo de crédito. ............................ 85
Figura N° 4.1: Sistema financiero peruano. ......................................................................................... 95
Figura N° 5.1: mecanismos de transmisión de factores microeconómicos en el RC. ......................... 105
Figura N° 5.2: mecanismos de transmisión de factores macroeconómicos en el RC. ........................ 106
Figura N° 6.1: mecanismos de política monetaria recomendado. ....................................................... 117
11
INDICE DE ANEXOS
Anexo 6.1: matriz de consistencia del estudio. ................................................................................... 127
Anexo 6.2: Glosario de términos básicos. ........................................................................................... 129
Anexo 6.3: Transformación del índice mensual del PBI a millones de soles. ..................................... 130
Anexo 6.4: Estadísticas descriptivas de las variables en estudio. ........................................................ 131
Anexo 6.5: Desarrollo del modelo econométrico ................................................................................ 132
Anexo 6.6: Predicción en escenario sin choques macroeconómicos. .................................................. 156
Anexo 6.7: Vulnerabilidad del riesgo de crédito ante escenario con choque macroeconómico tipo 2017.
............................................................................................................................................................ 159
Anexo 6.8: Vulnerabilidad del riesgo de crédito ante escenario con choque macroeconómico tipo 2008,
producto de la crisis financiera. ........................................................................................................... 161
Anexo 6.9: Vulnerabilidad del riesgo de crédito ante escenario con choque macroeconómico con
COVID19. ........................................................................................................................................... 163
Anexo 6.10: matriz de correlación con rezagos. ................................................................................. 167
Anexo 6.11: Data del estudio. ............................................................................................................. 180
12
RESUMEN
La presente tesis es de tipo descriptivo, correlacional, explicativo y predictivo, tiene como objetivo
analizar el impacto generado por la presencia de choques macroeconómicos sobre el riesgo crediticio
en el sistema bancario peruano durante el período 2003:01- 2018:12 y en el escenario de crisis del año
2020. Para lograr tal objetivo se realiza la revisión de la literatura y la construcción de un marco teórico
pertinente para el estudio; se estima un modelo econométrico bajo la metodología ARIMAX siguiendo
el método de Box Jenkins; a través de dicho modelo se realiza proyecciones en escenario normal y en
escenarios con choques macroeconómicos. Del estudio se llega a la conclusión que durante el período
2003:01 – 2018:12 y en el escenario 2020, a mayor choque macroeconómico el riesgo de crédito es
más vulnerable; es asi que en el año 2020, en un escenario normal el riesgo de crédito alcanzaría un
promedio de 3.18%; en un escenario con choque macroeconómico con FEN tipo 2017 el riesgo de
crédito alcanzaría 3.35% en promedio; asimismo, ante un choque macroeconómico tipo 2008 el riesgo
de crédito alcanzaría un promedio de 3.41%; mientras que el mayor riesgo se registra con la presencia
del COVID19 con un promedio de 5.17%.
Palabras clave: Riesgo de crédito, choque, ARIMAX, escenarios, adversos.
13
ABSTRACT
This thesis is descriptive, correlational, explanatory and predictive, its objective is to analyze the
impact generated by the presence of macroeconomic shocks on credit risk in the Peruvian banking
system during the period 2003: 01- 2018: 12 and in the scenario crisis of the year 2020. To achieve this
objective, the literature review and the construction of a relevant theoretical framework for the study is
carried out; an econometric model is estimated under the ARIMAX methodology following the Box
Jenkins method; Through this model, projections are made in a normal scenario and in scenarios with
macroeconomic shocks. The study concludes that during the period 2003: 01 - 2018: 12 and in the
2020 scenario, the greater the macroeconomic shock, the more vulnerable the credit risk; Thus, in the
year 2020, in a normal scenario, the credit risk would reach an average of 3.18%; In a scenario with a
macroeconomic shock with FEN type 2017, the credit risk would reach 3.35% on average; Likewise, in
the face of a 2008 macroeconomic shock, the credit risk would average 3.41%; while the highest risk is
registered with the presence of COVID19 with an average of 5.17%.
Keywords: Credit risk, shocks, ARIMAX, scenarios, adverse.
14
INTRODUCCIÓN El sistema bancario peruano se ha enfrentado a diversas crisis, las cuales, han sido de carácter tanto
internas como externas a la economía, FEN en los años 2017 y la crisis financiera internacional en el
año 2008 respectivamente, ocasionando problemas a nivel individual como sistemático, reflejado en
sus diversos indicadores, como es el caso del riesgo de crédito.
Según el Comité de Supervisión Bancaria de Basilea (2017), la crisis del año 2008 repercute en el
sistema financiero en el corto plazo, no se esperaba que sea de tal índole, por lo cual, no se contaba con
las políticas adecuadas para enfrentarla, si bien el consenso de Basilea II establecía ciertos parámetros,
estos no fueron suficientes para sacar adelante tal situación, es por ello, que a partir del año 2010 se
firman los acuerdo de Basilea III, siendo su principal objetivo la estabilidad financiera, además de
componerse de pilares fundamentales, entre los que destacan, el establecimiento de capital mínimo
regulatorio de calidad, aumentar el nivel de los requerimientos de capital con el fin de que los bancos
sean suficientemente resilientes para soportar pérdidas en momentos de tensión.
Asimismo, el Comité de Supervisión Bancaria de Basilea (2017), afirma que en el consenso de Basilea
III resulta fundamental tener mecanismos que permitan conocer los niveles de riesgo de liquidez,
riesgo de mercado o riesgo crédito al que un sistema está expuesto ante posibles crisis, para ello, la
herramienta principal de supervisión es el denominado stress test, el cual sitúa a los principales bancos
en distintos escenarios para conocer sus niveles de riesgo, liquidez, colocaciones, etc. que alcanzarían
en escenarios adversos, con la finalidad que las instituciones se encuentren preparadas para enfrentar
situaciones eventuales.
El marco teórico que respalda la presente tesis se basa en los aportes de la teoría financiera
relacionados al riesgo crediticio, como es el caso del modelo de las cinco “C”, el modelo “Z Scored”
planteado por Altman (1968), así como el modelo “KMV” planteado por Vasicek (1997) y el modelo
de Merton (1974). Asimismo, el estudio está respaldado por las teorías de las crisis financieras, tal es el
caso de la teoría de las corridas bancarias formulada por Diamond y Dybvig (1983), la teoría de la
información asimétrica usada por Hodgman (1960), la teoría de Minsky (1977), la teoría de Mishkin
(1998), la teoría de Krugman (2008), la teoría de Fisher (1933), la teoría de Kindleberger (1978), la
teoría monetarista formulada por Friedam y Schwartz (1963) y la teoría de Stigliz (2009).
15
Además, dicho marco teórico se complementa con aportes en lo que respecta a escenarios adversos al
sistema bancario. Estos aportes están respaldados por la evidencia empírica del stress testing aportada
por Uquillas y Gonzáles (2017, 2017A), Gonzáles (2017), DELOITTE (2010), Dua y Kapur (2018),
Luy (2010, 2011), la Superintendencia de Banca y Seguros [SBS] (2016, 2019), quienes utilizan
modelaciones ARIMAX, MCO, VEC, VAR, pruebas de cointegración, causalidad, entre otros métodos
de estimación y pronóstico; las mismas que han sido utilizadas en esta tesis siguiendo la metodología
de Box Jenkins, la cual, se aplica a los modelos autorregresivos de media móvil ARMA o a los modelos
autorregresivos integrados de media móvil ARIMA, encontrando de tal forma el mejor ajuste de una
serie temporal y haciendo los pronósticos más acertados posible.
El objetivo de la presente tesis es analizar el impacto generado por la presencia de escenarios de estrés
o choques macroeconómicos sobre el riesgo de crédito en el sistema bancario peruano en el período
2003:01 – 2018:12 y en el escenario 2020. La hipótesis central que se contrasta está referida al hecho
de que el riesgo de crédito tiende a incrementarse ante la presencia de escenarios adversos o con
choques macroeconómicos.
Según los resultados se concluye que durante el período 2003:01 – 2018:12 y en el escenario 2020:12
los niveles de morosidad del sistema bancario peruano se incrementan con la presencia de escenarios
con choques macroeconómicos debido a los mayores riesgos crediticios que ello implica; para el año
2020 en un escenario normal el riesgo de crédito alcanzaría un promedio de 3.18%; en un escenario
con choque macroeconómico tipo 2017 el riesgo de crédito alcanzaría 3.35% en promedio; ante un
choque macroeconómico tipo 2008 el riesgo de crédito alcanzaría un promedio de 3.41% y en
presencia de COVID19 el riesgo de crédito llegaría a un nivel de 5.12%.
La presente tesis se ha estructurado en 5 capítulos, el primer capítulo referido a los aspectos generales,
en donde se trata puntos como la realidad problemática, la justificación y los objetivos del estudio; el
segundo capítulo referido a los hechos estilizados y análisis de realidad peruana respecto a las variables
de sistema bancario y las variables macroeconómicas que influyen en la evolución del riesgo de crédito
del sistema bancario; en el tercer capítulo se presenta el marco teórico, la evidencia empírica, el
modelo teórico, las hipótesis así como la operacionalización de las variables en estudio; en el cuarto
capítulo se presenta el marco metodológico de la investigación; el quinto capítulo muestra los
resultados y la discusión de la investigación, finalmente se presenta las conclusiones, las
recomendaciones, la bibliografía y los anexos del estudio.
16
CAPITULO I
1. ASPECTOS DE LA PROBLEMÁTICA
1.1. Descripción de la realidad problemática Uno de los problemas enfrenta el sistema bancario peruano es el incremento del riesgo de crédito,
producto de la presencia de estrés o de choques macroeconómicos, encontrándose relación directa entre
ambas variables; dicha relación debe ser estudiada a un nivel empírico y en un contexto histórico. Para
entender el proceso de estrés macroeconómico nos ubicamos en el origen del sistema bancario, el cual
nace con el comercio y ha ido evolucionando hasta llegar a funcionar de la forma como se le conoce
hoy en día (Olivas, 2016). Esta evolución ha estado propensa a diversos escenarios adversos que han
repercutido fuertemente en el sistema bancario y que son motivo de estudio de la presente tesis.
Entre la edad antigua hasta la actualidad han surgido diversos sucesos, relacionados con escenarios de
estrés, que afectaron el crecimiento del sistema bancario; sucesos como la Gran depresión de 1930,
crisis del petróleo de 1974, crisis de tequila de 1994, crisis financiera Rusa 1998, crisis asiática de
1997, crisis financiera 2008, etc. siendo estos los causantes del atraso y la casi desaparición de las
casas e individuos que realizaban las funciones bancarias (Olivas, 2016).
Tras el paso del tiempo, el sistema bancario ha estado expuesto y ha sufrido a consecuencia de diversos
escenarios adversos, tanto propios como del entorno macroeconómico. En el caso peruano la situación
no ha sido diferente, pues Morón (1993), afirma que el sistema bancario peruano nace con la
independencia, pero que por causas de prácticas no adecuadas se cae, registrando luego las primeras
actividades bancarias con el auge del guano. El autor señala que el primer banco establecido en el Perú
fue el Banco de Providencia, luego empezaron a crearse nuevos bancos, dando inicio al boom bancario
que con el paso del tiempo tras no estar preparados para enfrentar los diversos riesgos micro y
macroeconómicos existentes se dieron en quiebra.
De acuerdo a Orrego (2012), todo este boom bancario entró en colapso incluso antes de la guerra con
Chile por la grave crisis económica. Cuando estalla el conflicto, la mayoría de bancos quebraron y
desaparecieron. Luego de la catástrofe de la guerra, el sistema bancario fue sobreponiéndose
progresivamente; y como lo afirma Soliman (2015), a inicios de los años 90, comenzó a crecer
nuevamente llegando a operar 22 bancos en el sistema. Sin embargo, para 1998 el Banco Wiesse tuvo
una caída en sus colocaciones mucho más fuerte que los otros principales bancos. En estos años
comienzan a salir del sector más bancos debido a fusiones o por problemas de rentabilidad, liquidez y
patrimonio.
17
Para fines del año 2000, el sistema bancario estaba formado por 18 empresas, ya que dos bancos
entraron en proceso de liquidación. En el año 2008 el sistema bancario peruano se enfrentó a un
escenario adverso, con la ya conocida crisis financiera, que según Parodi (2016), repercute sobre todo
el sistema financiero y sobre los indicadores de coyuntura económica del país. En este sentido, Luy
(2011), afirma que, en la última década, la tasa de morosidad agregada del sistema bancario peruano
ha registrado una tendencia decreciente como consecuencia del crecimiento de la actividad
económica. Sin embargo, producto de la última crisis financiera se ha incrementado ligeramente.
De acuerdo a la Superintendencia de Banca y Seguros [SBS] (2019), en el año 2003 la tasa de
morosidad promedio que registraba el sistema bancario peruano fue de 7.48 por ciento, además
registraba una tasa de crecimiento promedio en dicho año de –2.71 por ciento, este índice presentó
niveles bajos, lo cual correlacionaba con indicadores macroeconómicos como el PBI, el mismo que de
acuerdo al Banco Central de Reserva del Perú [BCRP] (2019), alcanzó un promedio de 20,466
millones de soles en el 2003, mientras que su tasa de crecimiento en promedio en dicho año fue de 0.67
por ciento.
Asimismo, según BCRP (2019), otro indicador que permanecía estable en el año 2003 era la tasa de
crecimiento del desempleo, con un promedio de 0.06 por ciento, así como la inflación, dado que un año
antes se había implementado las llamadas metas explícitas por parte del Banco Central de Reserva del
Perú, por tanto, las mantenían estables con una tasa promedio de 2 por ciento. La evolución de dichos
indicadores permanecía estable, el panorama macroeconómico era bueno, así como los indicadores del
sistema bancario, reflejado en la baja tasa del riesgo de crédito.
De acuerdo a la SBS (2019), en el año 2007 la tasa de morosidad promedio que registraba el sistema
bancario era 1.55 por ciento, cerrando en el mes de diciembre con su tasa más baja del año 1.26 por
ciento, la tasa de crecimiento promedio alcanzada fue de -2.05 por ciento. Para el mismo año, según
BBCRP (2019), el PBI registraba un promedio de 26,641.08 millones de soles, cuya tasa de
crecimiento promedio fue de 1.12 por ciento; asimismo, el máximo nivel que alcanzó el PBI en el año
2007 fue de 29,806.69 millones de soles en el mes de diciembre, con una tasa de crecimiento de 7.46
por ciento respecto al mes de noviembre.
Por otro lado, otro indicador que refleja el bienestar de la economía es la baja tasa de desempleo, la
misma que en el año 2007 según el BCRP (2019), registra una tasa promedio de 8.49 por ciento con
una tasa de crecimiento promedio de 0.85 por ciento.
18
La situación en el año 2007 era positiva para el sistema bancario; en el año 2008 seguía el patrón
mostrado en los últimos años, indicadores macroeconómicos como el PBI crecían, la tasa de morosidad
bajaba, según la SBS (2019), el promedio de la tasa de morosidad en el año 2008 fue de 1.27 por
ciento, resultado por debajo del año 2007, sin embargo, pese a que llegó a obtener cifras menores, su
tasa de crecimiento promedio había pasado de un promedio de -2.05 por ciento en el año 2007 a una
tasa promedio de 0.16 por ciento durante el 2008, lo cual reflejaba el impacto que empezaba a tener la
crisis sobre el sistema bancario.
En el mismo período la situación del PBI era idéntica en cuanto a niveles, en el año 2008 había
registrado un promedio mayor al del año 2007. Según Bloomberg (2019), el PBI en el año 2008
registró en promedio 29,076.92 millones de soles, pero, sus tasas de crecimiento promedio habían
caído, de alcanzar 1.12 por ciento en el año 2007 a 0.5 por ciento en el año 2008. Por su parte el caso
del desempleo y la inflación empezaron a mostrar tendencia hacia arriba según BCRP (2019), ambos
registraron tasas de crecimiento promedios más altas en el año 2008, respecto a los promedios del año
2007.
Como explica Luy (2011), la crisis financiera afecta la actividad económica, lo mismo que repercute
rápidamente sobre el sistema bancario. Es así que en el Perú los efectos de la crisis del 2008 se ven
reflejados en el año 2009, mientras la tasa de morosidad según SBS (2019), subió hasta 1.55 por
ciento en promedio con una tasa de crecimiento promedio de 0.02 por ciento; el Producto Bruto
Interno, de acuerdo a Bloomberg Economics (2019), registró una tasa de crecimiento menor a la de
años anteriores, en promedio llegó a 0.047 por ciento, por su parte según el BCRP (2019), la tasa de
desempleo registró 8.38 por ciento en promedio, cifra mayor a la registrada en los años anteriores.
Según Alfaro y Loyaga (2018), la crisis financiera internacional tuvo un efecto en el crecimiento
sostenido que mantenía el PBI en Perú puesto que, luego de crecer 8.5% en el año 2007 y 9.1% en el
año 2008, durante el año 2009 solo creció 1.1% debido a las condiciones internacionales.
Otra situación de estrés fue la ocurrida en el año 2017, con la presencia del FEN que al igual que el
anterior escenario de crisis impacta sobre la coyuntura económica, lo mismo que repercute en el
sistema bancario, según la SBS (2019), la tasa de morosidad del año 2017 fue 3.07 por ciento en
promedio, mayor al promedio del 2016 (2.82 por ciento), por su parte Bloomberg Economics (2019),
señala que el PBI registró una tasa de crecimiento promedio de 0.28 por ciento, cifra menor a la
alcanzada en el año 2016 (0.47 por ciento); asimismo de acuerdo al BCRP (2019), el desempleo se
incrementa de 6.74 por ciento a 6.88 por ciento.
19
La última situación de estrés que enfrenta la economía peruana es producto de la pandemia COVID19,
la misma que influye sobre el riesgo de crédito del sistema bancario, pues este en los primeros meses
del año 2020 registra niveles altos y se proyecta con tendencia hacia arriba por todo el 2020; mientras
que por el lado de la actividad económica, según BCRP (2020), se proyecta que el PBI presente una
tasa de crecimiento de -12.5%; las exportaciones registrarían una tasa de crecimiento de -18.9%
La evolución y comportamiento del riesgo de crédito del sistema bancario en el Perú durante el período
2003:01 al 2018.12 se muestra en el gráfico N°1.1.
Gráfico N° 1.1: Riesgo de crédito en el sistema bancario del Perú 2003:01 – 2018:12
(Índice de morosidad)
1
2
3
4
5
6
7
8
9
2004 2006 2008 2010 2012 2014 2016 2018
CRISIS FINANCIERA
INTERNACIONAL
FEN
Fuente: Superintendencia de Banca y Seguros, 2019.
En el gráfico N°1.1 se aprecia la evolución que ha mostrado el riesgo de crédito del sistema bancario
peruano y su relación con los choques macroeconómicos ocurridos; hasta el año 2007 el riesgo de
crédito presentaba tendencia hacia abajo, tras la presencia de la crisis financiera internacional cambia la
tendencia y empieza a incrementarse; asimismo en el año 2017 con la presencia de FEN, los niveles de
riesgo de crédito se incrementaron; por lo cual, se hace necesario realizar pruebas de tensión en el año
2020 y verificar la vulnerabilidad del riesgo de crédito ante choques macroeconómicos.
Lo que se busca con las pruebas de tensión es no llegar a resultados como los obtenidos en el año 2008
producto de la crisis, sino que se deben tomar medidas anticipadas para enfrentarse a la caída de algún
20
indicador macroeconómico tal como surgió en la crisis 2008, donde el PBI, la tasa de desempleo, la
inflación, el tipo de cambio, etc. mostraron situaciones adversas.
Además, se sugiere realizar las pruebas de tensión debido a la relación que tiene el riesgo de crédito
con los principales indicadores macroeconómicos del Perú, y que al entrar en crisis atentarían contra la
estabilidad del sistema bancario, haciendo que este incremente su riesgo de crédito. Dichas relaciones
se muestran en el gráfico N°1.2.
Gráfico N° 1.2: Relación del riesgo de crédito del sistema bancario con indicadores
macroeconómicos del Perú 2003:01 – 2018:12
-.20
-.15
-.10
-.05
.00
.05
.10
.15
-.3 -.2 -.1 .0 .1 .2 .3
TC DEL RIESGO DE CRÉDITO
T C
D
E L
P
B I
-.6
-.4
-.2
.0
.2
.4
.6
-.3 -.2 -.1 .0 .1 .2 .3
TC DEL RIESGO DE CRÉDITO
T C
D
E L
D
E S
E M
P L
E O
-.4
-.2
.0
.2
.4
-.3 -.2 -.1 .0 .1 .2 .3
TC DEL RIESGO DE CRÉDITO
T C
D
E
E X
P O
R T
A C
I O
N E
S
-.04
-.02
.00
.02
.04
-.3 -.2 -.1 .0 .1 .2 .3
TC DEL RIESGO DE CRÉDITO
T C
D E
T
I P O
D
E
C A
M B
I O
R E
A L
Fuente: SBS, 2019 y BCRP, 2019.
Este análisis muestra entonces que indicadores del sistema bancario han estado afectados por variables
de entorno macroeconómico debido a la relación presentan. Bajo este contexto, se hace necesario
analizar ¿Si el riesgo de crédito del sistema bancario peruano ha sido afectado por choques
macroeconómicos, y de ser así, de qué manera han sido estos efectos?; la respuesta a esta pregunta fue
posible de aproximarse al evaluar empíricamente las pruebas de resistencia o simulaciones a cerca de la
capacidad del sistema bancario para enfrentase a un deterioro de la economía.
21
1.1.1. Problema general
¿Cómo es el impacto que genera la presencia choques macroeconómicos en el riesgo de crédito del
sistema bancario en el Perú durante el período 2003:01 – 2018:12 y en el escenario de crisis del año
2020?
1.1.2. Problemas específicos
1. ¿Cuál es la relación que existe entre los factores macroeconómicos y el crecimiento del riesgo de
crédito del sistema bancario en el Perú durante el período 2003:01 – 2018:12?
2. ¿Cuál es la relación que existe entre los determinantes microeconómicos y el crecimiento del
riesgo de crédito del sistema bancario peruano durante el período 2003:01 – 2018:12?
3. ¿De qué manera la presencia de escenarios con choques macroeconómicos afecta el riesgo
crediticio del sistema bancario peruano durante el periodo 2020:01 – 2020:12?
4. ¿Cuál la relación que existe entre la presencia de un escenario macroeconómico estable y el riesgo
de créditos del sistema bancario peruano durante el período 2020:01 – 2020:12?
1.2. Justificación e importancia de la investigación
La primera razón que motiva la elaboración de la presente tesis es la limitada literatura sobre Stress
testing del riesgo crediticio en el sistema bancario, particularmente para el Perú donde no se abordado
este tema en mayor profundidad. El tema que se ubica en el campo de estudio de la gestión de riesgos
no ha sido explorado de manera suficiente; al parecer por falta de profesionalismo e investigaciones en
la gestión de riesgos (Soliman, 2015). Bajo esta premisa, la propuesta se orienta a reforzar la limitada
literatura existente en el tema de escenarios de estrés siendo útil para futuras investigaciones que se
aborden al respecto.
Un segundo motivo para elaborar esta tesis es el interés y la predisposición que se tuvo para indagar
sobre la labor las entidades financieras ante el riesgo; así como también, el poder anticiparse a las crisis
que la economía podría sufrir, sirviendo este estudio a financieras y/o reguladoras que podrán contar
con un método para encontrar a manera individual los niveles de riesgo que se alcanzaría y de qué
22
manera repercutirá sobre las hojas de balance, de tal forma, que se pueda generar política económica
para estar preparados a escenarios adversos en la economía.
Justificación teórica. El presente estudio busca determinar cuáles son los factores que han influido en
la evolución que ha mostrado el riesgo de crédito del sistema bancario peruano en el período 2003:01
al 2018:12, así como, identificar como impactaría escenarios de crisis en dicho riesgo de crédito en el
período 2020:01 al 2020:12; lo cual permitiría a las autoridades gubernamentales, tales como, BCRP,
MEF, SBS, así como a los bancos tomar las medidas correspondientes para enfrentar tal situación.
Además, la investigación planteada, en sí es novedosa por cuanto no se conoce de trabajos similares
realizados, pues para el caso peruano solo existe un estudio similar, así como escasos a nivel
internacional, lo que justifica su ejecución.
Justificación metodológica. La presente tesis se justifica porque hace uso de metodologías con bases
científicas, aplicadas en otros estudios a nivel internacional, las mismas que se adaptan a la realidad
peruana. De tal forma que el estudio se centra en la descripción, correlación, explicación y pronóstico
de los datos que se obtienen para el caso del Perú de fuentes secundarias, esto a su vez permite
solucionar el problema de metodologías para los casos en Perú, respecto a entidades financieras que
realizan estudios similares.
Justificación práctica. Debido a que es el sistema financiero el que presenta la mayor disposición de
datos, siendo esta una de las formas por las cuales se puede palpar el desarrollo que ha mostrado. La
investigación de manera práctica se justifica, dado que identifica los factores propios del sistema
bancario así como los de coyuntura económica más importantes que explican el riesgo de crédito, los
mismos que se deben a tener en cuenta.
Justificación social. El estudio de las pruebas de tensión es importante debido a la influencia que tiene
un escenario adverso sobre el riesgo de crédito del sistema bancario, por lo tanto, sobre su estabilidad,
además que al identificar los factores influyentes sobre el riesgos de crédito permite a las autoridades
realizar dos cosas; la primera en función a cada banco y la SBS, estos plantean medidas en base a los
pilares de capital mínimo regulatorio de Basilea III, con lo cual se enfrentan a las crisis; la segunda en
función al BCRP y MEF, estas instituciones al identificar los factores macroeconómicos influyentes en
el riesgo de crédito y ante la presencia de crisis generan políticas que permitan mantener dichos
factores.
23
1.3. Objetivos
1.3.1. Objetivo general
Analizar el impacto generado por la presencia de escenarios con choques macroeconómicos sobre el
riesgo crediticio en el sistema bancario peruano en el período 2003:01- 2018:12 y en el escenario de
crisis del año 2020.
1.3.2. Objetivos específicos
1. Identificar y analizar cuál es el impacto que generan factores macroeconómicos sobre el
crecimiento del riesgo de crédito del sistema bancario peruano durante el período 2003:01 –
2018:12.
2. Identificar y analizar cuál es el impacto que generan factores microeconómicos en el crecimiento
riesgo de crédito del sistema bancario peruano durante el período 2003:01 – 2018:12.
3. Realizar pruebas de tensión en el riesgo de crédito del sistema bancario peruano en el período
2020:01 – 2020:12.
4. Analizar la relación existente entre la presencia de un escenario macroeconómico estable y el
riesgo de crédito en el sistema bancario para el caso peruano durante el período 2020:01 – 2020:12.
1.4. Delimitación de la investigación
La investigación se realizó en el sistema bancario para el caso peruano, probando que ante presencia de
escenarios de estrés o de choques macroeconómicos, el riesgo de crédito tiende a incrementarse. Para
lograr contrastar dicha hipótesis se hizo uso de un modelo econométrico tipo ARIMAX siguiendo a
Uquillas y Gonzáles (2017, 2017A) y Gonzáles (2017), bajo la metodología de Box Jenkins, de dicho
modelo, se identificaron los determinantes del riesgo de crédito del sistema bancario peruano en el
período 2003:01 – 2018:12, con el mismo que se pronosticó en escenario normal y en escenarios con
choques macroeconómicos en el período 2020:01 – 2020:12.
La construcción de los escenarios se trabajaron en base a lo propuesto por la Superintendencia de
Banca y Seguros (SBS, 2019) y Luy (2011), siendo cuatro los escenarios propuestos, el normal a
través de las proyecciones del MEF; el escenario con un choque macroeconómico similar al ocurrido
en el año 2017 con la presencia de fenómeno del niño; escenario con choque macroeconómico similar
al del año 2008, y el escenario con la presencia de la pandemia COVID19; además de plantear
supuestos correspondiente, en general estos escenarios están referidos a cambios en los principales
indicadores macroeconómicos.
24
CAPITULO II
2. HECHOS ESTILIZADOS
2.1. Análisis en nivel
2.1.1. Riesgo de crédito del sistema bancario peruano 2003 – 2018
Gráfico N° 2.1: evolución del riesgo de crédito del sistema bancario peruano 2003:01 – 2018:12.
(Índice de morosidad)
1
2
3
4
5
6
7
8
9
2004 2006 2008 2010 2012 2014 2016 2018
RIESGO DE CRÉDITO TENDENCIA
Fuente: Superintendencia de Banca y Seguros [SBS], 2019.
En el gráfico N°2.1 se presenta la evolución que ha tenido el riesgo de crédito del sistema bancario
peruano durante el periodo 2003:01 al 2018:12. Desde enero del 2003 hasta julio del 2008 muestra una
tendencia decreciente, dicha tendencia cambia debido a la crisis financiera internacional que empezó
en Estados unidos y se extendió a países de América Latina; el Perú no fue ajeno a ello, pues tal como
lo sostiene Parodi (2016), dicha crisis se transmite a través del canal financiero y del canal comercial a
la economía peruana ocasionando inestabilidad de diversos indicadores.
En el caso del riesgo de crédito en el año 2003 registró una tasa promedio de 7.48%, para el año 2005
dicha tasa alcanza un promedio de 3.05% y continua al 2007 con tendencia decreciente registrando una
tasa promedio de 1.55% asociada principalmente al buen ambiente macroeconómico que tenía el Perú,
en tal sentido, Parodi (2016), manifiesta que los mejores indicadores de la economía se presentaron en
dicho período.
25
En el año 2008, la economía mundial entra en crisis debido a la burbuja inmobiliaria que se dio en los
Estados Unidos, esto repercute en el Perú afectando sus principales indicadores de coyuntura
económica, así como los indicadores del sistema financiero; en el caso del riesgo de crédito del sistema
bancario en dicho año muestra una tasa promedio de 1.27%, a partir de entonces empieza a revertir su
tendencia, para el año 2009 en promedio registró una tasa de riesgo de crédito de 1.55%, en el año
2010 esta tasa en promedio se incrementa en una tasa de crecimiento de 8.00%.
En el año 2012 en promedio el sistema bancario peruano registra un índice de riesgo de crédito mayor
al promedio registrado en el 2011 empezando nuevamente a tener tendencia creciente, pues en el 2012
en promedio registra una tasa de riesgo de crédito de 1.70%, la misma que para el año 2013 continúa
incrementándose, llegando a un promedio de 2.07%. En el año 2014 en el Perú se registran el menor
crecimiento del PBI primario luego de 22 años, esto impacta sobre el riesgo de crédito del sistema
bancario y lo hace incrementar de 2.07% a 2.40% en promedio; la tendencia creciente continúa
acentuándose y en el año 2015 registra un promedio de 2.62%, porcentaje mayor si se compara a años
anteriores.
El año 2016 con el cambio de presidente en el Perú el riesgo de crédito se acreciente, en promedio
registra una tasa de 2.82%, asociado a eventos políticos en general, mientras que para el año 2017 el
riesgo de crédito del sistema bancario peruano desde los primeros meses empieza a acrecentarse,
debido a que departamentos del Norte del país se registra el evento del FEN, impactando fuertemente
sobre la coyuntura económica y haciendo que el riesgo de crédito se incremente, en enero presenta una
tasa de 2.96% a la registrada en diciembre del año 2016, mientras que en febrero la tasa que registra es
2.98%, creciendo hasta el mes de mayo donde alcanza su mayor pico del año (3.15%), esto debido a
que ese mes el FEN fue más intenso, para el mes de junio el índice disminuye hasta 3.09% y vuelve a
aumentar en el mes siguiente hasta 3.12%, a octubre registra un índice de 3.14% y cierra el año con un
índice de 3.04%, que pese a bajar aún es alto en comparación al registrado desde el año 2008.
En el año 2018 el riesgo de crédito del sistema bancario peruano registra un promedio menor al del año
2017, la tasa del 2018 fue en promedio de 3.05%, mientras que la del 2017 fue de 3.07% en promedio,
sin embargo, en agosto del año 2018 muestra la mayor tasa (3.23%) registrada desde junio del año
2005 (3%), y cierra el año con una tasa de 2.95%.
26
2.1.2. Producto Bruto Interno peruano 2003 – 2018
Gráfico N° 2.2: evolución del PBI peruano 2003:01 – 2018:12.
(Millones de soles 2007 = 100)
15,000
20,000
25,000
30,000
35,000
40,000
45,000
50,000
55,000
2004 2006 2008 2010 2012 2014 2016 2018
PBI TENDENCIA
Fuente: Banco Central de Reserva del Perú [BCRP], 2019.
En el gráfico N°2.2 muestra la evolución que ha presentado el Producto Bruto Interno en el Perú
durante el periodo 2003:01 al 2018:12, se aprecia tendencia creciente, así como estacionalidad a fines
de cada año. Según BCRP (2003), en el año 2003 presentó un promedio de 20,466 millones de soles, la
tasa de crecimiento que presento fue de 4.1 por ciento explicado principalmente por el aumento de 3.6
por ciento de la demanda interna y del incremento de 5.8 por ciento de las exportaciones.
Según BCRP (2004), en el año 2004 el PBI aumento hasta 21,480 millones de soles en promedio, en
este año el Perú siguió en la senda de crecimiento económico sostenido iniciado a mediados de 2001 y
acumuló 42 meses de crecimiento consecutivo a diciembre de 2004. La tasa de crecimiento del
producto fue de 4,8 por ciento, impulsada por el contexto internacional favorable a las exportaciones y
la mayor demanda interna.
Según el BCRP (2008), el PBI alcanzó un promedio de 29,076 millones de soles, creciendo a una tasa
de o 9,14 por ciento, la tasa más alta luego de 14 años, con la cual el país alcanzó diez años
consecutivos de expansión, siendo esta la fase de crecimiento más larga desde la década de los sesenta.
A diferencia de ciclos anteriores, esta evolución se logró en un entorno de sano equilibrio
macroeconómico interno y externo.
27
Este mayor crecimiento se dio no obstante la difícil situación por la que atravesaba el resto de la
economía mundial, luego que se desatara la crisis financiera en los Estados Unidos y afectara
rápidamente al resto de economías, tanto desarrolladas como emergentes, y tuvieron como efecto una
menor demanda del exterior.
De acuerdo con BCRP (2009), durante el año 2009 la economía peruana tuvo que hacer frente a una
serie de desafíos, derivados de la crisis financiera internacional que generó la recesión global más
profunda desde la postguerra. Al finalizar el año 2009, la economía mundial registró por primera vez
en sesenta años una caída en el nivel de actividad, habiéndose alcanzado el punto más bajo en el primer
trimestre del año en el cual la producción global se contrajo registrando una tasa de crecimiento de
1.05 por ciento. La desaceleración de la economía peruana se observó principalmente en las
actividades con estrechos vínculos, tanto de manera directa como indirecta con el comercio exterior.
Según BCRP (2010), la economía peruana creció a una tasa de 8.5 por ciento durante 2010, con lo
cual se superó el débil ciclo económico del año 2009. El mayor impulso provino de la demanda
interna, que tuvo una expansión de 12.8 por ciento, remontando la caída que registró el año anterior.
Este desempeño ocurrió en un contexto de recuperación de la economía mundial, en particular de la
actividad económica de los Estados Unidos, principal socio comercial, así como del alto crecimiento
experimentado por la economía de China, segundo socio comercial. El crecimiento sucedió
principalmente en los sectores no primarios, cuyo dinamismo impactó directamente en el empleo
urbano de las empresas formales con 10 y más trabajadores, que creció a una tasa de 4.2 por ciento
durante 2010.
En el año 2017 según BCRP (2017), en promedio se llegó a un total de 42,867 millones de soles
creciendo a una tasa de 2.5 por ciento luego de expandirse 4.0 por ciento en 2016, afectado por dos
choques de distintas características. El primero fue FEN costero que devastó buena parte de la
infraestructura del norte del país en el primer trimestre del año; y el segundo fue el escándalo de
corrupción del caso Lava Jato que afectó la confianza de los inversionistas y paralizó proyectos de
inversión de asociaciones público-privadas.
Para el año 2018 según BCRP (2018), el PBI tuvo promedio de 44,572 millones de soles, presentado
así un mayor impulso, el cual provino de la recuperación de la demanda interna, que creció 4,3 por
ciento frente al 1,4 por ciento del año anterior. Destacó la evolución que tuvo el consumo privado,
reflejo de la recuperación del empleo y la aceleración del crédito.
28
2.1.3. Tasa de desempleo en el Perú 2003 – 2018
Gráfico N° 2.3: evolución de la tasa de desempleo en el Perú 2003:01 – 2018:12.
(Porcentaje)
4
6
8
10
12
14
2004 2006 2008 2010 2012 2014 2016 2018
TASA DE DESEMPLEO TENDENCIA
Fuente: Banco Central de Reserva del Perú [BCRP], 2019.
En el gráfico N°2.3 se presenta la evolución que ha tenido la tasa de desempleo en el Perú durante el
período 2003:01 al 2018:12, según BCRP (2019), en el año 2003 presentó un promedio de 9.42 por
ciento, mientras que en el año 2004 el promedio que registro fue de 9.43 por ciento, en el año 2005 se
incrementó hasta una tasa de 9.57 por ciento, en tanto para el año 2006 la tasa de desempleo disminuyó
a 8.54 por ciento, para el año 2007 continúo disminuyendo hasta 8.42 por ciento.
En el año 2008 el promedio registrado fue de 8.37 por ciento, la tendencia hasta entonces se mostró
decreciente, sin embargo en el año 2009 la crisis financiera causaba sus efectos y la tasa de desempleo
se incrementa hasta 8.48 por ciento, el mismo que volvería a bajar en el año 2010 cuando registró un
promedio de 7.88 por ciento, en el año 2011 se registra un promedio de 7.72 por ciento, esta tendencia
se mantuvo a la baja en promedio hasta el año 2016 cuando alcanzo un promedio de 6.87 por ciento, el
año 2017 su promedio alcanzado fue de 6.68 por ciento y en el año 2018 el promedio fue de 6.64 por
ciento.
29
2.1.4. Exportaciones en el Perú 2003 – 2018
Gráfico N° 2.4: evolución de las exportaciones en el Perú 2003:01 – 2018:12.
(Millones de US$)
0
1,000
2,000
3,000
4,000
5,000
2004 2006 2008 2010 2012 2014 2016 2018
EXPORTACIONES TENDENCIA
Fuente: Banco Central de Reserva del Perú [BCRP], 2019.
El gráfico N° 2.4 muestra la evolución de las exportaciones durante el período 2003:01 al 2018:12, en
dicho periodo la tendencia que ha mostrado es creciente en promedio, en el periodo que comprende
2012 a 2016 hubo una fuerte caída; sin embargo, en los años posteriores se recupera y muestra su
tendencia de largo plazo. Según BCRP (2003), en el año 2003 las exportaciones totalizaron US$ 9,
090.73 millones, mayores en US$ 1 263 millones (16 por ciento) respecto al año 2002. Este incremento
fue explicado tanto por las exportaciones tradicionales (US$ 899 millones o 17 por ciento) como las no
tradicionales (US$ 346 millones o 15 por ciento).
En el año 2007 según el BCRP (2007), las exportaciones de bienes sumaron US$ 28, 094.02 millones,
lo que representó un aumento de 17.5 por ciento respecto a 2006. Ello se explicó tanto por mayores
precios en 14.0 por ciento como por aumentos en los volúmenes exportados en 3.3 por ciento. Mientras
que en el año 2008 sumaron US$ 31,018 millones, monto que representó un aumento de 13.1 por
ciento respecto de 2007, y se explica por aumento de precios (5.1 puntos porcentuales) y volumen (8.0
puntos porcentuales).
30
En el año 2009 según BCRP (2009), las exportaciones fueron de US$ 27,070.52 millones, menores en
14,7 por ciento respecto al año anterior. En este resultado influyó la disminución de las cotizaciones
internacionales de los commodities, que afectaron a las exportaciones tradicionales. Los volúmenes
exportados descendieron en 3.3 por ciento por efecto del debilitamiento de la demanda mundial,
influyendo principalmente en las exportaciones no tradicionales.
En el año 2010 de acuerdo con BCRP (2010), las exportaciones alcanzaron los US$ 35,803.08
millones, monto superior en 31.9 por ciento al del año anterior, favorecidas por las mejores
cotizaciones internacionales de los commodities y el mayor volumen exportado de los productos no
tradicionales. Por otro lado, se exportó un menor volumen de bienes tradicionales por menores
embarques de oro, zinc y harina de pescado.
Para el año 2014 según el BCRP (2014), las exportaciones totalizaron US$ 39,532.68 millones, monto
inferior en 7.8 por ciento al registrado en el año previo debido a un descenso en los precios promedio
de exportación (6.9 por ciento), principalmente de los productos tradicionales (oro y cobre), como
reflejo de un entorno internacional menos favorable. En términos de volumen, se vieron afectados el
café (debido al impacto de la plaga de la roya amarilla en los cultivos), el oro (por los menores
embarques, principalmente de las empresas comercializadoras) y en menor medida la harina de
pescado.
Según BCRP (2016), en el año 2016 las exportaciones totalizaron US$ 37,081.74 millones, monto
superior en 7.6 por ciento al registrado el año previo gracias a un aumento de los volúmenes promedio
de exportación tradicional (16.6 por ciento), principalmente de cobre, oro, café y derivados del
petróleo.
En el año 2017 según BCRP (2017), las exportaciones totalizaron US$ 45,421.59 millones, monto
superior en 21.3 por ciento al registrado el año previo gracias a un aumento de los volúmenes promedio
de exportación tradicional (7.4 por ciento), principalmente de zinc, derivados del petróleo y harina de
pescado. Asimismo, el volumen de las exportaciones no tradicionales registró un incremento de 7.0 por
ciento por los mayores embarques de productos agropecuarios, textiles y pesqueros.
Finalmente, en el año 2018 según BCRP (2018), las exportaciones totalizaron US$ 49,066.48 millones,
monto superior en US$ 45,421.59 millones al registrado el año previo. Esta mejora se explica de un
lado por los mayores precios promedio que alcanzaron durante el año los productos de exportación
tradicional (7.8 por ciento), y por el otro, por los mayores volúmenes de los productos no tradicionales
(11.0 por ciento), en particular, por productos agropecuarios, pesqueros y químicos.
31
2.1.5. Liquidez del sistema bancario 2003 – 2018
Gráfico N° 2.5: Liquidez del sistema bancario peruano 2003:01 – 2018:12.
(Índice)
10
20
30
40
50
60
70
2004 2006 2008 2010 2012 2014 2016 2018
LIQUIDEZ TENDENCIA
Fuente: Superintendencia de Banca y Seguros [SBS], 2019.
En el gráfico N°2.5 muestra la evolución que ha presentado el índice de liquidez del sistema bancario
en el Perú durante el periodo 2003:01 al 2018:12, el comportamiento que muestra es cíclico, cayendo
en profundas simas y regresando a su tenencia de largo plazo. Así, para el año 2003 registra un
promedio de 29.30 por ciento. El BCRP (2003), sostiene que el saldo promedio de la liquidez total del
sistema bancario mantiene un nivel de alrededor de 25 por ciento del PBI en los últimos 5 años. Este
saldo pasó de 25.5 por ciento del PBI nominal en 2002 a 24.5 por ciento en 2003.
De acuerdo al BCRP (2004), en 2004 el índice de liquidez se incrementó hasta 41.90 por ciento, en el
año 2005 el promedio registrado fue de 49.39 por ciento, al año 2006 según BCRP (2006), el índice de
liquidez del sistema bancario registrado fue de 29.75, explicado por la desaceleración de la emisión
primaria la cual implicó un menor ritmo de expansión de los agregados monetarios más amplios.
En el año 2007 de acuerdo a la SBS (2019), el promedio registrado aumentaría hasta 50.30 por ciento,
el mismo que en el año 2008 se incrementa hasta 51.94 por ciento, y en el año 2009 dada la menor
emisión monetaria cae hasta 30.12 por ciento, para los año 2010, 2011 y 2012 muestra tendencia
creciente registrando en este último año un promedio de 46.52 por ciento, en el año 2014 registra una
caída y llega hasta 43.45 por ciento, desde entonces ha mostrado tendencia decreciente, al año 2017
registró un promedio de 32.77 por ciento mientras que en el año 2018 registra un promedio de 29.89
por ciento.
32
2.1.6. Colocaciones del sistema bancario 2003 – 2018
Gráfico N° 2.6: Colocaciones del sistema bancario peruano 2003:01 – 2018:12.
(Índice)
0
40,000,000
80,000,000
120,000,000
160,000,000
200,000,000
2004 2006 2008 2010 2012 2014 2016 2018
COLOCACIONES TENDENCIA
Fuente: Superintendencia de Banca y Seguros [SBS], 2019.
El gráfico N°2.6 muestra la evolución que ha tenido las colocaciones del sistema bancario durante el
periodo 2003:01 al 2018:12, la misma que ha mostrado tendencia creciente hasta finales del 2016,
posterior a ello en el 2017 presenta una ligera caída producto FEN en la zona norte del Perú, hacia el
año 2018 las colocaciones regresan a su tendencia de largo plazo.
Según BCRP (2003), en términos de flujos, el crédito del sistema bancario al sector privado en moneda
nacional pasó de una variación de S/ 639 millones en 2002 a una variación de S/ 493 millones en 2003.
Esta expansión correspondió al aumento del crédito al sector privado de las empresas bancarias en S/
384 millones y del Banco de la Nación en S/ 76 millones, principalmente por los préstamos de
consumo a trabajadores y pensionistas del sector público.
De acuerdo al SBS (2019), en el año 2017 los créditos registraron una tasa de crecimiento promedio de
0.002 por ciento tasa inferior a la registrada en el año 2016 (0.004 por ciento), el deterioro observado
en los créditos a las medianas empresas se debió a los atrasos provenientes de empresas que operan
principalmente en los sectores construcción, comercio, servicios, manufactura y agricultura, los cuales
registraron una desaceleración en sus niveles de producción durante el año 2017. En el año 2018 las
colocaciones bancarias muestran recuperación con una tasa de crecimiento promedio de 0.009 por
ciento, superior a la registrada en el 2017 cuando se produce el fenómeno del niño en los primeros
meses del año.
33
2.2. Análisis en tasas de crecimiento
2.2.1. Riesgo de crédito del sistema bancario y PBI 2003 – 2018
Gráfico N° 2.7: Riesgo de crédito y PBI en el Perú 2003:01 – 2018:12.
(Tasa de crecimiento)
-30
-20
-10
0
10
20
30
2004 2006 2008 2010 2012 2014 2016 2018
TC - RIESGO DE CRÉDITO
TC - PBI
Fuente: Superintendencia de Banca y Seguros y Banco Centra de Reserva del Perú, 2019.
El gráfico N°2.7 muestra la relación en las tasas de crecimiento entre el riesgo de crédito del sistema
bancario y el Producto Bruto Interno en el Perú durante el período 2003:01 al 2018:12, existe relación
inversa entre ambas variables, en periodos donde el PBI presenta tasas de crecimiento positivas el
riesgo de crédito tiende a caer.
En el año 2003 el riesgo de crédito presentó una tasa de crecimiento promedio de -0.02 por ciento
mientras que el PBI tuvo una tasa de crecimiento promedio de 0.67 por ciento. Hasta el año 2008 el
PBI presenta tasas de crecimiento positivas y el riesgo de crédito tasas de crecimiento en promedio
negativas, para el año 2009 tras los efectos de la crisis financiera internacional el riesgo de crédito
empieza a incrementarse mientras que las tasas de crecimiento del PBI caen, desde el 2010 el PBI ha
crecido a tasas decrecientes mientras que el riesgo de crédito empezó a incrementarse presentando una
de sus mayores tasas de crecimiento en marzo del 2018 (0.25 por ciento).
34
2.2.2. Riesgo de crédito y tasa de desempleo en el Perú 2003 – 2018
Gráfico N° 2.8: Riesgo de crédito y tasa de desempleo en el Perú 2003:01 – 2018:12.
(Tasa de crecimiento)
-40
-20
0
20
40
60
2004 2006 2008 2010 2012 2014 2016 2018
TC - RIESGO DE CRÉDITO
TC - DESEMPLEO
Fuente: Superintendencia de Banca y Seguros y Banco Centra de Reserva del Perú, 2019.
En el gráfico N°2.8 se presenta la relación que tiene el riesgo de crédito del sistema bancario con la
tasa de desempleo en el Perú durante el período 2003:01 al 2018:12. La relación que presentan ambas
variables a través de las tasas de crecimiento es positiva, lo cual implica que un incremento en la tasa
de crecimiento del índice de desempleo tiene un impacto directo en el riesgo de crédito haciendo que
este se incremente.
Tal relación se verifica a lo largo de todo el periodo pues ambas variables muestran similar tendencia
en cuanto tasas de crecimiento. Sin embargo, se aprecia mejor en periodos de shock en la economía
como la crisis del año 2008, cuando el desempleo crece a una tasa promedio de 2.4 por ciento, mayor a
la registrada al promedio del año 2007 (0.08 por ciento), en el mismo año en promedio el riesgo de
crédito registra una tasa de crecimiento promedio de 0.01 por ciento la cual es mayor al promedio en
tasas de crecimiento registrada en el año 2007 (-0.02 por ciento), evidenciando la relación directa entre
ambas variables.
La relación se evidencia nuevamente entre el año 2017 y 2018, en el primero el desempleo crece en
promedio a una tasa de -1.00 por ciento y al año 2018 la tasa de crecimiento promedio fue de -0.07 por
ciento, menor a la registrada en el 2017, similar situación presenta el riesgo de crédito, en el 2017
creció a un promedio de 0.07 por ciento, mientras que en el 2018 la tasa de crecimiento promedio fue
de 0.06 por ciento.
35
2.2.3. Riesgo de crédito y exportaciones en el Perú 2003 – 2018
Gráfico N° 2.9: Riesgo de crédito y exportaciones en el Perú 2003:01 – 2018:12.
(Tasa de crecimiento)
-40
-30
-20
-10
0
10
20
30
40
2004 2006 2008 2010 2012 2014 2016 2018
TC - RIESGO DE CRÉDITO
TC - EXPORTACIONES
Fuente: Superintendencia de Banca y Seguros y Banco Centra de Reserva del Perú, 2019.
El gráfico N°2.9 muestra la relación entre el riesgo de crédito del sistema bancario y las exportaciones
peruanas durante el periodo 2003:01 al 2018:12, evidenciando la relación inversa que sugiere la teoría,
en periodos cuando las exportaciones se incrementan el riesgo de crédito tiende a disminuir y
viceversa.
En el año 2004 las exportaciones tuvieron una tasa de crecimiento promedio de 4.02 por ciento mayor
a la alcanzada en el 2003 (2.86 por ciento), en tanto, el riesgo de crédito alcanza una tasa de
crecimiento promedio de -3 por ciento, mayor a la que alcanzo en el 2003 (2 por ciento). En el año
2008 las exportaciones alcanzaron una tasa de crecimiento promedio de -3.05 por ciento, menor a la
registrada en el año 2007 (2.26 por ciento), en el caso del riesgo de crédito de registrar una tasa de
crecimiento promedio de -2% en el 2007, en el año 2008 se incrementó a una tasa promedio de 0.01
por ciento; permitiendo evidenciar la relación directa que tienen ambas variables.
En el año 2017 las exportaciones presentaron una tasa de crecimiento promedio de 1.53 por ciento,
menor a la que se alcanza en el 2016 (2.69 por ciento), en el año al 2018 las exportaciones presentan
una tasa de crecimiento más baja, -0.14 por ciento, en este periodo el riesgo de crédito disminuye de
una tasa de 0.7 por ciento en promedio en el 2017 a una tasa de 0.6 por ciento en promedio el 2018.
36
2.2.4. Riesgo de crédito y liquidez del sistema bancario 2003 – 2018
Gráfico N° 2.10: Riesgo de crédito y liquidez del sistema bancario peruano 2003:01 – 2018:12.
(Tasa de crecimiento)
-40
-20
0
20
40
60
2004 2006 2008 2010 2012 2014 2016 2018
TC- RIESGO DE CRÉDITO SISTEMA BANCARIO
TC - LIQUIDEZ DEL SISTEMA BANCARIO
Fuente: Superintendencia de Banca y Seguros, 2019.
El gráfico N°2.10 muestra la relación que existe entre el riesgo de crédito y el índice de liquidez del
sistema bancario a través de tasas de crecimiento, se observa que la relación no es estrictamente directa
a o inversa pues en periodos cuando el índice de liquidez ha presentado tasas crecientes el riesgo de
crédito ha tendido a disminuir y en otros a aumentar; sin embargo, el patrón que se muestra con mayor
frecuencia es el de la relación inversa. En el año 2003 el índice de liquidez en promedio alcanza 2.8 por
ciento como tasa de crecimiento la cual se incrementa hasta 2.9 por ciento en el año 2004, resultado
inverso presenta el riesgo de crédito, en el 2003 presenta en promedio -2.7 por ciento como tasa de
crecimiento y en el 2004 fue de -3 por ciento.
Para el 2007 el índice de liquidez presenta un promedio de 3.0 por ciento la misma que en el año 2008
pasa a -6.0 por ciento, en tanto el riesgo de crédito en el 2007 presento una tasa de crecimiento de -2.0
por ciento la misma que se incrementa en el 2008 a 0.6 por ciento. En el 2017 el riesgo de crédito
presenta una tasa de 0.7 por ciento en promedio, menor a la alcanzada en el 2016 cuando registró 0.8
ciento como tasa de crecimiento promedio, en tanto el índice de liquidez en el 2016 registró una tasa de
crecimiento promedio de 0.4 por ciento la cual se incrementa a 2.0 por ciento en el 2017. Esta situación
evidencia que el riesgo de crédito con el índice de liquidez del sistema bancario tiene relación inversa.
37
2.2.5. Riesgo de crédito y colocaciones del sistema bancario 2003 – 2018
Gráfico N° 2.11: Riesgo de crédito y colocaciones del sistema bancario peruano 2003:01 – 2018:12.
(Tasa de crecimiento)
-30
-20
-10
0
10
20
30
2004 2006 2008 2010 2012 2014 2016 2018
TC - RIESGOS DE CRÉDITO DEL SISTEMA BANCARIO
TC- COLOCACIONES DEL SISTEMA BANCARIO
Fuente: Superintendencia de Banca y Seguros, 2019.
En el gráfico N°2.11 se presenta la relación que han tenido el riesgo de crédito del sistema bancario
con el nivel de colocaciones a través de tasas de crecimiento, se presencia relación directa, un
incremento en las tasas de crecimiento de las colocaciones ha generado que el riesgo de crédito del
sistema bancario peruano tienda a aumentar en el periodo 2003:01 al 2018:12.
En el año 2004 las colocaciones crecieron a una tasa promedio de 0.9 por ciento, mientras que el riesgo
de crédito registró una tasa de crecimiento promedio de -2.7 por ciento. Para el año 2007 la tasa de
crecimiento promedio que registraron las colocaciones fue de 3.2 por ciento, mientras que el riesgo de
crédito se incrementó y registro una tasa de crecimiento promedio de 2.0 por ciento, la situación fue
similar para el año 2008, mientras las colocaciones registraron una tasa de crecimiento promedio de 3.6
por ciento el riesgo de crédito también se incrementó hasta 0.6 por ciento como tasa de crecimiento
promedio.
En el año 2016 las colocaciones presentaron en promedio 0.4 por ciento la misma que disminuye hasta
0.2 por ciento en el 2017, similar tendencia siguió el riesgo de crédito que en el 2016 presentaba en
promedio 0.8 por ciento como tasa de crecimiento y en el 2017 disminuyó a 0.7 por ciento,
evidenciando de tal manera la relación directa que existe entre ambas variables.
38
2.3. Análisis de relación de variables
2.3.1. Factores macroeconómicos
Gráfico N° 2.12: Riesgo de crédito y variables macroeconómicas en el Perú 2003:01 – 2018:12.
(Tasas de crecimiento)
-.2
-.1
.0
.1
.2
-.3 -.2 -.1 .0 .1 .2 .3
T.C RIESGO DE CRÉDITO
T.C
P
BI
(-2
)
-.6
-.4
-.2
.0
.2
.4
-.3 -.2 -.1 .0 .1 .2 .3
T.C RIESGO DE CRÉDITOT.C
T
AS
A D
E R
EF
ER
EN
CIA
DE
PO
LÍT
ICA
MO
NE
TA
RIA
-.6
-.4
-.2
.0
.2
.4
.6
-.3 -.2 -.1 .0 .1 .2 .3
T.C. RIESGO DE CRÉDITO
T.C
. D
ES
EM
PL
EO
Fuente: Superintendencia de Banca y Seguros y Banco Centra de Reserva del Perú, 2019.
En el gráfico N°2.12 se presentan la relación entre el riesgo de crédito y variables macroeconómicas de
la economía peruana (PBI, Tasa de referencia de política monetaria y el desempleo) durante el periodo
2003:01 – 2018:12. La relación que se presenta entre el riesgo de crédito y el PBI es inversa, lo cual
significa que ante un incremento en el PBI el riesgo de crédito tiende a disminuir; en cuanto a la tasa de
referencia y riesgo de crédito la relación es directa; y en cuanto al desempleo se observa relación
directa con el riesgo de crédito del sistema bancario peruano.
39
Gráfico N° 2.13: Riesgo de crédito y variables macroeconómicas en el Perú 2003:01 – 2018:12.
(Tasa de crecimiento)
-.4
-.2
.0
.2
.4
-.3 -.2 -.1 .0 .1 .2 .3
T.C . RIESGO DE CRÉDITO
T.C
. E
XP
OR
TA
CIO
NE
S
-.10
-.05
.00
.05
.10
.15
-.3 -.2 -.1 .0 .1 .2 .3
T.C. RIESGO DE CRÉDITO
T.C
. E
MIS
IÓN
P
RIM
AR
IA
-3
-2
-1
0
1
-.3 -.2 -.1 .0 .1 .2 .3
T.C. RIESGO DE CRÉDITO
T.C
. S
&P
LI
MA
G
EN
ER
AL
Fuente: Superintendencia de Banca y Seguros, Banco Centra de Reserva del Perú e Investig, 2019.
En el gráfico N°2.13 se presentan la relación entre el riesgo de crédito y variables macroeconómicas de
la economía peruana (exportaciones, emisión primaria e índice bursátil de la Bolsa de Valores de
Lima); en los tres casos se observa que la relación durante el periodo 2003:10 al 2018:12 es inversa,
en períodos donde se han incrementado los indicadores macroeconómicos el riesgo de crédito ha
tendido a disminuir, esto se evidencia mejor en la relación de las exportaciones y riesgo de crédito
como en la relación emisión primaria y riesgo de crédito.
40
2.3.2. Factores microeconómicos
Gráfico N° 2.14: Riesgo de crédito y variables microeconómicas en el Perú 2003:01 – 2018:12.
(tasa de crecimiento)
-.4
-.2
.0
.2
.4
.6
-.3 -.2 -.1 .0 .1 .2 .3
T.C. RIESGO DE CRÉDITO
T.C
. L
IQU
IDE
Z
-.08
-.04
.00
.04
.08
-.3 -.2 -.1 .0 .1 .2 .3
T.C. RIESGO DE CRÉDITO
T.C
. T
ASA
A
CT
IVA
-.10
-.05
.00
.05
.10
-.3 -.2 -.1 .0 .1 .2 .3
T.C. RIESGO DE CRÉDITO
T.C
. C
RÉ
DIT
OS/
DE
PÓ
SIT
OS
Fuente: Superintendencia de Banca y Seguros, Banco Centra de Reserva del Perú, 2019.
En el gráfico N°2.14 se muestra la relación que existe entre indicadores microeconómicos (índice de
liquidez, tasa de interés activa, ratio créditos/depósitos) con el riesgo de crédito del sistema bancario en
el Perú durante el periodo 2003:01 al 2018:12. Se presencia relación inversa entre el riesgo de crédito y
el índice de liquidez, similar relación muestra el riesgo de crédito respecto a la tasa de interés activa;
mientras que, en relación al ratio créditos/depósitos es directa.
41
CAPITULO III
3. MARCO TEÓRICO Y EVIDENCIA EMPÍRICA
3.1. Riesgo de crédito
Según el Comité de Supervisión Bancaria de Basilea (2017), el riesgo de crédito es la probabilidad de
que, a su vencimiento, una entidad no haga frente, en parte o en su totalidad, a su obligación de
devolver una deuda o rendimiento, acordado sobre un instrumento financiero, debido a quiebra,
iliquidez o alguna otra razón.
Por su parte Basso (2013), sostiene que se define como el riesgo de incurrir en pérdidas producto del
incumplimiento, por falta de solvencia, de las obligaciones contractuales asumidas por una contraparte.
Además, el autor señala que el objetivo de medir el riesgo de crédito es prever anticipadamente la
pérdida potencial (individual y como portafolio) en la que podría incurrir la institución en el
otorgamiento de créditos.
En esta línea, Rodríguez (2017), afirma que el riesgo de crédito se define como la posibilidad de
incurrir en pérdidas debido a la incapacidad de la contraparte de cumplir con las obligaciones
establecidas en el contrato. Asimismo, el autor manifiesta que el riesgo de crédito depende de:
➢ Probability of default, PD: Representa la probabilidad de que la operación presente impago
superior a 90 días en un horizonte temporal determinado.
➢ Loss given default, LGD: Representa la estimación de la pérdida económica sufrida por aquellos
contratos que han entrado en situación de default.
➢ Exposure at default, EAD: Representa el importe de la exposición crediticia en el momento en que
se produce el default.
Asimismo, Jiménez y Benavides (2016), señalan que el riesgo de crédito es un componente importante
ya que a pesar de que los tipos de productos que los bancos ofrecen cambian continuamente, estos
incluyen frecuentemente un componente de riesgo de crédito. Debido a su importancia, este tipo de
riesgo ha sido tema de discusión constante en los acuerdos de Basilea.
A esto se suma Uquillas y Gonzáles (2017), quienes manifiestan que, en particular, el riesgo de crédito
es el índice de morosidad, siendo este uno de los principales indicadores de solidez financiera
propuesto por el Fondo Monetario Internacional y considerado globalmente como una medida
apropiada para medir la calidad de las carteras de préstamos.
42
3.2. Modelos de medición del riesgo de crédito
Saavedra y Arellano (S.f), manifiestan que existen múltiples modelos para la medición del riesgo de
crédito, en el presente estudio se resaltan los principales en la tabla N°3.1.
Tabla 3.1: Modelos de medición del riesgo de crédito
MODELOS TRADICIONALES MODELOS RECIENTES
Sistema expertos (5 C del crédito) Modelos de KMV
Score o credit scoring Modelo de valuación de Merton
Modelo CrediMetrics de JP Morgan
Modelo CreditRisk
Modelo de retorno sobre capital ajustado
al riesgo
Fuente: Galicia, 2003 (Citado por Saavedra y Arellano, S.f).
3.2.1. Modelos tradicionales
3.2.1.1. Modelo expertos Basso (2013), manifiesta que este tipo de modelos se encuentran basados en criterios subjetivos y el
juicio o experiencia del analista de cartera.
Por su parte García y Lozano (2014), afirman que el modelo se resume en las llamadas cinco C del
crédito:
✓ Carácter: se refiere a la reputación de la empresa, a su sector, y a la solidez que demuestra.
✓ Capital: para analizar el capital se emplean varios ratios financieras como pueden ser la
cobertura de intereses o el grado de apalancamiento (Deuda/recursos propios). Lógicamente,
un alto apalancamiento unido a una baja capacidad de cubrir los intereses con su resultado
genera una alta probabilidad de incumplimiento.
✓ Capacidad de repago: se refieren a la desviación típica de los ingresos. Si el prestatario tiene
unos ingresos con una volatilidad elevada, hay una mayor probabilidad de que los ingresos
sean insuficientes en el momento de hacer un pago y, por consiguiente, de que incumpla.
✓ Colateral: se refiere a la calidad de la garantía y a su liquidez.
✓ Ciclo: la situación económica en la que se encuentra la economía. En un período coyuntural de
recesión, las probabilidades de incumplimiento son mayores que en época de bonanza.
43
3.2.1.2. Z – Score o credit scoring
Este modelo se origina gracias al trabajo de Altman (1968), introdujo técnicas de análisis multivariante
en su estudio, este modelo se basa en identificar una serie de variables definidas en función de ratios
financieros y asignar unos pesos estadísticos al conjunto de variables para generar un número, el score.
No obstante, las personas naturales o jurídicas que no obtienen el score necesario, no son rechazadas
directamente, si no que se someten a un análisis mucho más detallado, para ello Altman propuso el
siguiente modelo lineal:
Z = 1,2 X1+1,4X2+3,3X3+0.6X4+0,999X5
Siendo las variables:
✓ X1: Fondo de Maniobra/Total Activo: Hace una relación entre el grado de liquidez de la
empresa y su tamaño.
✓ X2: Reservas/ Total Activo: mide indirectamente el punto del ciclo de vida de la empresa en el
que se encuentra, es decir, su grado de madurez.
✓ X3: EBIT/ Total Activo: Mide de forma aproximada el nivel de productividad de los activos, es
decir, el poder de generación de ingresos de la compañía, sin tener en cuenta impuestos e
intereses.
✓ X4: Valor de Mercado de las acciones/ Valor contable de los pasivos: Ofrece información
sobre el margen de reducción del valor del mercado de las acciones de la empresa antes de que
el total de pasivo exceda el valor contable de sus activos y la empresa se declare insolvente.
✓ X5Ventas/ Total Activo: Es el ratio de rotación. Mide la capacidad de generación de ingresos
de los activos de la compañía.
Según García y Lozano (2014), los resultados obtenidos por Altman con su modelo fueron bastante
satisfactorios al obtener una precisión del 95% y del 85% en su clasificación, con uno o dos años de
antelación respectivamente respecto a la fecha de quiebra.
44
3.2.2. Modelos modernos
3.2.2.1. Modelo KMV – Merton
Según Vasicek (1997), este modelo fue desarrollado por Kealhofer, McQuown y Vasicek, el cual es
una extensión del modelo de Merton, que toma en cuenta el comportamiento crediticio de los deudores.
Los autores sostienen que es un modelo de diversificación basado en las correlaciones del mercado de
acciones que permite estimar la probabilidad de incumplimiento entre activos y pasivos.
Según Vasicek (1997), el modelo KMV define la probabilidad de incumplimiento como una función de
la estructura del capital de la firma, la volatilidad del rendimiento esperado de los activos y su valor
actual. Los autores sostienen que los supuestos más importantes del modelo son:
i) No existen costos de transacción.
ii) No existen impuestos.
iii) Divisibilidad infinita de los activos.
iv) Acceso a la información sin costo.
v) Transacciones realizadas en el mercado continuamente.
vi) No existen pagos de dividendos.
vii) No existen recompra de acciones.
viii) No existen pago de cupones (deuda cupón cero).
ix) No existe ley de banca rota a la cual acogerse.
x) Se asumen tasas de interés constantes.
En la tabla N°3.2 se presenta un resumen del modelo estructural de KMV MERTON:
Tabla 3.2: Modelo estructural KMV – MERTÓN.
Fuente: Fabozzi, Martellini y Priaulet, 2006 citado de Martínez y Ballón (S.f).
Valor de Mercado del Patrimonio
(Precio de las acciones)
Valor de libros de la deuda
(Estados financieros)
Modelos de Valoración de opciones (B&S)
Valor implícito de los activos y su volatilidad
Probabilidad de incumplimiento
45
3.2.2.2. Modelo de valuación de Merton
Merton (1974), propone un modelo que vincula el riesgo de default con la estructura de capital de las
empresas. La premisa básica del modelo establece como supuesto que el default ocurre si el valor de
los activos cae por debajo de los pasivos. De la identidad contable Activos = Pasivos + Patrimonio
Neto, y del supuesto según el cual los accionistas reciben el valor residual de la empresa, si los pasivos
superan el valor de los activos, el valor del patrimonio neto será nulo y se esperará que la empresa
ejerza la opción de declararse en default.
Munafo (2018), sostiene que para estimar la probabilidad de default en el modelo de Merton se calcula
el valor de los pasivos y el valor de los activos. El valor de los pasivos se considera como un bono
cupón cero y además se supone fijo en el corto plazo, hasta T, por lo que su valor se puede extraer de
los estados financieros de la empresa. Para estimar el valor de los activos en el corto plazo, el cual no
se supone fijo, se necesita especificar la distribución de probabilidad en T. Una suposición común
establece que el valor de los activos financieros (𝐴𝑡) sigue una distribución logarítmica normal.
Simbolizamos a t como el período actual, donde 𝜇 es la media y 𝛿 la volatilidad de los activos. Siendo t
el período actual, el valor logarítmico del activo en T sigue una distribución normal con los siguientes
parámetros:
ln 𝐴𝑡 ~𝑁 (ln 𝐴𝑡 + (𝜇 − 𝛿 2 2) ∗ (𝑇 −𝑡), 𝛿 2 (𝑇 − 𝑡))
Figura N° 3.1: Teoría de probabilidad de incumplimiento de Merton.
Fuente: Munafo, 2018.
46
De acuerdo a García y Lozano (2014), manifiestan que las aportaciones de Merton fueron que, si se
conoce la distribución de probabilidad del valor del activo de la compañía en el tiempo, al haberse
estimado el valor actual de los activos, se puede obtener la distribución de probabilidad del valor de los
activos en un horizonte temporal T. Cuando el valor de los activos es menor que el valor del pasivo,
entonces se produciría el impago. Las probabilidades de que el activo valga menos que ese umbral es la
probabilidad de que se produzca el fallido (probabilidad de quiebra).
Según Saavedra y Saavedra (2010), la valuación del riesgo de crédito se basa en la probabilidad de que
el prestatario o emisor del bono incumpla con sus obligaciones (ocurra un default). Un factor
importante en la ocurrencia del incumplimiento es su relación con los ciclos económicos, ya que este
incumplimiento suele reducirse durante los períodos de expansión económica, al mantenerse tasas
totales de impagos bajas; mientras que sucede lo contrario en períodos de contracción económica.
3.3. Determinantes del riesgo de crédito
Respecto a los diversos determinantes del riesgo de crédito, Kalirai y Scheicher (2002), evidencian que
el riesgo de crédito es determinado por variables económicas como el PBI, la estabilidad de los precios
(medida por el Índice de Precios al Consumidor), ingreso, consumo e inversión en los hogares y
sectores corporativos, además los índices de mercados financieros (tasas de interés e índices de
mercados accionarios) y las variables que afectan la solvencia externa como el tipo de cambio, las
exportaciones y el precio del petróleo. La propuesta de que el PBI es determinante en el riesgo de
crédito es reforzada por Vázquez, Tabak y Souto (2010), quienes sostienen que existe una sólida
relación inversa entre el riesgo de crédito y las variaciones del PBI, con una respuesta de mediano
plazo, dicha relación se muestra en la figura N°3.2.
Figura N° 3.2: Relación entre el riesgo de crédito y el crecimiento del PBI.
Fuente: Vásquez, Tabak y Souto, 2010.
RC
PBI
47
En la misma línea, Deloitte (2010), encuentra que las relaciones del riesgo de crédito con el ámbito
macroeconómico son distintas. El autor al igual que los citados en el párrafo anterior, señala que el PBI
presenta relación inversa con el ratio de riesgo, sin embargo, señala dos determinantes adicionales -la
tasa de referencia de política monetaria y la tasa de desempleo - afirma que la primera debería impactar
de manera inversa, mientras que la segunda debe impactar de manera directa en el riesgo de crédito del
sistema bancario. De manera similar, Alfaro y Sagne (2011), relacionan los agregados del sistema
bancario (pérdida de préstamos provisiones, crecimiento crediticio y castigos) con variables
macroeconómicas (crecimiento del producto, tasas de interés a largo plazo y desempleo).
Respecto al tema, Bazerque y Cabrera (2011), a diferencia de los autores antes citados, afirman que los
indicadores que influyen en el riesgo de crediticio son la dolarización del crédito, el monto adeudado y
la cantidad de defaults previos. Sin embargo, el autor coincide con los tres autores antes citados al
afirmar que la evolución del PBI del país es la variable económica que más repercute de forma global
sobre el riesgo de crédito.
Una clasificación diferente a los autores antes citados lo hace Foglia (2009), quien afirma que el riesgo
de crédito está asociado a variables macroeconómicas como PBI, tasas de interés y tipo de cambio,
además el autor asocia las variables microeconómicas propias de los bancos como las que miden la
calidad de activos bancarios. En tal sentido, para complementar este argumento Gatica y Cáceres
(2011), evidencian que el riesgo de crédito se puede explicar tanto por variables macroeconómicas
como por variables propias del sistema bancario, afirman el riesgo de crédito es explicado por las
variaciones del PBI, las tasas de interés de largo plazo, los índices de mercado bursátil, además por
variables propias del sistema bancario como el flujo de créditos suspendidos y la rentabilidad de los
bancos.
De la misma manera que Foglia (2009), y el BCRP (2013), señalan que el riesgo de crédito está
determinado por factores microeconómicos, por el lado de las entidades financieras (tecnología de
administración del riesgo crediticio de cada entidad financiera) y de los prestatarios (condiciones del
mercado en que operan las empresas, así como la situación del mercado laboral en el caso de las
familias); por factores macroeconómicos (PBI, empleo, tipo de cambio, etc.); y, otros factores propios
del sistema.
De manera complementaria Uquillas y González (2017, 2017A), indican que el riesgo de crédito es
sensible negativamente a la liquidez, a la tasa de intermediación, así como el volumen de crédito,
además reafirman lo dicho por Kalirai y Scheicher (2002), que el precio del petróleo, la actividad
económica y el desempleo son determinantes relevantes en el riesgo de crédito.
48
Sin embargo, Uquillas y Gonzáles (2017), a diferencia tanto de los autores que proponen determinantes
microeconómicos como macroeconómicos, sostienen que el riesgo de crédito está determinado por el
shock bursátil, los shocks de importaciones y los impactos de la producción. Bajo esta perspectiva
autores como Flores (2011), sostiene que el riesgo de crédito en el sistema bancario está relacionado
con los típicos factores macroeconómicos como la producción, las tasas de interés, el nivel de precios
en la economía, el desempleo, el tipo de cambio, la exportaciones e importaciones, y por factores tipo
microeconómicas como la deuda de los hogares, el ingreso disponible, entre otros.
Similar clasificación a la mayor parte de autores citados, respecto a los factores macroeconómicos que
determinan el riesgo de crédito la BGFRS (2012), evidencia que el riesgo crediticio está determinado
por la actividad económica, la tasa de desempleo de la población, el ingreso, el índice de precios al
consumidor. De manera similar Capera et al. (2012), y Cabrera et al. (2012), afirman que existe
relación indirecta entre el riesgo de crédito con la actividad económica, precios de la vivienda, así
como relación directa entre el desempleo y tasas de interés. Ambos grupos de autores indican que un
incremento de la tasa de interés generaría el mayor deterioro del indicador de riesgo, aunque la
probabilidad de un aumento drástico en el riesgo es baja. A su vez, también generarían deterioro en el
indicador de riesgo un crecimiento significativo del desempleo en el caso de los hogares o una
reducción de los ingresos por ventas en el caso de las empresas.
Sin embargo, de manera contradictoria a Capera et al. (2012), y Cabrera et al. (2012), según Alfaro y
Loyaga (2018), sugieren que si las tasas de interés se incrementan, por diversas situaciones
económicas, las entidades bancarias podrán cubrirse de futuras pérdidas ante los problemas de impago
de sus clientes y, captar clientes que tengan alta capacidad de pago y que pueden asumir una tasa de
interés elevada, con lo cual mantienen bajo el riesgo de crédito y en muchos casos ante un incremento
de la tasa de interés reduce el riesgo de crédito a través del canal del crédito.
Con el paso de los años los determinantes del riesgo de crédito del sistema bancario no han cambiado
de los que se han afirmado por los autores citados anteriormente, así lo evidencia Moreno (2016),
quien sostiene que el comportamiento macroeconómico impacta sobre el riesgo de crédito, así como la
inflación, la tasa de interés y el desempleo, el autor además señala que dichas variables son
significativas para predecir el comportamiento del riesgo de crédito. Dicho argumento se venía
afirmando desde años anteriores, así Deloitte (2010), sostiene que uno de los principales riesgos que
enfrenta la banca corresponde a las obligaciones contraídas por parte de sus deudores, afirma además
que los ciclos económicos afectan la capacidad de pago de los deudores, por eso es importante tener en
49
consideración el efecto de los vaivenes en la economía y como estos afectan la dinámica del nivel de
provisiones y colocaciones de las instituciones financieras.
El argumento de Deloitte (2010), se reafirma 6 años después por Rodríguez (2016), quien señala que:
La prueba de riesgo crédito busca relacionar la pérdida asociada a los préstamos bancarios con la
capacidad de pago de los deudores, el gasto de provisión, el crecimiento del producto, las tasas de
interés y el nivel de endeudamiento. El mismo autor afirma que: Se interpreta que el ratio de cartera
deteriorada es producto del crecimiento del índice del PBI real y la diferencia entre las tasas de largo
y corto plazo.
Por otro lado, la literatura de los principales determinantes del riesgo de crédito encontrados cita a
Demirguc-Kunt y Detrgiache (Citado por Rodríguez, 2016), quien, respecto a variables
macroeconómicas, afirma que los factores como bajas tasas de crecimiento del PBI, pero, acompañado
por niveles altos de tasas de intereses e inflación incrementen las probabilidades de que ocurran
problemas sistémicos en el sistemáticos bancario (incremento del riesgo). Sin embargo, con una
perspectiva más amplia a la citada, Jiménez y Benavides (2016), sostienen que el riesgo de crédito en
el sistema bancario está determinado por el nivel de producción, el consumo privado, el desempleo, la
inflación, los créditos otorgados por el sector bancario, exportaciones totales, el tipo de cambio real y
la tasa de interés real nacional.
Asimismo, complementando lo señalado por Jiménez y Benavides (2016), quienes proponen al tipo de
cambio como uno de los determinantes del riesgo de crédito, Martínez et al. (2017), considera que
efectivamente el riesgo de crédito está determinado por el tipo de cambio, pero, también por las
variables propuestas tanto por Deloitte (2010), y Alfaro y Sagne (2011), como son la tasa de referencia
de política monetaria, el desempleo, el PBI y las tasas de interés.
En la misma línea de Foglia (2009), Gatica y Cáceres (2011), Uquillas y González (2017A), afirman:
La morosidad se agrava a medida que el volumen de crédito concedido crece más rápidamente
que la actividad económica. Factores específicos como la liquidez y el margen de
intermediación se relacionan negativamente con las tasas de morosidad futuras, lo cual pone de
relieve la importancia de la calidad de administración en las instituciones financieras. Aunque
puede resultar intuitivo que indicadores del bienestar económico del país o de las entidades
financieras afecten a la morosidad.
50
A diferencia de Foglia (2009), Gatica y Cáceres (2011), y de Uquillas y González (2017, 2017A), una
clasificación más completa sobre los determinantes del riesgo de crédito la hace Cristófoli (2017), el
autor señala que dichos factores estarían agrupados en: crédito (incluyendo indicadores sobre la
evolución, el nivel de endeudamiento y el comportamiento del crédito del sector privado no financiero,
el tipo de interés que se aplica, y la evolución de precios), liquidez (factores e indicadores que hacen
referencia a la liquidez de las entidades bancarias y a la liquidez del mercado), concentración,
mercados financieros, desequilibrios macroeconómicos (factores e indicadores que hacen referencia a
la deuda externa, al sector público en general y a las cuentas nacionales), economía real (engloba
indicadores sobre crecimiento económico y desempleo).
Asimismo, al igual que Cristófoli (2017), en cuanto a los determinantes macro y microeconómicos que
impactan en el riesgo de crédito Gonzáles (2017), señala que los factores macroeconómicos que
determina el riesgo de crédito son la variación real del producto bruto (PIB), los precios de las materias
primas, el nivel de ingresos y el empleo, la inflación, el tipo de tasas de interés, el nivel de
endeudamiento, la depreciación de la moneda, el tipo de cambio real, entre otros. por otro lado, afirma
que los factores microeconómicos son importantes debido a que una adecuada selección de créditos y
mantenimiento de un sistema de vigilancia para la recuperación de los mismos, disminuye el riesgo de
crédito, entre los cuales resaltan los que miden la calidad de activos, la liquidez, el rendimiento, la
rentabilidad, la eficiencia operativa, entre otros.
Dua y Kapur (2018), siguieren que existe relación entre el riesgo de crédito y el ámbito
macroeconómico, determinada a través variables que incluyen la tasa de crecimiento del PBI, la tasa de
interés, la tasa de crecimiento del dinero y el tipo de cambio. Los autores señalan que:
Se espera que la probabilidad de default (riesgo de crédito) será determinado en general, un
indicador cíclico como medida del crecimiento económico tales como- la producción real o
tasa de crecimiento del PIB, índice de producción industrial y brecha de producción. Su
impacto en la tasa de mora se espera que sea negativo.
Los mismos autores indican que entre los indicadores de estabilidad de los precios, las medidas
comunes incluyen la tasa de inflación y la tasa de crecimiento del dinero.
Urbina (2017), señala que existen diversos factores que influyen sobre el riesgo de crédito del sistema
bancario, tal es el caso de la inflación, según el autor existen enfoques diferentes sobre el impacto de
esta variable en el riesgo de crédito, otra variable macroeconómica que impacta en el riesgo de crédito
es el desempleo, se espera una relación directa con el riesgo de crédito.
51
Según BGFRS (2019), sostiene que los factores que deben incidir sobre el riesgo de crédito es el
Producto Interno (PIB) Nominal y Real; la tasa de desempleo de la población, cambios porcentuales (a
una tasa anual) en renta personal disponible real y nominal, y el porcentaje de cambio (a una tasa
anual) en el índice de precios al consumidor.
Los autores citados en el párrafo anterior, coinciden con Rodríguez (2016), quien señala que el impacto
producido por una variación de las variables exógenas a la economía local no es tan significativo en la
evolución y la tendencia de los indicadores de riesgo de la banca múltiple, mientras que el impacto que
generan las variables endógenas de la economía del país (variables que explican la evolución de la
economía, como el PBI, la inflación, el desempleo, el tipo de cambio, las exportaciones, la inversión,
las importaciones, la tasa de referencia de política, etc.) es significativo en los indicadores de riesgo
crédito de la banca múltiple.
3.4. Choques macroeconómicos y vulnerabilidad financiera
Según Carrera y Lanteri (2007), el fenómeno de las crisis en el sector financiero ha sido tema de
estudio en la literatura tanto a nivel teórico como empírico. Las principales teorías destacan ciertos
rasgos de los sistemas financieros, que los hacen vulnerables a shocks o a cambios en las expectativas
individuales de los agentes económicos respecto de la solvencia de las entidades financieras.
Torres (2012), manifiesta que una crisis financiera es una perturbación más o menos repentina que
produce una pérdida considerable de valor en instituciones o activos financieros que tienen influencia
decisiva en la marcha de los negocios y de la actividad financiera y económica general y que provoca
un desequilibrio fundamental entre la demanda de medios de financiación que realizan los sujetos
económicos y la oferta que hacen las entidades o intermediarios financieros.
Según Carrera y Lanteri (2007), debido a la naturaleza de las actividades que desarrollan, las entidades
financieras suelen estar expuestas a riesgos asociados con el comportamiento de la economía. Las
entidades asumen pasivos (depósitos) que son exigibles a corto plazo, pero poseen activos (préstamos)
de mayor riesgo y plazos más extensos. Cuando aumentan las dificultades de los prestatarios, el valor
de los activos de las entidades disminuye, mientras que el valor de sus pasivos se mantiene constante.
Un shock macroeconómico desfavorable incrementaría el riesgo crediticio para las entidades
financieras al reducir el valor de los activos de las firmas.
Paredes (2011), sostiene que las crisis bancarias, con su consecuente crisis financiera son resultado de
una combinación de diversos factores que se retroalimentan para agravar la crisis. En base a ello, se
puede inferir que las crisis financieras, bancarias y el riesgo de crédito no es lo mismo; la crisis
52
financieras son problemas en todo el sistema financiero (Reguladoras, bancos, cajas, empresas
financieras, etc.); las crisis bancarias son eventos adversos que sufre el sub sistema bancario o los
bancos; mientras que, el riesgo de crédito es un indicador de problemas tanto en el sistema bancario
como en el sistema financiero, dichos puntos y su relación con los escenarios adversos serán tratados a
continuación.
3.4.1. Escenarios adversos y sistema financiero
Cristófoli (2017), sostiene que es de especial interés tener en claro a qué se refiere la estabilidad
financiera; se puede postular que la estabilidad financiera de un país está condicionada a las políticas
macroeconómicas que buscan establecer comportamiento prudencial y a su vez intentan, entre otras
cosas, generar tranquilidad en los inversores, es decir, buscan la estabilidad, por lo que ambos
conceptos están altamente asociados. Por otro lado, enfocándonos específicamente en los escenarios
adversos BGFRS (2012), afirma: El escenario adverso se caracteriza por un debilitamiento de la
actividad económica en todas las economías incluidas en el escenario combinada con un aumento
repentino de la inflación doméstica que provoca un rápido aumento de las tasas de interés a corto y
largo plazo.
Según ambas definiciones citadas en el párrafo anterior surgen dos postulados sobre la relación que
tiene el sistema financiero con el entorno macroeconómico, de esta forma Carrera y Lanteri (2007),
señalan que existen discrepancias respecto de la relación entre la economía real y el sector financiero.
El dilema pasa por determinar si son las caídas en los niveles de actividad las causantes de las crisis
financieras o si, por el contrario, son las crisis en el sector financiero las responsables de los problemas
en la economía real.
La respuesta empírica a esta interrogante resulta de importancia para determinar directrices de política
económica, ya que permitiría dilucidar si corresponde impulsar en primer término la protección del
sistema financiero frente a los choques macroeconómicos desfavorables (de origen doméstico o
externo), o bien si debería priorizarse proteger al resto de la economía de las situaciones de crisis o
vulnerabilidad en el sector financiero.
En el primer grupo de autores se tiene a Flores (2011), quien indica que los resultados del sector
financiero y la buena situación económica se encuentran estrechamente relacionados. El autor afirma
que, durante la fase expansiva del ciclo económico, suele elevarse en conjunto la rentabilidad
registrada por las instituciones financieras. Después, durante la fase contractiva, la rentabilidad tiende a
caer a medida que disminuyen la actividad.
53
En esta línea, Cabrera et al. (2012), explican que los choques macroeconómicos se transmiten al
sistema financiero, los autores señalan que primero, hay un shock agregado a la economía, que se
refleja en una reducción en el crecimiento del PIB real, un aumento de las tasas de interés reales,
disminución de los precios y aumento del desempleo. Este shock provoca cambios la tasa de
crecimiento de las carteras de crédito así como en diversas variables del sistema financiero.
Para validar lo citado en el párrafo anterior Carrera y Lanteri (2007), sostiene que debido a la
naturaleza de las actividades que desarrollan las entidades financieras suelen estar expuestas a riesgos
asociados con el comportamiento de la economía. Los autores afirman que las entidades asumen
pasivos (depósitos) que son exigibles a corto plazo, pero poseen activos (préstamos) de mayor riesgo y
plazos más extensos. Cuando aumentan las dificultades de los prestatarios, el valor de los activos de las
entidades disminuye, mientras que el valor de sus pasivos se mantiene constante. Un shock
macroeconómico desfavorable incrementaría el riesgo crediticio para las entidades financieras al
reducir el valor de los activos de las firmas. Por ello, el seguimiento de las variables que afectan a la
economía real sería útil para identificar situaciones de vulnerabilidad o crisis en el sector financiero.
Por su parte según Cristófoli (2017), es posible afirmar que la estabilidad financiera de un país está
condicionada a las políticas macroprudenciales que se asocian a ella, y a su vez las políticas que se
establecen buscan, entre otras cosas, generar tranquilidad en los inversores financieros, es decir, la
estabilidad financiera. El mismo autor señala que la interrelación entre ambos tiende a incrementarse
en épocas de crisis; dicho de otra manera, los contagios son más pronunciados que en un escenario
donde todo marcha normal.
De acuerdo a Carrera y Lanteri (2007), los shocks que podrían afectar el sistema financiero, de donde
el riesgo de crédito es parte, son:
i) Caídas o bajas tasas de crecimiento en el PBI real.
ii) Expansión en el crédito bancario doméstico.
iii) Apreciación del tipo de cambio real.
iv) Aumento de la relación M2/reservas internacionales.
v) Incremento del déficit del gobierno respecto del PBI.
vi) Alzas en las tasas de interés reales domésticas.
vii) Mayores tasas de inflación.
viii) Elevada volatilidad en algunas variables macroeconómicas.
ix) Deterioro en los términos de intercambio.
x) Aumentos en las tasas de interés internacionales y reversión en los flujos de capital.
54
Como contrapartida a los autores citados el mismo Flores (2011), sostiene que los beneficios de la
estabilidad financiera son la reducción de la incertidumbre, que se traduce en efectos externos positivos
en la economía real y una mayor contribución positiva la economía. El autor señala que los costos de la
inestabilidad financiera o crisis financiera trae consigo efectos externos negativos y altos costos
económicos como los directos (costos fiscales por la resolución de crisis bancarias) y los indirectos por
la pérdida del crecimiento económico. Por tanto, la estabilidad financiera tiene un carácter de bien
público, la estabilidad financiera desempeña un papel fundamental para el sistema financiero y para el
conjunto de la economía.
Para reforzar lo postulado por Flores (2011), Dua y Kapur (2018), afirman que la experiencia de la
economía mundial en la crisis financiera global posterior revela claramente cómo la salud del sector
financiero de un país tiene profundas implicaciones para su economía, así como para otras economías.
Es decir, el autor a diferencia de los demás señala que la crisis se produce en el sistema financiero y es
este el que impacta sobre la actividad económica.
3.4.2. Escenarios adversos y sistema bancario
Muñoz (1999), de acuerdo a la relación de los ciclos económicos y crisis bancarias, sostiene que
existen distintas formas por las cuales el desenvolvimiento macroeconómico puede conllevar a
situaciones difíciles para los bancos y, en el peor de los casos, conducir a crisis bancarias. En general,
un ciclo económico adverso puede provocar impagos en la cartera de créditos de los bancos, afectando
finalmente la solvencia bancaria. La presencia de ciclos recesivos previos a la ocurrencia de crisis
bancarias parece ser una constante, tal como lo evidencian las experiencias recientes en países
latinoamericanos. El autor muestra evidencia de que en las crisis bancarias sufridas por Argentina,
Bolivia, Chile, México y Venezuela se registró un marcado proceso recesivo uno o dos años antes que
la crisis se materializara.
Alfaro et al. (2009), afirman que hay una fuerte relación entre el ciclo económico y las variables
bancarias, pues señalan que, ante un shock negativo sobre la brecha de producto, el crecimiento de las
colocaciones se ve afectado negativamente mientras que además aumenta el gasto en provisiones y los
castigos, deteriorando la cartera de créditos y, por ende, el sistema bancario nacional. Bajo similar
perspectiva Vargas y Díaz (2016), sostienen que la crisis bancaria, se deriva de la volatilidad del
entorno macroeconómico, engloba como situaciones detonantes, los cambios inesperados en los
precios de los commodities, de la exportación o de las tasas de interés. Como ejemplo de estos tipos de
crisis la de México, en 1982, y la de Rusia, en 1998.
55
Por otro lado, autores como Vargas y Díaz (2016), Amieva y Urriza (2000) y Latter (1998), sostienen
que las crisis pueden provenir de desórdenes tanto macroeconómicos como microeconómicos, así los
autores citados señalan que las causas de las crisis bancarias pueden separarse bajo diversos rubros: la
inestabilidad macroeconómica; la supervisión deficiente; las malas estrategias; la administración débil;
los sistemas de control inadecuados; las fallas operacionales y el fraude.
De acuerdo a las causas macroeconómicas Latter (1998), señala que las crisis bancarias se atribuyan a
acontecimientos macroeconómicos adversos. Así, la inestabilidad macroeconómica se menciona como
la principal fuente de inestabilidad bancaria, que se inicia por la combinación de un desplome en los
precios de los activos, especialmente de bienes raíces, un brusco aumento de las tasas de interés o una
baja en el tipo de cambio; una rápida desaceleración del ritmo de la inflación general (los bancos
generalmente prosperan durante una inflación elevada, en especial por el señoreaje y la ilusión
monetaria, a menos que las autoridades tomen medidas para recuperar tales beneficios); o el inicio de
una recesión. Desde luego que todos estos factores están interrelacionados.
Amieva y Urriza (2000), señalan que mayoría de las crisis bancarias estuvieron precedidas por algún
tipo de choque macroeconómico. Los autores resaltan que, en la mayoría de los países, los períodos de
crisis estuvieron asociados con reducciones substanciales en el crecimiento económico, la inversión y
la inflación. Es así que, los choques macroeconómicos influyen en las crisis bancarias mediante sus
efectos sobre la calidad de los activos bancarios, el fondeo de recursos y la dinámica crediticia.
También contribuyen las expectativas, la volatilidad externa e interna y la expansión excesiva de los
agregados monetarios.
Estos autores señalan también que los choques macroeconómicos deterioran la demanda de depósitos y
otros pasivos bancarios y, por lo tanto, la habilidad de los bancos para fondear su portafolio. Agregan
que las expectativas de los agentes económicos también pueden jugar un papel importante en las crisis
bancarias ya que estas pueden ser causadas por un efecto rebaño, el cual, consiste en la generalización
de las expectativas sobre un posible evento adverso, a pesar de que dichas expectativas se sustenten, o
no, con sólidos elementos analíticos.
En cuanto a los factores microeconómicos que pueden influir sobre el deterioro del sistema bancario
según Amieva y Urriza (2000) y Latter (1998), le atribuyen a la infraestructura inadecuada en aspectos
contables, el riesgo moral, falta de transparencia, la deficiente evaluación de crédito, la exposición a
riesgos de las tasas de interés o de los tipos de cambio, la concentración de préstamos y los préstamos
vinculados debería haber controles empero en algunos países los bancos individuales o tienen vínculos
56
de larga permanencia con clientes específicos o con sectores económicos, debilidad en la regulación y
supervisión bancarias.
En el contexto, donde los factores microeconómicos impactan sobre el sistema bancario Cosentino
(2015), afirma que:
Los bancos están expuestos a diversos riesgos y se les suma que las relaciones entre los
mismos suelen ser muy grandes, ya que se suelen prestar grandes cantidades de dinero. Este
cóctel ocasiona que si un banco muy grande o un pequeño grupo de bancos medianos ven
debilitada su situación en términos de liquidez (no tener efectivo para hacer frente a los
egresos de dinero) o de solvencia (que el patrimonio neto sea negativo, es decir que el activo
sea menor que el pasivo), entonces deteriora la posición de todo el sistema.
Contradiciendo a los anteriores autores citados en este apartado, Quagliariello (2004), según los
resultados encontrados en su estudio para Italia para el periodo 1985 – 2002, señala que, si bien existe
una relación entre recesiones y crisis bancarias, la relación temporal no es perfecta, y puede que no
toda recesión coincide con una crisis bancaria ni toda crisis bancaria se produce durante una recesión
económica. En efecto, el tema de que las crisis financieras no necesariamente coinciden con las crisis
económicas.
3.4.3. Escenarios adversos y riesgo de crédito
De acuerdo a Rodríguez (2016), sostiene que el marco teórico de las pruebas de resistencia está en
pleno auge y evolución, debido a la importancia que han cobrado las pruebas en los episodios
posteriores a la crisis y las necesidades regulación recientes, bajo dicho argumento se construye el
marco teórico en base a las diversas perspectivas de los autores en cuanto a la relación que existe entre
los escenarios adversos (de estrés o crisis) y el riesgo de crédito del sistema bancario.
Bajo la premisa anterior Jara et al. (2008), sostienen que el riesgo de crédito es capturado a partir del
mayor gasto en provisiones en que se incurre durante un período determinado debido al deterioro de las
condiciones macroeconómicas y macro financieras implícitas en los escenarios de riesgo. En este
contexto, Cabrera et al. (2012), señalan que los efectos de un aumento en el riesgo crediticio son
consecuencia de los cambios en el entorno macroeconómico, respecto a la crisis del año 2009, el autor
señala que los efectos de la crisis en la tasa de desempleo mundial fueron bastante grandes en el
sistema financiero y bancario.
En este contexto, Uquillas y González (2017), sostienen que el entorno macroeconómico favorable en
los años previos a la crisis mundial proporcionó condiciones crediticias favorables y menores
57
préstamos improductivos de los bancos. Sin embargo, el aumento de los préstamos morosos es una
característica destacada de las crisis financieras producto de la inestabilidad del entorno
macroeconómico.
Asimismo, Urbina (2017), señala que eventos como la crisis asiática y la crisis subprime, han
señalizado que tanto shocks internos como externos son un mecanismo de transmisión del riesgo, cuyo
impacto a nivel bancario se traduce en el deterioro de la calidad de cartera de crédito y en diversas
ocasiones estos eventos condujeron a crisis bancarias.
Además, como fundamento que escenarios adversos impactan en el riesgo de crédito del sistema
bancario Gatica y Cáceres (2011), señalan que el riesgo de crédito y el crecimiento de la producción
tienen una correlación negativa. Específicamente hay una relación contracíclica e incluso una
exacerbación de las provisiones ante una mala condición económica del país. Esto, según los autores se
da fundamentalmente ya que, en períodos de menor crecimiento económico, el empeoramiento de las
condiciones financieras de los deudores bancarios se ve reflejado en aumentos en el gasto en
provisiones llevando posiblemente a condiciones de inestabilidad financiera.
Por su parte de manera similar según Demirguc-Kunt y Detrgiache (citado por Rodríguez, 2016),
sostienen que los factores como bajas tasas de crecimiento del PBI acompañado por niveles altos de
tasas de intereses e inflación incrementen las probabilidades de que ocurran problemas sistémicos en el
sistema bancario.
De manera similar Cabrera et al. (2012), explican que son los choques macroeconómicos los que se
transmiten al sistema financiero, el autor señala que primero, hay un choque agregado a la economía,
este se refleja en una reducción en el crecimiento del PIB, un aumento de las tasas de interés reales,
disminución de los precios y aumento del desempleo. Esto a su vez, provoca cambios en la dinámica
de los prestamos improductivos (riesgo de crédito) y la tasa de crecimiento de las carteras de crédito.
El primero causa una variación en los ingresos por intereses y en las provisiones para pérdidas
crediticias (LLP); mientras que el último causa variación en los activos, los activos ponderados por
riesgo (RWA) y en los ingresos por intereses debido a nuevos desembolsos. Tal mecanismo de
transmisión se muestra en la tabla N°3.3.
58
Tabla 3.3: Esquema de las pruebas de estrés.
Fuente: Traducido de Cabrera et al., 2012, pág.7.
Gatica y Cáceres (2011), afirman que las condiciones económicas pueden afectar la situación de un
banco, es importante tomar la perspectiva de cómo un shock a alguna variable macroeconómica puede
perjudicar la condición financiera de los clientes últimos de las entidades, ya que son estos quienes se
ven primeramente perjudicados ante, por ejemplo, un aumento del desempleo, repercutiendo su ingreso
disponible y, por ende, aumentando su probabilidad de incumplimiento. De manera similar Flores
(2011), argumenta que las pérdidas crediticias deberían ser explicadas por shocks inesperados y su
impacto debería ser peor si el sistema bancario se encontrará en un estado frágil.
Muñoz (1999), muestra evidencia de que en las crisis bancarias sufridas por Argentina, Bolivia, Chile,
México y Venezuela se registró un marcado proceso recesivo uno o dos años antes que la crisis se
materializara, para todos los países estudiados la recesión impacta directamente sobre el riesgo de
crédito del sistema bancario.
Choque agregado a
la economía
↓ ∆ PBI real
↑ ∆ tasa de interés real ↓ ∆ precio real de la vivienda ↑ ∆ ratio de desempleo
∆ Crecimiento de NPL (Riesgo) ∆ Crecimiento del crédito
∆ Ingresos
por
intereses
∆ Provisiones
por pérdida
esperada.
↓ ∆ contracíclico
de provisión de
pérdida de
préstamo.
↑ ∆ Ingreso
de Interés
neto.
∆ Ganancias antes de
impuestos (GAI)
∆ ROA
↓ ∆ Capital ∆ Ratio Core Tier 1 ∆ Relación
de Adecuación capital
∆ Activos y
riesgo
Activos
ponderados
GAI es < 0
∆ CC > 0%
59
La evidencia mostrada por el autor se presenta en la tabla N°3.4, donde destaca el hecho que la mayor
parte de crisis bancarias, ha estado precedida por un shock en el ciclo económico, el mismo que
impacta de forma inversa sobre el riesgo de crédito. La recesión en Argentina de 1980 – 1982 hace que
el sistema bancario entre en crisis, incrementando la tasa de morosidad de 9% en 1980 a 30% en 1985
y además 168 instituciones cerradas. En Chile, la recesión entre 1982-1983 impacta sobre el sistema
bancario haciendo que en 1983 la tasa de morosidad alcanza 19%. En México recesión en 1995, el PBI
disminuyo entre 6-8% en 1995 y la morosidad paso de 9% en 1994 a 12% en 1995. Similar situación se
encuentra en los demás países presentados.
Tabla 3.4: Ciclo económico y crisis bancaria, experiencia en Latinoamérica
CICLO ECONÓMICO Y CRISIS BANCARIA, EXPERIENCIA LATINOAMERICANA
País Ciclo económico Situación del sistema bancario
Argentina
1980 – 1982
1989 – 1990
1995
Bolivia
1994 – 1995
Chile
1981 – 1987
México
1982
1994 – 1995
Venezuela
1994 – 1995
Perú
2008 – 2009
1999
Recesión entre 1980-82.
Recesión entre 1988-1990.
El crecimiento económico se
desacelera a partir de 1993.
Recesión 1995.
Crecimiento económico
moderado, rápida expansión
del crédito.
Recesión entre 1982-83
Crisis de la deuda
Recesión en 1995. El PBI
disminuyo entre 6-8% en
1995.
Recesión entre 1993 – 95
Recesión 2008 – 2009
Crisis de 1999
Crisis. La tasa de morosidad de 9% en 1980 a 30% en 1985.
168 instituciones cerradas.
Crisis. La tasa de morosidad alcanzó el 27%. Los bancos
liquidados representaron 40% de los activos totales.
Crisis. Hasta setiembre de 1995, 45 instituciones de un total de
205 fueron cerradas o absorbidas.
2 bancos cerrados (11% de los activos totales), y 4 de un total
de 15 bancos (30% de los activos) estaban en
descapitalización.
Crisis. En 1981, se intervinieron 4 empresas bancarias y otras 4
no bancarias (33% del crédito total). En 1983 la tasa de
morosidad fue de 19%.
Crisis. El gobierno toma control del sistema.
Crisis. La tasa de morosidad paso de 9% en 1994 a 12% en
1995.
Crisis. En 1993, la tasa de morosidad alcanzó el 8.5%. en
1994, 13 de 47 bancos fueron intervenidos.
Crisis financiera internacional. La tasa de morosidad que hasta
2007 mostraba tendencia hacia abajo, en enero 2008 empieza a
revertirse.
Después del boom crediticio, ocurrió, pues las crisis, asiática
(1997) y rusa (1998) fueron los detonantes. En 1998 la banca
múltiple estaba conformada por 25 bancos, que después de
diversas quiebras, fusiones y adquisiciones pasaron a ser sólo
18.
Fuente: modificada de Muñoz, 1999.
60
3.5. Teorías de crisis del sistema financiero
3.5.1. Teoría de “las corridas” bancarias Diamond y Dybvig (1983), quienes observaron que las corridas bancarias podrían ser autogeneradas,
aun en el caso de entidades solventes pero ilíquidas. En este caso, las corridas tienen lugar cuando
algunos depositantes esperan que otros retiren sus depósitos, incluso en ausencia de un deterioro inicial
en la posición de los bancos. Las corridas sobre algunas entidades individuales podrían amenazar al
sector financiero en su conjunto si los depositantes pensaran que otros bancos del sistema presentan
también riesgos de contagio, en este caso, la corrida bancaria podría convertirse en una crisis bancaria.
McCandless et al. (2002), sostienen que, dentro del primer grupo de modelos, Diamond y Dybvig en
1983 presentan un modelo en el cual las corridas bancarias son una respuesta racional a las creencias
de los agentes racionales. En la medida que el consumidor cree que el banco no posee reservas
necesarias para hacer frente a los retiros de depósitos de ese período, se produce la corrida. Como el
modelo incorpora la idea de sequencial servicing, cualquier banco puede sufrir una corrida si los
individuos piensan que los otros correrán ese banco, todos corren para asegurarse de no quedar últimos
en la cola. En este modelo, bajo ciertas circunstancias, las corridas podrían evitarse mediante la
introducción de un seguro de depósito o mediante la amenaza de suspensión parcial.
Según Carrera y Lanteri (2007), la teoría de las corridas es una primera línea de modelos teóricos sobre
las crisis financieras y establece que los sistemas financieros serían inestables y, en consecuencia,
vulnerables a shocks aleatorios. Los efectos adversos de estos shocks podrían determinar que los
agentes económicos (los depositantes) pierdan confianza en el sistema financiero e intenten retirar sus
depósitos y canjearlos por circulante. En este caso también se observarían problemas de liquidez en las
entidades.
3.5.2. Teoría de la información asimétrica
De acuerdo a Carrera y Lanteri (2007), esta línea difiere de los modelos de corridas en que incorpora la
información asimétrica como elemento clave para la ocurrencia de las crisis bancarias y sostiene que
las corridas bancarias no serían explicadas solamente por la ocurrencia de shocks aleatorios, que
inducen a los depositantes a retirar sus depósitos del sistema financiero, sino que ellas podrían deberse
a la escasa información por parte de los depositantes sobre la exposición al riesgo y la solvencia de las
entidades (en este caso, los depositantes no serían capaces de evaluar correctamente el riesgo
individual de los bancos). Gorton (1988), afirma que podrían generarse corridas de depósitos en
61
entidades solventes, debido a la escasa información de los depositantes respecto de la calidad de los
préstamos otorgados y la situación de los bancos.
De acuerdo con la teoría de la información asimétrica Carrera y Lanteri (2007), manifiestan que las
corridas de depósitos tendrían su origen en los cambios de percepción, por parte de los depositantes,
respecto de la exposición al riesgo asumida por los bancos. Las corridas bancarias podrían
desencadenarse por efectos contagio, o cuando los agentes experimentan dificultades para obtener
información sobre la solidez individual de las entidades. En este caso los depositantes se verían
obligados a utilizar información agregada sobre la marcha del sistema.
Según Carrera y Lanteri (2007), surgen tres versiones de acuerdo a la información agregada que serían
obligados a utilizar los depositantes:
i) Las crisis serían desencadenadas por fluctuaciones cíclicas extremas (‘hipótesis cíclica’).
ii) Por una inesperada caída de una importante entidad (‘hipótesis de fracaso’).
iii) Por una recesión en la economía (‘hipótesis de recesión’).
Según Carrera y Lanteri (2007), la hipótesis del fracaso resalta que la caída de una importante entidad
financiera podría generar desconfianza respecto de la solvencia del resto de las entidades y llevar al
retiro masivo de depósitos para evitar la pérdida esperada de capital (desencadenando una crisis
financiera). No obstante, suele puntualizarse que esta situación se daría preferentemente en un contexto
de recesión de la economía. La tercera justificación destaca que las crisis financieras tienen lugar a
partir de una reducción en los niveles de actividad económica (hipótesis de recesión). En este caso, los
depositantes suponen que la retracción económica podría afectar seriamente la solvencia y liquidez de
las entidades financieras.
Según el autor, el elemento común de estas tres hipótesis es la existencia de información asimétrica
entre los bancos y los depositantes, que genera externalidades de información y cambia la percepción
del riesgo sobre los depósitos bancarios. Este elemento común es la principal diferencia con el primer
cuerpo de teorías que explican las crisis financieras.
Por otro lado, respecto a la teoría de la información asimétrica, Sánchez (2001), afirma que tres
problemas han sido asociados con la información asimétrica bajo la siguiente denominación: selección
adversa (adverse selection), riesgo moral (moral hazar) y comportamiento de rebaño (herd behavior).
Cada uno tiene el potencial para conducir a los mercados financieros hacia la ineficiencia y la
inestabilidad. Estos tres puntos son explicados a continuación:
62
xi) Selección adversa
Este problema hace referencia a que, en los mercados financieros, los prestamistas frecuentemente
obtienen conocimiento incompleto o limitado de la solvencia o calidad crediticia de los prestatarios. Se
considera que los prestamistas no tienen la capacidad suficiente para evaluar completamente la calidad
crediticia de cada prestatario. El precio o tasa de interés que recibirán de los prestatarios por los
préstamos reflejará sólo la calidad promedio de las empresas (o prestatarios) emisoras de valores. Este
precio probablemente será menor que el valor de mercado justo para las empresas de alta calidad, pero
mayor que el valor de mercado para las empresas de baja calidad.
xii) Riesgo moral
El riesgo moral se define como resultado de un problema de asimetría en la información. En este
sentido el riesgo moral ocurre cuando una parte en una transacción tiene el incentivo y la habilidad
para cambiar los costos sobre la otra parte. En los mercados financieros, cuando la información es
asimétrica, un prestamista puede ser incapaz de observar si un prestatario invertirá en un proyecto
riesgoso o en un proyecto seguro, y si el prestatario no está condicionado o sujeto a ciertas
obligaciones o garantías de alguna clase el resultado será una inversión excesiva en proyectos
riesgosos.
xiii) Comportamiento rebaño
Los prestamistas pueden intentar seguir la iniciativa de quien creen está mejor informado acerca de la
probabilidad de fracaso de cierto banco. El comportamiento de rebaño también puede ocurrir cuando
los inversionistas carecen de información acerca de la calidad de los administradores de dinero. Los
cuales cuando son de baja calidad encontrarán racional imitar las decisiones de inversión de otros
administradores. El rebaño puede ocurrir cuando la liquidación de un agente hace que otros adopten la
misma medida. Su aplicación ha posibilitado arribar a conclusiones que el análisis de la economía
neoclásica por sí misma no hubiera logrado.
En las mismas líneas Contreras y Burotto (2012), sostienen que la asimetría de la información,
producen ineficiencias a través del riesgo moral y la selección adversa, el mecanismo por el cual se
manifiesta es el que se muestra en la tabla N°3.5.
63
Tabla 3.5: Relación de las asimetrías de la información con las ineficiencias del sistema financiero.
Fuente: Contreras y Burotto, 2012.
3.5.3. Teoría de Minsky
Minsky (1977), sostiene que la relación entre el ámbito financiero y real se manifiesta en la existencia
de dos precios para los bienes de capital, los que (basados en expectativas) representan el riesgo del
deudor y del acreedor. La igualdad de ambos precios determina el nivel de inversión. En este escenario,
las crisis financieras serían procesos complejos donde las expectativas adversas podrían llevar a una
reducción de las ganancias esperadas y a una disminución de la inversión. Ello presionaría a la baja las
tasas de interés y aumentaría la preferencia por la liquidez, induciendo una caída en la riqueza
financiera. Las ganancias disminuirían nuevamente y el proceso tendería a retroalimentarse.
Minsky (1977), estima que la inestabilidad y fragilidad financieras son intrínsecas a la economía
capitalista porque las empresas tienen que tomar sus decisiones de inversión y financiación en
inevitables condiciones de incertidumbre y gran riesgo y eso hace que las decisiones sobre el futuro
estén influidas por cambios muy bruscos de sus expectativas incluso a corto plazo. Y esas condiciones,
añadidas al atractivo de ganancias más altas pero asociadas a operaciones de mayor riesgo, son las que
incentivan los comportamientos especulativos y el exceso en la demanda de préstamos que conlleva
una constante presión al alza en los tipos de interés.
Torres (2012), de acuerdo a la teoría de Minsky, afirma que mientras que los ingresos derivados de la
actividad normal de las empresas sean estables y suficientes, la expansión podrá mantener un cierto
64
equilibro entre la demanda de financiación y su oferta, pero cuando se vean afectados a la baja por
cualquier circunstancia, las empresas, o bien habrán de recurrir a nueva, más costosa y más peligrosa
financiación o a liquidar activos para hacerle frente. Resultaría entonces, según este análisis de Minsky,
que es la propia expansión la que, al generar más demanda de crédito al mismo tiempo que va
disminuyendo los ingresos, la que va provocando que el sistema financiero sea cada vez más frágil,
hasta que llega a tener un problema de liquidez que provoca la crisis.
Minsky (1977), manifiesta que la eficiencia del sector financiero influye en la actividad económica. Si
este es eficiente, el proceso préstamo – inversión – consumo funcionará, originando un aumento de la
demanda agregada, el empleo, el ingreso y el producto. Si el sistema financiero es frágil, se produce un
racionamiento del crédito, aumenta la tasa de interés, la demanda disminuye y cae el producto. Cuando
surgen problemas que afectan al sistema financiero, estos pueden trascender inmediatamente a la
economía real, al interrumpirse el crédito otorgado a las empresas y a los hogares, perjudicando tanto
el proceso prestamos- inversión – consumo como al crecimiento del producto.
3.5.4. Teoría de Mishkin – 1998
Mishkin (1998), analiza los motivos y mecanismos a través de los cuales es posible originar
inestabilidad financiera y sugiere cuatro categorías de factores fundamentales que conducen a la
inestabilidad financiera:
i) Aumentos en las tasas de interés (î).
ii) Aumentos en la incertidumbre (I).
iii) Efectos de los balances sobre los mercados de activos financieros (α).
iv) Problemas en el sector bancario (ω).
Con intención de generalizar, esta idea podría quedar expresada en la relación siguiente:
IF = f (î, I, α, ω)
Según Mishkin (1998), los cuatro factores son capaces de agravar los problemas de selección adversa y
de riesgo moral en los mercados financieros, por tanto, también a los de asimetría de la información,
ayudando a precipitar la inestabilidad financiera (IF). Respecto a los aumentos en tasas de interés,
Mishkin explica que algunos demandantes de préstamos pueden verse limitados para adquirir recursos
en crédito a pesar de su disposición a pagar una mayor tasa de interés.
65
Mishkin (1998), manifiesta que cuando los bancos registran un deterioro sustancial en sus balances su
respuesta generalmente es la de contraer los préstamos a fin de restaurar las relaciones entre activos y
capital (la opción de incorporar nuevo capital es menos frecuente debido al costo que ello implica), el
efecto sobre la actividad económica es negativo. Por tanto, el deterioro en los balances de los bancos
puede proceder de los siguientes factores:
i) Aumentos de tasas de interés.
ii) Quiebra de los mercados de valores.
iii) Declive no anticipado en la inflación (el caso de los países industrializados).
iv) Depreciación o devaluación no anticipada (el caso de los países de mercado emergente con deuda
denominada en monedas extranjeras).
De acuerdo con la relación general, los países industrializados y los de mercados emergentes se
diferencian por el origen de los problemas en el sector bancario (ω), consecuentemente en la
determinación de la inestabilidad financiera (IF). Con la intención de subrayar esta diferencia
indicaremos una función general para cada grupo de países en la forma siguiente:
i) Países desarrollados: IFD = f (î, I, α, ωD)
ii) Países emergentes: IFE = f (î, I, α, ωE)
Según Mishkin (1998), los problemas bancarios en los países emergentes se manifiestan a través de las
dificultades para cumplir con los requerimientos de capital (los Acuerdos de Basilea). Esto puede
suceder si se combinasen aumentos de fondos con obligaciones denominadas en monedas extranjeras y
una depreciación o devaluación de la moneda doméstica: crece el endeudamiento, pero no el valor de
los activos de los bancos, el deterioro del capital accionarlo de los bancos conduce a una contracción
sustancial de los préstamos debido a sus problemas para cumplir con los estándares de capital vigentes.
En resumen, según Mishkin (1998), los balances de los bancos pueden deteriorarse por las siguientes
razones: a) Excesivo riesgo bancario como resultado de una inadecuada regulación y supervisión
bancaria. b) Impactos negativos, como alimentos de tasas de interés, quiebras de los mercados de
valores, declive no anticipado en la inflación (para los industrializados), o depreciación o devaluación
(para los emergentes con deuda denominada en monedas extranjeras).
66
3.5.5. Teoría de Karl Marx
Según Torres (2012), autores como Carlos Marx, se vinculó la aparición de crisis financieras a la
expansión de la actividad comercial e industrial, estimando que entre ambas y la actividad financiera
había una relación estrecha, que interactuaban y que la financiera estaba en realidad al servicio de las
primeras sin perjuicio de lo cual Marx ya había señalado que en determinados se podían producir
divergencias como consecuencia de las diferentes tasas de rentabilidad que pusieran proporcionar.
Marx (citado de Torres, 2012), en su teoría sostenía que en etapas de expansión económica se produce
al mismo tiempo la del crédito pero cuando, por alguna razón específica, y en general por agotamiento
el ciclo como resultado de la progresiva aproximación de los costes a los precios, los beneficios
comenzaran a disminuir, se empezarían a liquidar los préstamos, para lo cual sería necesaria liquidez,
lo que produciría un rápido aumento en la demanda de medios de pago y una disminución de los
precios que ocasionarían la crisis.
3.5.6. Teoría de Irving Fisher
Fisher (1933), considera que las empresas tienden a financiar con crédito sus inversiones en las etapas
de expansión, sobre todo, porque en ellas aparecen innovaciones o nuevos productos que hacen muy
atractiva la inversión. Pero, en lugar de llevar a cabo este proceso de manera más o menos equilibrada,
Fisher entendió que se produce siempre un exceso de endeudamiento y que, además, tiende a
prevalecer la inversión de tipo especulativo, lo que hace más fácil que el proceso se rompa
repentinamente, simplemente como consecuencia de un cambio de expectativas o de la aparición de la
más mínima circunstancia que pueda parecer que cambiará la tendencia de los mercados y los precios.
En ese momento, la situación de sobreendeudamiento en la que se encuentran las empresas les obliga a
liquidar rápidamente activos y préstamos, provocando así la deflación y posiblemente una fase
subsiguiente de recesión.
Asimismo, Fisher (1933), sostiene que los altos niveles de deflación tienen también efectos perversos
sobre las entidades bancarias: en un escenario previo de sobre endeudamiento la liquidación de
colaterales y la disminución de los depósitos disminuyen la velocidad de circulación del dinero y, con
ella, el crecimiento del nivel de precios. Las hojas de balance de las empresas se deterioran y se entra
en una espiral de quiebras bancarias y falta de confianza.
67
3.5.7. Teoría de Kindleberger
Kindleberger (1978), sobre la perspectiva de sobreendeudamiento considera que lo más relevante a la
hora de desencadenar una crisis financiera es la aparición de una circunstancia o shock externo que
altera el comportamiento de los inversores. Así, la aparición de una determinada innovación, de un
cambio normativo o de una modificación inesperada en los precios o tipos de interés provoca un
aumento en la inversión en algún bien o activo financiero con ánimo especulativo. Si este aumento
provoca una presión suficiente sobre la oferta, se producirá un aumento de precios o tipos de interés
que hará más atractiva la nueva inversión y así se comienza a alimentar un proceso en torno a dichos
activos que atrae cada vez a más inversores y que generalmente va a ser financiado con deuda,
apareciendo el sobreendeudamiento.
Asimismo, Kindleberger (1978), manifiesta que las crisis son parte de un ciclo que afecta tanto al
sector financiero de la economía como al sector real. Según esta teoría, la parte ascendente del ciclo se
verifica cuando el sector financiero otorga abundante crédito al sector real, basándose en expectativas
de un crecimiento futuro sostenido. Con el tiempo el sector financiero se torna altamente apalancado, y
cuando se produce una reversión de la situación económica y los acreedores no pueden hacer frente a
los pagos de los préstamos, se produce una crisis financiera al no tener los bancos reservas suficientes
para enfrentar las pérdidas. En resumen, según esta corriente, lo que importa a la hora de explicar una
corrida son los fundamentados de los bancos, los bancos que se corren son los insolventes.
3.5.8. Teoría monetarista: Friedman y Schwartz
Desde el punto de vista Friedam y Schwartz (1963), bajo el enfoque monetarista consideran que el
origen de las crisis financieras se encuentra en los pánicos bancarios que se producen como
consecuencia de la insuficiencia de oferta monetaria que puede provocar una pérdida de confianza que
lleva a retirar depósitos de los bancos. Si el proceso de agudiza, no solo se produce la quiebra de los
bancos, sino que, al disminuir fatalmente la oferta monetaria, se resiente inevitablemente la actividad
económica general, una situación que solo se podría resolver mediante la intervención de la banca
central para recuperar la circulación de medios de pago.
McCandless et al. (2002), sostienen que según Friedman y Schwartz en 1963 argumentan que los
pánicos devienen principalmente de una pérdida de confianza en el sector bancario en su conjunto,
originado por ejemplo en la caída de un banco grande, o de una pérdida de confianza en la moneda. En
cualquiera de los casos, el pánico está focalizado en el sistema bancario y desencadena el retiro masivo
de los depósitos, lo cual resulta en una importante contracción monetaria.
68
3.5.9. Teoría de Stigliz
Según Torres (2012), Joseph Stigliz y otros autores han tratado de explicar el origen de las crisis
financieras producidas por escasez de crédito y liquidez como consecuencia de la información
imperfecta y asimétrica con la que cuentan los sujetos que intervienen en los mercados financieros.
Stigliz (2009), manifiesta que una de las causas por las cuales se transmiten las crisis es por la
globalización financiera que existe. La depresión alcanza incluso a los países en desarrollo que estaban
dirigiendo bien sus economías, que tenían buenas políticas monetarias y buenas reglamentaciones. La
crisis se está difundiendo en todos los países del mundo a través de muchas vías. La más directa, y por
la que empezó todo, es obviamente la de los mercados financieros. Las corrientes financieras tan
potentes que hubo en los años de bonanza están secándose, lo que significa que el acceso a la
financiación se hace difícil para muchos países en desarrollo.
Stigliz (2009), manifiesta que otra de las vías de contagio es la bajada sin precedentes de las
exportaciones; las cifras son de una magnitud que nadie podría haber imaginado. A ello hay que añadir
el descenso de las remesas monetarias de los emigrantes y de las corrientes de mano de obra. Cuando
flojea el empleo, unas de las primeras víctimas son, inevitablemente, los trabajadores emigrantes.
3.5.10. Teoría de Krugman
Krugman (2008), afirma que las recesiones son el resultado de una tendencia a retener liquidez por
parte de los agentes económicos, fenómeno que se traduce como un exceso de ahorro respecto a las
necesidades de inversión. La solución estriba en lo que equivaldría en su modelo a emitir más cupones,
o bien a una política monetaria expansiva bajo la égida del Banco Central.
Las crisis económicas caracterizadas por colapsos financieros, hacen que el ambiente que perciben los
individuos sea de desasosiego, frustración y desconfianza. Para Krugman (2008), las crisis recientes
entran en mecanismos complejos que propagan sus efectos hacia diferentes regiones del mundo y
causan reacciones en cadena que provocan cambios inesperados en diversos lugares, de manera que lo
que beneficia a un país puede perjudicar o fortalecer a otro.
Krugman (2008), considera que no hay una serie de medidas recomendadas para aplicar para cualquier
caso, sino que se debe responder de acuerdo con las diferentes situaciones, y además, propone analizar
a fondo el carácter de las crisis, pues son evidencias de problemas estructurales que deben ser
solucionado.
69
3.6. Evidencia empírica
3.6.1. Evidencia empírica internacional
Tabla 3.6: Evidencia empírica internacional.
AUTOR/TITULO OBJETIVO METODOLOGIA CONCLUSION
Uquillas y
González (2017).
“Determinantes
macro y
microeconómicos
para pruebas de
tensión de riesgo
de crédito: Un
estudio
comparativo entre
Ecuador y
Colombia basado
en la tasa de
morosidad”
Obtener el impacto
de los determinantes
de la tasa de
morosidad en el
sistema bancario de
Ecuador, enero de
2006 - marzo de
2017 y Colombia,
enero de 2003 -
diciembre de 2014,
luego aplicarlos a
pruebas de tensión y
determinar el riesgo
de crédito del sector
bancario en dos
escenarios.
Se estima un modelo ARIMAX
sigue la metodología Box
Jenkins, luego de encontrar los
mejores modelos para cada país,
se aplica dos escenarios
posibles, el peor escenario
pesimista y el mejor escenario
optimista.
D(MORO)=β0+β1crisis+β2D((
LN(VOL)/IDEAC)))+β3D(ICC)
+β4D(RESTRICCION)+β5D(I
ND_LIQ)+β6(IND_ LIQ(-4))
+β7(INDET)+
AR(12)+MA(11)+MA(1)+u
La morosidad de ambos países es
sensible negativamente a la liquidez
(factor más importante) y a la tasa de
intermediación, pero sus impactos y la
rapidez de transmisión son diferentes.
El precio del petróleo, volumen de
crédito y actividad económica son
determinantes relevantes para
Ecuador. En Colombia, el shock
bursátil es negativo e inmediato, los
shocks de importaciones se transmiten
a corto y mediano plazo. En el caso de
Ecuador en un escenario pesimista,
para marzo de 2017, la morosidad se
incrementa en 0,14 puntos
porcentuales pasando de 7,16% a
7,30%. En un escenario optimista,
para marzo de 2017 la morosidad
disminuye 1,41 puntos porcentuales
pasando de 7,16% a 5,75%. En el
caso de Colombia, en un escenario
pesimista, para diciembre de 2014, la
morosidad pasa de 4.31% a 5.19%. En
un escenario optimista, la morosidad
pasa de 4.31% a 4.08%.
Uquillas y
González
(2017A).
“Modelo Macro
para Pruebas de
Tensión de Riesgo
de Crédito de
Consumo en el
Sistema
Financiero
Ecuatoriano"
Identificar los
determinantes del
riesgo de crédito de
consumo en el
sistema financiero
de Ecuador y el
impacto en el
período Ene.2006 -
Mar.2017 y
cuantificar cual es el
índice de morosidad
que se alcanzaría
ante posibles
escenarios.
Se estima un modelo ARIMAX
siguiendo la metodología Box
Jenkins, además de un análisis
de correlaciones y causalidad y
la prueba de causalidad de
Granger, luego de encontrar los
mejores modelos, se aplica dos
escenarios posibles, el pesimista
y optimista.
D(MORO)=β0+β1CPP+β2D((L
N( VCRED)/IDEAC))
+β3D(ICC)+β4D(REST)+β5D(
LIQ)+β6 (LIQ(-4))+β7
(M_INTER)+AR(12)+MA(11)+
MA(1)+u
Se concluye que claramente cuando
los ingresos petroleros mejoran la
percepción de la economía actual y
futura de los consumidores es positiva
y una mayor liquidez del sistema
financiero permiten que el índice de
morosidad disminuya. Para marzo
2017, en un escenario pesimista, la
morosidad hubiese incrementado en
0,14% pasando de 7,16% a 7,30 %.
En el escenario optimista para marzo
2017 la morosidad disminuye 1,41%
pasando de 7,16% a 5,75 %.
FUENTE: Elaboración propia en base a la literatura consultada.
70
Tabla 3.7: Evidencia empírica internacional.
AUTOR/TITULO OBJETIVO METODOLOGIA CONCLUSION
González (2017).
"Stress Testing de la
morosidad del crédito
de consumo en el
sistema financiero
ecuatoriano."
El propósito de esta
investigación es construir
un modelo de stress
asociado a la morosidad
del crédito de consumo
en el sistema financiero
ecuatoriano,
específicamente en el
sistema de bancos
privados para el período
enero 2006 - marzo
2016.
Se hace uso de la metodología
de series temporales
incorporando variables
exógenas (ARIMAX), se sigue
a Box Jenkins, luego de
encontrar los mejores modelos
para cada país, se aplican un
escenario pesimista y un
escenario optimista.
D(MORO)=β0+β1CRISIS+β2
D(IDEAC)+β3(ICC)+β4D(RE
STRICCION)+β5D(IND_LIQ
)+β6(IND_LIQ(4))+β7(MAR
GEN_INTER)+AR(12)+MA(
11)+M(1)+u
Se concluye que los factores
que producen un mayor
impacto son: la caída
permanente del precio del
barril de petróleo que afecta
de manera positiva al
incremento del índice de
morosidad y el incremento del
margen de intermediación
financiera.
En un escenario optimista el
índice de morosidad mínimo
que alcanza es de 6.40% y el
máximo es de 7.93%. Por su
parte en un escenario
pesimista el índice de
morosidad minino es de
8.57% y el máximo es de
10.23%.
Dua y Kapur (2018).
"MACRO STRESS
TESTING AND
RESILIENCE
ASSESSMENT OF
INDIAN
BANKING”
El objetivo de este
trabajo es evaluar la
resistencia de los bancos
de la India a las
condiciones
macroeconómicas en
dificultades o estrés
macroeconómico en el
período 2010Q3 –
2013Q2. Así como
identificar los
determinantes del riesgo
de crédito de su sistema
bancario en el período
1997Q2 – 2010Q2.
Se utiliza el análisis de
escenarios y técnicas
cuantitativas para capturar el
impacto de estrés
macroeconómico sobre la
estabilidad de los bancos de la
India mediante la evaluación
de la solidez financiera
indicadores. Primero para la
construcción del modelo se
realiza a través de la
metodología de VECM con
series no estacionarias, así
como el análisis de
cointegración de con la técnica
de Johansen para el caso del
sistema bancario de la india en
el período 1997Q2 – 2010Q2.
El estrés lo realizan para el
período 2010Q3 – 2013Q2
NPA = f (y, m,i, e,i )̅
Los resultados de la
estimación de la modelo
indican una relación de
cointegración entre la calidad
del crédito y la clave
macroeconómica variables que
incluyen la tasa de salida de
crecimiento, tasa de interés,
tasa de crecimiento del dinero
y el tipo de cambio. Los
resultados del análisis de
escenarios revelan que el
sector bancario de la India
sigue siendo en gran medida
en términos de sonido de
proporción de adecuación de
capital regulatorio total, como
por corriente Basilea II e
incluso requisito de Basilea
III.
Fuente: Elaboración propia en base a la literatura consultada.
71
Tabla 3.8: Evidencia empírica internacional.
AUTOR/TITULO OBJETIVO METODOLOGIA CONCLUSION
Jara, Oda y Luna
(2008).
"Pruebas de
tensión de la banca
en Chile”
El objetivo de este
trabajo es determinar el
riesgo de crédito al que
está expuesto el sector
bancario chileno en
escenarios de tensión a
diciembre de 2006.
siguen el enfoque de Elliott y
Jansson (2003), se estima un
modelo en niveles (de corrección de
errores) para el gasto en provisiones
en el período 1988 – 2006 con datos
mensuales. Posterior a ello se
pronostica en tres escenarios el
base, riesgo 1 y riesgo 2. El primer
escenario genera un impacto de
mayor intensidad sobre las
variables relevantes; el segundo es
menos intenso.
Log(igpt)=b0+b1*gap+b2*rcol+b3
*log(rdi)+ma(4) +ar(1) +ar(3) +u
Según los resultados se
encuentra que los
determinantes del riesgo
de crédito son diferencia
del PBI contemporáneo y
el de largo plazo o pleno
empleo, la tasa de interés
corto plazo, el nivel de
endeudamiento en el
período 1988 – 2006.
Para el caso de las
pruebas de tensión, se
encuentra que a mayor
sea el escenario o mayor
el shock supuesto mayor
es el riesgo de crédito al
que se enfrenta el sector
bancario
DELOITTE
(2010).
"Stresstesting del
riesgo de crédito.
Escenarios de
riesgo en la banca
chilena."
El objetivo de este
trabajo es el desarrollo
de un modelo desde
1999 al 2009 con datos
trimestrales que
permita analizar el
comportamiento
dinámico del ratio de
riesgo, en función de
determinantes
macroeconómicos en la
baca chilena. Para
predecir el ratio de
riesgo en base a
proyecciones
macroeconómicas y
análisis de stress de
estas.
Se construyen dos modelos de
MCO, uno que toma como variable
dependiente el ratio de riesgo y el
otro el logaritmo de este ratio, y un
set de variables explicativas
macroeconómicas. Seleccionando
aquellas estadísticamente
significativas y que en conjunto
tengan una adecuada bondad de
ajuste, obteniendo una buena
predicción del ratio de riesgo en
base a proyecciones
macroeconómicas y análisis de
stress de éstas.
LOG(RR)=β0+β1LOG(Desempleo)
+β2LOG(PBI(-1))+β3LOG(TPM)
+u
Se concluye que el riesgo
de crédito presenta
relación negativa con el
PBI y la tasa de política
monetaria, mientras que
con la tasa de desempleo
presenta relación
negativa, por otra parte,
se concluye que ante
escenarios adversos el
ratio de riesgo tiende a
incrementarse.
Fuente: Elaboración propia en base a la literatura consultada.
72
Las tablas N°3.6, N°3.7 y N°3.8 corresponden a estudios empíricos internacionales sobre el tema de
escenarios de estrés, los mismos que en la investigación presente contribuyen de diversas maneras. La
tabla N°3.6, contiene dos estudios, el primero realizado para comparar los determinantes de las pruebas
de tensión del riesgo de crédito entre Ecuador y Colombia, este estudio contribuye a la presente
investigación en la metodología para estimar el modelo, dado que presenta un modelo ARIMAX
siguiendo a Box Jenkins, misma metodología para la estimación del modelo se hace uso en esta
investigación, además utiliza la misma medida de riesgo - la tasa de morosidad - como variable
dependiente, así como, algunas variables que son determinantes del riesgo de crédito, el estudio
contribuye también con la presente investigación en el planteamiento de los escenarios.
El segundo estudio corresponde a una investigación realizada para Ecuador en el año 2017, hace uso de
la metodología Box Jenkins y estiman un modelo ARIMAX, siendo esta la principal contribución en la
investigación presente, además, sirve de guía para definir la variable dependiente, dado que usa como
medida de riesgo de crédito la tasa de morosidad. Algunas variables independientes definidas en las
investigaciones son utilizadas en el caso peruano, como es la liquidez, el crecimiento económico,
desempleo. Este estudio contribuye también en la presente investigación en el planteamiento de
escenarios, pues sirven como guía para plantear las variables que entran en estrés en el año de
predicción, finalmente los estudios para el caso ecuatoriano subdividen el período, uno de estimación y
el otro de proyecciones, esto también se realiza en el estudio abordado.
En la tabla N°3.7 se presenta dos investigaciones la primera, realizada por Gonzáles (2017), quien
siguiendo la misma metodología expuesta en el párrafo anterior realiza una investigación para el caso
de Ecuador. En el mismo cuadro se encuentra descrita la investigación de Dua y Kapur (2018), este
contribuye con la presente investigación en la medida que utilizan para determinar el riesgo de crédito -
la tasa de morosidad – así como, de las variables independientes utilizadas como la tasa de crecimiento
del PBI, tipo de cambio, la inflación y la tasa de política monetaria. Además de contribuir en el
planteamiento de escenarios de estrés, utiliza base, moderado y severo, similares se consideran la
presente investigación.
En la tabla N°3.8 se presenta una investigación de pruebas de tensión en Chile, realizada por Jara, Oda
y Luna (2008), este estudio se utiliza en la investigación en la determinación de la variable
dependiente, la tasa de morosidad, como medida de riesgo de crédito, además del estudio se determina
que el modelo es estimado en niveles, diferencia, logaritmo y diferencia del logaritmo. Del estudio
también se toma referencias para construir los escenarios de estrés en el caso peruano. Asimismo, se
presenta una investigación para el caso chileno, de este estudio se toman para el caso peruano la forma
de medir el riesgo de crédito a través de la tasa de morosidad, como variable dependiente. Otra forma
73
como contribuye a la investigación presente es a través de las variables independientes que utiliza, el
PBI, la tasa de desempleo y la tasa de referencia de política monetaria. Por otro lado, la manera como
estiman los modelos econométricos y el período de estimación y predicción son otras de las cosas que
se realizan en el estudio para Chile y que se consideran en el estudio para el caso peruano, el modelo se
estima en niveles, logaritmo, diferencia, y en el caso de los períodos consideran uno para la estimación
del modelo y el otro para la predicción, además, este estudio contribuye en la forma como se realiza la
evaluación y de las proyecciones, similares se pretenden realizar en el caso peruano pero reforzado de
las diferentes metodologías.
En las mismas líneas de los estudios anteriores se encuentra el de Ramírez (2014), quien realiza un
trabajo titulado "Prueba de estrés macro para el sistema bancario colombiano". El objetivo es realizar
una prueba de estrés macro en el sistema financiero colombiano en el período de junio 2013 - mayo
2014. Además, busca cuantificar el impacto que generan las variaciones macroeconómicas en el riesgo
de crédito del sistema financiero colombiano en el período enero 1993 - junio 2013, y así tratar de
evaluar la capacidad del mismo para soportar posibles cambios en la economía. Para lograr el objetivo
planteado, se simulan escenarios de choques macroeconómicos, mediante una prueba de estrés, usando
metodologías estadísticas de Vectores Autorregresivos, funciones impulso respuesta y Mínimos
Cuadrados Ordinarios.
Ramírez (2014), estima dos modelos, el primero es un modelo macroeconómico a través de VAR se
realiza para desarrollar escenarios proyectados a 12 meses junio 2013 - mayo 2014 y el segundo es un
modelo microeconómico que evidencia la sensibilidad de la calidad de los prestamos ante variaciones
macroeconómicas mediante el uso de mínimos cuadrados ordinarios se desarrolló en enero 1993 - junio
2013. El modelo macro especificado es el siguiente:
𝑦𝑡 = ∑ 𝐴𝑠𝑦𝑡−𝑠 + 𝛽 ∗ 𝑐𝑟𝑖𝑠𝑖𝑠𝑡 + 휀𝑡
𝑝
𝑠 =1
donde, 𝑦𝑡 =
[ 𝐼𝑀𝐴𝐶𝑂𝑡
𝐼𝑃𝐶𝑡
𝑀3𝑡
𝑇𝑅𝑀𝑡
𝐷𝑇𝐹𝑡 ]
Crisis: 1 para los meses de julio, agosto, septiembre y octubre de 1999 y cero para los demás. IMACO
t: Índice mensual de actividad económica. IPCt: crecimiento anual del Índice de precios al
consumidor. M3t: variación anual del agregado monetario M3. TRMt: variación anual de la tasa de
74
cambio del peso colombiano. DTFt: la tasa de interés a 90 días tasa de depósito a término fijo efectiva
anual.
El modelo de tipo micro analiza la sensibilidad del NPL ante cambios macroeconómicos mediante un
proceso estocástico o proceso de series temporales.
𝑁𝑃𝐿𝑡 = 𝛽0 + 𝛽1𝐼𝑀𝐴𝐶𝑂𝑡 + 𝑢𝑡
NPL. La variable Non-performing loans se define como la razón entre los préstamos en mora y el total
de la cartera de préstamos.
Para proyectar las variables en escenarios adversos se consideran los siguientes:
✓ Escenario 1: Aumento de la tasa de referencia por parte del Banco de la República al 3.5%; lo
cual se debería a una recuperación en la economía.
✓ Escenario 2: Devaluación en la moneda en 2.5% (lo cual se aproximaría al denominado “Dólar
Cárdenas”, dada una recuperación en la economía de Estados Unidos, lo que provoca una
salida de capitales).
✓ Escenario 3: Aumento de la oferta monetaria en 5%, para incentivar el crecimiento de la
economía.
Los resultados reflejan la relación inversa que existe entre el nivel de riesgo de crédito de los bancos
nacionales y el indicador IMACO. Además, se encuentra que IMACO explica un 43,65% del NPL. Se
concluye que el escenario 1 es el de mayor impacto en el nivel de riesgo de crédito de los bancos,
debido a que los préstamos realizados por las entidades a través de sus diferentes medios (como las
tarjetas de crédito, créditos hipotecarios, etc.), se vuelven más costosos para las personas, y por ende
aumenta la probabilidad de impago por parte de estas. Sin embargo, el riesgo no supera el 3.5%, lo cual
demuestra que los bancos nacionales están bien preparados para soportar la cartera vencida que se
consideraría a partir cambios macroeconómicos.
Por otro lado, el estudio de Flores (2011), titulado “Aplicación de pruebas de tensión macroeconómicas
en el análisis de riesgo de crédito del sistema bancario guatemalteco". Cuyo objetivo es desarrollar una
aplicación de pruebas de tensión macroeconómicas, que constituya un instrumento para evaluar los
impactos que las principales variables exógenas y endógenas del entorno macroeconómico ejercen
sobre la morosidad de la cartera de créditos del sistema bancario guatemalteco, además de permitir
identificar, medir, dar seguimiento, controlar y prevenir la exposición al riesgo crediticio.
75
Flores (2011), desarrolló un modelo econométrico de corte macroeconómico que permitió explicar la
influencia que tienen determinadas variables macroeconómicas sobre el comportamiento del indicador
de morosidad de la cartera crediticia del sistema bancario guatemalteco 2000:05 2009:12. Asimismo,
se realizaron pruebas de tensión, con escenarios moderados y severos, de las principales variables
macroeconómicas (análisis de sensibilidad) y del modelo macroeconómico (análisis de escenario)
durante 2010:01 - 2010:12, para conocer cuáles eran los cambios del indicador de morosidad ante
eventos extremos pero plausibles. Plantean el siguiente modelo:
CVCT =α + β1TIACTREAL_MN(‐3)+ β2M1 + β3ITCERBIL + AR(1)
CVCT: Es el indicador de morosidad. TIACTREAL_MN(‐3): Tasa de interés activa real en moneda
nacional con rezago de 3 meses. M1: Medio circulante. ITCERBIL: ITCERBIL bilateral.
Para el análisis de escenarios considera dos situaciones, la primera se subdivide en dos, un escenario
moderado y un escenario severo
✓ Moderado
- 0% de crecimiento en 6 meses consecutivos y disminución del 1% en siguientes 6 meses.
- Disminuciones del 2% en 6 períodos consecutivos y del 0% en los próximos 6 meses
- Aumento de 0.50 puntos porcentuales en 8 períodos consecutivos y de 0.25 puntos porcentuales en
los siguientes 4 períodos consecutivos.
- Aumentos del 1% (apreciación) en 6 meses consecutivos y del 0.75% en los próximos 6 meses.
- Reducciones del 1% (depreciación) en 6 meses consecutivos y del 0.75% en los próximos 6 meses
✓ Severo
- Disminuciones del 1% por 6 meses consecutivos y del 2% en los próximos 6 meses
- Disminuciones del 2.5% en 6 períodos consecutivos y del 3% en los próximos 6 meses
- Aumento de 0.75 puntos porcentuales en 8 períodos consecutivos y de 1.25 puntos porcentuales en
los siguientes 4 períodos consecutivos
- Aumentos del 1.50% (apreciación) en 6 meses consecutivos y del 1.25% en los próximos 6 meses
- Reducciones del 1.50% (depreciación) en 6 meses consecutivos y del 1.25% en los próximos 6
meses.
La segunda situación presentada es en los escenarios también está conformada por dos escenarios:
76
✓ Moderado: Disminuciones de Medio Circulante (M1) de 2% en 6 períodos consecutivos y del 0%
en los próximos 6 meses. Resto de variables del modelo permanecen invariables.
✓ Severo: Disminuciones Medio Circulante (M1) de 2.5% en 6 períodos consecutivos y del 3% en
los próximos 6 meses. Resto de variables del modelo permanecen invariables.
Los resultados encontrados en la primera situación muestran que bajo el escenario moderado se
encuentra que el riesgo de crédito del sistema bancario alcanza un nivel de 6.75%, mientras que en el
escenario severo alcanza un total de 7.24%. En la segunda situación se encuentra que en un escenario
moderado el riesgo de crédito alcanza un ratio de 6.21%, mientras que un escenario severo alcanza un
ratio de 6.38%. Además, se concluye que las principales variables de riesgo macroeconómicas para
estimar la morosidad son el medio Circulante (M1), la tasa de interés activa real en moneda nacional
(con tres meses de rezago) y el ITCER Bilateral con Estados Unidos, las cuales explican la variación
de la calidad de la cartera de créditos con un 99% de confianza. Por el lado de los escenarios se
concluye que mientras más severo el escenario aumenta el riesgo de crédito del sistema bancario con
un promedio de 6.75% de mora para el escenario moderado y de 7.24% para el escenario severo.
Jiménez y Benavides (2016), realizan un estudio titulado "Stress-Testing para carteras de crédito del
Sistema Bancario Mexicano". El objetivo que se plantean es generar un esquema que permita evaluar
la vulnerabilidad de las carteras de crédito de instituciones del Sistema Bancario Mexicano ante
choques macroeconómicos adversos. Para ello, Se emplearon datos del ratio entre cartera vencida y
total, de 2000 a 2014, para 65 instituciones financieras. A través del método Seemingly Unrelated
Regressions (SUR), se estimó un sistema de ecuaciones que relaciona los indicadores de probabilidad
de incumplimiento con diversos factores macroeconómicos. Una vez realizadas estas estimaciones se
emplea el modelo para analizar el impacto de escenarios adversos en la economía sobre las variables
financieras del Sistema Bancario Mexicano de diciembre 2015 a diciembre 2016. Especifican cuatro
modelos para cuatro carteras de créditos del sistema bancario mexicano:
𝒚𝒕𝑽𝑰𝑽 = 𝒇(𝒙𝒕
𝑪𝑻𝑶, 𝒙𝒕𝑪𝑵𝑷, 𝒙𝒕
𝑰𝑮𝑬, 𝒙𝒕𝑰𝑷𝑪𝑼, 𝒙𝒕
𝑷𝑰𝑵 , 𝒙𝒕𝑻𝑰𝑹𝑭, 𝒙𝒕
𝑻𝑰𝑹𝑯, )
𝒚𝒕𝑻𝑫𝑪 = 𝒇(𝒙𝒕
𝑪𝑻𝑶, 𝒙𝒕𝑪𝑵𝑷, 𝒙𝒕
𝑰𝑮𝑬, 𝒙𝒕𝑻𝑰𝑹𝑭)
𝒚𝒕𝑵𝑹𝑬 = 𝒇(𝒙𝒕
𝑪𝑻𝑶, 𝒙𝒕𝑪𝑵𝑷, 𝒙𝒕
𝑰𝑮𝑬, 𝒙𝒕𝑰𝑷𝑪𝑼 , 𝒙𝒕
𝑷𝑰𝑵, 𝒙𝒕𝑻𝑫𝑪, 𝒙𝒕
𝑻𝑰𝑹𝑭, 𝒙𝒕𝑻𝑰𝑹𝑯)
𝒚𝒕𝑪𝑶𝑴 = 𝒇(𝒙𝒕
𝑪𝑻𝑶, 𝒙𝒕𝑪𝑵𝑷, 𝒙𝒕
𝑰𝑮𝑬, 𝒙𝒕𝑰𝑷𝑪𝑼, 𝒙𝒕
𝑷𝑰𝑵 , 𝒙𝒕𝑻𝑰𝑹𝑭, 𝒙𝒕
𝑻𝑰𝑹𝑯)
Donde las variables dependientes de cada modelo es la tasa de incumplimiento, la misma, que es
medida por el radio entre el monto de Cartera Vencida entre el monto total de préstamos otorgados por
los bancos en cada cartera.
77
𝑦𝑡𝑉𝐼𝑉: Cartera de crédito a la vivienda, 𝑦𝑡
𝑇𝐷𝐶: Cartera de tarjeta de crédito, 𝑦𝑡𝑁𝑅𝐸: Cartera de consumo
no revolvente, 𝑦𝑡𝐶𝑂𝑀:Cartera de créditos comerciales.
Las variables independientes del modelo son: 𝑥𝑡𝐶𝑇𝑂: Credito otorgado por sector bancario, 𝑥𝑡
𝐶𝑁𝑃:
indicador de consumo privado nacional, 𝑥𝑡𝐼𝐺𝐸: indicador global de la actividad económica, 𝑥𝑡
𝐼𝑃𝐶𝑈:
ÍNDICE de precios al consumidor, 𝑥𝑡𝑃𝐼𝑁: indicador de producción industrial, 𝑥𝑡
𝑇𝐷𝐶: Tipo de cambio,
𝑥𝑡𝑇𝐼𝑅𝐹: tasa de interés real EEUU, 𝑥𝑡
𝑇𝐼𝑅𝐻: Tasa de interés real nacional.
Para el caso de los escenarios, los autores plantean que los choques serán inducidos en el período de
enero a diciembre de 2015, y se simulara la trayectoria hasta diciembre de 2016.
- En el caso del escenario base, no fue inducido ningún choque artificial.
- Crecimiento de la tasa de interés real domestica por 300 puntos base, inducido de forma paulatina
durante 12 meses
- Caída en el crecimiento del IGAE de 2.2 %, inducido igualmente de forma paulatina durante 12
meses
- Una reducción del crecimiento del IPCU por 3.3% ocurrido durante los primeros 5 meses de la
simulación
A partir de los resultados obtenidos se concluye que la variable de crédito otorgado lleva a un deterioro
en las carteras de crédito, la explicación económica es que el aumento en los créditos otorgados estaría
relacionado a que las instituciones financieras estarían ampliando su mercado y a la vez incurriendo en
un riesgo mayor. Por otro lado, los resultados indican que la perdida estimada en situaciones de estrés
no aumenta significativamente, por lo que se concluye que el riesgo es moderado bajo los escenarios
seleccionados.
Martínez et al. (2017), realizan un estudio titulado “Pruebas de Tensión Bancaria del Banco Central de
Chile: Actualización”, el estudio tiene por objetivo estimar el impacto de perturbaciones macro-
financieras extremas - pero plausibles - sobre la rentabilidad y solidez patrimonial de las instituciones
bancarias en Chile.
En este sentido, los ejercicios de tensión están diseñados para evaluar la resiliencia del sistema
bancario local frente a shocks macroeconómicos. Para ello, se realiza la estimación de un VAR
agregado a nivel de sistema bancario y luego, con base en el promedio de los últimos 12 meses de los
78
datos de cada banco en el mes ancla del ejercicio, se aplica la dinámica del sistema a las variables de
colocaciones, riesgos, rentabilidad y nivel de capitalización de cada banco.
Específicamente, las variables utilizadas son: 1) Tasa de Corto Plazo (STIR) como medida del costo de
financiamiento de la banca comercial; 2) Tasa de Mediano Plazo (MTIR) que representa la tasa de
interés de los créditos de consumo; 3) Tasa de Largo Plazo (LTIR) que aproxima la tasa de interés del
sector hipotecario; 4) Tasa de Desempleo; 5) Actividad Económica medida por el cambio anualizado
del IMACEC. 6) Índice de Precios de la Vivienda (IPV) y 7) Ratio de Colocaciones a Precio de
Vivienda (LTV: Loan To Value corriente). El modelo de riesgo de crédito es calibrado con datos en
frecuencia mensual desde 1997 hasta 2016.
En el caso de la actividad económica, para el escenario de estrés se tiene en cuenta la evolución
histórica del PIB y se busca replicar las crisis más relevantes de las últimas décadas, tanto en términos
de una caída puntual de producto, como de una convergencia a un nivel de crecimiento menor en el
mediano plazo. De este modo, se configura un evento severo, pero plausible. En particular, se replica
una caída en la actividad de aproximadamente 6,6pp; similar a la experimentada en la crisis financiera
global (2008-2009). Además, se supone una convergencia a un crecimiento de largo plazo alrededor de
3pp inferior al promedio histórico post crisis asiática (entre 2000 y 2013). Para el escenario de
estrés del segundo IEF del 2016, se supone una disminución del PIB de 5,3% anual en el 2017 y un
crecimiento de 1,4% en el 2018. Con estas cifras, el modelo aplicado en el ejercicio de riesgo de
crédito indica que el desempleo llegaría a 10,9% y las tasas de interés de corto y largo plazo
alcanzarían 5,5% y 6,8% respectivamente.
Del estudio se concluye que las pruebas de tensión desempeñan un papel clave en la evaluación de la
fortaleza del sistema financiero ante perturbaciones potenciales de carácter macro-financiero. Los
resultados presentados en este artículo muestran que, dada la baja exposición a riesgos de mercado
existente en la banca local, los mayores riesgos provienen del deterioro en la calidad crediticia de los
deudores. Así, y a pesar del considerable tamaño de las perturbaciones consideradas, las instituciones
bancarias poseen capital suficiente para absorber las pérdidas potenciales. De cualquier manera, el
carácter subjetivo de los escenarios de tensión obliga a la realización, aplicación y evaluación
permanente de pruebas de tensión sobre el sector bancario.
Hernández et al. (2007), realizan un trabajo titulado “Perfil de riesgos del sistema bancario venezolano:
Aplicación de la metodología de Stress Testing”. El objetivo que se plantean es el de identificar las
áreas de vulnerabilidad o el perfil de riesgos del sistema bancario venezolano, mediante la aplicación
79
de la herramienta stress testing (ST). Se realizó un macro stress testing enmarcado en cinco áreas de
riesgo: Riesgo de Crédito; Riesgo de Tasas de Interés; Riesgo Cambiario; Riesgo de Liquidez y Riesgo
de Contagio. Se aplicaron cuatro escenarios, que utilizan como factores de riesgo las tasas de interés y
el tipo de cambio.
La estimación econométrica de la cartera Inmovilizada relaciona las variaciones de la cartera morosa
con las variables macroeconómicas, la ecuación se define como:
Cartera _ inmov = f (tasa _ interés _ activa _ real, ciclo _ pibrnp, tipo _ de _ cambio _ real, cartera _ crédito)
Cartera_inmov: cartera inmovilizada, medida través de los créditos vencidos más los créditos en
proceso judicial. Como variables exógenas se consideran la tasa de interés activa real, el ciclo del PBI
real no petrolero, el tipo de cambio real y la cartera de crédito.
Los resultados para el caso del riesgo de crédito muestra que los cuatro escenarios seleccionados
plantean subidas de las tasas de interés, cuando esto ocurre, se deteriora la cartera inmovilizada o
morosa, con lo cual es necesario aumentar las provisiones, las cuales reducen el activo y, en
consecuencia, el capital y el CAR del banco Al evaluarse los cuatro escenarios se verificó que el mayor
impacto en el CAR del sistema financiero, lo experimentaron los escenarios de tensión política y de
caída de precios del petróleo (0,032 y 0,026 puntos porcentuales, respectivamente). Sin embargo, en
ningún escenario el CAR se ubicó por debajo del umbral establecido por Sudeban (12%) o por Basilea
(8%). Dado lo expuesto anteriormente, se puede deducir que el riesgo de crédito no parece constituir
una de las mayores vulnerabilidades del sistema financiero.
Por otro lado, reforzando la literatura internacional presentada, los entes supervisores aplican prueba de
stress en sus respectivos países, las metodologías, el objetivo, las entidades evaluadoras, evaluadas,
capital objetivo y los resultados para el caso de Europa, España, Estados Unidos y Brasil se muestran
en la tabla 3.9.
80
Tabla 3.9: Comparación de los stress test supervisiones.
AÑO
EUROPA
2010 - 2013
ESPAÑA
2012
ESTADOS UNIDOS
2009 - 2013
BRASIL
2012
OBJETIVO
INTERVENIENTES
ENTIDADES
EVALUADAS
ESCENARIOS
ÁMBITO DE
ESPECIFICACIÓN
HORIZONTE DE
PREDICCIÓN
CAPITAL
OBJETIVO
RESULTADOS
Incrementar la
confianza a traves de la
transparencia y
solventar algunas debilidades puestas de
manifiesto en el
ejericio del CEBS (
Comunidad de Bancos Supervisores de
Europa) de 2010.
Organizador: EBA
(Autoridad Bancaria
Europea).
Colaboradores:
-Autoridades
Nacionales de
supervisión.
-Banco Central Europeo.
-Comisión Europea.
91 entidades
financieras europeas
(65% de los activos del sistema).
Dos escenarios: Base y
adverso.
Riesgo de crédito, de mercado y soberano
2 años: 2011 - 2012
Core capital:5%
Bajo escenario
adverso:
Entidades suspendidas:
8 de 91. 2.500 millones de
déficit de capital.
Restablecer la
credibilidad del
sistema bancario
español, incrementar la transparencia y
conseguir sistema
saneado, más rentable
y solvente
Organizadores:
Banco de España y
Ministerio de Economía.
Colaboradores:
- Banco central
europeo. -Comisión Europea.
-FMI
14 grupos financieros
(90% de los activos del
sistema).
Dos escenarios: Base y
adverso.
Riesgo de crédito.
3 años: 2012 – 2014
Core capital por
escenarios: Base:9% Adverso:6%
Bajo escenario
adverso:
Entidades
suspendidas:7 de 14.
57.300 millones de déficit de capital
Reducir la incertidumbre
y restablecer la confianza
en el sistema financiero
tras el comienzo de la crisis y la bancarrota de
diversas entidades
financieras.
Organizador: Banco de
la Reserva Federal Colaboradores:
-Consejo de
Gobernadores del sistema
Federal de Reserva. -Corporación Federal de
Seguros de Depósito.
-Oficina del Controlador
de la Moneda.
19 entidades financieras
(2/3 de los activos del
sistema)
Dos escenarios: base y
adverso.
Riesgo de crédito, de contraparte y de mercado.
2 años: 2009 – 2010
Capital tier: 6% Care capital:4%
Bajo escenario adverso:
Entidades suspendidas: 10
de 19 y 185.000 millones
de déficit de capital.
Identificar y analizar
vulnerabilidades del
sector financiero, dentro
del programa FSAP (Programa de
evaluación del sector
Financiero).
Organizadores: FMI,
Banco Mundial y Banco
CENTRAL DE Brasil.
Conjunto global del
sistema bancario brasileño.
Tres escenarios: recesión global,
reversión de flujos de
capital e impacto en
relación de intercambio.
Riesgo de crédito, de
mercado, de tipo de
interés, de liquidez y de contagio.
5 años: 2012 – 2016.
NA
Los bancos brasileños
mostraron capacidad de resistir el escenario de
recesión global.
Fuente: Managements Solutions, 2013. pag.27.
81
3.6.2. Evidencia empírica nacional
Para el caso peruano, los estudios respecto al tema de las pruebas de tensión o stress testing son
escasos entre los cuales resaltan el elaborado por Rodríguez (2016), titulado “Prueba de estrés de
riesgo de crédito, mercado y liquidez en la banca múltiple del Perú”, el objetivo que se plantea es
cuantificar los impactos en los indicadores de riesgo producidos en un escenario de estrés. El trabajo se
limita a analizar el conjunto agregado de los 5 principales bancos de operaciones múltiple en el Perú en
un umbral de tiempo del año 2001 al año 2014; estima el modelo especificado a continuación:
𝑇𝑎𝑠𝑎 𝑑𝑒𝑡𝑒𝑟𝑖𝑜𝑟𝑜 = 𝐶 + 𝛼𝑃𝐵𝐼𝑥12𝑠𝑎 + 𝛽𝑃𝐵𝐼𝑥12𝑠𝑎2 + 𝛾𝑆𝑝𝑟𝑒𝑎𝑑2 + 𝛿(𝑡𝑎𝑠𝑎 𝑑𝑒𝑡𝑒𝑟𝑖𝑜𝑟𝑜𝑡−1)
Donde variable dependiente es la tasa deterioro ( % Cartera Deteriorada o de Alto Riesgo) y las
variables independientes son 𝛼𝑃𝐵𝐼𝑥12𝑠𝑎: Variación anual del PBI real desestacionalizado, 𝑆𝑝𝑟𝑒𝑎𝑑:
medido como la diferencia entre tasa de rendimiento de los bonos de la Resera Federal de EE.UU. a 10
años - Tasa de rendimiento de los bonos de la Reserva Federal de EE.UU. a 3 meses .
La prueba de estrés para el riesgo crédito en este estudio fue construida a partir de la aplicación de Van
den End, con una serie de ajustes propios de un modelo VAR. Los escenarios de estrés son el impacto
de la variación del PBI (stress_macro), impacto de la variación del spread (stress_margen) en 12
meses.
Para el caso de la tasa de deterioro, el impacto acumulado a los doce meses del PBI (0.55) es de mayor
dimensión. Por lo tanto, se comprueba que el impacto del PBI, que representa a las variables
endógenas de la economía, posee un mayor impacto en la evolución de la tasa de deterioro, de esto se
concluye que el impacto por una variación de las variables exógenas a la economía local en la
evolución y tendencia de los indicadores de riesgo de la baca múltiple no es tan significativo como el
impacto producido por las variables endógenas a la economía del país.
Por su parte Luy (2010), como parte de guías de la superintendencia de Banca y seguros presenta un
estudio titulado “Pruebas de Stress de Riesgo de Crédito: El Caso Peruano”, con el objetivo de analizar
cual serie el nivel de riesgo de crédito que alcanzarían diferentes instituciones bancarias ante posibles
escenarios de estrés, para ello aplica el análisis de escenarios, primero aplica un modelo
macroeconómico:
),,,,(),( int1 ernos
USAChinaE
cons crediPBIPBIPBIIcredPBICPBI += −
),,,,( TCPBIPBIPBIPBITINXG PerúOtrosChinaUSA++
82
Los escenarios que plantea se muestran en la tabla N°3.10.
Tabla 3.10: Escenarios de estrés según la SBS, 2010.
Variables Escenario Base Escenario de Stress
PBI PERÚ
PBI USA
PBI CHINA
Tipo de cambio
5.5%
3.1%
10%
2.85
3.5%
2.0%
9%
2.85
Fuente: Luy, 2010.
Posterior a ello realiza un modelo microeconómico, para estimar el impacto que tendría el PBI
estresado en el riesgo de crédito modelando la tasa de morosidad por sector económico y por
instituciones financieras homogéneas. Estimando de tal manera un modelo MCO por sector, bajos los
escenarios propuestos de donde encuentran diferentes resultados mostrados en la tabla N°3.11.
Tabla 3.11: Escenario de estrés por sector económico en el estudio de Luy, 2010.
Morosidad Base Escenario base Escenario
pesimista
Sector ( Dic. 2009) (Dic. 2010) (Dic. 2010)
Agropecuario 2.24% 2.24% 2.48%
Comercio 2.41% 2.15% 2.38%
Minería 0.08% 0.11% 0.12%
Pesca 0.39% 0.34% 0.38%
Transporte y Com. 0.86% 0.73% 0.80%
Consumo 2.89% 2.89% 3.19%
Hipotecario 0.87% 0.77% 0.85%
Bienes Raíces 0.88% 1.01% 1.11%
Manufactura 0.65% 0.58% 0.63%
Servicios 1.49% 1.31% 1.44%
Textil 3.10% 3.22% 3.56%
Total 1.56% 1.47% 1.62%
Fuente: Luy, 2010.
Bajo el escenario de crecimiento base, se espera que la morosidad experimente una ligera caída
mientras que, bajo el escenario pesimista, se proyecta un aumento en la morosidad de menos de 10
puntos básicos.
Luy (2011), realiza un estudio titulado “Pruebas de estrés de riesgo de crédito enfoque práctico de la
SBS” similar al del año 2010, siguiendo la misma metodología, estimó un modelo macroeconómico y
un modelo microeconómico para calcular el riesgo de crédito al que están expuestos el sistema
bancario por sector económico, para ello plantea los supuestos de que se muestran en la tabla N°3.12.
83
Tabla 3.12: Escenarios de estrés macroeconómicos en el estudio de Luy, 2011.
2011
Recesión Recesión
Mundial
Variables Moderado mundial y niño
Actividad económica y empleo
Variación anual del PBI 7.00% 2.50% -1.20%
Variación anual del sector construcción 11.30% -0.70% -3.40%
Variación anual del índice de empleo urbano total de 10 y más
trabajadores 3.00% 0.50% -0.50%
Fondeo interno y externo
Variación anual del total de depósitos de agentes e instituciones del país 17.00% 10.00% 8.00%
Variación anual de depósitos en MN de agentes e instituciones del país 18.50% 6% 5.00%
Variación anual de obligaciones con agentes e instituciones del exterior 15.50% -5.00% -5.00%
Liquide del sistema financiero local e internacional
Variación anual de liquidez del sistema financiero 16.50% 4.91% 0.00%
variación mensual de liquidez del sisma financiero 1.25% 0.40% 0.00%
Variación mensual de liquidez del sistema bancario 1.35% 0.45% 0.00%
Cambio de la Usfederal rate 0 -0.1 -0.1
Tasa de interés activa
Tasa de interés activa promedio en MN del sistema financiero 19% 23% 24%
Fuente: Luy, 2011.
En este caso los resultados encontrados se muestran en la tabla N°3.13.
Tabla 3.13: Resultados de la morosidad en escenarios de estrés, estudio de Luy 2011.
Dic-11
Sector Económico Dic. - 10 Base El Niño Recesión El niño y
Económica Recesión
Mundial económica
Agropecuario 2.12% 1.60% 8.61% 1.95% 7.55%
Comercio 2.04% 1.81% 3.16% 3.61% 4.07%
Minería 0.29% 0.08% 0.16% 0.24% 0.25%
Pesca 0.55% 0.54% 0.82% 0.67% 0.88%
Transporte y Com. 1.03% 0.97% 1.11% 1.01% 1.12%
Consumo 2.69% 4.31% 5.45% 6.53% 7.16%
Hipotecario 0.94% 0.72% 1.04% 1.68% 2.18%
Bienes Raíces 1.27% 0.67% 1.79% 1.48% 2.34%
Manufactura 0.63% 0.48% 0.98% 1.19% 1.21%
Servicios 1.34% 1.10% 2.25% 2.91% 3.94%
Textil 3.02% 2.35% 3.32% 6.68% 9.74
TOTAL 1.49% 1.36% 2.55% 2.83% 3.93%
Fuente: Luy, 2011.
84
3.7. Modelo teórico de los determinantes del riesgo de crédito
De la literatura revisada y particularmente de Uquillas y González (2017), y Gonzáles (2017), se
encuentra que utilizan diferentes variables como determinantes del riesgo de crédito, además, sugieren
que la tasa de morosidad es un buen indicador de riesgo de crédito. En base a ello el modelo teórico de
los determinantes del riesgo de créditos se muestra en la ecuación N°01 y N°02.
RCt = f(factores macroeconómicos, factores microeconómicos) ………………. (01)
RCt = f (PBIt, DESt, INFt, TRPt, Xt, Mt, PPETROt, TCRt, TIRt, EMPLEOt, M1t, SPt, LIQt, SOLVt,
RENt, CATRASt, TAt, CALt, COLOt, EFIt, CDt) …………………………………….……………. (02)
Donde:
𝑅𝐶𝑡, representa el riesgo crediticio del sistema bancario, medido a través del índice de morosidad;
𝑃𝐵𝐼𝑡 , representa la actividad económica del Perú; 𝐷𝐸𝑆𝑡 , representa la tasa de desempleo;
𝐼𝑁𝐹𝑡 , representa la tasa de inflación; 𝑇𝑅𝑃, la tasa de referencia de política monetaria; 𝑋𝑡 , representan
las exportaciones; 𝑀𝑡 , importaciones; 𝑃𝑃𝐸𝑇𝑅𝑂𝑡, precio del petróleo; 𝑇𝐶𝑅𝑡 , tipo de cambio real;
𝑇𝐼𝑅𝑡, representa la tasa de interés real; 𝐸𝑀𝑃𝐿𝐸𝑂𝑡 , representa el empleo; 𝑀1𝑡 , representa el
crecimiento del dinero; 𝑆𝑃𝑡 , índice bursátil de BVL; 𝐿𝐼𝑄𝑡 , 𝑙iquidez del sistema bancario;
𝑆𝑂𝐿𝑉, solvencia del sistema bancario; 𝑅𝐸𝑁𝑡 , rentabilidad del sistema bancario; 𝐶𝐴𝑇𝑅𝐴𝑆𝑡, representa
la cartera atrasada; 𝑇𝐴𝑡 , representa la tasa de interés activa, 𝐶𝐴𝐿𝑡 , representa la calidad de cartera de
los activos en el sistema, 𝐶𝑂𝐿𝑂𝑡 , representa el total de colocaciones; 𝐸𝐹𝐼𝑡 , representa la eficiencia del
sistema bancario; 𝐶𝐷𝑡, representa el ratio de créditos a depósitos. El modelo de la ecuación (2), en
forma específica, es el siguiente:
RCt = β0 + β1PBIt + β2DESt + β3INFt + β4TRPt + β5Xt + β6Mt + β7PPETROt + β8TCRt + β9TIRt +
β10EMPLEOt + β11M1t + β12SPt + β13LIQt + β14SOLVt + β15RENt + β16CATRASt + β17TAt + β18CALt +
β19COLOt + β20EFIt + β21CDt + ut ………………………………………………………...………… (03)
Donde los coeficientes βi para todo 𝑖 = 1, 2, … , 21 son los impactos individuales de cada variable
mencionada y β0 es el intercepto de la ecuación, que también puede interpretarse como el nivel
autónomo o mínimo que alcanza el riesgo de crédito; 𝜇𝑡 representa el error estadístico.
Las interrelaciones entre los factores macroeconómicos y microeconómicos con el riesgo de crédito,
según la revisión de la literatura se muestra en la figura N°3.3 y en las tablas N°3.14 y N°3.15.
85
Figura N° 3.3: Interrelación entre los factores determinantes del riesgo de crédito.
Fuente: modificado de Varona, Gismera y Gimero, 2014.
Tabla 3.14: Interrelaciones de variables macroeconómicas del modelo.
Variable Detalle operacional de las variables Referencia Relación
RC Riesgo de crédito = tasa de morosidad (índice).
Determinantes macroeconómicos
PBI Producto Bruto Interno = PBI (Millones de
soles).
3, 6, 13, 22, 30, 31, 33, 36,
37, 40, 41, 50, 65, 75, 88.
-
DES Desempleo=Tasa de desempleo (Índice). 3, 21, 24, 25, 30, 31, 37, 41,
50, 51, 58, 65, 88, 89, 90.
+
INF Inflación= Variación del IPC (%). 22, 24, 25, 33, 37, 41, 50,
65, 75, 88, 90.
+
TRP Tasa de referencia del política monetaria = TRP
de BCRP (Índice).
31, 51, 58. -
TCR Tipo de cambio real= Tipo de cambio real
multilateral (Índice).
13, 33, 36, 37, 50, 51, 58. +
X Exportaciones = Exportaciones de bienes y
servicios (millones US$).
37, 41, 50, 51, 88, 89. -
M Importaciones = Importaciones de bienes y
servicios (millones US$).
37, 41, 51, 88, 89. +
PPETROL Precio del petróleo = Precio (Miles de US$). 41, 51, 88, 89. -
TIR Tasa de interés real = (Índice). 2, 3, 36, 37, 40, 50, 58, 65. +/-
EMPLEO Empleo total = PEAO (Miles de personas). 13. -
M1 Crecimiento de dinero= emisión primaria (Miles
de soles).
33. -
SP Índice Bursátil de la Bolsa de Valores de Lima =
S&P Lima General (Punto de Índice).
51. -
Fuente: modificado de Varona, Gismera y Gimero, 2014.
▽Δ Liquidez.
▽ Δ Colocaciones.
Δ Solvencia.
Δ Rentabilidad.
▽Δ Tasa de interés
activa.
Etc.
Determinantes
microeconómicos
Δ PBI.
▽ Desempleo.
▽ Inflación.
Δ Exportaciones.
Δ Tasa de referencia
BCR
Etc.
Determinantes
macroeconómicos
▽ Riesgo
de crédito.
Determinantes
microeconómicos
▽ Colocaciones.
Δ Rentabilidad.
Δ Liquidez
Δ Exportaciones.
Δ Tasa de referencia
BCR
Etc.
86
Tabla 3.15: Interrelaciones de variables microeconómicas del modelo. Factores microeconómicos
COL Colocaciones = total colocaciones del sistema bancario. 3, 30, 41, 88, 89. +/-
REN Rentabilidad=ROE y ROA del sistema bancario (Índice). 40, 41, 88, 89. -
LIQ Liquidez = Liquidez del sistema bancario (índice) 30, 41, 88, 89. -
CATRAS Cartera atrasada = cartera atrasada total del sistema bancario 42, 88, 89. -
EFI Eficiencia= eficiencia operativa (índice). 41, 88, 89. -
SOL Solvencia del sistema bancario = (índice). 30, 41, 88, 89. -
TA Tasa de interés activa del sistema bancario = (índice). 2, 41, 76, 88, 89. +/-
CD Créditos/depósitos= (ratio). 30, 88, 89. +
Fuente: modificado de Varona, Gismera y Gimero, 2014.
3.8. Hipótesis
3.8.1. Hipótesis general
Los niveles de riesgo de crédito del sistema bancario peruano se incrementan ante la presencia de
choques macroeconómicos durante el periodo 2003:01 al 2018:12 y en las proyecciones al 2020.
3.8.2. Hipótesis específicas
1. El crecimiento del riesgo de crédito del sistema bancario peruano ha sido determinado por
variables macroeconómicas como, el crecimiento del PBI, con la tiene relación inversa; el
crecimiento del desempleo, con la cual muestra relación directa; el crecimiento de la Tasa de
Referencia de Política Monetaria, con la que muestra relación directa; el crecimiento de las
exportaciones, con la que muestra relación inversa; el crecimiento del índice bursátil, con la que
muestra relación directa; el crecimiento de la emisión de dinero en la economía con la que muestra
relación inversa durante el periodo 2003:01 – 2018:12.
2. El crecimiento del riesgo de crédito del sistema bancario peruano ha sido determinado por factores
microeconómicos como el crecimiento de la liquidez, con la que muestra relación inversa; el
crecimiento de la tasa de interés activa del sistema bancario con la que muestra relación inversa y
el crecimiento del ratio créditos/depósitos con el cual muestra relación directa durante el periodo
2003:01 – 2018:12.
3. El sistema bancario peruano ha experimentado niveles de riesgo de crédito altos ante la presencia
de choques macroeconómicos, debido a los mayores niveles de riesgo que ello implica durante el
periodo 2020:01 – 2020:12.
4. El sistema bancario peruano ha experimentado niveles de riesgo bajos ante la presencia de
escenario macroeconómico estable en la economía durante el periodo 2020:01-2020:12.
87
3.9. Definición y operacionalización de variables
Tabla 3.16: Definición y operacionalización de las variables macroeconómicas.
Variable Definición Conceptual Definición
Operacional
Dimensión Indicadores Fuente
Riesgo del
crédito en
el sistema
bancario
De acuerdo a la SBS (S.f),
se define como la
posibilidad de pérdida a
consecuencia del
incumplimiento de las
obligaciones por parte del
prestatario.
Diferencia del
logaritmo del índice
de morosidad.
Endógena Tasa de morosidad.
SBS
Actividad
económica
De acuerdo al BCRP
(2019), lo define como
Valor total de la
producción corriente de
bienes y servicios finales
dentro de un país durante
un período de tiempo
determinado. Incluye por
lo tanto la producción
generada por los
nacionales y los
extranjeros residentes en el
país.
Diferencia del
logaritmo del PBI.
Exógena PBI (millones de S/
2007)
BCRP
Tasa de
Referencia
de Política
Monetaria
BCRP (2019), la define
como la tasa de interés
objetivo para las
operaciones interbancarias
que el Banco Central
procura lograr mediante
sus instrumentos de
política monetaria:
operaciones de mercado
abierto, facilidades de
crédito y depósito.
Diferencia del
logaritmo de la tasa
de interés de
referencia de
política monetaria.
Exógena Tasa de referencia
de política
monetaria.
(índice)
BCRP
Desempleo Según BCRP (2019), Es la
condición de las personas
en edad y disposición de
trabajar que buscan
activamente un puesto de
trabajo, sin encontrarlo.
También se denomina
desempleo abierto.
Diferencia del
logaritmo de la tasa
de interés de
referencia
desempleo.
Exógena Índice de
desempleo
BCRP
Fuente: elaboración propia.
88
Tabla 3.17: Definición y operacionalización de las variables macroeconómicas.
Variable Definición Conceptual Definición
Operacional
Dimensión Indicadores Fuente
Exportaciones BCRP (2019), son todas
las mercancías que se
envían a otros países.
Diferencia del
logaritmo de las
exportaciones.
Exógena Exportaciones
totales (millones
de $)
BCRP
Crecimiento
del dinero
BCRP (2019), lo define
como el aumento de la
oferta monetaria en la
economía.
Diferencia del
logaritmo del
crecimiento de
dinero.
Exógena Emisión de
primaria
(millones de S/)
BCRP
Mercado
bursátil
SBS (2019), es el
conjunto de todas
aquellas instituciones,
empresas e individuos
que realizan
transacciones de
productos financieros en
diferentes Bolsas
alrededor del mundo.
Diferencia del
logaritmo de
índice bursátil de
la BVL.
Exógena S&P Lima
General
(punto índice)
Investig
Fuente: elaboración propia.
Tabla 3.18: Definición y operacionalización de las variables microeconómicas.
Variable Definición Conceptual Definición
Operacional
Dimensión Indicadores Fuente
Liquidez Según BCRP (2019), es un
concepto que expresa la
facilidad con que un bien o
activo puede ser convertido en
dinero.
Diferencia del
logaritmo del
índice de liquidez.
Exógena Ratio de liquidez
(índice)
SBS
Tasa de
interés activa
Gonzáles (2017), es el precio
del dinero o tasa a la cual los
bancos venden el crédito.
Diferencia del
logaritmo de la tasa
de interés activa
del sistema
bancario.
Exógena TAMN
(índice)
BCRP
Créditos/depó
sitos
Se define como el porcentaje
de los créditos que son
directamente de depósitos.
Diferencia del
logaritmo del
índice de créditos a
depósitos.
Exógena Índice SBS
Fuente: elaboración propia.
89
CAPITULO IV
4. MARCO METODOLÓGICO
Tabla 4.1: Diseño metodológico de la investigación.
Fuente: elaboración propia.
Planteamiento del problema: observación
de la realidad del sistema bancario (RC)
Pregunta de
investigación
Objetivo de
investigación
Revisión y discusión
teórica y empírica
Variables (modelo teórico)
Hipótesis
Descarga indicadores de
fuentes secundarias.
Depuración de indicadores
Excel
2016
Exportan al programa eviews 10
Prueba de estacionaridad.
Estimación del modelo
Individual
Grupal
Con rezagos
Parsimonia Metodología MCO
Contrasta a la luz de la
teoría y realidad
(discusión de resultados)
AR: Autorregresivos -
MA: Media móvil Parsimonia
Metodología ARIMAX Económica
Estadística
Econométrica
Proyección
de escenarios
Resultados
Conclusiones
Recomendaciones
90
De manera general, para el caso de la estimación del modelo y la proyección en escenarios se considera diseño
Mostrado en la tabla N°4.2.
Determinar los factores de riesgo que tienen efectos heterogéneos, en
función del sector económico, tipo de crédito y tipo de entidad, con los que
se proyectan las variables.
- Salida de capitales y sus impactos en la actividad económica, aumento
tipo cambio. - Desastres naturales, como el FEN, el mismo que impacta
sobre los sectores económicos. - Recesión de los principales socios
comerciales.
Mapeo de
riesgos.
Estimación
del deterioro
de portafolio.
Elección de la
metodología
para pruebas
de estrés y
estimación
del modelo.
Definición de
escenarios
macroeconóm
icos.
Determinar la variable que mida el deterioro del portafolio, para ello es
necesario:
- Contar con una amplia base de datos.
- Definir el periodo y la frecuencia de los datos.
Se recomienda usar como variable que determina el deterioro del portafolio,
la probabilidad de default (Tasa de morosidad).
Elección de una metodología estadística para pruebas de estrés: Se tiene que
estudiar las características de la data para estimar un modelo econométrico.
- Agregadas (a nivel sectorial) → Vectores autorregresivos, Modelos de
Corrección de errores, ARIMAX, Regresiones Lineales y no Lineales.
- Desagregados (a nivel de bancos) → Modelos de Panel, Modelos
Dinámicos.
Del mapeo de riesgos se definen los escenarios que se presentaran en las
proyecciones, considerando que dichos efectos impactan sobre las algunas
variables determinantes del riesgo de crédito, que hayan sido consideradas
dentro del modelo econométrico estimado en el paso anterior.
EN GENERAL SE CONSIDERA: Dos periodos
PERÍODO DE ESTIMACIÓN
DEL MODELO
ECONOMÉTRICO
PERÍODO DE PREDICCIÓN:
CONSIDERANDO LOS
ESCENARIOS
Fuente: Modificado y resumido de SBS (2016), y Luy (2010, 2011).
Tabla 4.2: Diseño metodológico para la estimación y proyección de escenarios.
91
- Situación similar a la ocurrida en el 2008 (Crisis financiera), lo cual generaría:
- Salida de capitales y sus impactos en la actividad económica, aumento tipo
cambio. - Aumento de la tasa de desempleo.
- Desastres naturales, como el FEN, el mismo que impacta sobre los sectores
económicos. Similar al ocurrido en el año 2017.
- Problemas en la economía mundial por diversos motivos (pandemias, guerras,
etc.).
Mapeo de
riesgos
De manera específica para el presente estudio en lo que respecta la estimación del modelo y la proyección en
escenarios se considera el diseño mostrado en la tabla N°4.3.
Estimación del
deterioro de
portafolio
Elección de la
metodología
para pruebas
de estrés y
estimación del
modelo.
Definición de
escenarios
macroeconó-
micos
- Variable que mide el deterioro del crédito del sistema bancario: Tasa de
morosidad (riesgo de crédito).
- Base de datos: Obtenida a través de SBS.
- Frecuencia: Mensual - Periodo: 2003:01 – 2018:12 y 2020:01 – 2020:12
Metodología estadística para pruebas de estrés: Se sigue la que siguiere la SBS
(2016) y Luy (2011, 2010).
- Modelo para identificar los determinantes del riesgo de crédito: Se estima en el
periodo 2003:01- 201812, a través del modelo sugerido por Uquillas y Gonzales
(2017) y Gonzales (2017), un modelo ARIMAX.
- Período de estimación de los escenarios de estrés: 20120:01 – 2020:12.
- Escenario estable: Panorama macroeconómico estable.
- Escenario de estrés 1: Choque macroeconómico similar al año 2017 – FEN.
- Escenarios de estrés 2: Choque macroeconómico similar al año 2008 – Crisis Financiera.
- Escenario de estrés 3: Choque macroeconómico de COVID19.
PERÍODO DE ESTIMACIÓN DEL
MODELO ECONOMÉTRICO
ARIMAX, se sigue a Uquillas y Gonzales
(2017, 2017A), y Gonzales (2017).
PERÍODO DE PREDICCIÓN:
CONSIDERANDO LOS ESCENARIOS
Escenarios propuestos SBS (2019).
Fuente: Modificado y resumido de SBS (2016) y Luy (2010, 2011).
2003:01 2018:12 2020:01 2020:12
Tabla 4.3: Diseño metodológico para la estimación y proyección de escenarios.
92
4.1. Datos
Los datos para estimar el modelo ARIMAX en el caso de la variable dependiente, el riesgo del crédito
en el sistema bancario peruano en el período 2003:01 al 2018:12 se han obtenido de fuente secundaria
como es la Superintendencia de Banca y Seguros a través de su página web. En cuanto a los
determinantes macroeconómicos como son el PBI, la tasa de desempleo, la tasa de referencia de
política monetaria y la emisión de dinero se obtuvieron de la página web del Banco Central de Reserva
del Perú, asimismo el índice bursátil - S&P Lima General - se obtuvo a través de la página web de
Investig. La información sobre los determinantes microeconómicos como son la liquidez y el ratio de
créditos/depósitos se obtiene de la SBS y la tasa de interés activa en moneda nacional se obtuvo del
BCRP.
En el caso del PBI el Banco Central de Reserva del Perú brinda la información en índice, en el presente
estudio dicho índice se transformó en millones de soles mensuales para un mejor análisis, el
procedimiento para llevar el índice a millones de soles se muestra en el anexo N° 5.3.
Dado que este estudio se basa principalmente en las proyecciones en cuatro escenarios, por lo cual,
para el periodo 2019:01 – 2019:12 las variables presentan una tendencia normal, para ello se toma los
datos presentados por cada una de las instituciones encargadas de sus construcción. En el caso de las
variables microeconómicas se trabaja bajo el supuesto Ceteris paribus, para ello se tomó la data
publicada por la SBS hasta diciembre del 2019, con ello se realizó el pronóstico por escenarios para el
período 2020:01 al 2020:12.
4.2. Métodos
Consta de dos partes, en la primera se identificó los determinantes del riesgo de crédito del sistema
bancario peruano período 2003:01 – 2018:12, para ello en el ítem 2.4, en la ecuación N°02 y N°03 que
corresponde al modelo teórico, se definió las características teóricas de los diferentes aportes, la misma
que se buscó contrastar con a través de la metodología ARIMAX, siguiendo la propuesta realizada por
Uquillas y Gonzáles (2017, 2017A) y Gonzáles (2017), basada en el análisis Box Jenkins.
Luego se especificó un modelo econométrico siguiendo la metodología de los MCO, se recogió la
información necesaria, la misma que se descarga, en el programa Excel 2016 donde se realizó la
depuración de indicadores, así como la transformación del índice del PBI al PBI en millones de soles.
Antes de la estimación en el programa Eviews10 se realizó la prueba de estacionaridad de las series, se
encuentra que las variables son estacionarias en diferencia del logaritmo, por lo cual, es ese nivel con el
93
que se realiza las estimaciones respectivas, luego se sigue el proceso de parsimonia hasta llegar a un
modelo econométrico bajo la metodología MCO con variables estadísticamente significativas,
posterior se procedió a agregarle los componentes autorregresivos y de media móvil de los residuos
quedando de tal forma estimado un modelo de metodología ARIMAX.
Luego se validar el modelo econométrico a través del test de Anderson y Pankratz, así como el test de
raíces unitarias, pasando posteriormente a realizar la evaluación económica, estadística y econométrica
del modelo, con los test correspondientes a cada una.
Por otro lado, se realizó la evaluación de los indicadores de proyecciones, las mismas que se hacen en
4 escenarios para período 2020:01 – 2020:12; el primer escenario se trabaja bajo el supuesto que la
economía alcanzaría las tasas proyectadas por el Ministerio de Economía y Finanzas, las cuales se
encuentran en el documento denominado Marco Macroeconómico Multianual 2020 – 2023, donde se
estipulan las proyecciones de los principales indicadores macroeconómicos del Perú; el segundo
escenario supone que la economía en el año 2020 alcanzará tasas similares a las del año 2017 cuando
se presentó el evento del FEN; el tercer escenario supone que la economía en el 2020 alcanza similares
tasas de crecimiento a las que se registraron en el año 2008, producto de la crisis financiera; mientras
que en el cuarto escenario se realiza proyecciones en un escenario con COVID19.
La proyección de las demás variables que seguirán su tendencia, se realizó través de método del
suavizamiento exponencial, en el programa Eviews10.
4.3. Tratamiento de información
Se realizó la estimación de un modelo econométrico siguiendo la metodología ARIMAX, para ello:
➢ Los datos e indicadores que se trabajaron en Excel se exportaron al programa Eviews10 en donde se
siguió la metodología propuesta por Uquillas y Gonzáles (2017, 2017A), y Gonzáles (2017), a
través del método de Box Jenkins.
➢ Luego en el programa Eviews se realizó la prueba de estacionaridad, para ello se siguen dos pasos,
el primero es un análisis visual a través del ploteo de la variable respecto a su media, también se
realiza un correlograma donde se verifica el autocorrelación. El segundo paso fue verificar la
estacionaridad a través de la forma analítica bajo el método de Dickey Fuller.
➢ Se estimó el modelo econométrico siguiendo la metodología ARIMAX, en el programa Eviews 10
y a través del proceso de parsimonia se determina el mejor modelo estimado, y a este se le realizó
diferentes pruebas tanto estadísticas como econométricas, logrando posteriormente realizar las
proyecciones en los escenarios propuestos.
94
4.4. Enfoque de la investigación
La investigación presente sigue el enfoque cuantitativo, puesto que hace uso de herramientas
estadísticas, así como de un modelo econométrico para un adecuado análisis del riesgo de crédito en el
sistema bancario. Además, se determina el enfoque cuantitativo en la investigación debido a que los
datos y variables que se usaron son de series de tiempo, logrando de tal forma que las pruebas
posteriores ejecutadas respondan de mejor manera a las hipótesis formuladas.
Asimismo, de acuerdo con Hernández et al. (2014), en una investigación cuantitativa cada etapa
precede a la siguiente y no omite pasos. El orden es riguroso, aunque permite redefinir alguna fase
luego de que la idea se va acotando y una vez delimitada se procede a derivar objetivos, preguntas de
investigación, revisión de literatura y construcción de un marco y perspectiva teórica. A partir de las
preguntas se establecen hipótesis y se deducen variables, se miden para a través de hechos estilizados
analizar la evolución y relación entre variables y finalmente se analizan las mediciones utilizando
métodos estadísticos para extraer conclusiones.
4.5. Diseño de la investigación
El diseño de la presente investigación es no experimental, considerando la clasificación elaborada por
Kerlinger (2002), quien definió dos tipos de diseños: El experimental y el no experimental. Debido a
que esta propuesta no realizará un experimento en laboratorio o en campo para la recolección de los
datos de las variables, el diseño experimental fue descartado y, en consecuencia, se eligió el diseño no
experimental.
Por otro lado, de acuerdo con Hernández et al. (2014), lo que se hace en la investigación no
experimental es observar fenómenos tal como se dan en su contexto natural; las variables
independientes ocurren y no es posible manipularlas, no se tiene control directo sobre dichas variables
ni se puede influir en ellas, porque ya sucedieron, al igual que sus efectos. Si bien es cierto en el
estudio se pretende analizar el riesgo de crédito ante posibles escenarios de estrés en el período
2020:01 – 2020:12 los datos de las variables se toman tal como han evolucionado y como los brindan
las instituciones consultadas hasta el periodo 2019:12.
4.6. Nivel o alcance de la investigación
Para este estudio se considera que el nivel o alcance que tiene es descriptivo, correlacional, explicativo
y predictivo según argumentos de Hernández et al (2014):
95
i) Es descriptivo, dado que se analizó la evolución del riesgo de crédito, así como de indicadores
macroeconómicos y de sistema bancario en el Perú en el período 2003:01 – 2018:12; recogiendo
información de manera independiente y en conjunto de las variables que participan en el estudio
con el objeto de indicar relaciones de estas.
ii) Es correlacional, dado que tienen la finalidad de conocer la relación o grado de asociación que
existe entre el riesgo de crédito del sistema bancario y variables macroeconómicas y
microeconómicas. Según Hernández et al. (2014), para evaluar el grado de asociación entre las
variables, en los estudios correlacionales primero se mide cada una de éstas, y después se
cuantifican, analizan y establecen las vinculaciones; tales correlaciones se sustentan en hipótesis
sometidas a prueba.
iii) Es explicativo, debido a que responde por las causas de las relaciones y/o evolución de las
variables centrándose en explicar el porqué de dichas relaciones.
iv) Es predictivo, debido a que se pronosticó el riesgo de crédito al que está expuesto el sistema
bancario mediante cuatro escenarios, proyectando así valores para el año 2020.
4.7. Tipo de investigación
La investigación es de tipo polivariable debido a que se estudia el riesgo de crédito en función a
variables exógenas como el PBI, la tasa de desempleo, las exportaciones, la tasa de referencia de
política monetaria, la liquidez del sistema bancario, la tasa de interés activa del sistema bancario y el
ratio de créditos a depósitos.
4.8. Sujetos de la investigación
La tesis se centra en el Perú, quinta mayor economía de América Latina en términos de producto bruto
interno (PBI) reales y tradicionalmente ha sido un reflejo de su variada y compleja geografía. Según el
BCRP (2019), en el año 2018 el Producto Bruto Interno del Perú asciende a 535.083 millones de soles.
El estudio se centra en la rama de las finanzas, dentro de esto, la economía peruana tiene un sistema
financiero, donde se ubica el sub sistema bancario y dentro de este, el riesgo de crédito, tal como se
muestra en la figura N°4.1.
Figura N° 4.1: Sistema financiero peruano.
Fuente: Elaboración propia.
96
Espino (2013), define el sistema bancario como el conjunto de bancos privados, tanto a nivel agregado
y desagregado. Por su parte según Morón (1993), sostiene que el desarrollo del sistema bancario
peruano nace con el inicio de la independencia, pero que por casos de prácticas no adecuadas se cae,
registrando luego las primeras actividades bancarias con el auge del guano. El autor señala también que
el primer banco que se estableció en Perú fue el Banco de Providencia, creado en 1862, luego
empezaron a crearse nuevos bancos en 1863 el Banco del Perú, en 1866 el Banco de Crédito
Hipotecario, en 1869 el Banco de Lima, dando inicio al boom bancario.
Tal como lo afirma Soliman (2015), a comienzos de la década de 1990, ingresaron en el mercado
nuevos bancos, como es el caso del Banco Interamericano de Finanzas. Además, se puede mencionar
que para 1991 los cinco principales bancos eran el Banco de Crédito, Banco Wiese, Banco Continental,
Banco Interbank y Banco Latino; los cuales tenían la mayor participación de colocaciones.
Para entender el rol del sistema bancario dentro del sistema financiero es necesario conocer la
estructura del sistema financiero, presentada en la tabla N°4.4.
Tabla 4.4: Estructura del sistema financiero del Perú, 2019.
Fuente: Superintendencia de Banca y Seguros, 2019.
97
Desde el año 2016 según la SBS (2018), el sistema bancario se compone por 16 empresas bancarias las
mismas que explican el 8.30% de los activos con un saldo de S/ 385.34 millones, además, es el sector
que mayor número de empresas tiene en el sistema financiero. Los principales bancos que explican el
mayor porcentaje el sistema bancario son el Banco de crédito del Perú, Banco continental, Scotiabank
Perú, Interbank.
Los otros bancos que conforman el sistema al 2018 son Banco de Comercio, Banco Pichincha, Banco
Interamericano de Finanzas, Citibank, Mibanco, Banco GNB, Banco Falabella Perú, Banco Santander
Perú, Banco Ripley, Banco Azteca Perú, Banco Cencosud y el Banco ICBC Perú Bank. El total de
activos por sub sector se muestra en la tabla N°4.5.
Tabla 4.5: Participación del sistema bancario en el sistema financiero en diciembre 2018.
INSTITUCION ACTIVOS
(Miles S/)
PARTICIPACION
(%)
Banca Múltiple
Empresas Financieras
Cajas Municipales
Cajas Rurales de Ahorro y Crédito
(EDPYME)
Banco de la Nación
Empresas de Arrendamiento Financiero
Banco Agropecuario
385 343,800.83
14 828,922.59
26 727,332.79
1 920,784.29
2 487,842.12
30 101,633.87
314,853.00
686,394.28
83.3%
3.20%
5.80%
0.40%
0.50%
6.50%
0.10%
0.10%
TOTAL 462,411,563.79955 100%
Fuente: Superintendencia de Banca y Seguros.
Tabla 4.6: Indicadores del sistema bancario peruano 2003 – 2018.
INDICADOR Al 31 dic. 2003 Al 31 dic. 2007 Al 31 dic. 2018
Créditos (miles s/)
Depósitos (miles s/)
Personal (número de personas)
Deudores (número de personas)
Morosidad (%)
7 859,140
13 843,076
19,490
1 739,766
5.80
66 829,333
75 003, 815
32,179
3 790,806
1.26
270 662,412.20
243 860,244.78
63,107.00
4 309,398
2.95
Fuente: Superintendencia de Banca y Seguros.
En la tabla N°4.6 se presentan la comparación de los créditos, depósitos, morosidad, número de
deudores y personal del sector bancario, con la finalidad de verificar el avance del mismo; los créditos
han tenido una tasa de crecimiento de 7.05 por ciento en diciembre del año 2018, respecto a diciembre
del año 2003, es decir, registra un valor en créditos en diciembre del 2018 siete veces mayor al que se
registró en el año 2003.
98
Por parte los depósitos presentan una tasa de crecimiento de 2.25 por ciento en diciembre de 2018,
respecto a diciembre del año 2007, en este rubro el sistema bancario ha crecido más del doble al año
2018. Sin embargo, a la vez que han crecido tanto créditos como depósitos, producto de ello, se ha
necesitado mayor número de personal, es así que en diciembre del año 2007 contaba con 32,179
personas y en diciembre del año 2018 contaba con 63,107 personas. Por su parte, el número de
deudores y con ello el índice de morosidad también se han incrementado, en el caso de la morosidad de
un índice de 1.26 por ciento en diciembre del año 2007 paso a un índice de 2.95 por ciento en el año
2018. Para entender mejor este indicador en la tabla N°4.7 se presentan datos sobre el mismo indicador
por banco.
Tabla 4.7: Morosidad del sistema bancario por banco 2003 – 2018.
Empresas Al 31 dic. 2003 Al 31 dic.
2007 Al 31 dic. 2018
B. Continental 2.15 1.07 2.94
B. de Comercio 3.09 1.46 2.68
B. de Crédito del Perú (con sucursales en el exterior) 2.96 0.65 2.66
B. Financiero (2007) - B. Pichincha (2018) 5.99 2.97 3.45
B. Interamericano de Finanzas 2.79 1.14 2.92
Scotiabank Perú 1.97 3.53
Citibank 2.90 2.82 -
Interbank (con sucursales en el exterior) 4.91 0.94 2.64
Mibanco 3.44 2.27 5.27
B. GNB 2.63
B. Falabella Perú 3.86 2.97
B. Santander Perú - 0.62
B. Ripley 2.93
B. Azteca Perú 9.36
B. Cencosud 5.68
B. ICBC -
TOTAL BANCA MÚLTIPLE 5.80 1.26 2.95
Fuente: Superintendencia de Banca y Seguros.
La tabla N°4.7 muestra el índice de morosidad por banco, todos los bancos han tendido a incrementar
su morosidad, en diciembre del año 2007 el Banco del Crédito del Perú registro la menor tasa de
morosidad de todos los bancos con un índice de 0.65 por ciento, sin embargo, para el año 2018 su tasa
de morosidad se ubicó cerca del promedio 2.66 como índice, en diciembre del año 2007, la mayor tasa
de morosidad fue la del Banco Falabella Perú (3.86%). En el año 2018 el banco con menor tasa de
morosidad fue Santander Perú (0.62), mientras que el que tuvo mayor tasa fue el Banco Cencosud
(9.36%).
99
Por otra parte, como parte de la descripción del sistema bancario peruano en el cuadro N°4.8 se
presentan los indicadores financieros del sistema bancario, en el caso de la solvencia a diciembre de
2003 tenía un ratio de 7.53 y en diciembre de 2018 muestra un indicador de 14.66, en el caso de la
calidad de activos de 5.80 en diciembre del año 2003 pasa a 2.95 en diciembre del año 2008.
Tabla 4.8: Indicadores financieros del sistema bancario peruano 2003 – 2018.
Indicadores financieros Al 31 dic. 2003 Al 31 dic. 2007 Al 31 dic. 2018
Solvencia
Apalancamiento global
𝑃𝑎𝑠𝑖𝑣𝑜 𝑇𝑜𝑡𝑎𝑙
𝐶𝑎𝑝𝑖𝑡𝑎𝑙 𝑠𝑜𝑐𝑖𝑎𝑙
Calidad de activos 𝐶𝑟é𝑑𝑖𝑡𝑜𝑠 𝑎𝑡𝑟𝑎𝑠𝑎𝑑𝑜𝑠
𝐶𝑟é𝑑𝑖𝑡𝑜𝑠 𝑑𝑖𝑟𝑒𝑐𝑡𝑜𝑠
𝑃𝑟𝑜𝑣𝑖𝑠𝑖𝑜𝑛𝑒𝑠
𝐶𝑎𝑟𝑡𝑒𝑟𝑎 𝑎𝑡𝑟𝑎𝑠𝑎𝑑𝑜𝑠
Eficiencia y gestión 𝐺𝑎𝑠𝑡𝑜𝑠 𝑂𝑝𝑒𝑟𝑎𝑐𝑖ó𝑛
𝑀𝑎𝑟𝑔𝑒𝑛 𝑓𝑖𝑛𝑎𝑛𝑐𝑖𝑒𝑟𝑜
𝐶𝑟é𝑑𝑖𝑡𝑜𝑠 𝑑𝑖𝑟𝑒𝑐𝑡𝑜𝑠
𝑃𝑒𝑟𝑠𝑜𝑛𝑎𝑙 (𝑀𝑖𝑙𝑒𝑠 𝑆/)
Rentabilidad 𝑈𝑡𝑖𝑙𝑖𝑑𝑎𝑑 𝑁𝑒𝑡𝑎
𝑃𝑎𝑡𝑟𝑖𝑚𝑜𝑛𝑖𝑜 (𝑅𝑂𝐸)
𝑈𝑡𝑖𝑙𝑖𝑑𝑎𝑑 𝑁𝑒𝑡𝑎
𝐴𝑐𝑡𝑖𝑣𝑜𝑠 (𝑅𝑂𝐴)
Liquidez
Ratio Liquidez M.N
Ratio Liquidez M.E
7.53
10.72
5.80
141.10
37.74
1,828
10.85
1.11
32.84
43.90
8.24
15.10
1.26
278.39
48.55
2,077
27.86
2.49
57.28
36.95
14.66
8.89
2.95
153.58
42.17
4,289
18.41
2.21
27.02
44.46
Fuente: Superintendencia de Banca y Seguros.
En el sistema bancario resalta la alta concentración que existe, en cuanto a créditos y a depósitos, son 4
empresas que concentran más del 50% en ambos indicadores, en la tabla N°4.8 se muestra la
concentración bancaria a través de los créditos en una comparación para diciembre del 2007 y
diciembre 2018.
En diciembre del año 2018 los cuatro principales bancos en términos de créditos son, Banco
Continental (34%), Banco de Comercio (20%), Banco de crédito del Perú (17%) y Banco Pichincha
(12%), los cuatro bancos suman una participación del total de créditos de 83%.
100
Tabla 4.9: Ranking de créditos del sistema bancario peruano 2003 – 2018.
AL 31 dic. 2003 AL 31 dic. 2007 AL 31 dic. 2018
Ranking de créditos
Ranking de créditos
Ranking de créditos
Institución
Bancaria Monto %
Institución
Bancaria Monto % Institución Monto %
BCP
Continental
Wiese
Interbank
OTROS
11 302,125
6 418,107
5 285,040
3 433, 826
8 225,195
0.32
0.19
0.15
0.09
0.24
BCP
Continental
Scotiabank
Interbank
OTROS
23 064,614
16 993,856
10 104,458
6 252,334
10 414,071
0.34
0.25
0.15
0.094
0.16
Continental
Comercio
BCP
Pichincha
OTROS
91 824,200
54 205,749
46 015,145
32 518,012
46 099,306
0.34
0.20
0.17
0.12
0.17
TOTAL 34 681,820 1.00 TOTAL 66,829,333 1.00 TOTAL 270,662,412 1.00
Fuente: Superintendencia de Banca y Seguros.
En cuanto a la concentración a través de los depósitos tanto en diciembre del año 2007 y diciembre del
año 2018 son los mismos bancos que han tenido la mayor participación. En diciembre del año 2007,
encabezó Banco de Crédito del Perú con una participación de 40%, en segundo lugar, se ubicó el banco
Continental, con una participación de 22%, tercero fue el Scotiabank Perú con una participación de
17% y cerraba la lista de los 4 primeros Interbank con una participación de 9%, sumando en total 88%.
En diciembre del año 2018, la lista de los cuatro primeros seguía en el mismo orden Banco de crédito
del Perú encabezo (34%), Banco Continental (21%), Scotiabank (14%) e Interbank (13%). Pero la
suma era menor a la del año 2007, la participación es de 82%. Los resultados se encuentran en la tabla
N°4.10.
Tabla 4.10: Ranking de depósitos del sistema bancario peruano 2003 – 2018.
AL 31 dic. 2003 AL 31 dic. 2007 AL 31 dic. 2018
Ranking de depósitos
Ranking de depósitos
Ranking de depósitos
Institución
Monto % Institución Monto % Institución Monto %
BCP
Continental
Wiese
Interbank
OTROS
15 400,005
10 641,142
7 140,849
4 074,731
7 064,146
0.35
0.24
0.16
0.09
0.16
BCP
Continental
Scotiabank
Interbank
OTROS
30 103,032
16 858,154
12 382,655
6 976,788
8 683,191
0.4
0.22
0.17
0.09
0.12
BCP
Continental
Scotiabank
Interbank
OTROS
82 927,935
50 615,762
35 279,298
30 777,310
44 259,939
0.34
0.21
0.14
0.13
0.18
TOTAL 44 320,873 1.0 TOTAL 75 003,820 1.0 TOTAL 243 860,244 1.00
Fuente: Superintendencia de Banca y Seguros.
101
CAPITULO V
5. RESULTADOS Y DISCUSIÓN
5.1. Hallazgos y resultados
5.1.1. Especificación del modelo El modelo especificado a en la ecuación 04 muestra los factores tanto macroeconómicos como
microeconómicos que han influido en el riesgo de crédito para el sistema bancario peruano durante el
período 2003:01 al 2018:12.
El modelo se especifica en diferencia del logaritmo, esto, debido a que es en esta transformación donde
todas las variables son estacionarias.
dlog(RCt) = β0 + βdlog(PBIt-2) + β2dlog(TRPt) + β3dlog(DESt-6) + β4dlog(Xt-3) + β5dlog(M1t)+
β6dlog(SPt-1) + β7dlog(LIQt-1) + β8dlog(TAt) + β9dlog(CDt-5) + Ø1dlog(RCt-1) + Ø2dlog(RCt-6) +
Ø3dlog(RCt-7) + Ø4dlog(RCt-8) + θ1dlog(RCt-6) + ut ………………………………………………(04)
Donde los coeficientes βi para todo 𝑖 = 1, 2, … ,9 son los impactos individuales de cada variable
exógena y β0 es el intercepto de la ecuación, que también puede interpretarse como el nivel autónomo o
mínimo que alcanza el riesgo de crédito; Øi, representa los componentes autorregresivos del modelo; θ1,
representa el componente de media móvil; ut representa el error estadístico.
El signo esperado que de acuerdo a la revisión de la literatura para cada coeficiente se muestra en la
tabla N°5.1.
Tabla 5.1: Interrelaciones de variables del modelo.
Variable Detalle operacional de las variables Referencia Relación
RC Diferencia del logaritmo del índice del riesgo de crédito.
Determinantes macroeconómicos
PBI Diferencia del logaritmo del PBI. 3, 6, 13, 22, 30, 31, 33, 36,
37, 40, 41, 49, 65, 75, 88.
-
TRP Diferencia del logaritmo de la Tasa de Referencia de Política
Monetaria.
31, 50, 58. -
DES Diferencia del logaritmo de índice de desempleo. 3, 21, 24, 25, 30, 31, 37, 41,
49, 50, 58, 65, 88, 89, 90.
+
X Diferencia del logaritmo de las exportaciones. 37, 41, 49, 50, 88, 89. -
M1 Diferencia del logaritmo de emisión de monetaria. 33. -
SP Diferencia del logaritmo del índice bursátil. 50. -
Factores microeconómicos
LIQ Diferencia del logaritmo del índice de liquidez. 30, 41, 88, 89. +
TA Diferencia del logaritmo de la tasa de interés activa del
sistema bancario
2, 41, 72, 88, 89. +/-
CD Diferencia del logaritmo del ratio créditos a depósitos. 30, 88, 89. +
Fuente: modificado de Varona, Gismera y Gimero, 2014.
102
5.1.2. Estimación del modelo ARIMAX
Tabla 5.2: Resultados de la estimación del modelo ARIMAX.
Variables Número de observaciones: 175
Variable dependiente:
Riesgo de crédito (morosidad)
Estacionaridad: Diferencia del logaritmo
Variables
independientes
Estacionaridad Número de
rezagos
Coeficientes Error
estadístico
T
estadístico
Nivel de
significancia
estadística
Intercepto
0.01 0.00 7.34 0.00 ***
Factores macroeconómicos determinantes del riesgo de crédito
PBI
Dif. log 2 -0.17 0.06 -3.21 0.00 ***
Tasa de Referencia de
Política Monetaria
Dif. log 0 -0.06 0.02 -2.24 0.02 ***
Desempleo
Dif. log 6 0.07 0.02 4.09 0.00 ***
Exportaciones
Dif. log 3 -0.05 0.03 -1.83 0.06 **
Crecimiento del
dinero
Dif. log 0 -0.40 0.07 -5.42 0.00 ***
Índice Bursátil de
BVL
Dif. log 1 -0.02 0.01 -2.64 0.00 ***
Factores microeconómicos determinantes del riesgo de crédito
Liquidez del sistema
bancario
Dif. log 1 -0.04 0.02 -1.83 0.06 **
Tasa de interés activa
del sistema bancario
Dif. log 0 -0.24 0.13 -1.75 0.08 **
Créditos/depósitos del
sistema bancario
Dif. log 5 0.14 0.08 1.89 0.05 **
Componentes autorregresivos y de media móvil del modelo ARIMAX
AR(1) -0.35
0.07 -4.69 0.00 ***
AR(6) 0.88
0.02 45.63 0.00 ***
AR(7) 0.27
0.07 3.88 0.00 ***
AR(8) -0.06
0.02 -3.41 0.00 ***
MA(6) -0.96
0.01 -90.22 0.00 ***
Nivel de significancia global probabilidad Bondad o ajuste Bondad
ajustada
18.63 0.00 0.62 0.59
Fuente: BCRP, SBS e Investing.
D(log(RCt)) = 0.11 + 0.17D(log(PBIt-2)) - 0.06D(log(TRPt)) + 0.07D(log(DESt-6)) - 0.04D(log(Xt-3)) -
0.40D(log(M1t)) - 0.02D(log(S&Pt-1)) - 0.04D(log(LIQt-1)) - 0.24D(log(TAt)) +
0.14D(log(CDt-5)) - 0.34ARt-1 + 0.88ARt-7 - 0.06ARt-8 - 0.95MAt-6 + ut
103
5.1.3. Evaluación e interpretación del modelo ARIMAX
En la evaluación económica del modelo ARIMAX se compara los signos de los parámetros mostrados
en la tabla N°5.2. en relación a los esperados mostrados en la tabla N°5.1, se encuentra que dichos
parámetros cumplen con lo esperado en el marco teórico propuesto, en cuanto a las variables
macroeconómicas, el PBI, la tasa de referencia de política monetaria, las exportaciones, el crecimiento
del dinero y el índice bursátil de la Bolsa de Valores de Lima impactan de forma inversa sobre el riesgo
de crédito, mientras que el desempleo impacta de forma directa; asimismo variables como la liquidez,
la tasa activa y el ratio créditos sobre depósitos ha impactado de manera inversa sobre el riesgo de
crédito del sistema bancario.
Tabla 5.3: Evaluación económica del modelo ARIMAX.
Variables
independientes
Nivel Rez. Coef. Interpretación
Factores macroeconómicos determinantes del riesgo de crédito
PBI
Dif. log 2 -0.17 Se encuentra relación inversa entre las variaciones de la actividad
económica y las variaciones del riesgo de crédito del sistema
bancario, el primero impacta en el segundo después de dos meses. El
resultado muestra que un incremento del 1% en la tasa del PBI ha
influido para que el riesgo de creditico del sistema bancario caiga
una tasa de 0.17%.
Tasa de
Referencia de
Política
Monetaria
Dif. log 0 -0.06 De acuerdo a los resultados obtenidos, la relación entre el
crecimiento de la tasa de referencia de política monetaria y las
variaciones del riesgo de crédito del sistema bancario peruano es
inversa, dado que un incremento del 1% en las variaciones de la tasa
de referencia de política monetaria ha significado que el riesgo de
crédito caiga en una tasa de 0.06%.
Desempleo
Dif. log 6 0.07 La relación entre las variaciones de la tasa de desempleo y las
variaciones del riesgo de crédito del sistema bancario peruano es
directa, de acuerdo a los resultados se afirma que ante un incremento
de 1% en la tasa de desempleo, el riesgo de crédito se ha
incrementado a una tasa de 0.07% luego de medio año.
Exportaciones
Dif. log 3 -0.05 De acuerdo a los resultados, se afirma que existe relación inversa
entre el crecimiento de las exportaciones y el crecimiento del riesgo
de crédito del sistema bancario, cuyo impacto se da a los 3 meses,
pues ante un incremento de 1% en el crecimiento de las
exportaciones el riesgo de crédito ha disminuye en 0.05% en su
crecimiento luego de 3 meses.
Crecimiento del
dinero
Dif. log 0 -0.40 Se encuentra que existe relación inversa entre el crecimiento de la
emisión primaria y el crecimiento del riesgo de crédito del sistema
bancario, es decir, ante un incremento de 1% en la tasa de
crecimiento de la emisión primaria, el crecimiento del riesgo de
crédito del sistema bancario ha disminuido en 0.40%.
Índice Bursátil
de BVL
Dif. log 1 -0.02 De acuerdo a los resultados se encuentra relación inversa entre el
crecimiento del índice bursátil de la Bolsa de Valores de Lima y el
crecimiento del riesgo de crédito del sistema bancario peruano, un
incremento de 1% en la tasa de crecimiento del índice bursátil
impacta luego de un mes en el riesgo de crédito haciendo que este
caiga e a una tasa de 0.02%.
Fuente: Elaboración propia.
104
Tabla 5.4: Evaluación económica del modelo ARIMAX.
Variables
independientes
Estacionaridad Número
de
rezagos
Coeficiente Interpretación
Factores microeconómicos determinantes del riesgo de crédito
Liquidez del
sistema bancario
Dif. log 1 -0.04 Según los resultados obtenidos, se encuentra que
el crecimiento en la liquidez del sistema bancario
ha influido de forma inversa luego de un período
sobre el crecimiento del riesgo de crédito del
mismo sistema, pues un incremento de 1% en la
tasa de crecimiento liquidez impacta luego de un
mes en el riesgo de crédito haciendo que este
disminuya en una tasa de 0.04%.
Tasa de interés
activa del sistema
bancario
Dif. log 0 -0.24 La relación que existe entre el crecimiento de la
tasa de interés activa del sistema bancario y el
crecimiento del riesgo de crédito, es inversa, un
incremento del 1% en la tasa de interés ha
significado una caída en una tasa de 0.24% el
riesgo de crédito del sistema bancario peruano.
Créditos/depósitos
del sistema
bancario
Dif. log 5 0.14 De acuerdo a los resultados se encuentra que
existe relación directa entre el crecimiento del
ratio de créditos/depósitos del sistema bancario y
el crecimiento del riesgo de crédito en el Perú
durante el período 2003:01 – 2018:12, pues un
incremento de 1% en la tasa de crecimiento de
dicho ratio ha influido en el riesgo de crédito
haciendo que su tasa de crecimiento aumente en
0.14%.
Fuente: Elaboración propia.
Asimismo, se encuentra que tanto las variables macroeconómicas, como microeconómicas mostradas
en la tabla N°5.2 han sido estadísticamente significativas de forma individual así como global para
explicar el riesgo de crédito del sistema bancario peruano en el periodo 2003:01 al 2018:12.
Por otro lado, según lo encontrado, el 61% de las variaciones presentadas en el crecimiento del riesgo
de crédito del sistema bancario peruano durante el período 2003:01 al 2018:12 ha sido explicadas por
variaciones en variables macroeconómicas como el crecimiento del PBI, el crecimiento de la Tasa de
Interés de Referencia, el crecimiento de la tasa de desempleo, el crecimiento de las exportaciones,
crecimiento de la emisión primaria y el crecimiento del índice bursátil de la Bolsa de Valores de Lima;
así como variaciones en variables microeconómicas como la el crecimiento de la liquidez del sistema
bancario, el crecimiento de la tasa activa del sistema bancario y el crecimiento del ratio de
créditos/depósitos del sistema bancario peruano.
105
De acuerdo a los test de cointegración aplicado, el test de Wald, se afirma que existe cointegración de
largo plazo en el modelo, dichos resultados se encuentran en anexos. Además, las relaciones se
presentan en el gráfico N°5.1.
Gráfico N° 5.1:Correlaciónes de variables con el riesgo de crédito.
-.2
-.1
.0
.1
.2
-.3 -.2 -.1 .0 .1 .2 .3
D(LOG(RC))
D(LO
G(P
BI(-2
)))
-.6
-.4
-.2
.0
.2
.4
-.3 -.2 -.1 .0 .1 .2 .3
D(LOG(RC))
D(LO
G(T
RP))
-.6
-.4
-.2
.0
.2
.4
.6
-.3 -.2 -.1 .0 .1 .2 .3
D(LOG(RC))
D(LO
G(D
ES(-6
)))
-.4
-.2
.0
.2
.4
-.3 -.2 -.1 .0 .1 .2 .3
D(LOG(RC))
D(LO
G(X
(-3)))
-.10
-.05
.00
.05
.10
.15
-.3 -.2 -.1 .0 .1 .2 .3
D(LOG(RC))
D(LO
G(E
P))
-3
-2
-1
0
1
-.3 -.2 -.1 .0 .1 .2 .3
D(LOG(RC))
D(LO
G(S
P(-1
)))
-.4
-.2
.0
.2
.4
.6
-.3 -.2 -.1 .0 .1 .2 .3
D(LOG(RC))
D(LO
G(L
Q(-1
)))
-.08
-.04
.00
.04
.08
-.3 -.2 -.1 .0 .1 .2 .3
D(LOG(RC))
D(LO
G(T
A))
-.10
-.05
.00
.05
.10
-.3 -.2 -.1 .0 .1 .2 .3
D(LOG(RC))
D(LO
G(C
D(-5
)))
Fuente: BCRP, SBS e INVESTING.
Asimismo, en las figuras N°5.1 y N°5.2 se prpesentan los mecanismos como se transmiten cada
variable en el riesgo de crédito.
Figura N° 5.1: mecanismos de transmisión de factores microeconómicos en el RC.
Fuente: elaboración propia.
106
Figura N° 5.2: mecanismos de transmisión de factores macroeconómicos en el RC.
Fuente: elaboración propia.
5.1.4. Análisis de escenarios con choques macroeconómicos
5.1.4.1. Predicción en escenario macroeconómico estable
➢ Supuestos
En un escenario estable, tanto el PBI como las exportaciones crecerán a las tasas que se presentan por
el Ministerio de Economía y Finanzas (2019), en el Marco Macroeconómico Multianual 2020 – 2023;
para este período la economía peruana alcanzaría tasas de crecimiento en promedio de 4,0%, impulsada
principalmente por el fortalecimiento de la inversión privada y pública, y por el efecto de las medidas
de política económica orientadas a mejorar la productividad y competitividad del país. Con ello, Perú
continuará liderando el crecimiento en la región en 2020 y en los próximos años.
De acuerdo al MEF (2019), bajo supuesto que la economía continúe estable y no haya eventos que
generen shock, las exportaciones para crecerían a tasas de 3,5% en promedio durante el año 2020.
107
Tabla 5.5: Proyecciones macroeconómicas en el Marco Macroeconómico Multianual.
Estructura % Prom.
del PBI 2018 2018 2019 2020 2021-2023
I. Demanda interna 97.9 4.3 3.4 4.3 4.5
1. Gasto privado 82.6 4 3.5 4 4.3
a. Consumo privado 65 3.8 3.3 3.8 4
b. Inversión privada 17.6 4.4 4 4.8 5.3
2. Gasto público 16.4 3.4 2.6 5.3 4.3
a. Consumo público 11.5 2 2.6 3.8 3.6
b. Inversión pública 4.8 6.8 2.5 9 5.8
II. Demanda externa neta
1. Exportaciones 25 2.5 0.8 3.5 4.8
2. Importaciones 23 3.4 2.1 4.5 4.6
III. PBI 100 4 3 4 4.5
Fuente: Ministerio de Economía y Finanzas, 2019. Además, se plantea como supuesto que las demás variables tanto macroeconómicas como
microeconómicas evolucionaran en el año 2020 de acuerdo a su tendencia presentada. En el caso de las
exportaciones como el PBI su pronóstico al 2020 se realizó a través de las tasas propuestas por el MEF
en el MMM 2020 – 2023, mientras que el pronóstico para las demás variables en un escenario estable
se realizó a través del método de suavizamiento exponencial.
5.1.4.2. Predicción en escenario con choque macroeconómico tipo 2017
➢ Supuestos:
✓ En el año 2020 se presenta una situación similar a la ocurrida en el año 2017, tras la presencia del
fenómeno del niño en los primeros meses del año impactará sobre las principales variables
macroeconómicas, como son el PBI, el desempleo y las exportaciones. Además, se trabaja bajo el
supuesto de que las variables de aspecto microeconómico seguirán de acuerdo al choque.
✓ El Producto bruto Interno alcanza niveles y tasas de crecimiento menores a las mostradas, de tal
manera que no llega a alcanzar la meta propuesta por el MEF, el crecimiento en el año 2017 fue de
2,5% un resultado por debajo de la meta de 2,8%. Por lo tanto.
✓ Se asume que el PBI, la tasa de desempleo y las exportaciones alcanzaran tasas de crecimiento
similares a las que presentaron en el año 2017. Mientras que las demás variables seguirán una
tendencia normal.
✓ Para el año 2019 las variables presentan una tendencia normal, los valores que alcanzan se toman de
las fuentes que publican hasta el 2019. En el caso de las variables microeconómicas se trabaja bajo el
supuesto que seguirán con tendencia normal, para ello los valores en el 2020 se pronostican a través
del método de suavizamiento exponencial que mejor se ajusta a su histórico.
108
5.1.4.3. Predicción en escenario con choque macroeconómico 2008
➢ Supuestos
✓ En el año 2020 se presenta una situación similar a la ocurrida en el año 2008, por lo tanto,
se asume que el PBI, la tasa de desempleo y las exportaciones alcanzarán tasas de crecimiento
similares a las que presentaron en el año 2008, producto de la crisis financiera internacional.
Mientras que las demás variables seguirán una tendencia normal.
✓ Para el año 2019 las variables presentan una tendencia normal, los valores que alcanzan se toman
de las fuentes que publican hasta el 2019. En el caso de las variables microeconómicas se trabaja
bajo el supuesto que seguirán con tendencia normal, para ello los valores en el 2020 se pronostican
a través del método de suavizamiento exponencial que mejor se ajusta a su histórico.
5.1.4.4. Predicción en escenario con choque macroeconómico COVID19
➢ Supuestos
✓ En el año 2020 tras la presencia del COVID19 la economía peruana tiende a registrar indicadores
adversos, como el PBI, el desempleo y las exportaciones. Según las proyecciones del BCRP
(2020), en el caso del PBI, el aislamiento social en el segundo trimestre, con un enfoque de
reapertura gradual y sectorial de las actividades económicas desde mayo para enfrentar la
pandemia, conllevaría una significativa contracción de la actividad de 12,5 por ciento en el 2020.
✓ En el caso de las exportaciones se proyecta que crecerán a una tasa de -18.9% en el año 2020; la
tasa de interés de política monetaria ha registrado un nivel de 0.25% desde abril y se proyecta hasta
diciembre, en el caso del desempleo hasta mayo registro un nivel de 13.1% y se proyecta esta
tendencia alcista por todo el 2020.
✓ Para el año 2019 las variables presentan una tendencia normal, los valores que alcanzan se toman
de las fuentes que publican hasta el 2019. En el caso de las variables microeconómicas se trabaja
bajo el supuesto que seguirán con tendencia normal, para ello los valores en el 2020 se pronostican
a través del método de suavizamiento exponencial que mejor se ajusta a su histórico.
109
Los resultados de las proyecciones para los tres escenarios propuestos se muestran en la tabla N°5.6 y
en gráfico N°5.2. y N°5.3.
Tabla 5.6: Riesgo de crédito en escenarios 2020:01 – 2020:12.
RIESGO DE CRÉDITO DEL SISTEMA BANCARIO EN EL AÑO 2020
PERIODO
ESCENARIO
ESTABLE
ESCENARIO
CON FEN 2017
ESCENARIO CON
CRISIS 2008
ESCENARIO
CON COVID19
Enero 3.16 3.16 3.25 3.61
Febrero 3.24 3.24 3.31 3.74
Marzo 3.18 3.24 3.36 4.07
Abril 3.22 3.41 3.52 4.75
Mayo 3.25 3.42 3.49 5.06
Junio 3.23 3.44 3.48 5.56
Julio 3.17 3.37 3.44 5.89
Agosto 3.18 3.37 3.44 5.79
Septiembre 3.15 3.37 3.41 5.70
Octubre 3.18 3.42 3.46 5.66
Noviembre 3.17 3.43 3.45 6.14
Diciembre 3.03 3.35 3.40 6.13
Promedio 3.18 3.35 3.41 5.17
Fuente: BCRP, SBS e Investing.
Según la proyección mostrada en la tabla N°5.6 se espera que en un escenario normal el riesgo de
crédito del sistema bancario peruano tienda a disminuir, en promedio crecerá en una tasa de 3.18%, es
decir alcanzaría tasas mayores a los promedios registrados en el 2018 y 2019; la tasa promedio del
riesgo de crédito para el 2018 fue de 3.05% y 3.07% en el año 2019.
Además, se espera que en un escenario con presencia del FEN tipo el año 2017, el riesgo de crédito del
sistema bancario peruano tienda a incrementarse, alcanzado cifras mayores a las que registró en el año
2018 y mayores a las cifras que registraría en un escenario estable en el año 2020 cuya tasa de
crecimiento promedio es 3.18%; y la tasa que registra en un escenario con choque macroeconómico
con FEN 2017 es de 3.35% en promedio, llegando a su máximo nivel de 3.44% y registrando un
mínimo de 3.16%.
Por otro lado, se espera que en un escenario con choque macroeconómico tipo el año 2008, el riesgo de
crédito del sistema bancario peruano tienda a incrementarse, alcanzado cifras mayores a las que
registro en el año 2018, y mayores a las cifras que registraría en un escenario macroeconómico estable,
y en un escenario con presencia de FEN, así se tiene que la tasa promedio del riesgo de crédito en el
año 2018 fue de 3.05% y 3.07% en el año 2019, mientras que en un escenario estable la tasa promedio
es de 3.18%;en tanto, la tasa que registra en un escenario adverso tipo 2008 es de 3.40% en promedio.
110
Finalmente el análisis muestra que con la presencia del COVID19 el riesgo de crédito del sistema
bancario tiende a incrementarse respecto al nivel alcanzado en escenarios con choques como FEN
2017, crisis financiera internacional 2008. El riesgo de crédito durante el periodo 2020:01 – 2020:12
con la presencia de COVID19 alcanzaría un promedio de 5.17%, registrando así su mayor índice luego
de 17 años.
De forma visual las proyecciones en los escenarios propuestos se muestran en los gráficos N°5.2 y
N°5.3, donde se puede apreciar que a mayor choque macroeconómico mayor es la vulnerabilidad del
riesgo de crédito que experimenta el sistema bancario para el periodo 2020:01 – 2020:12.
Gráfico N° 5.2: Riesgo de crédito en escenarios al 2020:01 – 2020:12.
3.0
3.1
3.2
3.3
3.4
3.5
3.6
III IV I II III IV
2019 2020
Fuente: BCRP, SBS e Investing.
111
Gráfico N° 5.3: Riesgo de crédito con escenario de COVID19, 2020:01 – 2020:12.
3.0
3.5
4.0
4.5
5.0
5.5
6.0
6.5
III IV I II III IV
2019 2020
RIESGO DE CRÉDITO
RC - ESCENARIO ESTABLE
RC - CHOQUE FEN 2017
RC - CHOQUE 2008
RC - CHOQUE COVID19
Fuente: BCRP, SBS e Investing, 2019.
5.2. Discusión y análisis económico
Según los resultados encontrados, los determinantes macroeconómicos que han influido sobre la
variabilidad del riesgo de crédito del sistema bancario peruano han sido el PBI, la tasa de referencia de
política monetaria del Banco Central de Reserva del Perú, la tasa de desempleo, las exportaciones, las
emisiones monetarias y el índice bursátil de la Bolsa de Valores de Lima.
En el caso del PBI, el impacto generado ha sido inverso, un cambio de este empieza a tener efecto en el
riesgo de crédito luego de dos meses haciendo que disminuya en 17%, siendo este uno de los mayores
efectos que una variable tiene sobre el riesgo de crédito, este resultado se asemeja a los resultados de
países de América Latina, como es el caso de Ecuador, a través de los estudios de Uquillas y Gonzáles
(2017), Gonzáles (2017), así como el caso de la economía Colombiana con los estudios de Uquillas y
Gonzáles (2017A), y Ramírez (2014), asimismo se encuentran resultados similares para la economía
Chilena, en los estudio de Jara et al. (2008), Deloitte (2010), en donde se encuentra que el PBI tiene
impacto negativo después de un mes, asimismo el estudio de Martínez et al. (2017); similares
resultados se encuentran en el caso venezolano en el estudio de Hernández et al. (2007) y para el caso
Mexicano a través del estudio de Jiménez y Benavides (2016).
Asimismo, en el ámbito mundial los resultados son similares a los encontrados en el presente estudio y
en el caso de América Latina; para la India según los resultados del estudio de Dua y Kapur (2018),
112
existe relación inversa entre la actividad económica y el riesgo de crédito, asimismo, se encuentra el
estudio de Flores (2011), para el caso de Guatemala donde se sugiere similar relación.
Otra variable macroeconómica que ha impactado de manera inversa sobre el riesgo de crédito del
sistema bancario peruano ha sido la Tasa de Referencia de Política Monetaria del Banco Central, un
ajuste hacia arriba de esta ha influido negativamente sobre el riesgo de crédito haciendo que este
disminuya en 6%, complementando lo encontrado por Deloitte (2010), para el caso de Chile.
Por otro lado, la tasa de desempleo ha sido uno de los factores estadísticamente significativos que han
influido sobre el riesgo de crédito del sistema bancario peruano, los efectos de un cambio en esta
empiezan a sentirse luego de 6 meses en el riesgo de crédito siendo el efecto de 6%; a nivel de América
Latina, los resultados se asemejan a los encontrados por Martínez et al. (2017), Deloitte (2010), para el
caso de Chile, en los dos estudios encuentran asociación directa entre el desempleo y el riesgo de
crédito, mientras que Jara et al. (2008), encuentra que en el caso del empleo se asocia de forma inversa
con el riesgo de crédito en el caso chileno.
En el presente estudio, los resultados indican que las exportaciones tienen un efecto negativo en el
riesgo de crédito, el cual se siente luego de 3 meses con una contribución del 3%, estos resultados
refuerzan los encontrados por Luy (2011), para el caso peruano así como al estudio de Jiménez y
Benavides (2016), para el caso específico de México y en el caso de Ecuador y Colombia, se
encuentran los estudios de Uquillas y Gonzáles (2017), y Gonzáles (2017), quienes hallan que las
exportaciones de petróleo son variables determinantes del riesgo de crédito con quien tienen relación
inversa.
Un efecto rápido lo genera la emisión de dinero, pues un cambio en este tiene un efecto inmediato en el
riesgo de crédito, explicando sus variaciones en 47%, hallando relación inversa con el riesgo de
crédito, este resultado se justifica en lo señalado por Ramírez (2014), un incremento del dinero en la
economía le da estabilidad e ingresos a la población haciendo que haya mejor actividad económica y
con ello que se reduzca el nivel de riesgo de crédito, el autor obtiene resultados similares para el caso
Colombiano; mientras que a nivel del mundo, Flores (2011), encuentra que en el caso específico de
Guatemala el incremento del circulante influye negativamente sobre el riesgo de crédito, similar
resultado lo encuentra Dua y Kapur (2018), para el caso de la economía Hindú.
Por su parte el índice bursátil impacta negativamente luego de un mes al riesgo de crédito del sistema
bancario peruano haciendo que este disminuya en solo 2%, los resultados se complementan a los
encontrado para el caso de Ecuador y Colombia en los estudios de Uquillas y Gonzáles (2017), así
113
como en el estudio de Gonzáles (2017), quienes afirman que un crecimiento en el mercado bursátil
influye de manera inversa sobre el riesgo de crédito del sistema bancario.
Los determinantes microeconómicos del riesgo de crédito en el sistema bancario peruano durante el
periodo 2003:01 al 2018:12 han sido la liquidez del sistema bancario, la tasa de interés activa del
sistema bancario y el ratio de créditos/depósitos. En el caso de la liquidez, tiene un impacto inverso y
el efecto es después de un mes, este resultado se complementa con resultados encontrados para
América Latina, en el caso del Ecuador en el estudio de González (2017), y Uquillas y Gonzáles
(2017), encuentran que la liquidez tiene impacto inverso y tarda cuatro meses, similar resultado se
encuentra para el caso colombiano en el estudio de Uquillas y Gonzáles (2017A).
Otro factor determinante del riesgo de crédito del sistema bancario peruano ha sido el ratio
créditos/depósitos, el cual, tiene efecto directo sobre el riesgo de crédito luego de 5 meses, haciendo
que se incremente en 14%, este resultado es similar al encontrado por Hernández et al. (2007), para el
caso de Venezuela y al encontrado por Martínez et al. (2017), para el caso chileno.
En el caso de los factores microeconómicos determinantes del riesgo de crédito, en el presente estudio
se encuentra que la tasa de interés activa en moneda nacional del sistema bancario ha sido
estadísticamente significativa y tiene relación inversa con el riesgo de crédito, haciendo que ante
incrementos de la misma, el riesgo de crédito disminuya en 24%, estos resultados son similares a los
encontrados por Alfaro y Loyaga (2018), en su estudio para el caso peruano en el periodo 2010 – 2016;
por el contario, el resultado encontrado en esta investigación difiere a los resultados para América
Latina, pues se encuentra relación directa entre las tasas de interés y el riesgo de crédito, tal es el caso
de Venezuela en el estudio de Hernández et al. (2007), así como para el caso chileno, cuyos resultados
se encuentran en el estudio de Martínez et al (2017), y Oda et al. (2008), y en Colombia, en el estudio
de Ramírez (2014). Los resultados en países del mundo como es el caso de la India también sugieren
relación directa, se encuentra en el estudio de Dua y Kapur (2018), así como en el caso de Guatemala
el estudio de Flores (2011).
Por otro lado, de acuerdo a los resultados por cada escenario, se encuentra que mientras la economía
peruana se enfrente a una mayor situación adversa, el riesgo en el que incurre el sistema bancario
respecto al crédito es mayor; en promedio el riesgo de crédito alcanzaría un índice de 3.18% en un
escenario sin ningún choque macroeconómico, mientras que en un escenario con choque
macroeconómico con presencia del FEN tipo el año 2017, solo serían 13 puntos porcentuales más, pues
el riesgo de crédito que se registra en esta situación en promedio es de 3.35% el mismo que se
114
incrementaría aún más si la economía peruana presenta tasas de crecimiento en sus indicadores
similares a las mostradas en el año 2008, el riesgo de crédito sería de 3.40% en promedio; mientras que
con presencia de choque macroeconómico producto del COVID19 el riesgo de crédito llegaría a
registrar un promedio de 5.17%.
Los resultados encontrados sobre la vulnerabilidad del riesgo de crédito son similares tanto a nivel
nacional, América Latina y en países del mundo. En el caso peruano, los resultados mostradas por
Rodríguez (2016), indican que en un escenario normal el riesgo de crédito es de 1.62%, mientras que
un escenario optimista sería de 1.47% y se incrementa en un escenario pesimista hasta 1.65%, similares
resultados los encuentra Luy (2010), en el pronóstico al 2011 su estudio sugiere que mientras mayor
sea el choque macroeconómico mayor es la vulnerabilidad del riesgo de crédito, sus resultados indican
que en escenario normal el riesgo de crédito sería de 1.36%, mientras que de presentarse un evento
como el fenómeno del niño el riesgo de crédito se incrementa hasta 2.55%, y de haber una recesión
como en el año 2008 el riesgo de crédito alanza un nivel de 2.83% y de presentarse ambos choques
llegaría hasta 2.93%.
Para el caso de América Latina, según los resultados de Martínez et al. (2017), Oda et al. (2008), y
Deloitte (2010), en el caso de Chile, mientras mayor sea el choque sufrido por la economía más
vulnerable es el riesgo de crédito. Para el caso de Ecuador según el estudio de Uquillas y Gonzáles
(2017), en un escenario normal el riesgo de crédito es de 7.16%, mientras que un escenario optimista es
de 5.75% y este se incrementa hasta 7.30% en un escenario pesimista,
Los resultados para Colombia son similares, según el estudio de Uquillas y Gonzáles (2017), en un
escenario normal el riesgo de crédito es de 4.31%, en un escenario optimista es de 4.08% y en un
escenario pesimista es de 5.75%; similar resultado encuentra Ramírez (2014), para la misma economía.
Asimismo, para el caso de Venezuela según los resultados de Hernández et al. (2007), se asemejan a
los encontrados en los demás estudios.
Finalmente, a nivel de mundo, los resultados encontrados por Flores (2011), para el caso de Guatemala
respaldan la hipótesis que mientras más severo es el choque macroeconómico el riesgo de crédito
tiende a ser más vulnerable y a incrementarse, es así que, en escenario normal llegaría a un nivel de
6.75% mientas que en escenario severo llegaría hasta 7.24%, asimismo los resultados encontrados por
Dua y Kapur (2018), para el caso de la India siguieren similar análisis.
115
CONCLUSIONES
Del estudio se llega a la conclusión que durante el período 2003:01 – 2018:12 y en el escenario al
2020:12 los niveles de morosidad del sistema bancario peruano se incrementen con la presencia de
escenarios de estrés macroeconómicos encontrándose relación directa entre ambos. Es así que en la
crisis del año 2008 los niveles de riesgo crediticio tendieron a incrementarse prolongándose hasta el
año 2018; otra situación que hizo que el riesgo de crédito se incremente fue la del año 2017 con la
presencia del fenómeno del niño, cuyo efecto se ven trasladado al riesgo de crédito del sistema
bancario; asimismo, durante el periodo 2020:01 al 2020:12, el riesgo de crédito se incrementa mientras
mayor sea el choque macroeconómico al que se enfrente la economía, en un escenario con panorama
macroeconómico estable alcanzaría un promedio de 3.18%, en presencia de FEN 2017 alcanzaría
3.35% en promedio; en presencia de una crisis tipo 2008 el riesgo de crédito alcanzado sería de 3.40%
en promedio y un escenario con COVID19 el riesgo de crédito promedio sería de 5.17%.
Se concluye además que en el período 2003:01 al 2018:12 los factores macroeconómicos que han
influido sobre el crecimiento del riesgo de crédito de manera inversa son el crecimiento del PBI, el
crecimiento de la tasa de referencia de política monetaria, el crecimiento de las exportaciones, el
crecimiento de la emisión de dinero y el crecimiento del índice de la Bolsa de Valores de Lima el S&P
Lima General; mientras que el crecimiento del desempleo, es un factor determinante del crecimiento
del riesgo de crédito que ha influido de manera directa.
Se concluye también que, las variables microeconómicas que explican el crecimiento del riesgo de
crédito de manera inversa son el crecimiento de la liquidez del sistema bancario asi como el
crecimiento de la tasa de interés activa, mientras que el ratio créditos/depósitos es un factor
determinante que se relaciona de manera directa con el crecimiento del riesgo de crédito.
Finalmente se concluye que en el período 2020:01 al 2020:12 el riesgo de crédito es menor en
presencia de un escenario estable, es decir, si las principales variables macroeconómicas evolucionen
tal como las proyecta el MEF (2019), en el Marco Macroeconómico Multianual.
116
RECOMENDACIONES
Recomendaciones metodológicas:
➢ En caso se realice un estudio similar para el sistema bancario, trabajar con la metodología de los
datos de panel, modelos VAR, modelos de cointegración entre otros.
➢ Suponer escenarios un poco más severos para la estimación de las proyecciones, con un error del
1.0 por ciento al considerado en este estudio.
➢ Incluir una variable dummy que mida la presencia del FEN.
➢ Considerar variables de economías externas como son Estados Unidos y China principales socios
comerciales del Perú.
Recomendaciones de política económica ante choques macroeconómicos:
➢ En escenario de crisis, dada la relación que se presenta entre emisión monetaria y riesgo de crédito,
se recomienda al BCRP aplicar política monetaria expansiva, a través de la emisión de dinero al
sistema financiero, acompañada de una reducción en la tasa de interés de política monetaria. Esto
permitiría reemplazar las cadenas de pagos de personas y empresas, haciendo que el riesgo de
crédito no se incremente desmedidamente.
➢ En este sentido, la política monetaria expansiva, se daría a través de mayor oferta de dinero
inyectada al sistema financiero, el cual se debe canalizar como crédito a sectores claves. En el caso
del sector primario, el crédito se debe canalizar al sub sector agropecuario, pesca y minería, dado
que estos representan más del 70% del PBI primario además de poseer producción exportable.
Asimismo, en el caso del sector no primario, el crédito se debe canalizar a sub sectores como
comercio, manufactura y transportes, siendo estos los más significativos del sector. El dinamismo
tanto del sector primario como el de no primario influye en el nivel de PBI, a través de la inversión
y las exportaciones, así como en el empleo, con ello se logra estabilizar el ámbito macroeconómico
y a su vez el riesgo de crédito del sistema bancario.
➢ Además como política sobre la canalización de los créditos, estos se deben brindar principalmente a
los departamentos que mayor incidencia tienen sobre el PBI nacional, tal es el caso de Lima,
Arequipa, La Libertad, Cusco, Junín y Piura, a través de sectores y empresas claves, donde hay
producción transable como no transable; así como empresas que generen mayores puestos de
empleo. Esto permite, mejorar el PBI nacional, así vez que mejora las y reduce la tasa de
117
desempleo, mejorando los ingresos de las personas así como los flujos de las empresas; con ello
dada la relación que presentan con el riesgo de crédito permitiría que este se estabilice.
➢ Al MEF se le recomienda inmediata aplicación política fiscal expansiva contracìclica, dado que la
inversión privada, las exportaciones, etc. Ocasionaran ciclos en la economia, se hace necesario que
la entidad fiscal actué con mayores niveles de inversión pública, esto será posible dado que se
cuenta con reservas sólidas, permitiendo de tal forma sostener a la actividad económica y con ello el
riesgo de crédito del sistema bancario.
➢ Para mantener estables los indicadores microeconómicos propios del sistema bancario, dadas las
relaciones que muestran con el riesgo de crédito, y puesto que la SBS solo es un ente regulador, se
le recomienda dar facultades a los bancos para brindar medidas que faciliten el pago de personas
naturales y jurídicas, como las reprogramaciones de créditos, periodos de gracia, etc. de tal forma
que permita que la empresa o persona no caiga en morosidad.
Figura N° 0.1: mecanismos de política monetaria recomendado.
Fuente: elaboración propia.
CHOQUE MACROECONÓMICO
Respuesta del BCRP
TRPM
M1
Política Monetaria
expansiva.
CRÉDITO
Sistema Financiero
(Bancario)
Sector primario
(Empresas de inversión
y exportación)
Sector no primario
(Empresas de inversión y
exportación)
Regiones
▪ Hidrocarburo
▪ Minería
▪ Comercio
▪ Manufactura
▪ Lima
▪ Arequipa
▪ La Libertad
▪ Cusco
▪ Junín
▪ Piura
PBI desempleo Exportaciones
RIESGO DE CRÉDITO
Facultar a entidades bancarias a
adoptar medidas de préstamos
con facilidades de pagos.
SBS
Modificar condiciones
contractuales
Tiempo de
gracia
118
REFERENCIAS BIBLIOGRÁFICAS
[1] ALFARO, R. CALVO, D. y ODA, D. (2009), Riesgo de crédito de la banca de
consumo. Economía Chilena, 12(3), 59-77. https://core.ac.uk/download/pdf/6360282.pdf
[2] ALFARO, C. y LOYAGA, E. (2018). Factores macroeconómicos que afectan la morosidad de
las entidades financieras peruanas en el periodo 2010-2016. Universidad Peruana de Ciencias
Aplicadas (UPC), Lima, Perú. doi:
https://repositorioacademico.upc.edu.pe/bitstream/handle/10757/624932/Alfaro_cc.pdf?sequen
ce=1&isAllowed=y
[3] ALFARO, R. y SAGNE, A. (2011). Stress tests for banking sector: a technical
note. Documentos de Trabajo (Banco Central de Chile), (610), 1. https://www.bcentral.cl/-
/stress-tests-for-banking-sector-a-technical-note
[4] ALTMAN, E. (1968). Financial Ratios, Discriminant Analysis and the Prediction of Corporate
Bankruptcy. Journal of Finance, 23, (4), pp. 589-609. https://sci-
hub.se/https://onlinelibrary.wiley.com/doi/pdf/10.1111/j.1540-6261.1968.tb00843.x
[5] AMIEVA, J. y URRIZA, B. (2000). Crisis bancarias: causas, costos, duración, efectos y
opciones de política. CEPAL. https://repositorio.cepal.org/handle/11362/7512
[6] BAZERQUE, P. y CABRERA, J. (2010). Probabilidad de default de los créditos bancarios en
una economía dolarizada. Banco Central de Uruguay.
https://www.bcu.gub.uy/Comunicaciones/Jornadas%20de%20Economa/iees03j3501010.pdf
[7] BANCO CENTRAL DE RESERVA DEL PERÚ. (2003). Memoria 2003. Lima, Perú.
http://www.bcrp.gob.pe/docs/Publicaciones/Memoria/2003/Memoria-BCRP-2003-8.pdf
[8] BANCO CENTRAL DE RESERVA DEL PERÚ. (2004). Memoria 2004. Lima, Perú.
http://www.bcrp.gob.pe/publicaciones/memoria-anual/memoria-2004.html
[9] BANCO CENTRAL DE RESERVA DEL PERÚ. (2007). Memoria 2007. Lima, Perú.
http://www.bcrp.gob.pe/publicaciones/memoria-anual/memoria-2007.html
[10] BANCO CENTRAL DE RESERVA DEL PERÚ. (2008). Memoria 2008. Lima, Perú.
http://www.bcrp.gob.pe/docs/Publicaciones/Memoria/2008/Memoria-BCRP-2008.pdf
[11] BANCO CENTRAL DE RESERVA DEL PERÚ. (2009). Memoria 2009. Lima, Perú.
http://www.bcrp.gob.pe/docs/Publicaciones/Memoria/2009/Memoria-BCRP-2009.pdf
[12] BANCO CENTRAL DE RESERVA DEL PERÚ. (2010). Memoria 2010. Lima, Perú.
http://www.bcrp.gob.pe/docs/Publicaciones/Memoria/2010/Memoria-BCRP-2010.pdf
119
[13] BANCO CENTRAL DE RESERVA DEL PERU [BCRP]. (2013). Reporte de estabilidad
financiera. Lima, Perú. http://www.bcrp.gob.pe/publicaciones/reporte-de-estabilidad-
financiera/ref-mayo-2013.html
[14] BANCO CENTRAL DE RESERVA DEL PERÚ. (2014). Memoria 2014. Lima, Perú.
http://www.bcrp.gob.pe/docs/Publicaciones/Memoria/2014/memoria-bcrp-2014.pdf
[15] BANCO CENTRAL DE RESERVA DEL PERÚ. (2016). Memoria 2016. Lima, Perú.
http://www.bcrp.gob.pe/docs/Publicaciones/Memoria/2016/memoria-bcrp-2016.pdf
[16] BANCO CENTRAL DE RESERVA DEL PERÚ. (2017). Memoria 2017. Lima, Perú.
http://www.bcrp.gob.pe/docs/Publicaciones/Memoria/2017/memoria-bcrp-2017.pdf
[17] BANCO CENTRAL DE RESERVA DEL PERÚ. (2018). Memoria 2018. Lima, Perú.
http://www.bcrp.gob.pe/docs/Publicaciones/Memoria/2018/memoria-bcrp-2018.pdf
[18] BANCO CENTRAL DE RESERVA DEL PERÚ- BCRP. (2019). Series Estadísticas.
Disponible en https://estadisticas.bcrp.gob.pe/estadisticas/series/ [ Accesado el 20 de febrero
2019]
[19] BANCO CENTRAL DE RESERVA DEL PERÚ [BCRP]. (2020). Reporte de inflación:
panorama actual y proyecciones macroeconómicas 2020 – 2021. Lima, Perú.
https://www.bcrp.gob.pe/docs/Publicaciones/Reporte-Inflacion/2020/junio/reporte-de-
inflacion-junio-2020.pdf
[20] BASSO, O. (2013). Modelos de gestión del riesgo de crédito. Guatemala: Superintendencia de
Bancos de Guatemala.
https://www.sib.gob.gt/c/document_library/get_file?folderId=1409374&name=DLFE-
13522.pdf
[21] BOARD OF GOVERNORS OF THE FEDERAL RESERVE SYSTEM. (2012). 2013
Supervisory scenarios for annual stress tests required under the Dodd-Frank act stress testing.
Estados Unidos: Reserve Federal.
https://www.federalreserve.gov/bankinforeg/bcreg20121115a1.pdf
[22] BOARD OF GOVERNORS OF THE FEDERAL RESERVE SYSTEM. (2019). 2019
Supervisory scenarios for annual stress tests required underthe Dodd-Frank act stress testing
rules and the capital plan rule. Estados Unidos: Reserva Federal.
https://www.federalreserve.gov/newsevents/pressreleases/files/bcreg20190213a1.pdf
[23] BLOOMBERG ECONOMICS. (2019). Series Estadísticas. Disponible en
https://www.bloomberg.com/markets/economics [ Accesado el 20 de febrero 2019]
120
[24] CABRERA, W., GUTIÉRREZ, J. y MENDOZA, J. (2012). Credit risk stress testing: An
exercise for Colombian banks. Bogotá: Colombia. Temas, (73).
http://www.banrep.gov.co/sites/default/files/publicaciones/archivos/ref_tema4_sep_2012.pdf
[25] CAPERA, L., CABRERA, W., MORALES, M. y ESTRADA, D. (2012). Un mapa de riesgo
de crédito para el sistema financiero colombiano. Bogotá: Banco de la República de Colombia.
Temas, (68). http://www.banrep.gov.co/es/estabilidad-tema-68
[26] CARRERA, J. Y LANTERI, L. (2007). Shocks macroeconómicos y vulnerabilidad
financiera. Banco Central de la República Argentina. Ensayos Económicos, 48, 13-71.
https://www.researchgate.net/publication/237272764_Shocks_macroeconómicos_y_vulnerabili
dad_financiera
[27] CONSENTINO, D. (2015). Modelo de riesgo integral y stress testing. Buenos Aires,
Argentina: Centro de investigación de métodos cuantitativos aplicados a la economía. Vol. 1.
http://www.economicas.uba.ar/wp-content/uploads/2016/02/Cosentino-D.-A.-Modelo-de-
riesgo-integral-y-Stress-Testing.pdf
[28] CONTRERAS, F. y BUROTTO, J. (2012). Asimetrías de información entre agente y principal
de las Universidades Chilenas. Chile: Universidad Los Lagos.
http://www.scielo.org.co/pdf/eg/v28n122/v28n122a06.pdf
[29] COMITÉ DE SUPERVISIÓN DE BASILEA (2017). Resumen de las reformas de Basilea III.
Banco de Pagos Internacionales. https://www.bis.org/bcbs/publ/d424_hlsummary_es.pdf
[30] CRISTÓFOLI, M. (2017). Reverse stress testing para el análisis de la estabilidad financiera
española. Tesis. Doctorado en Ciencias Económicas. Universidad de Buenos Aires.
http://bibliotecadigital.econ.uba.ar/download/tesis/1501-1282_CristofoliME.pdf
[31] DELOITTE. (2010). Stresstesting de riesgo de crédito. Escenarios de riesgo en la banca
chilena. Santiago, Chile: Financial Advisory Services.
http://oportunidades.deloitte.cl/marketing/Reportes-
internos/Financiera/noviembre/Analisis_Stress.pdf
[32] DIAMOND, D. y DYBVING, P. (1983). Bank Runs, Deposit Insurance, and Liquidity. The
Journal of Political Economy, Vol. 91, No. 3. (Jun., 1983), pp. 401-419.
https://www.macroeconomics.tu-
berlin.de/fileadmin/fg124/financial_crises/literature/Diamon_Dybvig_Bank_Runs__Deposit_I
nsurance__and_Liquidity.pdf
[33] DUA, P. y KAPUR, H. (2018). Macro stress testing and resilience assessment of Indian
banking. Journal of Policy Modeling, 40(2), 452-475.
https://doi.org/10.1016/j.jpolmod.2018.01.005
121
[34] ESPINO, F. (2013). Hechos estilizados del sistema bancario peruano. Series de Documentos de
Trabajo BCRP. http://www.bcrp.gob.pe/docs/Publicaciones/Documentos-de-
Trabajo/2013/documento-de-trabajo-05-2013.pdf
[35] FISHER, I. (1933). The debt-deflation theory of great depressions. Federal Reserve Bank of St.
Louis. https://phare.univ-paris1.fr/fileadmin/PHARE/Irving_Fisher_1933.pdf
[36] FLORES, N. (2011). “Aplicación de pruebas de tensión macroeconómicas en el análisis de
riesgo de crédito del sistema bancario guatemalteco”. Tesis. Licenciado en Economía.
Universidad de San Carlos de Guatemala. http://biblioteca.usac.edu.gt/tesis/03/03_3701.pdf
[37] FOGLIA, A. (2009). Stress testing credit risk: a survey of authorities' approaches. Bank of
Italy occasional paper, (37). https://www.ijcb.org/journal/ijcb09q3a1.pdf
[38] FRIEDMAN, M. y SCHWARTZ, J. (1963). A monetary history of the United States 1967 –
1960. Princeton Universty. https://core.ac.uk/download/pdf/6608544.pdf
[39] GARCIA, C. y LOZANO, C. (2014). Análisis del riesgo de crédito en la empresa. Madrid,
España: Universidad Pontifica Comillas.
https://repositorio.comillas.edu/jspui/bitstream/11531/147/1/TFG000036.pdf
[40] GATICA, R. y CÁCERES, M. (2011). Pruebas de tensión en el sector bancario en Chile y el
mundo: Revisión y recomendaciones. Santiago, Chile: Universidad de Chile.
http://repositorio.uchile.cl/bitstream/handle/2250/108047/ec-
gatica_s.pdf?sequence=3&isAllowed=y
[41] GONZÁLES, C. (2017). Stress testing de la morosidad del crédito de consumo en el sistema
financiero ecuatoriano. Tesis. Licenciatura en Economía. Colección de tesis digitales Escuela
Politécnica Nacional. http://bibdigital.epn.edu.ec/handle/15000/17448
[42] GORTON, G. (1988). Banking Panics and Business Cycles. Oxford Economic Papers, vol. 40,
issue 4, 751-81.
https://econpapers.repec.org/article/oupoxecpp/v_3a40_3ay_3a1988_3ai_3a4_3ap_3a751-
81.htm
[43] GUJARATI, D. (2010). ECONOMETRÍA. México: Mc Graw Hill Educación. Quinta edición.
https://scalleruizunp.files.wordpress.com/2015/04/econometria_-_damodar_n-_gujarati.pdf
[44] HERNANDEZ, R., FERNÁNDEZ, C. y BAPTISTA, L. (2014). Metodología de la
investigación. sexta edición. McGRAW-HILL / INTERAMERICANA EDITORES, S.A. DE
C.V. D.F., México. Pág. 1 – 355. http://observatorio.epacartagena.gov.co/wp-
content/uploads/2017/08/metodologia-de-la-investigacion-sexta-edicion.compressed.pdf
122
[45] HERNÁNDEZ, VALERO y BERNARDETTE. (2007). Perfil de Riesgos del Sistema Bancario
Venezolano: Aplicación de la metodología de Stress Testing. Venezuela: Banco Central de
Venezuela. http://www.cemla.org/red/papers2007/xii-VENEZUELA02.pdf
[46] HOFGMAN, D. (1960). Credit Risk and Credit Rationing. The Quarterly Journal of
Economics, Vol. 74, No. 2 (May, 1960), pp. 258-278. https://sci-
hub.tw/https://academic.oup.com/qje/article-abstract/74/2/258/1864462
[47] JARA, A., LUNA, L. y ODA, D. (2008). Pruebas de tensión de la banca en Chile. Informe de
estabilidad financiera, segundo semestre, Banco Central de Chile.
https://www.researchgate.net/publication/237764790_Pruebas_de_tension_de_la_banca_en_C
hile
[48] JIMÉNEZ, L. A., Y BENAVIDES, G. (2016). Stress-Testing para carteras de crédito del
Sistema Bancario Mexicano. Revista Mexicana de Economía y Finanzas, 11(3), 117-140.
http://www.scielo.org.mx/scielo.php?script=sci_arttext&pid=S1665-53462016000300117
[49] KALIRAI, H. y SCHEICHER, M. (2002). Macroeconomic stress testing: preliminary
evidence for Austria. Financial Stability Report, (3), 58-74.
https://ideas.repec.org/a/onb/oenbfs/y2002i3b3.html
[50] KERLINGER, F. (2002). Investigación del comportamiento: Técnicas y comportamiento.
Editorial Interamericana. D.F., México.
https://www.academia.edu/6753714/Investigacion_Del_Comportamiento_-
_Kerlinger_Fred_N_PDF
[51] KINDLEBERGER, C. (1978). Manias, Panics and Crashes. Basic Books, New York.
https://www.amazon.es/Manias-Panics-Crashes-Financial-Investment/dp/0471467146
[52] KONGCHAROEN, C. and KRUANGPRADIT, T. (2013). Autoregressive Integrated Moving
Average with Explanatory Variable (ARIMAX) Model for Thailand Export. Thammasat
University, Thailand. https://forecasters.org/wp-content/uploads/gravity_forms/7-
2a51b93047891f1ec3608bdbd77ca58d/2013/07/Kongcharoen_Chaleampong_ISF2013.pdf
[53] KRUGMAN, P. (2008). Acabad ya con esta crisis.
https://cgrandola.files.wordpress.com/2008/04/krugman-acabad-ya-con-esta-crisis.pdf
[54] LATTER, T. (1998). Las causas de las crisis bancarias y su manejo. Centro de estudios
monetarios Latinoamericanos. http://cemla.org/PDF/ensayos/pub-en-63.pdf
[55] LUY, M. (2010). Pruebas de Stress de Riesgo de Crédito: El Caso Peruano. Lima, Perú:
Superintendencia de Banco y Seguros.
http://webcache.googleusercontent.com/search?q=cache:h0wd6tTbgRUJ:www.sbs.gob.pe/Port
als/0/jer/basileaii_2010/2010_06%2520FSI_ASBA%2520Pruebas%2520de%2520Stress%252
123
0de%2520Riesgo%2520de%2520Cr%25C3%25A9dito%2520El%2520Caso%2520Peruano%
2520MLUY_publicable.ppt+&cd=1&hl=es-419&ct=clnk&gl=pe
[56] LUY, M. (2011). Pruebas de estrés de riesgo de crédito enfoque práctico de la SBS. Lima,
Perú: Superintendencia de Banca y Seguros.
https://www.academia.edu/28890975/Pruebas_de_Estr%C3%A9s_de_Riesgo_de_Cr%C3%A9
dito_Enfoque_Pr%C3%A1ctico_de_la_SBS_Taller_Regional_sobre_STRESS_TESTING_CA
PTAC-DR
[57] MANAGEMENTS SOLUTIONS. (2013). Análisis de impacto de las pruebas de resistencia
del sistema financiero. España:
https://www.managementsolutions.com/sites/default/files/publicaciones/esp/stress-test.pdf
[58] MARTÍNEZ, J., CIFUENTES, R. y BECERRA, J. (2017). Pruebas de tensión bancaria del
banco central de Chile: Actualización (No. 801). Central Bank of Chile.
http://si2.bcentral.cl/public/pdf/documentos-trabajo/pdf/dtbc801.pdf
[59] MARTINEZ, O. y BALLÓN, R. (S.f). Modelo KMV- Merton para la medición del riesgo de
crediticio de las reservas internacionales del Banco Central de Bolivia. Bolivia: Banco Central
de Bolivia.
https://www.bcb.gob.bo/webdocs/publicacionesbcb/revista_analisis/ra_vol12/articulo_5_v12.p
df
[60] MERTON, R. (1974). On the pricing of corporate debt: the risk structure of interest rates.
https://sci-hub.tw/https://onlinelibrary.wiley.com/doi/10.1111/j.1540-6261.1974.tb03058.x
[61] McCANDLESS, G., GABRIELLI, F. y ROUILLIET, J. (2002). Determinantes de las causas
de las corridas bancarias en Argentina durante 2001. Argentina: Banco Central de la República
de Argentina. http://www.bvrie.gub.uy/local/File/JAE/2002/iees03j300702.pdf
[62] MINISTERIO DE ECONOMÍA y FINANZAS [MEF] (2019). Marco Macroeconómico
Multianual 2020 – 2023. Lima, Perú: Separata especial.
https://www.mef.gob.pe/contenidos/pol_econ/marco_macro/MMM_2020_2023.pdf
[63] MINSKY, H. (1977). A Theory of Systemic Fragility.
https://digitalcommons.bard.edu/cgi/viewcontent.cgi?article=1230&context=hm_archive
[64] MISHKIN, F. (1998). International capital movements, financial volatility and financial
instability. In NBER Working Paper, num. 6390, January.
https://www.nber.org/papers/w6390.pdf
[65] MORENO, A. (2016). Impacto del comportamiento macroeconómico sobre la morosidad de la
cartera de consumo en Colombia. Tesis. Magister en Ciencias Económicas. Universidad
Nacional de Colombia. http://bdigital.unal.edu.co/52315/1/1032452407.2016.pdf
124
[66] MORÓN, E. (1993). La Experiencia De La Banca Libre En El Perú: 1860-1879. Lima, Perú:
Universidad de Pacifico.
http://repositorio.up.edu.pe/bitstream/handle/11354/62/DT10+La+experiencia+de+ba%20nca+
libre+en+el+Per%C3%BA+1860-1879.pdf?sequence=1
[67] MUNAFO, F. (2018). Aplicación del modelo de Merton utilizando VBA. Buenos Aires,
Argentina: Centro de Investigación en métodos cuantitativos aplicados a la economía y la
gestión, Universidad de Buenos Aires. http://www.economicas.uba.ar/wp-
content/uploads/2017/11/Munafo-F.-Aplicaci%C3%B3n-del-modelo-de-Merton-utilizando-
VBA.pdf
[68] MUÑOZ, J. (1999). Calidad de cartera del sistema bancario y el ciclo económico: una
aproximación econométrica para el caso peruano. Revista de Estudios Económicos, 4, 107-
118. http://www.bcrp.gob.pe/docs/Publicaciones/Revista-Estudios-Económicos/04/Estudios-
Económicos-4-5.pdf
[69] OLIVAS, R. (2016). Evaluación de la crisis bancaria e integración financiera del banco del
éxito Banex en el período 2008 al 2010. Tesis. Licenciado en Banca y Finanzas, Universidad
Nacional Autónoma De Nicaragua. http://repositorio.unan.edu.ni/3351/1/17306.pdf
[70] ORREGO, L. (2012). Breve Historia De La Banca En Lima Hasta 1950. Lima, Perú: Blog de
la Pontificia Universidad Católica del Perú.
http://blog.pucp.edu.pe/blog/juanluisorrego/2012/01/01/breve-historia-de-la-banca-en-lima-
hasta-1950/
[71] PAREDES, C. (2011). Los créditos del sistema bancario peruano y la crisis financiera
internacional. Trujillo, Perú: Universidad Nacional de Trujillo.
http://dspace.unitru.edu.pe/bitstream/handle/UNITRU/770/paredes_constante.pdf?sequence=1
&isAllowed=y
[72] PARODI, C. (2016). Perú 1995-2012: Cambios y Continuidades. Lima, Perú: Universidad del
Pacífico, (1ª ed. 2014).
[73] QUAGLIARIELLO, M. (2004). Banks’ Performance over the Business Cycle: A Panel
Analysis on Italian Intermediaries. Department of Economics, University of York Discussion
Paper, 17. https://ideas.repec.org/p/yor/yorken/04-17.html
[74] RAMIREZ, J. (2014). Prueba de estrés macro para el sistema bancario colombiano. Bogotá,
Colombia.
https://www.researchgate.net/publication/268206720_Prueba_de_estres_macro_para_el_sistem
a_bancario_colombiano
125
[75] RODRIGUEZ, A. (2016). Prueba de estrés de riesgo de crédito, mercado y liquidez en la banca
múltiple del Perú. Tesis. Título profesional en Economía. Universidad de Lima
http://repositorio.ulima.edu.pe/bitstream/handle/123456789/1165/Rodriguez_Manrique_Alan.p
df?sequence=1
[76] RODRIGUEZ, I. (2017). Análisis de la metodología de stress test llevada a cabo por la EBA.
Madrid, España: Universidad Pontifica Comillas.
https://repositorio.comillas.edu/jspui/bitstream/11531/24226/1/TFM000773.pdf
[77] SAAVEDRA, M. y ARELLANO, E. (S.f). Los derivados en la administración del riesgo de
crédito de la Banca en México: una propuesta de aplicación. Bogotá, Colombia: Finance and
Accounting. https://dialnet.unirioja.es/descarga/articulo/2747751.pdf
[78] SAAVEDRA, M. y SAAVEDRA, M. (2010). Modelos para medir el riesgo de crédito de la
banca. Bogotá, Colombia. 23 (40): 295-319.
http://www.scielo.org.co/pdf/cadm/v23n40/v23n40a13.pdf
[79] SANCHEZ., A. (2001). Información asimétrica y mercados financieros emergentes: el análisis
de Mishkin. Distrito Federal, México: Universidad Autónoma Metropolitana Unidad
Azcapotsalco. Análisis Económico, vol. XVII, núm. 34, pp. 35-66.
http://www.redalyc.org/pdf/413/41303402.pdf
[80] SOLIMAN, M. (2015). Historia de la banca en el Perú. Lima, Perú: Revista de Banca y
Finanzas. https://revistabancayfinanzas.wordpress.com/2015/09/24/historia-de-la-banca-en-el-
peru/
[81] STIGLIZ, J. (2009). Crisis mundial, protección social y empleo. Revista Internacional del
Trabajo, vol. 128 (2009), núm. 1-2. http://www.pensamientocritico.org/primera-
epoca/jossti0511.pdf
[82] SUPERINTENDENCIA DE BANCA Y SEGUROS – SBS. (S.f). Glosario de términos e
indicadores financieros. Disponible en
https://intranet2.sbs.gob.pe/estadistica/financiera/2015/Setiembre/SF-0002-se2015.PDF
[83] SUPERINTENDENCIA DE BANCA Y SEGUROS – SBS. (2016). Modelo de Stress Testing
Supervisor: El Caso Peruano. https://docplayer.es/29240395-Modelo-de-stress-testing-
supervisor-el-caso-peruano.html
[84] SUPERINTENDENCIA DE BANCA Y SEGUROS – SBS. (2018). Evolución del sistema
financiero. Lima, Perú. https://intranet2.sbs.gob.pe/estadistica/financiera/2018/Diciembre/SF-
2103-di2018.PDF
126
[85] SUPERINTENDENCIA DE BANCA Y SEGUROS – SBS. (2019). Glosario de términos
clave. Disponible en http://www.sbs.gob.pe/regulacion/basilea-ii-y-basilea-iii/glosario-de-
terminos-clave [ Accesado el 27 de febrero 2019]
[86] SUPERINTENDENCIA DE BANCA Y SEGUROS – SBS. (2019). Series Estadísticas.
Disponible en
http://www.sbs.gob.pe/app/stats_net/stats/EstadisticaBoletinEstadistico.aspx?p=1# [ Accesado
el 20 de febrero 2019]
[87] TORRES, J. (2012). Crisis financiera. Mexico: Universidad Autónoma de México.
http://conceptos.sociales.unam.mx/conceptos_final/504trabajo.pdf
[88] UQUILLAS, A. y GONZÁLEZ, C. (2017). Determinantes macro y microeconómicos para
pruebas de tensión de riesgo de crédito: un estudio comparativo entre Ecuador y Colombia
basado en la tasa de morosidad. Ensayos sobre Política Económica, 35(84), 245-259.
https://www.sciencedirect.com/science/article/pii/S0120448317300507
[89] UQUILLAS, A.Y GONZÁLEZ, C. (2017A). Modelo Macro para Pruebas de Tensión de
Riesgo de Crédito de Consumo en el Sistema Financiero Ecuatoriano. Analítika: Revista de
análisis estadístico, (14), 75-99. http://www.ecuadorencifras.gob.ec/documentos/web-
inec/Revistas/Analitika/Anexos_pdf/Analit_14/3a.pdf
[90] URBINA, M. (2017). Determinantes del riesgo de crédito bancario: evidencia en
Latinoamérica., Chile: Universidad de Chile.
http://repositorio.uchile.cl/bitstream/handle/2250/149796/urbina%20poveda%20myriam.pdf?s
equence=1&isallowed=y
[91] VARGAS, G. y DIAZ, M. (2016) Las crisis financieras y la evolución del paradigma en la
práctica de las finanzas. Semestre Económico, 19(40), 53-70.
http://www.scielo.org.co/pdf/seec/v19n40/2248-4345-seec-19-40-00053.pdf
[92] VARONA, L. GISMERA, L. Y GIMERO, R. (2014). Supervivencia de las empresas según
indicadores empresariales. Modelo lineal mixto con datos de panel, perıodo 2004 al 2008, caso
de España. Asociación Peruana de Economía. http://perueconomics.org/wp-
content/uploads/2014/01/WP-13.pdf
[93] VASICEK, A. (1997). The Loan Loss Distribution. Technical Report, KMV Corporation.
http://screpey.free.fr/doc/Limiting_Loan_Loss_Probability_Distribution.pdf
[94] VAZQUEZ, F., TABAK, B. y SOUTO, M. (2010). A macro stress test model of credit risk for
the Brazilian banking sector. Journal of Financial Stability, 8(2), 69-83.
https://www.bcb.gov.br/pec/wps/ingl/wps226.pdf
127
6. ANEXOS
Anexo 6.1: matriz de consistencia del estudio.
Tabla 6.1: Matriz de consistencia del estudio.
Fuente: Elaboración propia
Preguntas Hipótesis Objetivos
G ¿Cómo es el impacto que genera la
presencia choques macroeconómicos en el
riesgo de crédito del sistema bancario en
el Perú durante el período 2003:01 –
2018:12 y en el escenario al 2020:12?
Los niveles de riesgo de crédito del sistema bancario
peruano se incrementan ante la presencia de choques
macroeconómicos durante el periodo 2003:01 al
2018:12 y en las proyecciones al 2020.
Analizar el impacto generado por la
presencia de escenarios de choques
macroeconómicos sobre el riesgo
crediticio en el sistema bancario peruano
en el período 2003:01- 2018:12 y en el
escenario al 2020:12.
E1 ¿Cuál es la relación que existe entre los
factores macroeconómicos y el
crecimiento del riesgo de crédito del
sistema bancario en el Perú durante el
período 2003:01 – 2018:12?
El crecimiento del riesgo de crédito del sistema
bancario peruano ha sido determinado por variables
macroeconómicas como, el crecimiento del PBI, con
la tiene relación inversa; el crecimiento del
desempleo, con la cual muestra relación directa; el
crecimiento de la Tasa de Referencia de Política
Monetaria, con la que muestra relación directa; el
crecimiento de las exportaciones, con la que muestra
relación inversa; el crecimiento del índice bursátil, con
la que muestra relación directa; el crecimiento de la
emisión de dinero en la economía con la que muestra
relación inversa durante el periodo 2003:01 – 2018:12.
Identificar y analizar cuál es el impacto
que generan factores macroeconómicos
sobre el crecimiento del riesgo de crédito
del sistema bancario peruano durante el
período 2003:01 – 2018:12.
128
Tabla 6.2: Matriz de consistencia del estudio.
Fuente: Elaboración propia
Preguntas Hipótesis Objetivos
E2 ¿Cuál es la relación que existe entre los
determinantes microeconómicos y el
crecimiento del riesgo de crédito del
sistema bancario peruano durante el
período 2003:01 – 2018:12?
El crecimiento del riesgo de crédito del sistema
bancario peruano ha sido determinado por factores
microeconómicos como el crecimiento de la liquidez,
con la que muestra relación inversa; el crecimiento de
la tasa de interés activa del sistema bancario con la
que muestra relación inversa y el crecimiento del ratio
créditos/depósitos con el cual muestra relación directa
durante el periodo 2003:01 – 2018:12.
Identificar y analizar cuál es el impacto
que generan factores microeconómicos en
el crecimiento riesgo de crédito del sistema
bancario peruano durante el período
2003:01 – 2018:12.
E3 ¿De qué manera la presencia de escenarios
con choques macroeconómicos afecta el
riesgo crediticio del sistema bancario
peruano durante el periodo 2020:01 –
2020:12?
El sistema bancario peruano ha experimentado niveles
de riesgo de crédito altos ante la presencia de choques
macroeconómicos, debido a los mayores niveles de
riesgo que ello implica durante el periodo 2020:01 –
2020:12.
Realizar pruebas de tensión en el riesgo de
crédito del sistema bancario peruano en el
período 2020:01 – 2020:12.
E4 ¿Cuál la relación que existe entre la
presencia de un escenario
macroeconómico estable y el riesgo de
créditos del sistema bancario peruano
durante el período 2020:01 – 2020:12?
El sistema bancario peruano ha experimentado niveles
de riesgo bajos ante la presencia de escenario
macroeconómico estable en la economía durante el
periodo 2020:01-2020:12.
Analizar la relación existente entre la
presencia de un escenario
macroeconómico estable y el riesgo de
crédito en el sistema bancario para el caso
peruano durante el período 2020:01 –
2020:12.
129
Anexo 6.2: Glosario de términos básicos.
Riesgo de crédito: De acuerdo a la SBS (2019), se define como la posibilidad de pérdida a
consecuencia del incumplimiento de las obligaciones por parte del prestatario.
Desempleo: BCRP (2019), Es la condición de las personas en edad y disposición de trabajar que
buscan activamente un puesto de trabajo, sin encontrarlo. También se denomina desempleo
abierto.
Inflación: BCRP (2019), lo define como el aumento persistente del nivel general de los precios de la
economía, con la consecuente pérdida del valor adquisitivo de la moneda.
Tipo de cambio Real: BCRP (2019), lo define como el Precio relativo de dos canastas de bienes y
servicios. Dependiendo de cuál sea la composición de dicha canasta.
ARIMAX: Kongcharoen and Kruangpradit (2013), un modelo de media móvil integrada
autorregresiva con variable explicativa. ARIMAX está relacionado con la técnica ARIMA,
pero, mientras que ARIMA es adecuado para conjuntos de datos que son univariado, ARIMAX
es adecuado para el análisis donde hay variables explicativas adicionales (multivariadas) en
formato categórico y / o numérico.
La Tasa de Política Monetaria: BCRP (2019), Tasa de interés objetivo para las operaciones
interbancarias que el Banco Central procura lograr mediante sus instrumentos de política
monetaria: operaciones de mercado abierto, facilidades de crédito y depósito.
Las Exportaciones: Según BCRP (2019), es el registro de la venta al exterior de bienes o servicios
realizada por una empresa residente dando lugar a una transferencia de la propiedad de
los mismos.
Estrés: Presencia de crisis y escenarios adversos a la actual evolución de la economía, caída
de sus principales indicadores.
130
Anexo 6.3: Transformación del índice mensual del PBI a millones de soles.
Para llevar el índice mensual que brinda el BCRP a millones de soles se hace el siguiente
procedimiento:
1. Año base PBI 2007 anual = 319693
2. PBI base mensual 2007= Año base PBI 2007 anual
12 =
319693
12 = 26,641.08333 (1)
Luego para transformar cada índice en miles de soles se hace con la siguiente formula de los números
índices:
3. 𝑃𝐵𝐼 𝑚𝑒𝑛𝑠𝑢𝑎𝑙 𝑡 (𝑚𝑖𝑙𝑒𝑠 𝑑𝑒 𝑠𝑜𝑙𝑒𝑠) = PBI base mensual 2007 ∗ 𝐼𝑛𝑑𝑖𝑐𝑒 𝑃𝐵𝐼 𝑚𝑒𝑛𝑠𝑢𝑎𝑙𝑡 (2)
Por ejemplo, si se transforma el índice de noviembre del 2018 en miles de soles seria de la siguiente
manera:
4. ÍNDICE PBI noviembre 2018 = 170.7/100 = 1.707
Se reemplaza valores en la ecuación (2):
𝑃𝐵𝐼 𝑛𝑜𝑣. 2018 (𝑚𝑖𝑙𝑒𝑠 𝑑𝑒 𝑠𝑜𝑙𝑒𝑠) = 26,641.08333 ∗ 17.707
𝑃𝐵𝐼 𝑛𝑜𝑣. 2018 (𝑚𝑖𝑙𝑒𝑠 𝑑𝑒 𝑠𝑜𝑙𝑒𝑠) = 45,476.32925
La forma de validar que estos datos son los correctos es que al determinar los 12 meses y al sumarlos
es igual al total anual que brinda el BCRP, la suma de los 12 meses del año 2017 y la suma de los 12
meses del año 2018 dan los valores anuales, sacándoles la variación anual es 4.0, la misma que registra
el BCRP. Además, al sacar su variación anualizada de mes a mes es la misma que brinda el BCRP.
Para cada mes desde 2003:01 hasta 2018:12 se hace el mismo procedimiento determinando el valor en
millones de soles del PBI real.
131
Anexo 6.4: Estadísticas descriptivas de las variables en estudio.
Tabla 6.3: Estadísticas descriptivas de las variables en estudio.
Variable Nombre Medida Media Desviació
n estándar
Mínimo Máximo
RC Riesgo de crédito Índice de
morosidad
2.46 1.17 1.19 7.58
Determinantes macroeconómicos
PBI Producto Bruto Interno. Millones de
soles
32,663.50 7,971.42 18,936.3 49,905.40
INF Inflación. Variación del
IPC
0.24 0.30 -0.53 1.30
DES Desempleo. Porcentaje 7.62 1.52 4.67 13.01
TRP Tasa de referencia del
política monetaria.
Índice 3.74 1.11 1.25 6.50
TCR Tipo de cambio real. Índice 99.22 3.99 89.99 107.21
X Exportaciones. Millones de
US$
2,746.08 1,58.83 643.28 4,584.40
M Importaciones. Millones de
US$
2,382.40 1,032.14 613.44 4,012.52
PPETROL Precio del petróleo. US$ por barril 67.52 25.26 24.81 117.94
TIR Tasa de interés real. Índice 93.03 13.09 61.88 116.20
EMPLEO Empleo total. Miles de
personas
4,300.58 427.14 3,461.51 5,080.72
M1 Emisión primaria. Millones de
soles
23,778.30 13,412.5 4,977.27 49,826.77
SP Índice Bursátil. Punto índice 13,581.92 6,403.19 1,517.40 23,612.02
Determinantes microeconómicos
REN Rentabilidad. Índice 21.06 5.68 6.48 31.99
LIQ Liquidez. Índice 38.03 10.88 19.68 63.82
EFI Eficiencia. Índice 4.02 0.58 3.11 4.93
SOL Solvencia. Índice 11.68 3.28 7.03 15.95
TA Tasa de interés activa. Índice 19.83 3.45 14.06 26.28
CD Créditos/depósitos. Ratio 0.95 0.29 0.52 1.57
Fuente: BCRP, SBS e Investig.
132
Anexo 6.5: Desarrollo del modelo econométrico
1. Especificación del modelo
Se especifica un modelo econométrico que explica el riesgo de crédito para el sistema de bancos en el
Perú durante el período 2003:01 al 2018:12, tratando de realizar un pronóstico hacia el 2020:12. La
ecuación especificada es la que sigue a continuación:
RCt = f (factores macroeconómicos, factores microeconómicos) ………………. (07)
RCt = f (PBIt, DESt, INFt, TRPt, Xt, Mt, PPETROt, TCRt, TIRt, EMPLEOt, M1t, SPt, LIQt, SOLVt,
RENt, CATRASt, TAt, CALt, COLOt, EFIt, CDt) …………………………………..……………. (08)
Donde:
𝑅𝐶𝑡, representa el riesgo crediticio del sistema bancario, medido a través del índice de morosidad;
𝑃𝐵𝐼𝑡 , representa la actividad económica del Perú; 𝐷𝐸𝑆𝑡 , representa la tasa de desempleo;
𝐼𝑁𝐹𝑡 , representa la tasa de inflación; 𝑇𝑅𝑃, la tasa de referencia de política monetaria; 𝑋𝑡 , representan
las exportaciones; 𝑀𝑡 , importaciones; 𝑃𝑃𝐸𝑇𝑅𝑂𝑡, precio del petróleo; 𝑇𝐶𝑅𝑡 , tipo de cambio real;
𝑇𝐼𝑅𝑡, representa la tasa de interés real; 𝐸𝑀𝑃𝐿𝐸𝑂𝑡 , representa el empleo; 𝑀1𝑡 , representa el
crecimiento del dinero; 𝑆𝑃𝑡 , índice bursátil de BVL; 𝐿𝐼𝑄𝑡 , 𝑙iquidez del sistema bancario;
𝑆𝑂𝐿𝑉, solvencia del sistema bancario; 𝑅𝐸𝑁𝑡 , rentabilidad del sistema bancario; 𝐶𝐴𝑇𝑅𝐴𝑆𝑡, representa
la cartera atrasada; 𝑇𝐴𝑡 , representa la tasa de interés activa, 𝐶𝐴𝐿𝑡 , representa la calidad de cartera de
los activos en el sistema, 𝐶𝑂𝐿𝑂𝑡 , representa el total de colocaciones; 𝐸𝐹𝐼𝑡 , representa la eficiencia del
sistema bancario; 𝐶𝐷𝑡, representa el ratio de créditos a depósitos. El modelo de la ecuación (2), en
forma específica, es el siguiente:
RCt = β0 + β1PBIt + β2DESt + β3INFt + β4TRPt + β5Xt + β6Mt + β7PPETROt + β8TCRt + β9TIRt +
β10EMPLEOt + β11M1t + β12SPt + β13LIQt + β14SOLVt + β15RENt + β16CATRASt + β17TAt + β18CALt +
β19COLOt + β20EFIt + β21CDt + ut ………………………………………………………...………… (09)
Donde los coeficientes βi para todo 𝑖 = 1, 2, … , 21 son los impactos individuales de cada variable
mencionada y β0 es el intercepto de la ecuación, que también puede interpretarse como el nivel
autónomo o mínimo que alcanza el riesgo de crédito; 𝜇𝑡 representa el error estadístico.
El signo esperado que de acuerdo a la revisión de la literatura para cada coeficiente se muestra en el
cuadro N°6.4.
133
Tabla 6.4: Interrelaciones entre variables del modelo.
Variable Detalle operacional de las variables Referencia Relación
RC Riesgo de crédito = tasa de morosidad (índice).
Determinantes macroeconómicos
PBI Producto Bruto Interno = PBI (Millones de
soles).
3, 6, 13, 22, 30, 31, 33, 36,
37, 40, 41, 50, 65, 75, 88.
-
INF Inflación= Variación del IPC (%). 22, 24, 25, 33, 37, 41, 50,
65, 75, 88, 90.
+
DES Desempleo=Tasa de desempleo (Índice). 3, 21, 24, 25, 30, 31, 37,
41, 50, 51, 58, 65, 88, 89,
90.
+
TRP Tasa de referencia del política monetaria = TRP
de BCRP (Índice).
31, 51, 58. -
TCR Tipo de cambio real= Tipo de cambio real
multilateral (Índice).
13, 33, 36, 37, 50, 51, 58. +
X Exportaciones = Exportaciones de bienes y
servicios (millones US$).
37, 41, 50, 51, 88, 89. -
M Importaciones = Importaciones de bienes y
servicios (millones US$).
37, 41, 51, 88, 89. +
PPETROL Precio del petróleo = Precio ( Miles de US$). 41, 51, 88, 89. -
TIR Tasa de interés real = (Índice). 2, 3, 36, 37, 40, 50, 58, 65. +
EMPLEO Empleo total = PEAO (Miles de personas). 13. -
M1 Crecimiento de dinero= emisión primaria
(Millones de soles).
33. -
SP Índice Bursátil de la Bolsa de Valores de Lima =
S&P Lima General (Punto de Índice).
51. -
Determinantes microeconómicos
COL Colocaciones = total colocaciones del sistema
bancario (miles de soles).
3, 30, 41, 88, 89.
+
REN Rentabilidad=ROE y ROA del sistema bancario
(Índice).
40, 41, 88, 89. -
LIQ Liquidez = Liquidez del sistema bancario (índice) 30, 41, 88, 89. -
CATRAS Cartera atrasada = cartera atrasada total del
sistema bancario (miles de soles).
42, 88, 89. -
EFI Eficiencia= eficiencia operativa (índice). 41, 88, 89. -
SOL Solvencia del sistema bancario = (índice). 30, 41, 88, 89. -
TA Tasa de interés activa del sistema bancario =
(índice).
2, 41, 72, 88, 89. +/-
CD Créditos/depósitos= (ratio). 30, 88, 89. +
Fuente: modificado de Varona et al. (2014).
134
a. Prueba de estacionaridad de las variables.
Tabla 6.5: Prueba de estacionaridad de las variables del modelo.
Variables ¿Es estacionaria?
Nomenclatura Nombre Nivel Diferencia Logaritmo Diferencia de
logaritmo
RC Riesgo de crédito NO SI NO SI
Variables macroeconómicas
PBI Producto Bruto Interno. NO SI NO SI
INF Inflación. SI SI SI SI
DES Desempleo. NO SI NO SI
TRP Tasa de referencia del
política monetaria.
NO NO NO SI
TCR Tipo de cambio real. NO SI NO SI
X Exportaciones. NO SI NO SI
M Importaciones. NO SI NO SI
PPETROL Precio del petróleo. NO SI NO SI
TIR Tasa de interés real. NO SI NO SI
EMPLEO Empleo total. NO SI NO SI
M1 Crecimiento de dinero. NO SI NO SI
SP Índice Bursátil. NO SI NO SI
Variables microeconómicas
COL Colocaciones. NO SI NO SI
REN Rentabilidad. NO SI NO SI
LIQ Liquidez. NO SI NO SI
EFI Eficiencia. NO SI NO SI
SOL Solvencia. SI SI SI SI
TA Tasa de interés activa. NO SI NO SI
CD Créditos/depósitos. NO SI NO SI
Fuente: elaboración propia.
135
2. Estimación del modelo ARIMAX
Resumen de los modelos econométricos de MCO con variables estacionarias. 2003:01 – 2018:12.
Tabla 6.6: Resumen de los modelos MCO estimados.
Variables
Nivel de significancia estadística (probabilidad)
Variable dependiente:
Riesgo de crédito (morosidad) Modelo
I
Modelo
II
Modelo
III
( 1
rezago)
Modelo
IV
(1 rezago)
Modelo
V
(2
rezagos)
Modelo
VI
(2 rezagos)
Variables
independientes
Estacionaridad (Todas) (Significativas) (Todas) (Significativas) (Todas) (Significativas)
Intercepto
0.49 0.89 0.29 0.35 0.28 0.32
Factores macroeconómicos determinantes del riesgo de crédito
Producto Bruto
Interno.
Dif. log 0.08 0.02 0.42 0.01 0.03
Inflación. Dif. log 0.07 0.11 0.23 0.42
Desempleo. Dif. log 0.90 0.24 0.03 0.03
Tasa de referencia
del política
monetaria.
Dif. log 0.00 0.01 0.68 0.32
Tipo de cambio
real.
Dif. log 0.03 0.02 0.51 0.59
Exportaciones. Dif. log 0.32 0.65 0.50
Importaciones. Dif. log 0.03 0.06 0.90 0.05 0.03
Precio del
petróleo.
Dif. log 0.41 0.93 0.81
Tasa de interés
real.
Dif. log 0.84 0.03 0.02 0.41
Empleo total. Dif. log 0.62 0.08 0.01 0.02
Crecimiento de
dinero.
Dif. log 0.009 0.00 0.62 0.86
Índice Bursátil. Dif. log 0.30 0.00 0.00 0.91
Factores microeconómicos determinantes del riesgo de crédito
Colocaciones. Dif. log 0.46 0.00 0.01 0.42
Rentabilidad. Dif. log 0.17 0.67 0.44
Liquidez. Dif. log 0.07 0.22 0.06 0.01 0.50
Eficiencia. Dif. log 0.89 0.67 0.74
Solvencia. Dif. log 0.43 0.28 0.65
Tasa de interés
activa.
Dif. log 0.04 0.08 0.69 0.92
Créditos/depósitos. Dif. log 0.24 0.17 0.38
R – sq: 0.32 0.28 0.21 0.16 0.12 0.07
136
Variables
Nivel de significancia estadística (probabilidad)
Variable dependiente:
Riesgo de crédito (morosidad) Modelo
VII
(3 Rez)
Modelo
VIII
(3 Rez)
Modelo
IX
( 4 rez)
Modelo
X
(4 rez)
Modelo
XI
(5 rez.)
Modelo
XII
(5 rez.)
Variables
independientes
Estacionaridad (Todas) (Significativas) (Todas) (Significativas) (Todas) (Significativas)
Intercepto
0.98 0.12 0.89 0.08 0.47 0.00
Factores macroeconómicos determinantes del riesgo de crédito
Producto Bruto
Interno.
Dif. log 0.04 0.00 0.86 0.49
Inflación. Dif. log 0.43 0.50 0.91
Desempleo. Dif. log 0.03 0.05 0.61 0.20
Tasa de referencia
del política
monetaria.
Dif. log 0.39 0.14 0.78
Tipo de cambio
real.
Dif. log 0.91 0.95 0.66
Exportaciones. Dif. log 0.01 0.00 0.95 0.96
Importaciones. Dif. log 0.50 0.68 0.06
Precio del
petróleo.
Dif. log 0.78 0.82 0.25
Tasa de interés
real.
Dif. log 0.82 0.07 0.06 0.82
Empleo total. Dif. log 0.10 0.64 0.55
Crecimiento de
dinero.
Dif. log 0.93 0.57 0.41
Indice Bursátil. Dif. log 0.18 0.38 0.00 0.00
Factores microeconómicos determinantes del riesgo de crédito
Colocaciones. Dif. log 0.33 0.28 0.77
Rentabilidad. Dif. log 0.29 0.72 0.68
Liquidez. Dif. log 0.32 0.57 0.99
Eficiencia. Dif. log 0.70 0.23 0.76
Solvencia. Dif. log 0.83 0.11 0.54
Tasa de interés
activa.
Dif. log 0.15 0.81 0.12
Créditos/depósitos. Dif. log 0.68 0.002 0.01 0.18
R – sq: 0.15 0.09 0.11 0.05 0.20 0.12
137
Variables
Nivel de significancia estadística (probabilidad)
Variable dependiente:
Riesgo de crédito (morosidad) Modelo
XII
(6 Rez)
Modelo
XIV
(6 Rez)
Modelo
XV
( 7 rez)
Modelo
XVI
( 7 rez)
Modelo
XVII
(8 rez.)
Modelo
XVIII
(Mejor
modelo)
Variables
independientes
Estacionaridad (Todas) (Significativas) (Todas) (Significativas) (Todas) (Significativas)
Intercepto
0.66 0.35 0.50 0.09 0.40 0.43
Factores macroeconómicos determinantes del riesgo de crédito
Producto Bruto
Interno.
Dif. log 0.39 0.19 0.71
Inflación. Dif. log 0.05 0.28 0.19 0.18
Desempleo. Dif. log 0.05 0.17 0.19 0.01 0.00
Tasa de referencia
del política
monetaria.
Dif. log 0.14 0.70 0.19
Tipo de cambio
real.
Dif. log 0.71 0.66 0.67
Exportaciones. Dif. log 0.00 0.00 0.26 0.32
Importaciones. Dif. log 0.88 0.03 0.11 0.06 0.07
Precio del
petróleo.
Dif. log 0.92 0.28 0.59
Tasa de interés
real.
Dif. log 0.88 0.86 0.57
Empleo total. Dif. log 0.30 0.00 0.64 0.67
Crecimiento de
dinero.
Dif. log 0.49 0.70 0.09 0.57
Índice Bursátil. Dif. log 0.00 0.00 0.82 0.36
Factores microeconómicos determinantes del riesgo de crédito
Colocaciones. Dif. log 0.66 0.17 0.15
Rentabilidad. Dif. log 0.01 0.00 0.93 0.45
Liquidez. Dif. log 0.40 0.04 0.77 0.79
Eficiencia. Dif. log 0.99 0.72 0.43
Solvencia. Dif. log 0.40 0.52 0.62
Tasa de interés
activa.
Dif. log 0.29 0.36 0.98
Créditos/depósitos. Dif. log 0.11 0.45 0.03 0.03
R – sq: 0.29 0.22 0.18 0.01 0.14 0.07
Fuente: BCRP, SBS e Investig.
138
Tabla 6.7: Modelo MCO con variables rezagadas estadísticamente significativas.
Variables Estacionaridad
Variable dependiente:
Riesgo de crédito (morosidad)
Diferencia del logaritmo
Variables
independientes
Estacionaridad Número
de
rezagos
Coeficientes Error
estadístico
T
estadístico
Nivel de
significancia
estadística
Intercepto
0.00 0.00 1.12 0.26
Factores macroeconómicos determinantes del riesgo de crédito
PBI
Dif. log 2 -0.16 0.05 -2.90 0.00 ***
Tasa de Referencia
de Política
Monetaria
Dif. log 0 -0.11 0.04 -2.76 0.01 **
Desempleo
Dif. log 6 0.09 0.02 4.88 0.00 ***
Exportaciones
Dif. log 3 -0.10 0.03 -4.88 0.0 ***
Crecimiento del
dinero
Dif. log 0 -0.53 0.07 -6.95 0.00 ***
Índice Bursátil de
BVL
Dif. log 1 -0.03 0.01 -3.11 0.00 ***
Factores microeconómicos determinantes del riesgo de crédito
Liquidez del
sistema bancario
Dif. log 1 -0.09 0.03 -2.50 0.01 **
Tasa de interés
activa del sistema
bancario
Dif. log 0 -0.31 0.17 -1.72 0.01 **
Créditos/depósitos
del sistema
bancario
Dif. log 5 -0.11 0.11 0.97 0.03 **
MA(17)
Nivel de significancia global probabilidad Bondad o ajuste Bondad
ajustada
12.91 0.00 0.40 0.37
Fuente: BCRP, SBS e Investig.
El mejor modelo de MCO se logró tras realizar análisis de correlaciones y estimaciones lineales de la
variable dependiente estacionaria en función de las variables exógenas rezagadas hasta el rezago 8, de
ello se encuentra que cada variable es estadísticamente significativa en el número de rezago mostrado
en la tabla N°6.7.
139
Luego de la estimación de MCO se procede a realizar un correlograma de los residuos con el objetivo
de identificar los componentes autorregresivos y de media móvil del modelo, mostrados en la tabla
N°6.8.
Tabla 6.8: Correlograma de los residuos del modelo MCO.
Fuente: SBS, BCRP e INVESTING.
➢ Se encuentra que los componentes de media móvil son:
MA(2), MA(4), MA(6), MA(15), MA(17), MA(21).
➢ Los componentes autorregresivos son:
AR(1), AR(2), AR(3), AR(4), AR(6), AR(7), AR(8).
140
Tabla 6.9: Resultados de la estimación del modelo ARIMAX con todos los componentes AR y MA.
Variables Estacionaridad
Variable dependiente:
Riesgo de crédito (morosidad)
Diferencia del logaritmo
Variables
independientes
Estacionaridad Número de
rezagos
Coeficientes Error
estadístico
T
estadístico
Nivel de
significancia
estadística
Intercepto -0.00 0.01 -0.35 0.72
Factores macroeconómicos determinantes del riesgo de crédito
PBI
Dif. log 2 -0.14 0.05 -2.64 0.01 ***
Tasa de Referencia de
Política Monetaria
Dif. log 0 -0.09 0.02 -3.23 0.00 ***
Desempleo
Dif. log 6 0.08 0.01 4.58 0.00 ***
Exportaciones
Dif. log 3 -0.05 0.02 -2.09 0.04 **
Crecimiento del
dinero
Dif. log 0 -0.49 0.06 -7.46 0.00 ***
Índice Bursátil de BVL
Dif. log 1 -0.02 0.01 -2.16 0.03 **
Factores microeconómicos determinantes del riesgo de crédito
Liquidez del sistema bancario
Dif. log 1 -0.03 0.02 -1.32 0.18
Tasa de interés activa
del sistema bancario
Dif. log 0 -0.17 0.13 -1.42 0.15
Créditos/depósitos del
sistema bancario
Dif. log 5 0.12 0.08 1.44 0.15
Componentes autorregresivos y de media móvil del modelo ARIMAX
AR(1) -0.26
0.08 -3.08 0.00 ***
AR(2) 0.10
0.15 0.66 0.51
AR(3) 0.16
0.07 2.38 0.01 ***
AR(4) -0.01
0.10 -0.13 0.89
AR(6) 0.70
0.11 6.27 0.00 ***
AR(7) 0.25
0.09 2.68 0.00 ***
AR(8) -0.08
0.09 -0.86 0.39
MA(2) -0.06
0.15 -0.44 0.66
MA(4) 0.07
0.13 0.55 0.58
MA(6) -0.63
0.39 -1.60 0.11
MA(15) 0.18
0.22 0.85 0.39
MA(17) 0.19 0.32 0.61 0.54 Nivel de significancia global probabilidad Bondad o ajuste Bondad
ajustada
9.57 0.00 0.55 0.50
Fuente: BCRP, SBS e Investing.
141
Tras aplicar el proceso de parsimonia al modelo ARIMAX presentado en la tabla N°5.9, se encuentra
un modelo ARIMAX óptimo que se presenta en la tabla N°6.10. El modelo le incluye componentes
autorregresivos y componentes de media móvil.
Tabla 6.10: Resultados de la estimación del modelo ARIMAX con componentes AR y MA
significativos.
Variables N=175
Variable dependiente:
Riesgo de crédito (morosidad)
Estacionaridad: Diferencia del logaritmo
Variables
independientes
Estacionaridad Número de
rezagos
Coeficientes Error
estadístico
T
estadístico
Nivel de
significancia
estadística
Intercepto
0.01 0.00 7.34 0.00 ***
Factores macroeconómicos determinantes del riesgo de crédito
PBI
Dif. log 2 -0.17 0.06 -3.21 0.00 ***
Tasa de Referencia de Política Monetaria
Dif. log 0 -0.06 0.02 -2.24 0.02 ***
Desempleo
Dif. log 6 0.07 0.02 4.09 0.00 ***
Exportaciones
Dif. log 3 -0.05 0.03 -1.83 0.06 *
Crecimiento del
dinero
Dif. log 0 -0.40 0.07 -5.42 0.00 ***
Índice Bursátil de
BVL
Dif. log 1 -0.02 0.01 -2.64 0.00 ***
Factores microeconómicos determinantes del riesgo de crédito
Liquidez del sistema
bancario
Dif. log 1 -0.04 0.02 -1.83 0.06 *
Tasa de interés activa del sistema bancario
Dif. log 0 -0.24 0.13 -1.75 0.08 *
Créditos/depósitos del
sistema bancario
Dif. log 5 0.14 0.08 1.89 0.05 *
Componentes autorregresivos y de media móvil del modelo ARIMAX
AR(1) -0.35
0.07 -4.69 0.00 ***
AR(6) 0.88
0.02 45.63 0.00 ***
AR(7) 0.27
0.07 3.88 0.00 ***
AR(8) -0.06
0.02 -3.41 0.00 ***
MA(6) -0.96
0.01 -90.22 0.00 ***
Nivel de significancia global probabilidad Bondad o ajuste Bondad
ajustada
18.63 0.00 0.62 0.59
Fuente: BCRP, SBS e Investing.
142
3. Evaluación del modelo
a. Evaluación económica
Tabla 6.11: Evaluación de signos en variables macroeconómicas del modelo ARIMAX.
Variables Signo esperado Signo obtenido Conclusión
Crecimiento del PBI Negativo Negativo Cumple con lo especificado
Tasa de interés de
referencia
Negativo Negativo Cumple con lo especificado
Tasa de desempleo Positivo Positivo Cumple con lo especificado
Exportaciones Negativo Negativo Cumple con lo especificado
Crecimiento del dinero Negativo Negativo Cumple con lo especificado
ÍNDICE bursátil Negativo Negativo Cumple con lo especificado
Fuente: Elaboración propia
Tabla 6.12: Evaluación de signos en variables microeconómicos del modelo ARIMAX.
Variables Signo esperado Signo obtenido Conclusión
Liquidez Negativo Negativo Cumple con lo especificado
Tasa de interés activa Negativo Negativo Cumple con lo especificado
Ratio de créditos/depósitos Positivo Positivo Cumple con lo especificado
Fuente: Elaboración propia
143
b. Interpretación de los estimadores
Tabla 6.13: Interpretación de parámetros en variables macro del modelo ARIMAX.
Variables
independientes
Nivel Rez. Coef. Interpretación
Factores macroeconómicos determinantes del riesgo de crédito
PBI
Dif. log 2 -0.17 Se encuentra relación inversa entre las variaciones de la actividad
económica y las variaciones del riesgo de crédito del sistema
bancario, el primero impacta en el segundo después de dos meses. El
resultado muestra que un incremento del 1% en la tasa del PBI ha
influido para que el riesgo de creditico del sistema bancario caiga
una tasa de 0.17%.
Tasa de
Referencia de
Política
Monetaria
Dif. log 0 -0.06 De acuerdo a los resultados obtenidos, la relación entre el
crecimiento de la tasa de referencia de política monetaria y las
variaciones del riesgo de crédito del sistema bancario peruano es
inversa, dado que un incremento del 1% en las variaciones de la tasa
de referencia de política monetaria ha significado que el riesgo de
crédito caiga en una tasa de 0.06%.
Desempleo
Dif. log 6 0.07 La relación entre las variaciones de la tasa de desempleo y las
variaciones del riesgo de crédito del sistema bancario peruano es
directa, de acuerdo a los resultados se afirma que ante un incremento
de 1% en la tasa de desempleo, el riesgo de crédito se ha
incrementado a una tasa de 0.07% luego de medio año.
Exportaciones
Dif. log 3 -0.05 De acuerdo a los resultados, se afirma que existe relación inversa
entre el crecimiento de las exportaciones y el crecimiento del riesgo
de crédito del sistema bancario, cuyo impacto se da a los 3 meses,
pues ante un incremento de 1% en el crecimiento de las
exportaciones el riesgo de crédito ha disminuye en 0.05% en su
crecimiento luego de 3 meses.
Crecimiento del
dinero
Dif. log 0 -0.40 Se encuentra que existe relación inversa entre el crecimiento de la
emisión primaria y el crecimiento del riesgo de crédito del sistema
bancario, es decir, ante un incremento de 1% en la tasa de
crecimiento de la emisión primaria, el crecimiento del riesgo de
crédito del sistema bancario ha disminuido en 0.40%.
Índice Bursátil
de BVL
Dif. log 1 -0.02 De acuerdo a los resultados se encuentra relación inversa entre el
crecimiento del índice bursátil de la Bolsa de Valores de Lima y el
crecimiento del riesgo de crédito del sistema bancario peruano, un
incremento de 1% en la tasa de crecimiento del índice bursátil
impacta luego de un mes en el riesgo de crédito haciendo que este
caiga e a una tasa de 0.02%.
Fuente: Elaboración propia.
144
Tabla 6.14: Interpretación de parámetros en variables micro del modelo ARIMAX.
Variables
independientes
Estacionaridad Número
de
rezagos
Coeficiente Interpretación
Factores microeconómicos determinantes del riesgo de crédito
Liquidez del
sistema bancario
Dif. log 1 -0.04 Según los resultados obtenidos, se encuentra que
el crecimiento en la liquidez del sistema bancario
ha influido de forma inversa luego de un período
sobre el crecimiento del riesgo de crédito del
mismo sistema, pues un incremento de 1% en la
tasa de crecimiento liquidez impacta luego de un
mes en el riesgo de crédito haciendo que este
disminuya en una tasa de 0.04%.
Tasa de interés
activa del sistema
bancario
Dif. log 0 -0.24 La relación que existe entre el crecimiento de la
tasa de interés activa del sistema bancario y el
crecimiento del riesgo de crédito, es inversa, un
incremento del 1% en la tasa de interés ha
significado una caída en una tasa de 0.24% el
riesgo de crédito del sistema bancario peruano.
Créditos/depósitos
del sistema
bancario
Dif. log 5 0.14 De acuerdo a los resultados se encuentra que
existe relación directa entre el crecimiento del
ratio de créditos/depósitos del sistema bancario y
el crecimiento del riesgo de crédito en el Perú
durante el período 2003:01 – 2018:12, pues un
incremento de 1% en la tasa de crecimiento de
dicho ratio ha influido en el riesgo de crédito
haciendo que su tasa de crecimiento aumente en
0.14%.
Fuente: Elaboración propia.
c. Evaluación estadística.
Tabla 6.15: Evaluación estadística individual de variables macro en el modelo ARIMAX.
VARIABLE HIPÓTESIS Tc Tt Prob. Conclusión
D(LOG(PBI(-2))) h0: 𝜷𝟏 = 𝟎
h1:𝜷𝟏 ≠ 𝟎
3.21 1.97 0.0016 Dado que Tc > Tt se rechaza H0, por lo tanto, al 5% de
significancia estadística, de manera individual el
crecimiento del PBI es estadísticamente significativas
para explicar el crecimiento riesgo de crédito del sistema
bancario peruano.
D(LOG(TRP)) h0: 𝜷𝟐 = 𝟎
h1: 𝜷𝟐 ≠ 𝟎
2.24 1.97 0.0262 Dado que Tc > Tt se rechaza H0, por lo tanto, al 5% de
significancia estadística, individualmente el crecimiento
de la tasa de referencia de política monetaria es
estadísticamente significativa para explicar el
crecimiento del riesgo de crédito del sistema bancario
peruano.
D(LOG(DES(-6))) h0: 𝜷𝟑 = 𝟎
h1: 𝜷𝟑 ≠ 𝟎
4.09 1.97 0.0001 Dado que Tc > Tt se rechaza H0, por lo tanto, al 5% de
145
Fuente: elaboración propia.
Tabla 6.16: Evaluación estadística individual de variables micro en el modelo ARIMAX.
Fuente: elaboración propia.
significancia estadística, individualmente el crecimiento
del desempleo de 6 períodos antes es estadísticamente
significativo para explicar el crecimiento del riesgo de
crédito del sistema bancario peruano.
D(LOG(X(-3))) h0: 𝜷𝟒 = 𝟎
h1: 𝜷𝟒 ≠ 𝟎
1.82 1.65 0.0698 Dado que Tc > Tt se rechaza H0, por lo tanto, al 10% de
significancia estadística, individualmente el crecimiento
de las exportaciones rezagadas 3 períodos es
estadísticamente significativa para explicar el
crecimiento del riesgo.
D(LOG(M1)) h0: 𝜷𝟓 = 𝟎
h1: 𝜷𝟓 ≠ 𝟎
5.41 1.97 0.0000 A un nivel de significancia del 5% y dado que Tc < Tt se
rechaza H0, por lo tanto, el crecimiento de la emisión
primaria es estadísticamente significativa de manera
individual para explicar el crecimiento del riesgo de
crédito del sistema bancario peruano.
D(LOG(SP(-1))) h0: 𝜷𝟔 = 𝟎
h1: 𝜷𝟔 ≠ 𝟎
2.63 1.97 0.0091 Dado que Tc > Tt se rechaza H0, por lo tanto, al 5% de
significancia estadística, el índice bursátil S&P General
de la Bolsa de Valores de Lima es estadísticamente
significativa para explicar el crecimiento del riesgo de
crédito del sistema bancario peruano.
VARIABLE HIPÓTESIS Tc Tt Prob. Conclusión
D(LOG(LQ(-1))) h0: 𝜷𝟕 = 𝟎
h1: 𝜷𝟕 ≠ 𝟎
1.83 1.65 0.0683 Dado que Tc > Tt se rechaza H0, por lo tanto al 10% de
significancia estadística, el crecimiento de la liquidez del
sistema bancario es estadísticamente significativa para
explicar el crecimiento del riesgo de crédito del sistema
bancario peruano.
D(LOG(TA)) h0: 𝜷𝟖 = 𝟎
h1: 𝜷𝟖 ≠ 𝟎
1.75 1.65 0.0814 Dado que Tc > Tt se rechaza H0, por lo tanto al 10% de
significancia estadística, el crecimiento de la tasa de
interés activa del sistema bancario es estadísticamente
significativa para explicar el crecimiento del riesgo de
crédito del sistema bancario peruano.
D(LOG(CD(-5))) h0: 𝜷𝟗 = 𝟎
h1: 𝜷𝟗 ≠ 𝟎
1.89 1.65 0.0599 Dado que Tc > Tt se rechaza H0, por lo tanto al 10% de
significancia estadística el crecimiento del ratio
créditos/depósitos del sistema bancario es
estadísticamente significativa para explicar el crecimiento
del riesgo de crédito del sistema bancario peruano.
146
Tabla 6.17: Evaluación estadística individual de variables macro en el modelo ARIMAX.
HIPÓTESIS Fc Ft Prob. Conclusión
h0:𝜷𝟏 = 𝜷𝟐 = 𝜷𝟑 = 𝜷𝟒 = 𝜷𝟓 =𝜷𝟔 = 𝜷𝟕 = 𝜷𝟖 = 𝜷𝟗 = 𝟎
h1: 𝜷𝟏 ≠ 𝜷𝟐 ≠ 𝜷𝟑 ≠ 𝜷𝟒 ≠ 𝜷𝟓 ≠𝜷𝟔 ≠ 𝜷𝟕 ≠ 𝜷𝟖 ≠ 𝜷𝟗 ≠ 𝟎
18.63
2.07
0.0
Dado que Fc > Ft y Prob. < 5%, se rechaza H0, por lo tanto, se
afirma que de forma global, las variacionesen el crecimiento
del PBI, en el crecimiento de la tasa de interés de referencia, en
el crecimiento de la tasa de desempleo, en el crecimiento de las
exportaciones, en el crecimiento de la emisión primaria, en el
crecimiento del índice bursátil de la Bolsa de Valores de Lima,
el crecimiento crecimiento de la liquidez del sistema bancario,
el crecimiento de la tasa activa del sistema bancario y el
crecimiento del ratio de créditos/depósitos en conjunto son
estadísticamente significativas para explicar el riesgo de crédito
del sistema bancario peruano durante el período 2003:01 al
2018:12.
Fuente: elaboración propia.
d. Test de bondad o de ajuste
A partir de que 𝑅2 =𝑆𝐶𝐸
𝑆𝐶𝑇𝑅2 = 0.61
Según lo encontrado, el 61% de las variaciones presentadas en el crecimiento del riesgo de crédito del
sistema bancario peruano durante el período 2003:01 al 2018:12 ha sido explicadas por variaciones en
variables macroeconómicas como el crecimiento del PBI, el crecimiento de la Tasa de Interés de
Referencia, el crecimiento de la tasa de desempleo, el crecimiento de las exportaciones, crecimiento de
la emisión primaria y el crecimiento del índice bursátil de la Bolsa de Valores de Lima; así como
variaciones en variables microeconómicas como la el crecimiento de la liquidez del sistema bancario,
el crecimiento de la tasa activa del sistema bancario y el crecimiento del ratio de créditos/depósitos del
sistema bancario peruano.
147
e. Evaluación Econométrica.
➢ Contraste de Normalidad
h0: μ Se aproxima a una distribución Normal.
h1: μ No Se aproxima a una distribución Normal.
Gráfico N° 6.1: Test de normalidad de los residuos del modelo ARIMAX.
0
4
8
12
16
20
24
28
32
-0.15 -0.10 -0.05 0.00 0.05
Series: Residuals
Sample 2004M06 2018M12
Observations 175
Mean 0.000704
Median 0.000761
Maximum 0.086379
Minimum -0.184779
Std. Dev. 0.028585
Skewness -1.273035
Kurtosis 12.12733
Jarque-Bera 654.7233
Probability 0.000000
Fuente: BCRP, SBS e Investing.
En el gráfico se puede observar que 𝐽𝐵 = 654.72. Además la probalidad asociada = 0.000 por otro
lado tenemos que el 𝑥(𝛼,2)2 = 5.99. Comparando 𝐽𝐵 ≅ 𝑥(𝛼,2)
2 , se observa que el 𝐽𝐵 (654.72) >
𝑥(𝛼,2)2 (5.99), Por lo tanto al 5% de significancia estadística se rechaza H0, con lo cual se concluye que
𝜇 (Errores) no se aproxima a una distribución Normal.
148
➢ Contraste de multicolinealidad
1. Regla de Klein: Segunda Versión
Si 𝑟𝑥𝑖.𝑥𝑗…𝑥𝑘>𝑅𝑦,𝑥𝑖.𝑥𝑗…𝑥𝑘 existe un alto grado de multicolinealidad. Para ello elaboramos la
matriz de correlaciones, presentada a continuación.
Tabla 6.18: Test de multicolinealidad; segunda versión regla...
Correlación D(LOG(RC))
D(LO
G(PB
I(-2)))
D(LOG
(TRP))
D(LOG
(DES(-
6)))
D(LOG
(X(-
3)))
D(LO
G(EP)
)
D(LO
G(SP(
-1)))
D(LO
G(LQ
(-1)))
D(LO
G(TA
))
D(LOG(C
D(-5)))
D(LOG(RC)) 1.00 D(LOG(PBI(-
2))) -0.16 1.00
D(LOG(TRP))
-0.18 0.06 1.00
D(LOG(DES(
-6))) 0.21 0.11 -0.05 1.00
D(LOG(X(-
3))) -0.18 -0.27 0.00 -0.05 1.00
D(LOG(EP)) -0.37 0.14 -0.02 0.19 -0.14 1.00
D(LOG(SP(-
1))) -0.22 0.06 -0.01 -0.03 0.05 0.05 1.00
D(LOG(LQ(-1)))
-0.16 -0.09 -0.13 -0.04 0.06 0.13 -0.13 1.00
D(LOG(TA)) -0.05 0.00 0.13 0.08 0.14 -0.19 0.03 0.00 1.00
D(LOG(CD(-
5))) 0.01 0.04 -0.08 -0.12 -0.06 -0.01 0.01 -0.09 -0.13 1.00
Fuente: BCRP, SBS e Investing.
Tenemos que 𝑅𝑦,𝑥𝑖.𝑥𝑗…𝑥𝑘 = 0.78. Al comparar con cada coeficiente de correlación de la matriz
se encuentra que ninguna supera al 0.78 por lo tanto no existe grado de multicolinealidad.
149
➢ Contraste de Autocorrelación
h0: Ausencia de Autocorrelación de orden K.
h1: Existencia de Autocorrelación de orden K.
Tabla 6.19: Test de Breush – Godfrey, autocorrelación de los residuos del modelo ARIMAX.
Test Rezago Obs*sqr 𝒙(𝟎.𝟗𝟓,𝜶)𝟐 Prob. Decisión
Breush -
Godfrey
1 0.010 3.84 0.91 Dado que 𝑥(0.95,1)2 > Obs*sqr no se
rechaza H0, no hay presencia de
autocorrelación de orden 1 en los residuos. 2 0.41 5.99 0.17 Dado que 𝑥(0.95,1)
2 > Obs*sqr no se
rechaza H0, no hay presencia de
autocorrelación de orden 2 en los residuos.
Fuente: BCRP, SBS e Investing.
Tabla 6.20: Test de Box Pierce, autocorrelación de los residuos del modelo ARIMAX.
Test Rezago BP 𝒙(𝟎.𝟗𝟓,𝑵−𝒌)𝟐 Prob. Decisión
Box
Pierce
1 0.0007 3.84 0.93 Dado que 𝑥(0.95,1)2 > BP no se rechaza H0, Por tanto,
no existe presencia de autocorrelación de orden 1 en
el modelo.
2 0.168 5.99 0.15 Dado que 𝑥(0.95,2)2 > BP no se rechaza H0, Por tanto, no
existe presencia de autocorrelación de orden 2 en
el modelo.
Fuente: BCRP, SBS e Investing.
➢ Contraste de Heterocedasticidad
h0: Ausencia de heterocedasticidad.
h1: Existencia de heterocedasticidad.
Tabla 6.21: Test de heterocedasticidad de los residuos del modelo ARIMAX.
Test Obs*Sqr 𝒙(𝟎.𝟗𝟓,𝟗)𝟐 Prob. Decisión
Breush -
Pagan
12.73 14.06 0.17 Dado que 𝒙(𝟎.𝟗𝟓,𝟗)𝟐 > Obs*sqr no se rechaza H0, por lo tanto se afirma
que el modelo no tiene presencia de Heterocedasticidad en los
residuos del modelo.
Harvey 9.37 14.06 0.40 Dado que 𝒙(𝟎.𝟗𝟓,𝟗)𝟐 > Obs*sqr no se rechaza H0, por lo tanto se
afirma que el modelo no tiene presencia de Heterocedasticidad en los
residuos del modelo.
Glejser 10.58 14.06 0.53 Dado que 𝒙(𝟎.𝟗𝟓,𝟗)𝟐 > Obs*sqr no se rechaza H0, por lo tanto se afirma
que el modelo no tiene presencia de Heterocedasticidad en los
residuos del modelo.
150
ARCH
(2)
5.70 14.06 0.057 Dado que 𝒙(𝟎.𝟗𝟓,𝟗)𝟐 > Obs*sqr no se rechaza H0, por lo tanto se afirma
que el modelo no tiene presencia de Heterocedasticidad en los
residuos del modelo.
Fuente: BCRP, SBS e Investing.
5. Validación del modelo ARIMAX
Gujarati (2010), afirma que si el modelo superase satisfactoriamente el proceso de validación estaría en
condiciones de utilizarlo en la predicción de valores futuros de la variable.
5.1. Análisis de los residuos
5.1.1. Test de Anderson y test de Pankrantz
h0: εt se comporta como ruido blanco.
h1: εt no se comporta como ruido blanco.
En el Eviews se obtiene para 20 retardos el correlograma de los residuos:
Tabla 6.22: Correlograma de los residuos del modelo ARIMAX.
Fuente: BCRP, SBS e Investing.
Included observations: 175
Q-statistic probabilities adjusted for 5 ARMA terms and 9 dynamic
regressors
Autocorrelation Partial Correlation AC PAC Q-Stat Prob*
1 0.002 0.002 0.0011
2 0.031 0.031 0.1716
3 0.073 0.073 1.1404
4 0.125 0.125 3.9751
5 -0.049 -0.053 4.4070
6 0.002 -0.012 4.4076 0.036
7 0.067 0.053 5.2365 0.073
8 0.062 0.057 5.9573 0.114
9 -0.053 -0.044 6.4797 0.166
10 0.050 0.037 6.9487 0.224
11 0.076 0.059 8.0483 0.235
12 -0.062 -0.068 8.7810 0.269
13 0.040 0.049 9.0843 0.335
14 0.050 0.029 9.5674 0.387
15 0.033 0.021 9.7798 0.460
16 -0.097 -0.085 11.601 0.394
17 0.033 0.012 11.808 0.461
18 -0.110 -0.134 14.212 0.359
19 -0.023 -0.012 14.322 0.426
20 0.008 0.048 14.334 0.500
151
Tabla 6.23: Test de Anderson y Pankratz para validar el modelo ARIMAX.
TEST HIPOTESIS RESULTADO CONCLUSIÓN
ANDERSON h0: εt se comporta como
ruido blanco.
h1: εt no se comporta como
ruido blanco.
1.96
√90= 0.1481 Anderson ninguno de los
coeficientes de correlación supera
a 1.96
√90= 0.148, por lo tanto los
residuos del modelo estimado son
ruido blanco.
PANKRATZ
PANKRATZ
1
h0: εt se comporta como
ruido blanco.
1.25
√90= 0.094
Los tres primero coeficientes de
autocorrelación estimados son
menores 1.25
√90= 0.094, por lo
tanto los residuos del modelo
estimado son ruido blanco.
PANKRATZ
2 h1: εt no se comporta como
ruido blanco.
1.60
√90= 0.129
El resto de coeficientes de
autocorrelación estimados son
menores a 1.60
√90= 0.129, por lo
tanto los residuos del modelo
estimado son ruido blanco.
Fuente: BCRP, SBS e Investing.
5.1.2. Homocedasticidad
Gráfico N° 6.2: Test de homocedasticidad de los residuos del modelo ARIMAX.
-.20
-.15
-.10
-.05
.00
.05
.10-.3
-.2
-.1
.0
.1
.2
.3
04 05 06 07 08 09 10 11 12 13 14 15 16 17 18
Residual Actual Fitted
Fuente: BCRP, SBS e Investing.
152
Observando el gráfico se puede concluir que los residuos son homocedástico, por lo tanto, se
comportan como ruido blanco, de los residuos estandarizados se concluye que no existe ninguna
observación atípica.
➢ Test de raíces unitarias
Gráfico N° 6.3: Test de raíces unitarias de los residuos del modelo ARIMAX.
-1.5
-1.0
-0.5
0.0
0.5
1.0
1.5
-1.5 -1.0 -0.5 0.0 0.5 1.0 1.5
AR roots
MA roots
Inverse Roots of AR/MA Polynomial(s)
Fuente: BCRP, SBS e Investing.
Ninguno de los AR y MA sale del círculo, se concluye que modelo es estable, pues sus residuos se
comportan como ruido blanco.
Tabla 6.24: Test de raíces unitarias de los residuos del modelo ARIMAX.
153
AR Root(s) Modulus Cycle
-0.495196 ± 0.858086i 0.990722 3.000276
0.476645 ± 0.854277i 0.978254 5.917098
-0.971557 0.971557
0.963411 0.963411
-0.460591 0.460591
0.157193 0.157193
No root lies outside the unit circle.
ARMA model is stationary.
MA Root(s) Modulus Cycle
0.992938 0.992938
-0.496469 ± 0.859909i 0.992938 3.000000
0.496469 ± 0.859909i 0.992938 6.000000
-0.992938 0.992938
No root lies outside the unit circle.
ARMA model is invertible.
Fuente: BCRP, SBS e Investing.
5.1.3. Cointegración de las variables y presencia de no relación espúreas
5.1.3.1. Test de raíz unitaria de los residuos
𝒉𝟎: 𝐴𝑢𝑠𝑒𝑛𝑐𝑖𝑎 𝑑𝑒 𝑟𝑒𝑙𝑎𝑐𝑖ó𝑛 𝑒𝑛 𝑒𝑙 𝑙𝑎𝑟𝑔𝑜 𝑝𝑙𝑎𝑧𝑜. 𝒉𝟏: 𝑃𝑟𝑒𝑠𝑒𝑛𝑐𝑖𝑎 𝑑𝑒 𝑟𝑒𝑙𝑎𝑐𝑖ó𝑛 𝑒𝑛 𝑒𝑙 𝑙𝑎𝑟𝑔𝑜 𝑝𝑙𝑎𝑧𝑜.
Tabla 6.25: Test de raíces unitarias de los residuos del modelo ARIMAX.
Lag Length: 0 (Automatic - based on SIC, maxlag=13)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -13.14023 0.0000
Test critical values: 1% level -3.468072
5% level -2.878015
10% level -2.575632
Fuente: BCRP, SBS e Investing.
Dado que Test Critical Values > DFA. Se acepta 𝒉𝟏, por lo tanto, los residuos no presentan Raíz
Unitaria, es decir son estacionarios por lo tanto se concluye que existe cointegración de largo plazo en
el modelo.
5.1.3.2. Test de Wald
154
𝒉𝟎: 𝐴𝑢𝑠𝑒𝑛𝑐𝑖𝑎 𝑑𝑒 𝑟𝑒𝑙𝑎𝑐𝑖ó𝑛 𝑒𝑛 𝑒𝑙 𝑙𝑎𝑟𝑔𝑜 𝑝𝑙𝑎𝑧𝑜. 𝒉𝟏: 𝑃𝑟𝑒𝑠𝑒𝑛𝑐𝑖𝑎 𝑑𝑒 𝑟𝑒𝑙𝑎𝑐𝑖ó𝑛 𝑒𝑛 𝑒𝑙 𝑙𝑎𝑟𝑔𝑜 𝑝𝑙𝑎𝑧𝑜.
Tabla 6.26: Test de Wald en el modelo ARIMAX.
Wald Test
Test Statistic Value df Valor F -
CHI
Probability
F-statistic 253.45 (1,160) 2.16 0.0000
Chi-square 253.45 1 5.99 0.0000
Fuente: BCRP, SBS e Investing.
No se rechaza H1, Se afirma que al 5% de nivel de significancia el Valor crítico es mayor al F de la
tabla (253.45 > 2.16), así como, el valor critico de Chi es mayor al valor Chi de la tabla (253.45>5.99)
por lo tanto se afirma que las variables del modelo cointegran en el largo plazo. Tales relaciones se
presentan en los gráficos a continuación.
5.1.4. Análisis de correlaciones
Tabla 6.27: Correlación entre las variables del modelo ARIMAX final.
Correlación D(LOG(RC)) D(LOG(PBI
(-2)))
D(LOG(
TRP))
D(LOG(DES(-
6)))
D(LOG(
X(-3)))
D(LOG(EP)
)
D(LOG(SP(
-1)))
D(LOG(LQ(
-1)))
D(LOG(TA)
)
D(LOG(C
D(-5)))
D(LOG(RC)) 1.00 D(LOG(PBI(-
2))) -0.16 1.00
D(LOG(TRP)) -0.18 0.06 1.00
D(LOG(DES(-6)))
0.21 0.11 -0.05 1.00
D(LOG(X(-
3))) -0.18 -0.27 0.00 -0.05 1.00
D(LOG(EP)) -0.37 0.14 -0.02 0.19 -0.14 1.00 D(LOG(SP(-
1))) -0.22 0.06 -0.01 -0.03 0.05 0.05 1.00
D(LOG(LQ(-
1))) -0.16 -0.09 -0.13 -0.04 0.06 0.13 -0.13 1.00
D(LOG(TA)) -0.05 0.00 0.13 0.08 0.14 -0.19 0.03 0.00 1.00
D(LOG(CD(-
5))) 0.01 0.04 -0.08 -0.12 -0.06 -0.01 0.01 -0.09 -0.13 1.00
Fuente: BCRP, SBS e Investing.
Gráfico N° 6.4: Correlación entre las variables del modelo ARIMAX final.
155
-.2
-.1
.0
.1
.2
-.3 -.2 -.1 .0 .1 .2 .3
D(LOG(RC))
D(L
OG
(PB
I(-2)
))
-.6
-.4
-.2
.0
.2
.4
-.3 -.2 -.1 .0 .1 .2 .3
D(LOG(RC))
D(L
OG
(TR
P))
-.6
-.4
-.2
.0
.2
.4
.6
-.3 -.2 -.1 .0 .1 .2 .3
D(LOG(RC))
D(L
OG
(DE
S(-6
)))
-.4
-.2
.0
.2
.4
-.3 -.2 -.1 .0 .1 .2 .3
D(LOG(RC))
D(L
OG
(X(-3
)))
-.10
-.05
.00
.05
.10
.15
-.3 -.2 -.1 .0 .1 .2 .3
D(LOG(RC))
D(L
OG
(EP
))
-3
-2
-1
0
1
-.3 -.2 -.1 .0 .1 .2 .3
D(LOG(RC))
D(L
OG
(SP
(-1)))
-.4
-.2
.0
.2
.4
.6
-.3 -.2 -.1 .0 .1 .2 .3
D(LOG(RC))
D(L
OG
(LQ
(-1)))
-.08
-.04
.00
.04
.08
-.3 -.2 -.1 .0 .1 .2 .3
D(LOG(RC))
D(L
OG
(TA
))
-.10
-.05
.00
.05
.10
-.3 -.2 -.1 .0 .1 .2 .3
D(LOG(RC))
D(L
OG
(CD
(-5)))
Fuente: BCRP, SBS e Investing.
5.1.5. Capacidad predictiva del modelo.
Tabla 6.28: Capacidad predictiva del modelo ARIMAX.
1
2
3
4
5
6
04 05 06 07 08 09 10 11 12 13 14 15 16 17 18
RCF ± 2 S.E.
Forecast: RCF
Actual: RC
Forecast sample: 2003M01 2018M12
Adjusted sample: 2004M06 2018M12
Included observations: 175
Root Mean Squared Error 0.067985
Mean Absolute Error 0.046575
Mean Abs. Percent Error 2.106767
Theil Inequality Coefficient 0.014159
Bias Proportion 0.000468
Variance Proportion 0.001887
Covariance Proportion 0.997644
Theil U2 Coefficient 0.610697
Symmetric MAPE 2.101032
Fuente: BCRP, SBS e Investing.
La capacidad de predicción que presenta el modelo es buena, dado que el índice Theil se acerca al
10%, además, los valores pronosticados se ajustan a los reales.
156
Por lo tanto, tras verificar el cumplimiento de las pruebas económicas, estadísticas y econométricas
incluyendo la capacidad predictiva del modelo, se puede pronosticar la evolución del riesgo de crédito
en sus diferentes escenarios.
Anexo 6.6: Predicción en escenario sin choques macroeconómicos.
➢ Supuestos:
En un escenario estable, tanto el PBI como las exportaciones crecerán a las tasas que se presentan por
el Ministerio de Economía y Finanzas (2019), en el Marco Macroeconómico Multianual 2020 – 2023;
para este período la economía peruana alcanzaría tasas de crecimiento en promedio de 4,0%, impulsada
principalmente por el fortalecimiento de la inversión privada y pública, y por el efecto de las medidas
de política económica orientadas a mejorar la productividad y competitividad del país. Con ello, Perú
continuará liderando el crecimiento en la región en 2020 y en los próximos años.
De acuerdo al MEF (2019), bajo supuesto que la economía continúe estable y no haya eventos que
generen shock, las exportaciones para crecerían a tasas de 3,5% en promedio durante el año 2020.
Tabla 6.29: Proyecciones macroeconómicas en el Marco Macroeconómico Multianual.
Estructura % Prom.
del PBI 2018 2018 2019 2020 2021-2023
I. Demanda interna 97.9 4.3 3.4 4.3 4.5
1. Gasto privado 82.6 4 3.5 4 4.3
a. Consumo privado 65 3.8 3.3 3.8 4
b. Inversión privada 17.6 4.4 4 4.8 5.3
2. Gasto público 16.4 3.4 2.6 5.3 4.3
a. Consumo público 11.5 2 2.6 3.8 3.6
b. Inversión pública 4.8 6.8 2.5 9 5.8
II. Demanda externa neta
1. Exportaciones 25 2.5 0.8 3.5 4.8
2. Importaciones 23 3.4 2.1 4.5 4.6
III. PBI 100 4 3 4 4.5
Fuente: Ministerio de Economía y Finanzas, 2019. Además, se plantea como supuesto que las demás variables tanto macroeconómicas como
microeconómicas evolucionaran en el año 2020 de acuerdo a su tendencia presentada. En el caso de las
exportaciones como el PBI su pronóstico al 2020 se realizó a través de las tasas propuestas por el MEF
157
en el MMM 2020 – 2023, mientras que el pronóstico para las demás variables en un escenario estable
se realizó a través del método de suavizamiento exponencial.
Gráfico N° 6.5: Proyección de variables macroeconómicas a través del método de suavizamiento
exponencial.
15,000
20,000
25,000
30,000
35,000
40,000
45,000
50,000
55,000
03 04 05 06 07 08 09 10 11 12 13 14 15 16 17 18 19 20
PBI01 PBISM
4
6
8
10
12
14
03 04 05 06 07 08 09 10 11 12 13 14 15 16 17 18 19 20
DES DESSM
0
1,000
2,000
3,000
4,000
5,000
6,000
7,000
03 04 05 06 07 08 09 10 11 12 13 14 15 16 17 18 19 20
X01 XSM
1
2
3
4
5
6
7
03 04 05 06 07 08 09 10 11 12 13 14 15 16 17 18 19 20
TRP TRPSM
0
20,000
40,000
60,000
80,000
100,000
120,000
140,000
03 04 05 06 07 08 09 10 11 12 13 14 15 16 17 18 19 20
EP EPSM
0
4,000
8,000
12,000
16,000
20,000
24,000
03 04 05 06 07 08 09 10 11 12 13 14 15 16 17 18 19 20
SP SPSM Fuente: BCRP, SBS e Investing.
Para el pronóstico en escenario normal de las variables microeconómicas, se realizan bajo el supuesto
que continúen con su tendencia, para ello se usa el método de suavizamiento exponencial con ello se
asegura que las variables continúen como su histórico. Los resultados se muestran en el gráfico
siguiente:
Gráfico N° 6.6: Proyección de variables microeconómicas a través del método de suavizamiento
exponencial.
158
10
20
30
40
50
60
70
03 04 05 06 07 08 09 10 11 12 13 14 15 16 17 18 19 20
LQ LQSM
12
14
16
18
20
22
24
26
28
03 04 05 06 07 08 09 10 11 12 13 14 15 16 17 18 19 20
TA TASM
0.4
0.6
0.8
1.0
1.2
1.4
1.6
1.8
03 04 05 06 07 08 09 10 11 12 13 14 15 16 17 18 19 20
CD CDSM
Fuente: BCRP, SBS e Investing.
Al realizar el pronóstico los resultados que arroja a cerca de los indicadores para determinar si la
predicción es o no buena, se presenta en el gráfico a continuación.
Tabla 6.30: Capacidad predictiva del modelo ARIMAX en escenario base.
1
2
3
4
5
6
04 05 06 07 08 09 10 11 12 13 14 15 16 17 18 19 20
RCF ± 2 S.E.
Forecast: RCF
Actual: RC
Forecast sample: 2003M01 2020M12
Adjusted sample: 2004M06 2020M12
Included observations: 199
Root Mean Squared Error 0.239291
Mean Absolute Error 0.196106
Mean Abs. Percent Error 8.647836
Theil Inequality Coefficient 0.051239
Bias Proportion 0.229650
Variance Proportion 0.106239
Covariance Proportion 0.664111
Theil U2 Coefficient 2.259303
Symmetric MAPE 8.985935
Fuente: BCRP, SBS e Investing.
La capacidad de predicción que presenta el modelo es buena, dado que el índice Theil se
encuentra debajo del 10%, en un escenario normal.
Los resultados sobre la predicción en el escenario normal se muestran en el gráfico N° 5.7.
Gráfico N° 6.7: Proyección en escenario normal.
159
1
2
3
4
5
6
7
8
9
2004 2006 2008 2010 2012 2014 2016 2018 2020
3.00
3.05
3.10
3.15
3.20
3.25
3.30
3.35
3.40
3.45
II III IV I II III IV
2019 2020
RIESGO DE CRÉDITO
RC - SIN CHOQUE MACROECONÓMICO
Fuente: BCRP, SBS e Investing.
Anexo 6.7: Vulnerabilidad del riesgo de crédito ante escenario con choque macroeconómico tipo
2017.
➢ Supuestos:
✓ En el año 2020 se presenta una situación similar a la ocurrida en el año 2017, tras la presencia del
fenómeno del niño en los primeros meses del año impactará sobre las principales variables
160
macroeconómicas, como son el PBI, el desempleo y las exportaciones. Además, se trabaja bajo el
supuesto de que las variables de aspecto microeconómico seguirán de acuerdo al choque.
✓ El Producto bruto Interno alcanza niveles y tasas de crecimiento menores a las mostradas, de tal
manera que no llega a alcanzar la meta propuesta por el MEF, el crecimiento en el año 2017 fue de
2,5% un resultado por debajo de la meta de 2,8%. Por lo tanto.
✓ Se asume que el PBI, la tasa de desempleo y las exportaciones alcanzaran tasas de crecimiento
similares a las que presentaron en el año 2017. Mientras que las demás variables seguirán una
tendencia normal.
✓ Para el año 2019 las variables presentan una tendencia normal, los valores que alcanzan se toman de
las fuentes que publican hasta el 2019. En el caso de las variables microeconómicas se trabaja bajo el
supuesto que seguirán con tendencia normal, para ello los valores en el 2020 se pronostican a través
del método de suavizamiento exponencial que mejor se ajusta a su histórico.
Al realizar el pronóstico los resultados que arroja a cerca de los indicadores para determinar si la
predicción es o no buena, se presenta en el gráfico a continuación:
Tabla 6.31: Capacidad predictiva del modelo ARIMAX en escenario con choque macroeconómico 1.
1
2
3
4
5
6
04 05 06 07 08 09 10 11 12 13 14 15 16 17 18 19 20
RCF ± 2 S.E.
Forecast: RCF
Actual: RC
Forecast sample: 2003M01 2020M12
Adjusted sample: 2004M06 2020M12
Included observations: 199
Root Mean Squared Error 0.249604
Mean Absolute Error 0.203847
Mean Abs. Percent Error 8.754311
Theil Inequality Coefficient 0.052649
Bias Proportion 0.261491
Variance Proportion 0.114815
Covariance Proportion 0.623693
Theil U2 Coefficient 2.300302
Symmetric MAPE 9.120472
Fuente: BCRP, SBS e Investing.
Los resultados de los pronósticos en el escenario con choque macroeconómico se muestran en los
gráficos y cuadros siguientes.
Gráfico N° 6.8: Proyección del riesgo de crédito en escenario con choque macroeconómico tipo 2017.
161
1
2
3
4
5
6
7
8
9
2004 2006 2008 2010 2012 2014 2016 2018 2020
3.0
3.1
3.2
3.3
3.4
3.5
II III IV I II III IV
2019 2020
RIESGO DE CRÉDITO
RIESGO DE CRÉDITO SIN CHOQUE MACROECONÓMICO
RC - ANTE CHOQUE MACROECONÓMICO 2017
Fuente: BCRP, SBS e Investing.
Anexo 6.8: Vulnerabilidad del riesgo de crédito ante escenario con choque macroeconómico tipo
2008, producto de la crisis financiera.
162
➢ Supuestos:
✓ En el año 2020 se presenta una situación similar a la ocurrida en el año 2008, por lo tanto,
se asume que el PBI, la tasa de desempleo y las exportaciones alcanzarán tasas de crecimiento
similares a las que presentaron en el año 2008, producto de la crisis financiera internacional.
Mientras que las demás variables seguirán una tendencia normal.
✓ Para el año 2019 las variables presentan una tendencia normal, los valores que alcanzan se toman
de las fuentes que publican hasta el 2019. En el caso de las variables microeconómicas se trabaja
bajo el supuesto que seguirán con tendencia normal, para ello los valores en el 2020 se pronostican
a través del método de suavizamiento exponencial que mejor se ajusta a su histórico.
Al realizar el pronóstico los resultados que arroja a cerca de los indicadores para determinar si la
predicción es o no buena, se presenta en el gráfico a continuación:
Tabla 6.32: Capacidad predictiva del modelo ARIMAX en escenario con choque macroeconómico 2.
1
2
3
4
5
6
04 05 06 07 08 09 10 11 12 13 14 15 16 17 18 19 20
RCF ± 2 S.E.
Forecast: RCF
Actual: RC
Forecast sample: 2003M01 2020M12
Adjusted sample: 2004M06 2020M12
Included observations: 199
Root Mean Squared Error 0.249604
Mean Absolute Error 0.203847
Mean Abs. Percent Error 8.754311
Theil Inequality Coefficient 0.052649
Bias Proportion 0.261491
Variance Proportion 0.114815
Covariance Proportion 0.623693
Theil U2 Coefficient 2.300302
Symmetric MAPE 9.120472
Fuente: BCRP, SBS e Investing.
Se afirma que el pronóstico en el segundo escenario es bueno, dado que el índice de Theil es menor al
10%.
Los resultados del pronóstico en un escenario adverso similar al año 2008 se presentan a continuación
en el gráfico.
163
Gráfico N° 6.9: Proyección del riesgo de crédito en escenario con choque macroeconómico tipo 2008.
1
2
3
4
5
6
7
8
9
2004 2006 2008 2010 2012 2014 2016 2018 2020
3.0
3.1
3.2
3.3
3.4
3.5
3.6
M10 M11 M12 M1 M2 M3 M4 M5 M6 M7 M8 M9 M10 M11 M12
2019 2020
RIESGO DE CRÉDITO
RIESGO DE CRÉDITO SIN CHOQUE MACROECONÓMICO
RC - CHOQUE MACROECONÓMICO 2008
Fuente: BCRP, SBS e Investing.
Anexo 6.9: Vulnerabilidad del riesgo de crédito ante escenario con choque macroeconómico con
COVID19.
164
➢ Supuestos
✓ En el año 2020 tras la presencia del COVID19 la economía peruana tiende a registrar
indicadores adversos, como el PBI, el desempleo y las exportaciones. Según las
proyecciones del BCRP (2020), en el caso del PBI, el aislamiento social en el segundo
trimestre, con un enfoque de reapertura gradual y sectorial de las actividades económicas
desde mayo para enfrentar la pandemia, conllevaría una significativa contracción de la
actividad de 12,5 por ciento en el 2020.
✓ En el caso de las exportaciones se proyecta que crecerán a una tasa de -18.9% en el año
2020; la tasa de interés de política monetaria ha registrado un nivel de 0.25% desde abril y
se proyecta hasta diciembre, en el caso del desempleo hasta mayo registro un nivel de
13.1% y se proyecta esta tendencia alcista por todo el 2020.
✓ Para el año 2019 las variables presentan una tendencia normal, los valores que alcanzan se toman
de las fuentes que publican hasta el 2019. En el caso de las variables microeconómicas se trabaja
bajo el supuesto que seguirán con tendencia normal, para ello los valores en el 2020 se pronostican
a través del método de suavizamiento exponencial que mejor se ajusta a su histórico.
Al realizar el pronóstico los resultados que arroja a cerca de los indicadores para determinar si la
predicción es o no buena, se presenta en el gráfico a continuación:
Tabla 6.33: Capacidad predictiva del modelo ARIMAX en escenario con COVID19.
2
3
4
5
6
7
8
9
10
III IV I II III IV
2019 2020
RCF ± 2 S.E.
Forecast: RCF
Actual: RC
Forecast sample: 2019M09 2020M12
Included observations: 16
Root Mean Squared Error 0.090101
Mean Absolute Error 0.079411
Mean Abs. Percent Error 2.433341
Theil Inequality Coefficient 0.013753
Bias Proportion 0.052306
Variance Proportion 0.762460
Covariance Proportion 0.185234
Theil U2 Coefficient 0.439258
Symmetric MAPE 2.436354
Fuente: BCRP, SBS e Investing.
Gráfico N° 6.10: Vulnerabilidad del riesgo de crédito ante choque COVID19.
165
1
2
3
4
5
6
7
8
2004 2006 2008 2010 2012 2014 2016 2018 2020
3.0
3.5
4.0
4.5
5.0
5.5
6.0
6.5
III IV I II III IV
2019 2020
RIESGO DE CRÉDITO
RC - ESCENARIO NORMAL
RC - COOVID19
Fuente: BCRP, SBS e Investing.
Gráfico N° 6.11: Proyección del riesgo de crédito en los cuatro escenarios propuestos.
166
1
2
3
4
5
6
7
8
2004 2006 2008 2010 2012 2014 2016 2018 2020
3.0
3.5
4.0
4.5
5.0
5.5
6.0
6.5
III IV I II III IV
2019 2020
Fuente: BCRP, SBS e Investing.
167
Anexo 6.10: matriz de correlación con rezagos.
➢ Correlación sin rezagos
Tabla 6.34: Matriz de correlación de las variables del modelo.
Covariance D(LOG(RC)) D(LOG(PBI)) D(LOG(TRP)) D(LOG(DES)) D(LOG(X)) D(LOG(EP)) D(LOG(SP)) D(LOG(LQ)) D(LOG(TA)) D(LOG(CD))
D(LOG(RC)) 0.002221
D(LOG(PBI)) -0.000694 0.002741
D(LOG(TRP)) -0.000587 6.24E-05 0.004784
D(LOG(DES)) 0.000978 -0.003159 -6.80E-05 0.024068
D(LOG(X)) -0.001732 0.003247 -9.12E-05 -0.005232 0.013232
D(LOG(EP)) -0.000693 0.001026 -5.88E-05 -0.001094 0.002228 0.001538
D(LOG(SP)) 0.001196 -0.000387 0.000127 -0.003201 -0.000174 -0.000284 0.050762
D(LOG(LQ)) 4.53E-05 -0.000851 -0.000983 0.000945 -0.000602 -0.000765 -0.002786 0.008322
D(LOG(TA)) -3.89E-05 -0.000282 0.000154 0.000590 -0.000210 -0.000127 1.42E-05 0.000242 0.000276
D(LOG(CD)) -0.000115 0.000176 3.07E-05 -0.000480 0.000254 0.000213 0.000521 -0.001368 -0.000109 0.000829
t-Statistic D(LOG(RC)) D(LOG(PBI)) D(LOG(TRP)) D(LOG(DES)) D(LOG(X)) D(LOG(EP)) D(LOG(SP)) D(LOG(LQ)) D(LOG(TA)) D(LOG(CD))
D(LOG(RC)) -----
D(LOG(PBI)) -3.940747 -----
D(LOG(TRP)) -2.461170 0.232035 -----
D(LOG(DES)) 1.815445 -5.679274 -0.085303 -----
D(LOG(X)) -4.536933 8.613512 -0.154254 -4.125472 -----
D(LOG(EP)) -5.441090 7.760390 -0.291832 -2.458003 7.638115 -----
D(LOG(SP)) 1.525669 -0.441435 0.109621 -1.237200 -0.090076 -0.432750 -----
D(LOG(LQ)) 0.141733 -2.436522 -2.121657 0.900501 -0.773137 -2.944786 -1.840445 -----
D(LOG(TA)) -0.668374 -4.605830 1.821395 3.165981 -1.489489 -2.672052 0.050900 2.173251 -----
D(LOG(CD)) -1.140319 1.577294 0.207441 -1.455551 1.033415 2.583663 1.084656 -8.207301 -3.153281 -----
Fuente: BCRP, SBS e Investing.
168
➢ Matriz de correlaciones con un rezago
Tabla 6.35: Matriz de correlación con un rezago de las variables del modelo.
Correlation D(LOG(RC)) D(LOG(PBI(... D(LOG(TRP(... D(LOG(DES(... D(LOG(X(-1))) D(LOG(EP(-... D(LOG(SP(-... D(LOG(LQ(-... D(LOG(TA(-1... D(LOG(CD(-...
D(LOG(RC)) 1.000000
D(LOG(PBI(-1))) 0.133854 1.000000
D(LOG(TRP(-1))) 0.005357 0.017380 1.000000
D(LOG(DES(-1))) -0.019574 -0.392482 -0.006340 1.000000
D(LOG(X(-1))) 0.107949 0.541336 -0.011467 -0.293289 1.000000
D(LOG(EP(-1))) 0.207322 0.492924 -0.021814 -0.181235 0.494811 1.000000
D(LOG(SP(-1))) -0.221799 -0.034775 0.008149 -0.091641 -0.006934 -0.033828 1.000000
D(LOG(LQ(-1))) -0.160139 -0.178301 -0.155785 0.066832 -0.057203 -0.213953 -0.135413 1.000000
D(LOG(TA(-1))) -0.060512 -0.330984 0.134240 0.229063 -0.110723 -0.199830 0.003310 0.159937 1.000000
D(LOG(CD(-1))) 0.080608 0.121941 0.015427 -0.107483 0.077270 0.193722 0.080914 -0.521528 -0.227234 1.000000
t-Statistic D(LOG(RC)) D(LOG(PBI(... D(LOG(TRP(... D(LOG(DES(... D(LOG(X(-1))) D(LOG(EP(-... D(LOG(SP(-... D(LOG(LQ(-... D(LOG(TA(-1... D(LOG(CD(-...
D(LOG(RC)) -----
D(LOG(PBI(-1))) 1.812151 -----
D(LOG(TRP(-1))) 0.071867 0.233208 -----
D(LOG(DES(-1))) -0.262664 -5.725077 -0.085068 -----
D(LOG(X(-1))) 1.456794 8.637879 -0.153850 -4.115879 -----
D(LOG(EP(-1))) 2.843294 7.600829 -0.292731 -2.472466 7.639341 -----
D(LOG(SP(-1))) -3.051760 -0.466837 0.109328 -1.234684 -0.093028 -0.454111 -----
D(LOG(LQ(-1))) -2.176575 -2.431109 -2.115907 0.898658 -0.768719 -2.938520 -1.833652 -----
D(LOG(TA(-1))) -0.813338 -4.705853 1.817470 3.157150 -1.494693 -2.736188 0.044408 2.173764 -----
D(LOG(CD(-1))) 1.084994 1.648314 0.207000 -1.450435 1.039789 2.649243 1.089143 -8.200594 -3.130565 -----
Fuente: BCRP, SBS e Investing.
169
➢ Matriz de correlaciones con 2 rezagos
Tabla 6.36: Matriz de correlación con dos rezagos de las variables del modelo. Balanced sample (listwise missing value deletion)
Correlation D(LOG(RC)) D(LOG(PBI(... D(LOG(TRP(... D(LOG(DES(... D(LOG(X(-2))) D(LOG(EP(-... D(LOG(SP(-... D(LOG(LQ(-... D(LOG(TA(-2... D(LOG(CD(-...
D(LOG(RC)) 1.000000
D(LOG(PBI(-2))) -0.166275 1.000000
D(LOG(TRP(-2))) -0.105512 0.017382 1.000000
D(LOG(DES(-2))) -0.022985 -0.395671 -0.006366 1.000000
D(LOG(X(-2))) -0.045103 0.541951 -0.011469 -0.292518 1.000000
D(LOG(EP(-2))) -0.207212 0.492775 -0.021817 -0.183481 0.495384 1.000000
D(LOG(SP(-2))) 0.018458 -0.033802 0.008163 -0.086858 -0.008286 -0.032897 1.000000
D(LOG(LQ(-2))) -0.022512 -0.177955 -0.155831 0.069291 -0.057782 -0.213638 -0.137136 1.000000
D(LOG(TA(-2))) 0.010254 -0.330670 0.134295 0.232618 -0.111438 -0.199461 0.001623 0.159356 1.000000
D(LOG(CD(-2))) -0.007912 0.121367 0.015439 -0.111499 0.078232 0.193241 0.083448 -0.521130 -0.226383 1.000000
t-Statistic D(LOG(RC)) D(LOG(PBI(... D(LOG(TRP(... D(LOG(DES(... D(LOG(X(-2))) D(LOG(EP(-... D(LOG(SP(-... D(LOG(LQ(-... D(LOG(TA(-2... D(LOG(CD(-...
D(LOG(RC)) -----
D(LOG(PBI(-2))) -2.256015 -----
D(LOG(TRP(-2))) -1.419576 0.232595 -----
D(LOG(DES(-2))) -0.307598 -5.764115 -0.085169 -----
D(LOG(X(-2))) -0.604046 8.627699 -0.153461 -4.092643 -----
D(LOG(EP(-2))) -2.833812 7.576668 -0.291958 -2.497204 7.629776 -----
D(LOG(SP(-2))) 0.246992 -0.452495 0.109217 -1.166494 -0.110869 -0.440365 -----
D(LOG(LQ(-2))) -0.301269 -2.419495 -2.110660 0.929281 -0.774367 -2.925837 -1.852258 -----
D(LOG(TA(-2))) 0.137193 -4.687766 1.813165 3.200001 -1.500290 -2.723335 0.021717 2.159641 -----
D(LOG(CD(-2))) -0.105853 1.635876 0.206583 -1.501116 1.049894 2.635056 1.120372 -8.169211 -3.109532 -----
Fuente: BCRP, SBS e Investing.
170
➢ Matriz de correlaciones con 3 rezagos
Tabla 6.37: Matriz de correlación con tres rezagos de las variables del modelo.
Correlation D(LOG(RC)) D(LOG(PBI(... D(LOG(TRP(... D(LOG(DES(... D(LOG(X(-3))) D(LOG(EP(-... D(LOG(SP(-... D(LOG(LQ(-... D(LOG(TA(-3... D(LOG(CD(-...
D(LOG(RC)) 1.000000
D(LOG(PBI(-3))) 0.052964 1.000000
D(LOG(TRP(-3))) -0.066359 0.017387 1.000000
D(LOG(DES(-3))) 0.110358 -0.397715 -0.006376 1.000000
D(LOG(X(-3))) -0.186650 0.541873 -0.011470 -0.293612 1.000000
D(LOG(EP(-3))) 0.040329 0.493437 -0.021821 -0.182762 0.495707 1.000000
D(LOG(SP(-3))) 0.076378 -0.037358 0.008239 -0.095431 -0.009885 -0.030667 1.000000
D(LOG(LQ(-3))) -0.071308 -0.178006 -0.155831 0.069396 -0.057786 -0.213674 -0.138419 1.000000
D(LOG(TA(-3))) -0.135513 -0.330161 0.134368 0.234955 -0.111138 -0.200221 0.006169 0.159445 1.000000
D(LOG(CD(-3))) -0.022267 0.121759 0.015441 -0.110869 0.078408 0.193024 0.086232 -0.521184 -0.227016 1.000000
t-Statistic D(LOG(RC)) D(LOG(PBI(... D(LOG(TRP(... D(LOG(DES(... D(LOG(X(-3))) D(LOG(EP(-... D(LOG(SP(-... D(LOG(LQ(-... D(LOG(TA(-3... D(LOG(CD(-...
D(LOG(RC)) -----
D(LOG(PBI(-3))) 0.707621 -----
D(LOG(TRP(-3))) -0.887290 0.232009 -----
D(LOG(DES(-3))) 1.481410 -5.783242 -0.085063 -----
D(LOG(X(-3))) -2.534766 8.601812 -0.153041 -4.097882 -----
D(LOG(EP(-3))) 0.538490 7.568885 -0.291192 -2.480115 7.615008 -----
D(LOG(SP(-3))) 1.021990 -0.498764 0.109925 -1.279043 -0.131893 -0.409345 -----
D(LOG(LQ(-3))) -0.953802 -2.413439 -2.104756 0.928093 -0.772256 -2.918168 -1.864694 -----
D(LOG(TA(-3))) -1.824807 -4.666576 1.809103 3.224969 -1.492009 -2.726487 0.082309 2.154834 -----
D(LOG(CD(-3))) -0.297151 1.636649 0.206027 -1.488359 1.049323 2.624614 1.154780 -8.147538 -3.109963 -----
Fuente: BCRP, SBS e Investing.
171
➢ Matriz de correlaciones con 4 rezagos
Tabla 6.38: Matriz de correlación con cuatro rezagos de las variables del modelo.
Correlation D(LOG(RC)) D(LOG(PBI(... D(LOG(TRP(... D(LOG(DES(... D(LOG(X(-4))) D(LOG(EP(-... D(LOG(SP(-... D(LOG(LQ(-... D(LOG(TA(-4... D(LOG(CD(-...
D(LOG(RC)) 1.000000
D(LOG(PBI(-4))) 0.003196 1.000000
D(LOG(TRP(-4))) -0.058842 0.017388 1.000000
D(LOG(DES(-4))) -0.006167 -0.397650 -0.006376 1.000000
D(LOG(X(-4))) 0.003250 0.542478 -0.011477 -0.294305 1.000000
D(LOG(EP(-4))) 0.058373 0.493708 -0.021825 -0.183101 0.495426 1.000000
D(LOG(SP(-4))) -0.019539 -0.036504 0.008350 -0.099150 -0.015600 -0.034304 1.000000
D(LOG(LQ(-4))) -0.141318 -0.177947 -0.155837 0.069278 -0.058117 -0.213893 -0.141742 1.000000
D(LOG(TA(-4))) -0.028929 -0.330664 0.134451 0.235638 -0.110085 -0.199699 0.012048 0.159856 1.000000
D(LOG(CD(-4))) 0.201418 0.121553 0.015450 -0.110446 0.079651 0.193837 0.093087 -0.521210 -0.228485 1.000000
t-Statistic D(LOG(RC)) D(LOG(PBI(... D(LOG(TRP(... D(LOG(DES(... D(LOG(X(-4))) D(LOG(EP(-... D(LOG(SP(-... D(LOG(LQ(-... D(LOG(TA(-4... D(LOG(CD(-...
D(LOG(RC)) -----
D(LOG(PBI(-4))) 0.042522 -----
D(LOG(TRP(-4))) -0.784205 0.231364 -----
D(LOG(DES(-4))) -0.082051 -5.765863 -0.084833 -----
D(LOG(X(-4))) 0.043234 8.591192 -0.152697 -4.096914 -----
D(LOG(EP(-4))) 0.777924 7.553070 -0.290428 -2.477889 7.587883 -----
D(LOG(SP(-4))) -0.259995 -0.485983 0.111100 -1.325641 -0.207569 -0.456649 -----
D(LOG(LQ(-4))) -1.899178 -2.405824 -2.098918 0.923903 -0.774499 -2.913083 -1.904987 -----
D(LOG(TA(-4))) -0.385035 -4.661412 1.805144 3.225796 -1.473548 -2.711436 0.160302 2.154452 -----
D(LOG(CD(-4))) 2.735765 1.629239 0.205568 -1.478436 1.063064 2.628695 1.243848 -8.125159 -3.122389 -----
Fuente: BCRP, SBS e Investing.
172
➢ Matriz de correlaciones con 5 𝑟𝑒𝑧𝑎𝑔𝑜𝑠 Tabla 6.39: Matriz de correlación con cinco rezagos de las variables del modelo.
Correlation D(LOG(RC)) D(LOG(PBI(... D(LOG(TRP(... D(LOG(DES(... D(LOG(X(-5))) D(LOG(EP(-... D(LOG(SP(-... D(LOG(LQ(-... D(LOG(TA(-5... D(LOG(CD(-...
D(LOG(RC)) 1.000000
D(LOG(PBI(-5))) 0.069197 1.000000
D(LOG(TRP(-5))) -0.011340 0.017388 1.000000
D(LOG(DES(-5))) -0.132846 -0.397595 -0.006377 1.000000
D(LOG(X(-5))) -0.010237 0.542441 -0.011478 -0.294188 1.000000
D(LOG(EP(-5))) -0.194542 0.493776 -0.021839 -0.182741 0.495351 1.000000
D(LOG(SP(-5))) 0.357037 -0.036486 0.008351 -0.099195 -0.015570 -0.034231 1.000000
D(LOG(LQ(-5))) -0.046023 -0.177894 -0.155842 0.069171 -0.058020 -0.213734 -0.141770 1.000000
D(LOG(TA(-5))) -0.140518 -0.330837 0.134710 0.235269 -0.109552 -0.197936 0.011910 0.159643 1.000000
D(LOG(CD(-5))) -0.012841 0.121332 0.015467 -0.109937 0.079173 0.192449 0.093314 -0.521408 -0.226249 1.000000
t-Statistic D(LOG(RC)) D(LOG(PBI(... D(LOG(TRP(... D(LOG(DES(... D(LOG(X(-5))) D(LOG(EP(-... D(LOG(SP(-... D(LOG(LQ(-... D(LOG(TA(-5... D(LOG(CD(-...
D(LOG(RC)) -----
D(LOG(PBI(-5))) 0.920214 -----
D(LOG(TRP(-5))) -0.150453 0.230716 -----
D(LOG(DES(-5))) -1.778158 -5.748603 -0.084601 -----
D(LOG(X(-5))) -0.135816 8.566066 -0.152277 -4.083559 -----
D(LOG(EP(-5))) -2.631160 7.533071 -0.289802 -2.465860 7.564905 -----
D(LOG(SP(-5))) 5.070852 -0.484361 0.110786 -1.322494 -0.206580 -0.454398 -----
D(LOG(LQ(-5))) -0.611218 -2.398279 -2.093057 0.919866 -0.771021 -2.902568 -1.899976 -----
D(LOG(TA(-5))) -1.882860 -4.650961 1.803568 3.211339 -1.462179 -2.678916 0.158019 2.145416 -----
D(LOG(CD(-5))) -0.170371 1.621636 0.205214 -1.467379 1.053656 2.601758 1.243372 -8.106410 -3.081439 -----
Fuente: BCRP, SBS e Investing.
➢ Matriz de correlaciones con 6 rezagos
173
Tabla 6.40: Matriz de correlación con seis rezagos de las variables del modelo.
Correlation D(LOG(RC)) D(LOG(PBI(... D(LOG(TRP(... D(LOG(DES(... D(LOG(X(-6))) D(LOG(EP(-... D(LOG(SP(-... D(LOG(LQ(-... D(LOG(TA(-6... D(LOG(CD(-...
D(LOG(RC)) 1.000000
D(LOG(PBI(-6))) -0.169970 1.000000
D(LOG(TRP(-6))) -0.092634 0.017388 1.000000
D(LOG(DES(-6))) 0.224951 -0.397867 -0.006380 1.000000
D(LOG(X(-6))) -0.279001 0.544080 -0.011508 -0.292914 1.000000
D(LOG(EP(-6))) -0.044036 0.493889 -0.021848 -0.183742 0.498876 1.000000
D(LOG(SP(-6))) -0.312627 -0.036374 0.008400 -0.096557 -0.023555 -0.031396 1.000000
D(LOG(LQ(-6))) -0.043196 -0.177967 -0.156038 0.070797 -0.061870 -0.212678 -0.148218 1.000000
D(LOG(TA(-6))) -0.068013 -0.330842 0.134710 0.235344 -0.109764 -0.198043 0.012093 0.159895 1.000000
D(LOG(CD(-6))) 0.096995 0.121341 0.015467 -0.109910 0.079194 0.192598 0.093583 -0.522193 -0.226247 1.000000
SSCP D(LOG(RC)) D(LOG(PBI(... D(LOG(TRP(... D(LOG(DES(... D(LOG(X(-6))) D(LOG(EP(-... D(LOG(SP(-... D(LOG(LQ(-... D(LOG(TA(-6... D(LOG(CD(-...
D(LOG(RC)) 0.375223
D(LOG(PBI(-6))) -0.073128 0.493321
D(LOG(TRP(-6))) -0.053094 0.011428 0.875525
D(LOG(DES(-6))) 0.287404 -0.582858 -0.012451 4.350304
D(LOG(X(-6))) -0.264954 0.592444 -0.016693 -0.947151 2.403475
D(LOG(EP(-6))) -0.014207 0.182697 -0.010767 -0.201839 0.407333 0.277379
D(LOG(SP(-6))) -0.566176 -0.075532 0.023237 -0.595420 -0.107963 -0.048887 8.740992
D(LOG(LQ(-6))) -0.032598 -0.153994 -0.179873 0.181918 -0.118168 -0.137994 -0.539861 1.517751
D(LOG(TA(-6))) -0.009326 -0.052016 0.028215 0.109878 -0.038091 -0.023348 0.008003 0.044094 0.050107
D(LOG(CD(-6))) 0.023065 0.033085 0.005618 -0.088994 0.047663 0.039378 0.107409 -0.249744 -0.019661 0.150705
Fuente: BCRP, SBS e Investing.
174
➢ Matriz de correlaciones con 7 rezagos
Tabla 6.41: Matriz de correlación con siete rezagos de las variables del modelo.
Correlation D(LOG(RC)) D(LOG(PBI(... D(LOG(TRP(... D(LOG(DES(... D(LOG(X(-7))) D(LOG(EP(-... D(LOG(SP(-... D(LOG(LQ(-... D(LOG(TA(-7... D(LOG(CD(-...
D(LOG(RC)) 1.000000
D(LOG(PBI(-7))) -0.055954 1.000000
D(LOG(TRP(-7))) -0.047510 0.017444 1.000000
D(LOG(DES(-7))) 0.004557 -0.404507 -0.006391 1.000000
D(LOG(X(-7))) 0.105702 0.549163 -0.011515 -0.291441 1.000000
D(LOG(EP(-7))) 0.049434 0.495215 -0.021848 -0.184243 0.499340 1.000000
D(LOG(SP(-7))) -0.050377 -0.032345 0.008411 -0.093780 -0.025554 -0.031274 1.000000
D(LOG(LQ(-7))) 0.005660 -0.179607 -0.156052 0.070150 -0.061427 -0.212739 -0.147741 1.000000
D(LOG(TA(-7))) 0.075301 -0.330376 0.134736 0.236958 -0.110599 -0.198021 0.011070 0.160203 1.000000
D(LOG(CD(-7))) 0.065035 0.121775 0.015467 -0.110064 0.079227 0.192601 0.093681 -0.522231 -0.226304 1.000000
t-Statistic D(LOG(RC)) D(LOG(PBI(... D(LOG(TRP(... D(LOG(DES(... D(LOG(X(-7))) D(LOG(EP(-... D(LOG(SP(-... D(LOG(LQ(-... D(LOG(TA(-7... D(LOG(CD(-...
D(LOG(RC)) -----
D(LOG(PBI(-7))) -0.739238 -----
D(LOG(TRP(-7))) -0.627404 0.230135 -----
D(LOG(DES(-7))) 0.060110 -5.834455 -0.084301 -----
D(LOG(X(-7))) 1.402158 8.667979 -0.151910 -4.018827 -----
D(LOG(EP(-7))) 0.652881 7.519049 -0.288266 -2.472662 7.602384 -----
D(LOG(SP(-7))) -0.665369 -0.426882 0.110954 -1.242518 -0.337185 -0.412733 -----
D(LOG(LQ(-7))) 0.074659 -2.408342 -2.083993 0.927628 -0.811807 -2.871965 -1.970464 -----
D(LOG(TA(-7))) 0.996120 -4.617220 1.793652 3.217327 -1.467908 -2.664841 0.146033 2.140874 -----
D(LOG(CD(-7))) 0.859694 1.618368 0.204046 -1.460722 1.048371 2.589052 1.241192 -8.077700 -3.064659 -----
Fuente: BCRP, SBS e Investing.
175
➢ Matriz de correlación con 8 rezagos
Tabla 6.42: Matriz de correlación con ocho rezagos de las variables del modelo.
Correlation D(LOG(RC)) D(LOG(PBI(... D(LOG(TRP(... D(LOG(DES(... D(LOG(X(-8))) D(LOG(EP(-... D(LOG(SP(-... D(LOG(LQ(-... D(LOG(TA(-8... D(LOG(CD(-...
D(LOG(RC)) 1.000000
D(LOG(PBI(-8))) 0.107751 1.000000
D(LOG(TRP(-8))) -0.083239 0.017457 1.000000
D(LOG(DES(-8))) -0.213145 -0.405624 -0.006392 1.000000
D(LOG(X(-8))) 0.099081 0.548201 -0.011539 -0.293306 1.000000
D(LOG(EP(-8))) -0.025724 0.496610 -0.021854 -0.183897 0.501965 1.000000
D(LOG(SP(-8))) -0.046079 -0.032546 0.008411 -0.093882 -0.025896 -0.031180 1.000000
D(LOG(LQ(-8))) 0.016137 -0.177118 -0.156585 0.071958 -0.056434 -0.215400 -0.147876 1.000000
D(LOG(TA(-8))) -0.090128 -0.328594 0.135135 0.239147 -0.106200 -0.200403 0.011449 0.154857 1.000000
D(LOG(CD(-8))) -0.089613 0.123337 0.015477 -0.109485 0.081730 0.191966 0.093900 -0.527289 -0.229851 1.000000
t-Statistic D(LOG(RC)) D(LOG(PBI(... D(LOG(TRP(... D(LOG(DES(... D(LOG(X(-8))) D(LOG(EP(-... D(LOG(SP(-... D(LOG(LQ(-... D(LOG(TA(-8... D(LOG(CD(-...
D(LOG(RC)) -----
D(LOG(PBI(-8))) 1.425542 -----
D(LOG(TRP(-8))) -1.098656 0.229648 -----
D(LOG(DES(-8))) -2.869420 -5.836894 -0.084074 -----
D(LOG(X(-8))) 1.309654 8.621375 -0.151786 -4.035320 -----
D(LOG(EP(-8))) -0.338457 7.525441 -0.287510 -2.460748 7.633720 -----
D(LOG(SP(-8))) -0.606723 -0.428302 0.110636 -1.240302 -0.340726 -0.410313 -----
D(LOG(LQ(-8))) 0.212274 -2.367051 -2.085281 0.948919 -0.743456 -2.901244 -1.966627 -----
D(LOG(TA(-8))) -1.190295 -4.576079 1.793875 3.239487 -1.404793 -2.690469 0.150593 2.061695 -----
D(LOG(CD(-8))) -1.183440 1.634724 0.203587 -1.448764 1.078598 2.572762 1.240549 -8.162317 -3.106384 -----
Fuente: BCRP, SBS e Investing.
176
➢ Matriz de correlaciones con 9 rezagos
Tabla 6.43: Matriz de correlación con nueve rezagos de las variables del modelo.
Correlation D(LOG(RC)) D(LOG(PBI(... D(LOG(TRP(... D(LOG(DES(... D(LOG(X(-9))) D(LOG(EP(-... D(LOG(SP(-... D(LOG(LQ(-... D(LOG(TA(-9... D(LOG(CD(-...
D(LOG(RC)) 1.000000
D(LOG(PBI(-9))) -0.211719 1.000000
D(LOG(TRP(-9))) -0.054843 0.017489 1.000000
D(LOG(DES(-9))) 0.142833 -0.403890 -0.006400 1.000000
D(LOG(X(-9))) -0.285079 0.554593 -0.011566 -0.297707 1.000000
D(LOG(EP(-9))) -0.080095 0.500105 -0.021869 -0.186083 0.500933 1.000000
D(LOG(SP(-9))) -0.058555 -0.035785 0.008423 -0.091563 -0.022430 -0.029298 1.000000
D(LOG(LQ(-9))) -0.079443 -0.172389 -0.157335 0.067574 -0.063537 -0.220243 -0.143681 1.000000
D(LOG(TA(-9))) -0.060268 -0.323920 0.138624 0.234378 -0.124837 -0.214265 0.023674 0.137205 1.000000
D(LOG(CD(-9))) 0.105819 0.122686 0.015478 -0.108905 0.082938 0.192671 0.093270 -0.528427 -0.232438 1.000000
t-Statistic D(LOG(RC)) D(LOG(PBI(... D(LOG(TRP(... D(LOG(DES(... D(LOG(X(-9))) D(LOG(EP(-... D(LOG(SP(-... D(LOG(LQ(-... D(LOG(TA(-9... D(LOG(CD(-...
D(LOG(RC)) -----
D(LOG(PBI(-9))) -2.841075 -----
D(LOG(TRP(-9))) -0.720345 0.229399 -----
D(LOG(DES(-9))) 1.892645 -5.790261 -0.083931 -----
D(LOG(X(-9))) -3.900639 8.740809 -0.151701 -4.089831 -----
D(LOG(EP(-9))) -1.053828 7.574001 -0.286878 -2.483836 7.590741 -----
D(LOG(SP(-9))) -0.769266 -0.469619 0.110465 -1.205897 -0.294237 -0.384410 -----
D(LOG(LQ(-9))) -1.045189 -2.295229 -2.089456 0.888256 -0.834973 -2.961171 -1.904119 -----
D(LOG(TA(-9))) -0.791849 -4.490259 1.835760 3.161911 -1.650126 -2.876867 0.310567 1.816605 -----
D(LOG(CD(-9))) 1.395633 1.621255 0.203020 -1.436815 1.091486 2.575110 1.228576 -8.163049 -3.134236 -----
Fuente: BCRP, SBS e Investing.
177
➢ Matriz de correlación con 10 rezagos
Tabla 6.44: Matriz de correlación con diez rezagos de las variables del modelo.
Correlation D(LOG(RC)) D(LOG(PBI(... D(LOG(TRP(... D(LOG(DES(... D(LOG(X(-10... D(LOG(EP(-... D(LOG(SP(-... D(LOG(LQ(-... D(LOG(TA(-... D(LOG(CD(-...
D(LOG(RC)) 1.000000
D(LOG(PBI(-10))) 0.254445 1.000000
D(LOG(TRP(-10))) -0.000982 0.025535 1.000000
D(LOG(DES(-10))) -0.051371 -0.398769 -0.016126 1.000000
D(LOG(X(-10))) 0.199798 0.551581 -0.004140 -0.291971 1.000000
D(LOG(EP(-10))) 0.085878 0.502702 -0.022849 -0.188052 0.503321 1.000000
D(LOG(SP(-10))) -0.114532 -0.044337 0.017657 -0.082401 -0.030452 -0.028518 1.000000
D(LOG(LQ(-10))) -0.103379 -0.171568 -0.159668 0.066158 -0.062363 -0.220449 -0.142697 1.000000
D(LOG(TA(-10))) 0.003767 -0.315511 0.125599 0.221731 -0.113644 -0.218764 0.040324 0.136231 1.000000
D(LOG(CD(-10))) 0.042487 0.119785 0.019375 -0.105370 0.080005 0.193224 0.089809 -0.528240 -0.229051 1.000000
t-Statistic D(LOG(RC)) D(LOG(PBI(... D(LOG(TRP(... D(LOG(DES(... D(LOG(X(-10... D(LOG(EP(-... D(LOG(SP(-... D(LOG(LQ(-... D(LOG(TA(-... D(LOG(CD(-...
D(LOG(RC)) -----
D(LOG(PBI(-10))) 3.440536 -----
D(LOG(TRP(-10))) -0.012842 0.334028 -----
D(LOG(DES(-10))) -0.672651 -5.686241 -0.210899 -----
D(LOG(X(-10))) 2.666455 8.647254 -0.054133 -3.991963 -----
D(LOG(EP(-10))) 1.127163 7.604388 -0.298865 -2.503763 7.616929 -----
D(LOG(SP(-10))) -1.507617 -0.580355 0.230935 -1.081206 -0.398402 -0.373069 -----
D(LOG(LQ(-10))) -1.359137 -2.277312 -2.115064 0.867029 -0.817097 -2.955451 -1.885294 -----
D(LOG(TA(-10))) 0.049261 -4.347933 1.655533 2.973520 -1.495779 -2.931720 0.527735 1.798212 -----
D(LOG(CD(-10))) 0.556095 1.577747 0.253412 -1.385603 1.049567 2.575262 1.179169 -8.135283 -3.077037 -----
Fuente: BCRP, SBS e Investing.
178
➢ Matriz de correlación con 11 rezagos
Tabla 6.45: Matriz de correlación con once rezagos de las variables del modelo.
Correlation D(LOG(RC)) D(LOG(PBI(... D(LOG(TRP(... D(LOG(DES(... D(LOG(X(-11... D(LOG(EP(-... D(LOG(SP(-... D(LOG(LQ(-... D(LOG(TA(-... D(LOG(CD(-...
D(LOG(RC)) 1.000000
D(LOG(PBI(-11))) 0.097876 1.000000
D(LOG(TRP(-11))) -0.046932 0.025532 1.000000
D(LOG(DES(-11))) -0.247720 -0.398781 -0.016122 1.000000
D(LOG(X(-11))) 0.144470 0.550837 -0.004193 -0.292297 1.000000
D(LOG(EP(-11))) -0.058124 0.502243 -0.022872 -0.187937 0.502901 1.000000
D(LOG(SP(-11))) -0.057096 -0.053914 0.018015 -0.083027 -0.049401 -0.035715 1.000000
D(LOG(LQ(-11))) -0.022355 -0.170266 -0.159804 0.065914 -0.059186 -0.219536 -0.136182 1.000000
D(LOG(TA(-11))) -0.160150 -0.317801 0.125722 0.222338 -0.117827 -0.220425 0.029978 0.138713 1.000000
D(LOG(CD(-11))) 0.018810 0.119613 0.019372 -0.105326 0.079700 0.193108 0.090612 -0.528467 -0.229673 1.000000
t-Statistic D(LOG(RC)) D(LOG(PBI(... D(LOG(TRP(... D(LOG(DES(... D(LOG(X(-11... D(LOG(EP(-... D(LOG(SP(-... D(LOG(LQ(-... D(LOG(TA(-... D(LOG(CD(-...
D(LOG(RC)) -----
D(LOG(PBI(-11))) 1.282304 -----
D(LOG(TRP(-11))) -0.612592 0.333008 -----
D(LOG(DES(-11))) -3.333787 -5.669800 -0.210237 -----
D(LOG(X(-11))) 1.903630 8.605231 -0.054670 -3.985124 -----
D(LOG(EP(-11))) -0.759131 7.572863 -0.298291 -2.494851 7.586138 -----
D(LOG(SP(-11))) -0.745662 -0.703981 0.234925 -1.086292 -0.644892 -0.465966 -----
D(LOG(LQ(-11))) -0.291549 -2.252892 -2.110716 0.861292 -0.773050 -2.933973 -1.792290 -----
D(LOG(TA(-11))) -2.115400 -4.370172 1.652322 2.973352 -1.547055 -2.946455 0.391047 1.826256 -----
D(LOG(CD(-11))) 0.245293 1.570838 0.252626 -1.380963 1.042483 2.566123 1.186320 -8.116296 -3.076817 -----
Fuente: BCRP, SBS e Investing.
179
➢ Matriz de correlación con 12 rezagos
Tabla 6.46: Matriz de correlación con doce rezagos de las variables del modelo.
Correlation D(LOG(RC)) D(LOG(PBI(... D(LOG(TRP(... D(LOG(DES(... D(LOG(X(-12... D(LOG(EP(-... D(LOG(SP(-... D(LOG(LQ(-... D(LOG(TA(-... D(LOG(CD(-...
D(LOG(RC)) 1.000000
D(LOG(PBI(-12))) -0.235483 1.000000
D(LOG(TRP(-12))) 0.014804 0.006806 1.000000
D(LOG(DES(-12))) 0.204735 -0.387172 -0.007026 1.000000
D(LOG(X(-12))) -0.376994 0.548100 -0.011308 -0.286265 1.000000
D(LOG(EP(-12))) -0.326692 0.498834 -0.029784 -0.181316 0.499764 1.000000
D(LOG(SP(-12))) -0.025272 0.002005 0.041741 -0.114488 -0.029726 -0.016513 1.000000
D(LOG(LQ(-12))) 0.026074 -0.171516 -0.159267 0.064881 -0.058307 -0.219186 -0.144394 1.000000
D(LOG(TA(-12))) 0.113000 -0.317861 0.129389 0.219934 -0.115383 -0.218454 0.021572 0.138340 1.000000
D(LOG(CD(-12))) -0.125660 0.108843 0.014047 -0.099489 0.075036 0.189218 0.110443 -0.528714 -0.228035 1.000000
t-Statistic D(LOG(RC)) D(LOG(PBI(... D(LOG(TRP(... D(LOG(DES(... D(LOG(X(-12... D(LOG(EP(-... D(LOG(SP(-... D(LOG(LQ(-... D(LOG(TA(-... D(LOG(CD(-...
D(LOG(RC)) -----
D(LOG(PBI(-12))) -3.149860 -----
D(LOG(TRP(-12))) 0.192469 0.088484 -----
D(LOG(DES(-12))) 2.719151 -5.459005 -0.091343 -----
D(LOG(X(-12))) -5.291340 8.518888 -0.147020 -3.883987 -----
D(LOG(EP(-12))) -4.493551 7.482252 -0.387362 -2.396831 7.500826 -----
D(LOG(SP(-12))) -0.328645 0.026070 0.543105 -1.498192 -0.386611 -0.214700 -----
D(LOG(LQ(-12))) 0.339076 -2.263252 -2.097246 0.845238 -0.759283 -2.920427 -1.897007 -----
D(LOG(TA(-12))) 1.478469 -4.358230 1.696312 2.930911 -1.510063 -2.910197 0.280496 1.815878 -----
D(LOG(CD(-12))) -1.646626 1.423422 0.182627 -1.299808 0.978221 2.505094 1.444596 -8.097650 -3.044674 -----
Fuente: BCRP, SBS e Investing.
180
Anexo 6.11: Data del estudio.
Tabla 6.47: Data del estudio.
Morosidad
PBI
MENSUAL
Tasa de
Referencia
de la
Política
Monetaria
Tasa de
Desempleo
Exportaciones
valores FOB
(millones
US$)
Emisión
primaria
S&P
Lima
General
Ratio de
Liquidez
MN
Activas -
TAMN
Creditos
/despositos
(%) (Millones
de soles) (%) (%)
(millones
S/)
(Punto
Indice
(Promedio
de saldos
del mes)
(términos
efectivos
anuales) (%)
Ene03 7.95 19507.23 n.d. 9.92 697.22 7544.83 1517.40 25.31 20.29 0.56
Feb03 7.90 18936.33 n.d. 9.56 689.90 7666.62 1556.31 24.86 19.95 0.58
Mar03 7.71 19805.71 n.d. 10.60 643.80 7947.24 1558.90 26.56 20.32 0.58
Abr03 7.82 21490.75 n.d. 9.42 643.28 7979.44 1768.56 25.79 20.04 0.61
May03 7.72 22171.41 n.d. 9.30 763.76 7980.13 1808.34 26.18 19.79 0.60
Jun03 7.73 21540.32 n.d. 9.10 813.75 8000.06 1824.88 26.49 20.70 0.60
Jul03 7.96 21101.61 n.d. 8.22 794.14 8563.19 1850.17 29.37 21.07 0.58
Ago03 7.66 19770.88 n.d. 10.51 768.36 8195.80 1896.82 31.30 21.57 0.58
Sep03 7.58 19679.19 2.75 8.21 787.62 8222.29 2109.18 32.99 21.99 0.57
Oct03 7.18 20673.19 2.75 9.06 800.63 8298.78 2151.18 35.69 21.91 0.57
Nov03 6.81 20133.34 2.50 9.41 769.40 8456.98 2435.04 34.18 22.28 0.59
Dic03 5.80 20782.64 2.50 9.74 918.87 9311.63 2730.00 32.85 22.28 0.57
Ene04 5.98 20224.12 2.50 11.12 880.17 8978.16 2748.11 39.81 23.68 0.56
Feb04 5.79 19740.36 2.50 10.58 903.99 9278.92 3035.72 40.78 24.11 0.56
Mar04 5.75 20949.34 2.50 10.22 1010.53 9846.02 2827.34 41.13 24.53 0.57
Abr04 5.69 22403.68 2.50 10.69 891.68 9827.17 2926.83 42.32 24.23 0.59
May04 5.50 23047.35 2.50 9.09 988.84 9925.83 2885.90 40.20 24.39 0.57
Jun04 5.10 22188.68 2.50 8.61 993.57 9954.96 2825.45 39.53 25.06 0.57
Jul04 5.06 21874.13 2.50 8.08 1140.18 10387.59 2850.68 39.74 25.02 0.58
Ago04 4.93 20650.74 2.75 9.46 1155.98 10191.52 3545.37 41.11 25.12 0.57
Sep04 4.59 20620.89 2.75 9.14 1148.52 10251.38 3616.72 44.31 25.08 0.57
Oct04 4.47 21214.95 3.00 9.18 1192.14 10849.62 3710.39 44.61 24.95 0.57
Nov04 4.14 22037.39 3.00 8.27 1106.47 11065.26 3881.96 44.45 24.58 0.56
Dic04 3.71 22818.17 3.00 8.77 1397.08 12419.63 4078.26 44.76 25.36 0.57
Ene05 3.78 21307.32 3.00 13.00 1264.05 11906.17 4159.85 49.36 26.28 0.55
Feb05 3.76 21348.69 3.00 10.57 1137.00 12195.49 3986.29 52.66 26.21 0.54
Mar05 3.59 21684.89 3.00 10.40 1347.49 12343.03 3925.34 52.75 26.24 0.52
Abr05 3.44 23197.31 3.00 9.66 1257.79 12619.20 4038.07 47.73 25.95 0.55
May05 3.30 24547.48 3.00 10.25 1354.78 12563.01 4210.83 46.80 25.74 0.54
Jun05 3.00 23565.58 3.00 9.06 1421.94 12749.94 4611.76 49.60 25.99 0.53
Jul05 2.93 23251.43 3.00 8.55 1558.41 13808.24 4764.35 49.84 25.98 0.55
Ago05 2.90 22109.30 3.00 10.02 1491.79 13397.82 5034.30 51.07 25.70 0.56
Sep05 2.68 21869.10 3.00 9.31 1505.15 13536.74 4802.25 53.49 25.59 0.57
Oct05 2.59 22592.36 3.00 7.90 1468.87 13736.52 5633.51 50.91 24.61 0.60
Nov05 2.51 24108.88 3.00 8.61 1546.31 13882.06 6080.68 49.89 24.49 0.62
181
Dic05 2.14 24388.83 3.25 7.59 2014.10 15488.87 5920.50 38.58 23.63 0.68
Ene06 2.26 22820.50 3.50 10.42 1430.56 14369.81 7142.92 30.72 24.14 0.70
Feb06 2.29 22545.96 3.75 8.90 1448.15 14644.63 7211.67 29.79 24.08 0.71
Mar06 2.10 24304.31 4.00 7.74 1745.91 14891.66 8155.80 28.14 24.28 0.71
Abr06 2.10 24450.65 4.25 9.47 1821.84 14579.17 8973.69 19.68 24.26 0.76
May06 2.08 26044.83 4.50 9.34 1944.42 14588.39 10011.95 21.44 24.38 0.74
Jun06 2.00 25328.45 4.50 8.02 2043.00 15087.17 10694.54 20.03 24.34 0.75
Jul06 2.03 24765.98 4.50 8.21 2363.31 15600.94 11482.41 19.81 24.14 0.77
Ago06 1.93 24391.18 4.50 9.08 2018.64 15313.52 12884.20 31.24 24.05 0.74
Sep06 1.86 23649.11 4.50 8.17 2168.10 15527.06 13633.78 34.34 23.89 0.76
Oct06 1.87 24558.34 4.50 7.16 2070.54 15887.16 15150.74 36.09 23.42 0.78
Nov06 1.81 25252.40 4.50 8.51 2191.35 16138.66 17157.05 42.69 23.14 0.78
Dic06 1.63 26486.13 4.50 7.48 2584.32 18975.45 20674.78 43.08 23.08 0.77
Ene07 1.67 23963.36 4.50 11.55 1747.48 17720.11 20129.50 48.53 23.75 0.73
Feb07 1.66 23624.09 4.50 9.46 1907.76 18071.90 22365.90 48.24 23.57 0.74
Mar07 1.63 25766.37 4.50 8.32 2099.54 19144.79 23418.17 48.10 23.40 0.75
Abr07 1.70 25744.84 4.50 9.26 2119.75 19148.94 20846.26 47.32 22.78 0.81
May07 1.62 27905.14 4.50 8.02 2144.56 18761.90 21696.27 53.14 22.13 0.78
Jun07 1.56 26975.66 4.50 7.60 2455.69 19274.71 18255.97 52.42 22.41 0.79
Jul07 1.56 27316.36 4.75 8.18 2712.30 20309.04 17524.79 50.35 23.27 0.83
Ago07 1.58 26671.44 4.75 7.97 2373.98 20471.75 15009.98 44.32 22.86 0.80
Sep07 1.51 26701.28 5.00 8.36 2553.70 20148.63 17766.94 40.60 22.54 0.83
Oct07 1.48 27481.56 5.00 7.44 2667.96 20990.20 17387.47 54.32 22.76 0.81
Nov07 1.38 27736.21 5.00 7.95 2358.03 21446.62 17429.94 59.00 22.54 0.81
Dic07 1.26 29806.69 5.00 6.95 2953.26 24476.05 17130.79 57.28 22.28 0.84
Ene08 1.40 26245.46 5.25 9.40 2551.84 23287.02 16336.67 59.67 23.26 0.77
Feb08 1.38 26830.20 5.25 10.54 2483.05 24572.38 13765.45 59.18 23.33 0.71
Mar08 1.36 27737.45 5.25 8.00 2768.98 25902.35 13287.42 62.75 23.86 0.67
Abr08 1.31 29381.83 5.50 8.53 2692.25 26152.70 7055.04 63.82 23.81 0.66
May08 1.31 29870.23 5.50 7.86 2879.37 25999.17 7405.50 62.71 23.57 0.70
Jun08 1.21 29894.39 5.75 7.35 2812.70 27046.18 7048.67 58.48 23.73 0.73
Jul08 1.22 29923.40 6.00 9.16 3012.58 27052.99 6905.39 57.36 23.70 0.77
Ago08 1.21 29018.08 6.25 8.61 2875.17 27106.43 6671.72 56.65 23.87 0.79
Sep08 1.19 29498.36 6.50 7.73 2616.26 26925.03 9237.65 50.60 24.33 0.81
Oct08 1.19 29742.38 6.50 7.32 2294.76 26978.46 9979.19 36.03 24.07 0.85
Nov08 1.26 29479.69 6.50 7.89 2067.23 27041.56 13392.27 29.82 23.54 0.91
Dic08 1.27 31301.55 6.50 8.11 1964.29 28930.09 13059.70 26.25 23.02 0.94
Ene09 1.34 27443.81 6.50 10.32 1630.57 27183.66 14092.02 26.16 22.93 0.94
Feb09 1.43 26912.79 6.25 9.40 1815.17 27912.54 13955.38 21.97 22.89 0.96
Mar09 1.41 28538.34 6.00 8.19 1962.66 27430.69 14213.54 23.41 22.64 0.97
Abr09 1.52 28987.65 5.00 8.72 1789.23 26839.22 14129.00 23.12 21.96 0.97
May09 1.58 30430.68 4.00 8.46 2154.84 27264.39 14167.20 24.86 20.72 0.96
Jun09 1.62 29008.84 3.00 8.28 2192.34 28204.71 14440.05 25.85 20.69 0.97
182
Jul09 1.64 29496.41 2.00 7.86 2344.95 28689.70 14002.32 26.69 20.58 0.96
Ago09 1.69 29250.72 1.25 8.77 2332.33 28900.50 15129.00 31.31 20.22 0.98
Sep09 1.58 29535.86 1.25 6.84 2519.38 28835.13 15842.26 35.78 20.18 0.99
Oct09 1.63 30092.70 1.25 7.27 2579.05 29698.96 14487.31 41.46 19.92 0.96
Nov09 1.62 30270.72 1.25 7.55 2718.74 30861.31 13985.01 42.09 19.83 0.97
Dic09 1.56 32615.50 1.25 8.94 3031.27 33146.58 14275.38 38.77 19.94 0.98
Ene10 1.66 28280.32 1.25 9.29 2438.84 33229.04 15153.33 44.72 19.98 0.96
Feb10 1.67 28278.53 1.25 10.54 2649.19 33491.52 19220.93 47.09 19.76 0.93
Mar10 1.73 30859.36 1.25 7.70 2817.38 34660.18 20854.50 48.28 19.49 0.91
Abr10 1.72 31299.15 1.25 8.80 2671.19 34431.53 23374.57 45.58 19.39 0.93
May10 1.76 32776.23 1.50 6.70 2391.15 35326.17 22887.41 42.66 19.18 0.97
Jun10 1.66 32811.88 1.75 7.22 3153.32 36556.67 22842.96 41.97 19.12 0.97
Jul10 1.81 32474.00 2.00 7.26 3035.36 36659.61 21957.49 44.87 18.21 0.95
Ago10 1.75 31864.83 2.50 7.73 3035.65 37462.71 19636.22 48.95 18.08 0.89
Sep10 1.64 32580.00 3.00 7.92 3311.48 37105.90 21566.07 51.29 18.34 0.90
Oct10 1.63 32991.01 3.00 7.90 3170.41 38052.83 18878.78 55.28 18.71 0.84
Nov10 1.59 32971.29 3.00 6.94 3356.10 39562.59 21963.10 56.55 18.72 0.85
Dic10 1.49 35193.40 3.00 6.56 3773.00 42650.59 20697.11 54.61 18.73 0.86
Ene11 1.55 31065.46 3.25 9.43 2964.12 40449.60 19629.63 56.04 18.68 0.87
Feb11 1.53 30623.73 3.50 11.14 3377.98 40715.46 19911.82 56.37 18.58 0.87
Mar11 1.51 33307.09 3.75 7.45 3751.35 41985.22 19473.31 53.54 18.65 0.89
Abr11 1.51 33716.17 4.00 7.78 3417.51 42249.10 21948.07 44.13 18.51 0.93
May11 1.51 34641.40 4.25 6.78 4105.47 41496.15 22728.75 37.61 18.49 0.93
Jun11 1.51 33818.47 4.25 7.31 4204.13 41727.03 23612.02 36.13 18.58 0.95
Jul11 1.54 34471.68 4.25 6.81 4194.85 43670.60 22677.93 37.88 18.54 0.94
Ago11 1.57 33950.42 4.25 6.93 4554.92 45088.85 20997.56 40.89 18.66 0.94
Sep11 1.54 34183.43 4.25 8.16 3977.82 44245.35 20207.16 40.91 18.72 0.92
Oct11 1.57 34478.39 4.25 6.88 3936.00 45266.24 19652.66 37.20 19.01 0.95
Nov11 1.52 34538.78 4.25 6.09 3352.28 44833.49 20311.66 36.64 18.85 0.95
Dic11 1.47 38256.96 4.25 7.92 4539.53 48766.34 20789.41 39.23 18.86 0.95
Ene12 1.54 32721.27 4.25 9.20 4029.25 47660.22 20044.62 42.08 19.03 0.92
Feb12 1.60 32746.56 4.25 7.83 3823.89 47244.89 20629.35 47.84 18.76 0.89
Mar12 1.62 35201.01 4.25 8.94 4166.01 48303.58 21435.29 50.67 19.01 0.87
Abr12 1.71 34675.56 4.25 7.40 3226.98 48877.63 20611.68 49.82 19.21 0.87
May12 1.72 36979.87 4.25 5.30 3718.07 49049.27 19858.95 48.56 19.34 0.86
Jun12 1.73 36305.45 4.25 6.22 3871.23 49688.61 17352.92 43.77 19.62 0.90
Jul12 1.72 36911.38 4.25 7.10 4084.63 51211.41 16049.65 42.89 19.47 0.90
Ago12 1.75 36281.43 4.25 6.68 3989.39 52317.05 15549.55 45.46 19.41 0.90
Sep12 1.72 36431.95 4.25 6.05 4185.80 51704.11 15118.46 46.40 19.30 0.89
Oct12 1.79 36960.22 4.25 5.98 4083.66 52997.57 16652.22 47.13 19.33 0.87
Nov12 1.79 36565.54 4.25 5.70 4031.40 53405.38 16322.01 47.32 19.28 0.87
Dic12 1.75 39492.74 4.25 5.20 4200.28 57246.57 15200.40 46.29 19.09 0.89
Ene13 1.88 34706.33 4.25 7.52 3493.22 55965.27 15753.65 49.53 19.41 0.83
183
Feb13 1.91 34328.99 4.25 6.51 3261.41 58133.64 15452.05 52.76 19.27 0.81
Mar13 2.00 36392.32 4.25 5.21 3753.82 56992.10 15441.26 51.49 19.08 0.82
Abr13 2.06 37692.22 4.25 5.11 3229.15 57213.38 14298.92 50.73 19.09 0.84
May13 2.10 38545.65 4.25 6.71 3547.04 56633.90 15528.38 49.05 18.95 0.86
Jun13 2.06 38452.47 4.25 5.48 3344.67 57058.78 15753.25 47.04 18.81 0.88
Jul13 2.11 38880.77 4.25 5.92 3444.82 58546.30 16662.28 42.80 18.47 0.90
Ago13 2.11 38307.86 4.25 5.25 4186.12 58304.36 16866.07 38.69 18.12 0.94
Sep13 2.12 38242.51 4.25 6.62 3632.99 57289.21 17010.82 36.04 17.58 0.96
Oct13 2.17 39296.63 4.25 5.32 3674.13 57220.33 15673.23 37.00 16.65 0.98
Nov13 2.18 39295.83 4.00 5.19 3429.26 57879.35 15106.46 35.38 16.37 1.00
Dic13 2.14 42307.14 4.00 6.51 3864.01 62228.83 14794.32 30.83 15.88 1.02
Ene14 2.28 36176.69 4.00 7.40 3168.74 59918.02 13669.78 30.79 15.99 1.06
Feb14 2.30 36130.08 4.00 7.02 3330.26 60119.99 13397.42 29.49 15.81 1.07
Mar14 2.34 38336.54 4.00 6.41 3280.74 60927.17 12461.81 28.73 15.61 1.09
Abr14 2.37 38791.96 4.00 5.47 3127.17 59902.83 13366.86 27.60 15.53 1.10
May14 2.45 39541.06 4.00 5.58 3126.15 59270.17 13180.61 28.73 15.61 1.09
Jun14 2.36 38606.25 4.00 5.94 3238.09 59699.74 13113.17 29.70 16.04 1.08
Jul14 2.44 39478.77 3.75 5.65 3365.76 60920.83 11987.88 28.25 15.93 1.09
Ago14 2.46 38833.19 3.75 6.06 3623.61 61600.81 10340.49 27.94 15.88 1.11
Sep14 2.41 39280.15 3.50 5.10 3374.64 62049.08 10545.61 26.75 15.69 1.14
Oct14 2.47 40188.18 3.50 5.90 3362.86 61736.26 10226.18 26.56 15.55 1.15
Nov14 2.46 39349.49 3.50 5.25 3154.91 63174.03 9848.59 24.00 15.61 1.16
Dic14 2.47 42664.11 3.50 5.52 3379.77 68382.06 9391.84 24.38 15.67 1.17
Ene15 2.58 36743.67 3.25 8.27 2822.27 65926.09 10742.19 28.60 16.17 1.20
Feb15 2.58 36569.38 3.25 6.85 2626.75 66294.29 12057.93 28.62 16.00 1.22
Mar15 2.54 39475.25 3.25 5.95 2698.81 64786.88 13702.47 25.68 16.08 1.30
Abr15 2.60 40411.02 3.25 7.64 2421.50 64051.26 13535.97 24.31 15.92 1.34
May15 2.67 40073.70 3.25 7.39 2662.08 63795.32 13856.90 24.38 16.00 1.40
Jun15 2.69 40175.37 3.25 5.45 3199.34 63748.78 15210.97 25.57 16.18 1.42
Jul15 2.73 40886.34 3.25 6.46 2859.02 65306.15 15130.24 23.01 16.15 1.43
Ago15 2.70 39878.44 3.25 6.46 3051.09 64632.76 15171.04 23.29 16.25 1.51
Sep15 2.58 40549.78 3.50 6.33 2729.02 64249.87 15414.97 26.01 16.09 1.57
Oct15 2.65 41538.60 3.50 4.67 3113.62 66609.96 15566.96 28.57 16.24 1.55
Nov15 2.62 40921.83 3.50 6.24 2945.71 65910.06 15983.95 28.69 16.08 1.55
Dic15 2.54 45453.00 3.75 6.16 3285.16 71324.19 15766.12 26.52 16.09 1.53
Ene16 2.64 38049.22 4.00 7.37 2474.89 69125.06 15757.01 26.88 16.24 1.56
Feb16 2.71 38923.82 4.25 7.18 2456.81 68688.74 15559.30 26.86 16.13 1.55
Mar16 2.70 40885.07 4.25 7.11 2822.11 66579.70 16000.08 25.73 16.05 1.56
Abr16 2.77 41540.02 4.25 6.64 2804.39 67225.17 16132.87 26.01 15.99 1.57
May16 2.86 42036.87 4.25 7.58 2858.18 66280.25 16750.17 26.53 16.02 1.53
Jun16 2.87 41622.22 4.25 6.73 2703.83 66503.99 17616.44 26.01 16.20 1.54
Jul16 2.85 42356.89 4.25 7.04 3351.89 69531.20 19874.12 28.92 16.38 1.47
Ago16 2.91 42184.77 4.25 6.71 3260.04 70019.18 19694.09 30.81 16.50 1.43
184
Sep16 2.86 42378.42 4.25 5.74 3263.13 69258.84 19974.38 30.39 16.84 1.44
Oct16 2.95 42441.01 4.25 6.12 3561.83 69873.88 21068.89 29.68 17.06 1.46
Nov16 2.96 42352.22 4.25 5.66 3408.83 69853.55 20831.78 29.01 17.03 1.45
Dic16 2.80 47000.48 4.25 7.01 4115.82 73804.69 20558.84 27.40 17.16 1.46
Ene17 2.96 39975.23 4.25 8.92 3296.83 70918.41 21428.86 29.91 17.74 1.42
Feb17 2.98 39238.30 4.25 7.25 3576.41 72075.16 20814.29 32.00 17.07 1.40
Mar17 3.01 41342.11 4.25 6.99 3300.16 70590.97 19800.26 31.59 16.96 1.39
Abr17 3.06 41660.21 4.25 6.20 3139.65 70909.46 20485.72 31.42 16.84 1.38
May17 3.15 43549.42 4.00 6.60 3547.04 71664.95 19443.11 32.30 16.78 1.36
Jun17 3.09 43257.93 4.00 7.96 3869.54 73005.18 18909.40 30.48 17.08 1.34
Jul17 3.12 43296.45 3.75 6.59 3447.18 74634.99 19180.97 28.10 17.10 1.34
Ago17 3.11 43398.68 3.75 5.48 4067.44 73468.11 19350.40 32.07 16.93 1.30
Sep17 3.08 43804.81 3.50 7.21 4393.67 76896.20 1980.83 37.38 16.65 1.27
Oct17 3.14 44012.54 3.50 5.93 3986.56 77683.52 3278.80 36.98 16.40 1.25
Nov17 3.12 43226.57 3.25 6.53 4212.71 78581.64 5070.83 36.65 16.10 1.27
Dic17 3.04 47652.81 3.25 6.86 4584.40 81713.06 10390.34 34.32 15.80 1.26
Ene18 3.12 41139.83 3.00 8.54 4088.62 81632.73 21823.44 34.89 15.89 1.23
Feb18 2.45 40312.55 3.00 8.66 3670.98 82079.04 11248.42 36.87 15.69 1.23
Mar18 3.07 42936.54 2.75 6.99 4191.50 82806.08 15144.20 36.12 15.11 1.26
Abr18 3.11 44986.80 2.75 6.31 3807.18 80278.52 17867.36 32.05 14.35 1.27
May18 3.14 46458.75 2.75 6.55 4245.00 83040.35 18329.10 28.94 14.07 1.26
Jun18 3.10 44137.94 2.75 5.79 4540.59 81794.40 21674.79 28.45 14.09 1.27
Jul18 3.18 44433.92 2.75 6.15 4097.84 83131.53 15919.71 26.72 14.06 1.27
Ago18 3.23 44398.80 2.75 6.32 4058.53 85509.21 16226.61 26.97 14.22 1.25
Sep18 3.07 44860.69 2.75 6.12 3885.87 85281.55 10030.57 26.65 14.30 1.28
Oct18 3.10 45822.99 2.75 6.87 3989.09 86488.08 15296.98 26.62 14.16 1.27
Nov18 3.07 45473.21 2.75 5.69 4168.99 88140.48 18538.27 27.40 14.22 1.26
Dic18 2.95 49905.40 2.75 5.73 4322.28 92197.85 19564.07 27.02 14.30 1.25
Fuente: BCRP, SBS e Investing.