Tesis Stres Testing Capitulo 2

ESCUELA POLITÉCNICA NACIONAL
FACULTAD DE CIENCIAS
STRESS TESTING DE LA MOROSIDAD DEL CRÉDITO DE CONSUMO EN EL

SISTEMA FINANCIERO ECUATORIANO.
TRABAJO DE TITULACIÓN PREVIO A LA OBTENCIÓN DEL TÍTULO

DE INGENIERO MATEMÁTICO
PROYECTO DE INVESTIGACIÓN
CARLOS LUIS GONZÁLEZ VALLEJO

[email protected]
DIRECTORA: ADRIANA UQUILLAS ANDRADE, PhD.

[email protected]
Quito, Junio 2017

DECLARACIÓN
Yo, Carlos Luis González Vallejo, declaro bajo juramento que el trabajo aquí descrito
es de mi autoría; que no ha sido previamente presentado para ningún grado o
calificación profesional; y, que he consultado las referencias bibliográficas que se
incluyen en este documento.
La Escuela Politécnica Nacional puede hacer uso de los derechos correspondientes

a este trabajo, según lo establecido por la Ley de Propiedad Intelectual, por su
Reglamento y por la normativa institucional vigente.
CARLOS
OS LU
LUIS GONZÁLEZ VALLEJO
CERTIFICACIÓN
Certifico que el presente trabajo fue desarrollado por Carlos Luis González Vallejo,
bajo mi supervisión.
Adriana Uquillas Andrade, PhD.

DIRECTORA DE PROYECTO
AGRADECIMIENTOS
Al culminar una etapa importante de mi vida, agradezco a Dios por la bendición de

permitirme alcanzar mis objetivos, que hoy los veo plasmados en este trabajo.
Gracias a mis padres Leonidas y Diana, por su amor y sacrificio, quienes con su
enseñanza y ejemplo han sido el pilar fundamental de mi vida y han hecho de mi la
persona que soy hoy en día.
Gracias a la Dra. Adriana Uquillas por su acertada dirección y valioso apoyo durante
el desarrollo de este trabajo.
Gracias a los docentes de la Facultad de Ciencias, quienes han hecho un valioso

aporte para mi formación durante mi carrera universitaria.
Gracias a María Reneé por apoyarme y siempre estar a mi lado.

DEDICATORIA
A Dios por bendecirme cada día y darme sabiduría para alcanzar esta meta tan
anhelada.
A mis padres Leonidas y Diana, por la confianza y su apoyo incondicional con el firme
propósito de que pueda alcanzar esta meta muy valiosa en mi vida.
A mi hija Karlita Sofía, quien ha sido el motor e inspiración de este sueño para poder
hacerlo realidad.
A mis hermanos, quienes me apoyaron siempre incluso lejos de casa.
A mi hermosa familia y amigos, en especial a mis abuelitos quienes han sido las
personas más amorosas y correctas que he conocido.
Índice general
Índice de figuras 3
Índice de cuadros 6
1. Introducción 1
1.1. Generalidades: Sistema Financiero Ecuatoriano . . . . . . . . . . . . . 3
1.2. Stress Testing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2. Marco teórico 9
2.1. Estructura de datos económicos . . . . . . . . . . . . . . . . . . . . . . 9
2.2. Regresión lineal múltiple con datos de series de tiempo . . . . . . . . . 10
2.2.1. Pruebas de validación del modelo de regresión lineal . . . . . . 13
2.3. Prueba de Causalidad de Granger . . . . . . . . . . . . . . . . . . . . . 16
2.4. Series de tiempo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.4.1. Prueba de Estacionariedad . . . . . . . . . . . . . . . . . . . . . 20
2.4.2. Metodología de Box y Jenkins . . . . . . . . . . . . . . . . . . . 22
2.5. Modelo ARIMAX - Función de Transferencia . . . . . . . . . . . . . . . . 23
2.5.1. Algoritmo ARIMAX . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3. Metodología Analítica 29
3.1. Construcción del modelo de stress . . . . . . . . . . . . . . . . . . . . . 29
3.1.1. Variable dependiente . . . . . . . . . . . . . . . . . . . . . . . . 29
3.1.2. Variables independientes . . . . . . . . . . . . . . . . . . . . . . 31
3.1.2.1. Factores Macroeconómicos . . . . . . . . . . . . . . . . 32
3.1.2.2. Factores Microeconómicos . . . . . . . . . . . . . . . . 39
3.1.3. Modelamiento . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
1
2
4. Análisis de Escenarios 62
4.1. Análisis de Sensibilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
4.2. Análisis de escenarios . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
5. Conclusiones y Recomendaciones 70
Bibliografía 73
ANEXO A: Significado de variables explicativas 75
ANEXO B: Estabilidad de los parámetros 76
ANEXO C: Funciones de R 78
ANEXO D: Código Eviews 81

Índice de figuras
1.1. Índice de Morosidad por cartera de crédito del sistema de bancos

privados, periodo marzo 2015 - marzo 2016. Fuente: Superintendencia
de Bancos del Ecuador-SBE . . . . . . . . . . . . . . . . . . . . . . . . 6
3.1. Índice de Morosidad del crédito de consumo del sistema de bancos

privados, periodo enero 2006 - marzo 2016. Fuente: SBE . . . . . . . . 31
3.2. Índice de actividad económica coyuntural - IDEAC e Índice de
Morosidad del crédito de consumo del sistema de bancos privados,
enero 2006 - marzo 2016. Fuente: BCE, SBE . . . . . . . . . . . . . . . 33
3.3. Precio petróleo WTI, periodo enero 2006 - marzo 2016. Fuente: BCE . 34
3.4. Exportaciones primarias e industrializadas no petroleras, periodo enero
2006 - marzo 2016. Fuente: BCE . . . . . . . . . . . . . . . . . . . . . . 35
3.5. Importaciones de bienes de capital y consumo, periodo enero 2006 -
marzo 2016. Fuente: BCE . . . . . . . . . . . . . . . . . . . . . . . . . . 36
3.6. Inflación mensual, periodo enero 2006 - marzo 2016. Fuente: BCE . . . 36
3.7. Índice de confianza al consumidor e Índice de Morosidad del crédito de
consumo del sistema de bancos privados, periodo enero 2006 - marzo
2016. Fuente: BCE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.8. Tasa de desempleo urbano, periodo enero 2006 - marzo 2016. Fuente:
INEC . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
3.9. Restricción, periodo enero 2006 - marzo 2016. Fuente: INEC . . . . . . 39
3.10.Rendimiento de Patrimonio - ROE del sistema de bancos privados,
periodo enero 2006 - marzo 2016. Fuente: SBE . . . . . . . . . . . . . 40
3.11.Índice de liquidez del sistema de bancos privados, periodo enero 2006
- marzo 2016. Fuente: SBE . . . . . . . . . . . . . . . . . . . . . . . . . 41
3
4
3.12.Créditos de Consumo del sistema de bancos privados, periodo enero

2006 - marzo 2016. Fuente: SBE . . . . . . . . . . . . . . . . . . . . . . 42
3.13.Participación del crédito de consumo del sistema de bancos privados,
periodo enero 2006 - marzo 2016. Fuente: SBE . . . . . . . . . . . . . 42
3.14.Margen de Intermediación, periodo enero 2006 - marzo 2016. Fuente:
SBE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
3.15.Matriz de correlación para variables exógenas. . . . . . . . . . . . . . . 48
3.16.Matriz de correlación para variables exógenas del modelo estimado. . . 50
3.17.FAC y FACP residuales estimadas del modelo 1. . . . . . . . . . . . . . 51
3.19.Comparación de predicciones del modelo 2 con valores reales, periodo
junio 2007 - marzo 2016. . . . . . . . . . . . . . . . . . . . . . . . . . . 55
octubre 2015 - marzo 2016. . . . . . . . . . . . . . . . . . . . . . . . . . 56
junio 2007 - marzo 2016. . . . . . . . . . . . . . . . . . . . . . . . . . . 60
octubre 2015 - marzo 2016. . . . . . . . . . . . . . . . . . . . . . . . . . 61
4.1. Análisis de sensibilidad para la variable CRISIS, septiembre 2015 . . . . 63

4.2. Análisis de sensibilidad para la variable D(IDEAC), septiembre 2015 . . 63
4.3. Análisis de sensibilidad para la variable D(ICC), septiembre 2015 . . . . 64
4.4. Análisis de sensibilidad para la variable D(RESTRICCIÓN), septiembre
2015 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
4.5. Análisis de sensibilidad para la variable D((IND_LIQ), septiembre 2015 . 66
4.6. Análisis de sensibilidad para la variable D((IND_LIQ(-4)), septiembre 2015 66
4.7. Análisis de sensibilidad para la variable D(MARGEN_INTER),
septiembre 2015 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
4.8. Análisis de escenario pesimista . . . . . . . . . . . . . . . . . . . . . . . 68
4.9. Análisis de escenario optimista . . . . . . . . . . . . . . . . . . . . . . . 69
4.10.Análisis de escenarios . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
5
5.1. Estabilidad de los parámetros estimados del modelo 2. . . . . . . . . . 77

Índice de cuadros
3.1. Test de raíces unitarias DFA para series originales. . . . . . . . . . . 44

3.2. Test de raíces unitarias DFA para series con una diferencia no
estacional. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
3.3. Test de raíces unitarias DFA para series con dos diferencias no
estacionales. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
3.4. Test de causalidad de Granger. . . . . . . . . . . . . . . . . . . . . . . 46
3.5. Modelo 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
3.6. Modelo 2. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
3.7. Estadísticos de calidad. . . . . . . . . . . . . . . . . . . . . . . . . . . 55
3.8. Modelo 3. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
3.9. Modelo 4. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
3.10.Estadísticos de calidad. . . . . . . . . . . . . . . . . . . . . . . . . . . 59
5.1. Estabilidad de los parámetros estimados del modelo 2 . . . . . . . . . . 76
6
7
Resumen
El propósito de esta investigación es construir un modelo de stress test asociado

a la morosidad del crédito de consumo en el sistema financiero ecuatoriano,
específicamente en el sistema de bancos privados a través de series temporales con
variables exógenas (ARIMAX) para el periodo enero 2006 - marzo 2016.
Se consideran factores macroeconómicos y microeconómicos para la construcción

del modelo. 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, el cual aumenta el incremento del índice de morosidad si este disminuye.
Esta conclusión enfatiza la importancia de incluir factores externos para el análisis del
índice de morosidad.
El modelo estimado es utilizado para pronosticar, realizar análisis de sensibilidad y

evaluar escenarios hipotéticos. Este modelo puede ser utilizado como herramienta de
monitoreo y gestión de riesgo para el agente supervisor.
Palabras claves: pruebas de tensión, series temporales con variables exógenas

(ARIMAX), función de transferencia, crisis financiera, riesgo crediticio.
8
Abstract
The purpose of this research is to construct a stress test model associated with
non-performing loans ratio of consumer credit in the Ecuadorian financial system,
specifically in the private banking system through time series with exogenous variables
(ARIMAX) for the period January 2006 - March 2016.
Macroeconomic and microeconomic factors are considered for the construction of the
model. It is concluded that the factors that produce a greater impact are: the permanent
drop in the price barrel of oil that positively affects the increase of non-performing
loans ratio and the increase in the financial intermediation margin, which increases the
increase of non-performing loans ratio if it decreases. This conclusion emphasizes the
importance of including external factors for the analysis of the non-performing loans
ratio.
The estimated model is used to forecast, perform sensitivity analyzes and evaluate
hypothetical scenarios. This model can be used as a monitoring and risk management
tool for the supervising agent.
Key words: Stress testing, time series with exogenous variables (ARIMAX), transfer
function, financial crisis, credit risk.
Capítulo 1
Introducción
El seguimiento y evaluación de las entidades financieras se ha convertido en un

requisito fundamental para asegurar la estabilidad de un sistema financiero, ya que
en los últimos años se ha padecido una crisis económica-financiera internacional la
cual ha generado un impacto en la disminución de crédito, problemas de liquidez,
desempleo, entre otros. Un método en particular es relacionar de forma cuantitativa el
entorno macroeconómico con el riesgo de crédito, ya que esto nos permite realizar
estimaciones del mismo en función de las variables macroeconómicas. En este
sentido, es importante disponer de modelos que puedan explicar las causas del riesgo
de crédito a un nivel sistémico.
El sistema financiero cumple un papel fundamental para el funcionamiento de una

economía saludable y sobre todo genera confianza en la población para seguir
generando riqueza. Contar con un sistema sólido, permite que los recursos financieros
circulen eficientemente desde las personas que tienen recursos monetarios
excedentes hacia las personas que necesitan estos recursos.
Por su parte [Díaz, 2012] indica que las entidades pertenecientes al sistema
financiero, cumplen cinco roles importantes en la economía:
1. Gestionan o administran riesgos.
2. Asignan recursos.
3. Procesan información y supervisan a los prestatarios.
1
2
4. Movilizan ahorro y;
5. Facilitan el intercambio de bienes y servicios (proporcionan el acceso a los

sistemas de pago).
Por su parte, el Comité de Supervisión Bancaria de Basilea1 en su artículo

“Convergencia internacional de medidas y normas de capital", en la tercera sección
“Segundo Pilar - El proceso del examen supervisor", establece que: El proceso
de examen supervisor establecido en este Marco no tiene por objetivo únicamente
garantizar que los bancos posean el capital necesario para cubrir los riesgos de sus
actividades, sino que también insta a los bancos a que desarrollen y utilicen mejores
técnicas de gestión de riesgos en el seguimiento y control de los mismos.
El Comité de Basilea ha identificado cuatro principios básicos del proceso de

supervisión:
1. Las entidades deberán contar con un proceso para evaluar la suficiencia

de capital total en función de su perfil de riesgo y con una estrategia de
mantenimiento de su nivel de capital.
2. Los supervisores deberán examinar periódicamente el proceso utilizado por las

entidades para determinar la suficiencia de capital, la calidad de gestión y, como
parte de este proceso, también deberán garantizar que estas condiciones se
cumplan de manera continua.
3. Los supervisores deberán tener expectativas de que las entidades operen

por encima de los coeficientes mínimos de capital requerido y exigirles que
mantengan capital por encima de este mínimo.
4. Los supervisores tratarán de intervenir con prontitud a fin de evitar que el

capital descienda por debajo de los niveles mínimos requeridos para cubrir
las características de riesgo de un banco dado. Asimismo, deberán exigir la
inmediata adopción de medidas correctoras si el capital no se mantiene en el
nivel requerido o no se recupera ese nivel.
1 Es un comité de autoridades supervisoras bancarias que fue establecido por los gobernadores de
los Bancos Centrales del Grupo de los Diez Países en 1975. Éste comité tiene su sede en Suiza y funciona
en el Bank for International Settlements (BIS).
3
La importancia del examen supervisor es que no solamente se centra en el volumen

de capital que posee una entidad, sino que ante el incremento de riesgos que enfrenta
la misma, se debe considerar otras posibilidades como el fortalecimiento de la gestión
de riesgos, refuerzo del nivel de provisiones y reservas, así como la mejora de
controles internos.
Por lo antes mencionado, el objetivo principal de este trabajo es construir un modelo

de stress o tensión2 asociado a la morosidad del crédito de consumo en el sistema
financiero ecuatoriano, específicamente el sistema de bancos privados. En general se
desea entender el vínculo que existe entre el entorno macroeconómico y el índice de
morosidad del crédito de consumo.
Para la construcción del modelo de stress, se aplica la metodología de series

temporales con variables exógenas también conocida como ARIMAX, utilizando
variables de carácter macroeconómico y microeconómico.
Se utilizan Eviews 8 y R como programas estadísticos para el desarrollo del modelo.
1.1. Generalidades: Sistema Financiero Ecuatoriano
La Superintendencia de Bancos del Ecuador (en lo sucesivo “SBE") define al sistema

financiero como: “El conjunto de instituciones que tiene como objetivo canalizar el
ahorro de las personas". Esta canalización de recursos permite el desarrollo de la
actividad económica3 en nuestro país.
El sistema financiero ecuatoriano se encuentra compuesto por: instituciones

financieras privadas (bancos, cooperativas, sociedades financieras, mutualistas);
instituciones financieras públicas; instituciones de servicios financieros; entidades que
se encuentran bajo el control de la SBE, constituyéndose los bancos en el mayor y
más importante participante del mercado con más del 90 % de los activos en relación
2 La prueba de tensión es una herramienta estadística que se utiliza para evaluar la fragilidad de las
entidades financieras frente a cambios extremos.
3 Se denomina actividad económica a cualquier proceso mediante el cual se obtiene bienes y servicios
que cubren las necesidades. (Clasificación Nacional de Actividades Económicas - CIIU, REV 4.0, INEC)
4
al total de las instituciones financieras privadas.4

En la actualidad el sistema de bancos privados está formado por 22 entidades, entre
las cuales se consideran como bancos grandes a: Banco Pichincha, Banco Guayaquil,
Produbanco y Banco Pacífico.
En cuanto a la administración de riesgo, la SBE en el Libro I: “Normas generales

para las instituciones del Sistema Financiero", específicamente en el Título X “De la
gestión y administración del riesgo", establece que: Todas las instituciones del sistema
financiero ecuatoriano que están controladas por la Superintendencia de Bancos,
deben establecer esquemas eficientes y efectivos de administración y control de todos
los riesgos a los que se encuentran expuestas.
En este sentido, las entidades participantes del sistema financiero tienen como
objetivo identificar, medir, controlar y monitorear los diferentes tipos de riesgo que
pueden afectarlas, con el fin de definir el perfil de riesgo y la exposición que están
dispuestos a asumir para garantizar el cuidado de los fondos propios y de terceros
que se encuentran bajo su control y administración. Cada entidad posee su propio
perfil de riesgo de acuerdo a sus actividades, por tanto, tienen la responsabilidad
de administrar sus riesgos, por lo que deben contar con procesos formales de
administración integral de riesgos que permitan cumplir con su objetivo5 .
Un indicador del riesgo de crédito es el índice de morosidad, es decir, el porcentaje

de la cartera improductiva frente al total de la cartera de la entidad. La SBE calcula el
índice de morosidad por cartera de crédito6 .
En este trabajo nos centramos en la cartera de crédito de consumo. De acuerdo a

la Codificación de Regulaciones del Banco Central del Ecuador7 , define el crédito de
consumo como: “créditos otorgados a personas naturales asalariadas y/o rentistas,
que tengan por destino la adquisición de bienes de consumo o pago de servicios,
4 Lainformación utilizada se encuentra en la página web de la Superintendencia de Bancos
5 Superintendencia de Bancos del Ecuador - SBE. Libro I, Título X
6 Nota Técnica No. 5, Boletines Financieros - SBE
7 Nota Técnica No. 78, Dirección Nacional de Riesgo Sistémico - BCE, 2014
5
que generalmente se amortizan en función de un sistema de cuotas periódicas y

cuya fuente de pago es el ingreso neto mensual promedio del deudor, entendiéndose
por éste el promedio de los ingresos brutos mensuales del núcleo familiar menos los
gastos familiares estimados mensuales. Además, se incluye en este segmento las
operaciones con tarjeta de crédito".
La tasa activa efectiva máxima para este segmento es de 17,3 % vigente desde el 25
de noviembre 2015 hasta la actualidad8 .
A continuación se tiene en cuenta los siguientes conceptos para entender el cálculo
del índice de morosidad:
Traspaso a cartera vencida.- La cartera vencida registra el valor de toda clase

de créditos que por más de 30 días dejan de ganar intereses o ingresos. Luego
que una cuota se traspasa a cartera vencida, todas las cuotas por vencer y
vencidas hasta 30 días se reclasifica en la cartera que no devenga intereses.
Cartera improductiva.- Son préstamos que no generan renta financiera a la

institución, están compuestos por la cartera vencida y la cartera que no devenga
intereses e ingresos.
Cartera de crédito Bruta.- Es el total de la cartera de crédito (consumo) de una

institución financiera, sin deducir la provisión para créditos incobrables.
Por tanto, el índice de morosidad de la cartera de consumo se calcula como sigue:
Cartera Improductiva Consumo

Morosidad Consumo =
Cartera Bruta Consumo
A marzo 2016 la participación de la cartera de crédito de consumo disminuyó 2,31 %,

pasando de 34,18 % a 31,87 % producto del crecimiento de otras carteras como:
educativa, vivienda y microempresarial. La tasa de morosidad total aumentó en
1,18 %, de 3,47 % a 4,65 % debido al incremento de la cartera improductiva en 22,51 %.
El incremento de la morosidad fue influenciado en mayor medida por el aumento de
la cartera de consumo, esta tuvo un aumento de 2,48 % siendo el segmento de mayor
crecimiento, pasó de 6,52 % a 9,00 %9 como se puede ver en la Figura 1.1.
8 Resolución 154-2015-F
9 Todos estos indicadores son medidos con respecto a marzo 2015
6
Figura 1.1: Índice de Morosidad por cartera de crédito del sistema de bancos privados,
periodo marzo 2015 - marzo 2016.
Fuente: Superintendencia de Bancos del Ecuador-SBE
1.2. Stress Testing
La prueba de tensión o stress test es una herramienta que sirve para diagnosticar el
comportamiento de una o varias entidades financieras frente a fenómenos extremos.
El término stress testing se refiere a un conjunto de técnicas estadísticas que se
usan para evaluar la vulnerabilidad de un portafolio a cambios macroeconómicos
excepcionales, pero que sean posibles. [Blanschke et al., 2001]
La prueba de tensión es de gran importancia en el proceso de gestión de riesgo de las

entidades financieras y su utilización es promovida por el marco de Basilea II (proceso
del examen supervisor).
Generalmente en la gestión de riesgo se utiliza el cálculo del valor en riesgo VaR
(Value at Risk), este proviene de la necesidad de cuantificar con cierto nivel de
significancia el monto o porcentaje de pérdida que un portafolio enfrentará en un
periodo determinado de tiempo, pero por algunas deficiencias del mismo, la prueba
de tensión es una herramienta complementaria. Además, la prueba de tensión es muy
útil para salvaguardarse frente a eventos de riesgo como el riesgo de pérdida debido
a políticas macroeconómicas y gubernamentales.
Cuando se trata del análisis de una entidad financiera en particular, se denomina

7
micro stress testing, caso contrario, si se trata de analizar un conjunto de entidades

financieras se denomina macro stress testing.
El macro stress testing es utilizado por los supervisores del sistema financiero (para
el caso ecuatoriano la SBE), con el fin de cuantificar la relación que existe entre las
variables macroeconómicas y el sistema financiero en conjunto.
Según [Čihák, 2004] el stress test puede ser clasificado por su metodología dentro de
tres principales tipos:
Análisis de sensibilidad: busca identificar cómo las carteras responden a los

cambios en las variables económicas relevantes.
Análisis de escenarios: busca evaluar la capacidad del sistema financiero para

enfrentar un evento excepcional pero posible.
Análisis de contagio: busca diagnosticar el impacto de un shock que se transmite

de una entidad al resto del sistema.
En este trabajo, se realiza un análisis de sensibilidad, es decir, analizar un único

parámetro mientras el resto de los factores permanece constante y un análisis de
escenarios: escenario adverso y escenario optimista.
Un escenario adverso está basado en evaluar la evolución de las variables que

ingresan al modelo de una manera “pesimista".
Los autores [Jurado et al., 2010] y [Sorge, 2001] mencionan algunas metodologías
que sirven para la realización de pruebas de tensión; entre ellas podemos mencionar
las siguientes:
Modelos de variable dependiente discreta.- La ocurrencia de una situación

de crisis puede recogerse a través de una variable binaria {0,1}, para su
modelización generalmente se utiliza una regresión de elección discreta como
logit o probit.
Modelo de regresión con datos de panel.- Estos modelos utilizan muestras

correspondientes a N entidades financieras que se analizan a lo largo de T
8
instantes de tiempo.
El Banco Central de Perú realizó un estudio de la morosidad del sistema
bancario de ese país en el año 2004 mediante esta técnica [Aguilar et al., 2004].
Redes neuronales.- Son modelos estadísticos no lineales que se utilizan

principalmente para la realización de predicciones. Constan de dos capas:
• La información de entrada (input layer), para nuestro caso pueden ser

variables explicativas referentes al sistema financiero y a la economía real.
• El resultado final (output layer), se puede obtener mediante un modelo

logit dando como resultado la probabilidad de que el sistema financiero
en conjunto (o una entidad individualmente) presente stress financiero, es
decir, que presente una situación adversa frente a políticas externas o
internas.
Series temporales.- Esta metodología es la más utilizada por diferentes autores

puesto que permite evaluar las vulnerabilidades del sistema financiero a lo largo
del tiempo. En el presente trabajo se utiliza la metodología de series de tiempo
con variables exógenas, la cual será descrita posteriormente.
La estructura del presente estudio es la siguiente, en el capítulo 2, se describe

los aspectos teóricos necesarios para comprender la metodología utilizada en la
construcción del modelo de stress. En el capítulo 3, se aplica la metodología analítica
para el desarrollo del modelo de stress con la información disponible. En el capítulo 4,
se construye y se evalúa los escenarios de stress. En el capítulo 5 presentaremos los
resultados más importantes encontrados durante el desarrollo del trabajo.
Capítulo 2
Marco teórico
En el presente capítulo se definen las nociones y conceptos teóricos necesarios para

comprender la metodología utilizada en la construcción del modelo de Stress Testing.
Empezaremos describiendo algunas estructuras de datos económicos, la regresión
lineal múltiple con datos de serie de tiempo, ciertas pruebas estadísticas para la
validación del modelo de regresión lineal múltiple y el modelo ARIMAX en el cual
se fundamenta el modelo de Stress Test.
2.1. Estructura de datos económicos
En esta sección utilizando el trabajo de [Wooldridge, 2013] se describe las tres

estructuras de datos económicos más utilizadas que se encuentran en trabajos
aplicados.
Sección Cruzada (datos transversales)

Un conjunto de datos de sección cruzada consiste en una muestra de individuos,
hogares, ciudades, países o una variedad de datos tomadas en un momento
dado. Puede ocurrir que los datos no corresponden al mismo periodo de tiempo,
por ejemplo: la información de un censo poblacional podría ser evaluado en
diferentes semanas durante un año. Por tanto, en un análisis de sección cruzada
no se toma en cuenta la temporalidad en la recopilación de datos.
Una característica importante de los datos de sección cruzada es que se puede
asumir con frecuencia que los datos han sido obtenidos por muestreo aleatorio
de una población.
9
10
Datos series de tiempo

Un conjunto de datos de series de tiempo consiste en observaciones de una
o más variables a lo largo del tiempo, por ejemplo: el producto interno bruto,
el índice de precios al consumidor, la información sobre ventas, entre otras.
El tiempo es una dimensión fundamental, pues el orden cronológico de las
observaciones de la serie transmite información potencialmente importante.
La característica clave de las de series de tiempo económicas es que rara vez
pueden ser asumidas como independientes a través del tiempo, pues estas
están relacionadas fuertemente con sus datos pasados. Otra característica es la
frecuencia en la que se recogen los datos, generalmente los datos económicos
tienen frecuencia mensual, trimestral o anual.
Datos de panel
Un conjunto de datos de panel consiste de una serie de tiempo para cada
elemento de sección transversal en el conjunto de datos, es decir, la misma
unidad de sección transversal se estudia a lo largo del tiempo.
2.2. Regresión lineal múltiple con datos de series de

tiempo
Un modelo de regresión es un modelo que trata de explicar el comportamiento de una

variable dependiente (variable regresada), utilizando información de un conjunto de
n variables explicativas (variables regresoras) y una variable aleatoria no observable
[Novales, 1993].
Para el caso de datos de series temporales, un modelo de regresión lineal se expresa

de la siguiente forma:
Yt = β 0 + β 1 Xt1 + . . . + β n Xtn + ut t = 1, ..., T. (2.1)
Donde, Yt es la variable dependiente, Xtk con k = 1, ..., n son las variables explicativas
(también se las conoce como variables independientes), β k con k = 1, ..., n son los
parámetros desconocidos, ut es la variable aleatoria no observable (término de error)
11
y t es la t-ésima observación correspondiente al mismo instante de tiempo.

Si ordenamos todas las observaciones del modelo (2.1) en vectores, tenemos lo
siguiente:
       
y β 1 x11 x12 . . . x1n u
 1  0    1
 y2   β1  1 x12 x22 . . . x2n  u 
       
 ; u =  2
  ; β =   ; X =  ..
Y= ..
   
. . . . . . . . . . .
  

       
yT βn 1 x T1 x T2 . . . x Tn uT
Por tanto, la forma matricial del modelo (2.1) es:
Y = Xβ + u
Para proceder a la estimación del vector de parámetros β̂, [Wooldridge, 2013] indica
que el modelo (2.1) debe cumplir los siguientes supuestos estándar para la utilización
de Mínimos Cuadrados Ordinarios (MCO):
1. El modelo es lineal en los parámetros.
2. En la muestra no hay variables explicativas que sean constantes ni que sean

una combinación lineal de las otras.
3. Para cada t, dadas las variables explicativas para todos los periodos, el valor
esperado del error ut es cero. Matemáticamente,
E[ut | X ] = 0 t = 1, ..., T
Este supuesto implica que al tiempo t, ut , no está correlacionado con cada

variable explicativa en cada periodo de tiempo.
4. Homocedasticidad: la varianza de ut condicional en X, es la misma para todo t.

Matemáticamente,
Var (ut | X ) = Var (ut ) = σ2 t = 1, ..., T
Cuando este supuesto no se cumple se dice que los errores son

heterocedásticos.
12
5. No existe correlación serial: los errores, condicionales sobre X, en dos diferentes

periodos de tiempo, no están correlacionados. Matemáticamente,
Corr (ut , us | X ) = 0 para todo t 6= s
Cuando este supuesto no se cumple se dice que los errores están

autocorrelacionados.
6. Normalidad: los errores ut son independientes de Xt1 , . . . , Xtn y son

independientes e idénticamente distribuidos como una Normal con media nula y
varianza σ2 . Es decir,
ut ∼ N ID (0, σ2 ) para todo t
Este supuesto se utiliza para poder realizar inferencia estadística y con el fin de
utilizar los típicos errores estándar MCO, el estadístico t, el estadístico F.
Además, este supuesto implica los supuestos 3, 4 y 5, pero es más fuerte puesto
que supone normalidad e independencia.
Para el análisis de regresión con datos de series de tiempo, el supuesto 5 es nuevo,

el resto de supuestos son los mismos que se tiene para datos de sección cruzada.
El supuesto 2, técnicamente se lo conoce como de no colinealidad, o no
multicolinealidad cuando hay más de una relación lineal exacta. De manera formal
significa que no existe un conjunto de λk con k = 1, ..., n, al menos uno diferente de
cero tales que:
λ1 Xt1 + . . . + λn Xtn = 0
El objetivo central del análisis de regresión es obtener estimaciones de los parámetros

desconocidos del modelo.
El problema consiste en minimizar la suma de los residuos al cuadrado, es decir,
mı́n SR( β̂) = mı́n û′ û (2.2)

β̂ β̂
Notemos que la suma residual (SR) depende de las observaciones muestrales y de

las estimaciones de los parámetros, es decir,
û′ û = Ŷ ′ Ŷ − 2 β̂′ X ′ Y + β̂X ′ X β̂

13
Para hallar una solución al problema (2.2), se utiliza derivación matricial con respecto
al vector β̂ y se iguala a cero, teniendo como resultado la siguiente solución:
β̂ MCO = ( X ′ X )−1 X ′ Y
Nota: La matriz ( X ′ X ) es no singular, caso contrario, el sistema de ecuaciones

normales tendrá soluciones infinitas, que ocurre cuando se viola el supuesto 8, es
decir,en caso de multicolinealidad.
2.2.1. Pruebas de validación del modelo de regresión lineal
Luego de obtener el modelo de regresión lineal, se debe validar los supuestos antes
mencionados del modelo. Es decir, se debe verificar que los residuos sigan una
distribución normal e independiente, que los residuos sean homocedásticos (varianza
de los residuos constante) y que no exista multicolinealidad.
Para esto, existen algunas pruebas estadísticas las cuales se las describe a
continuación:
1. Prueba de Jarque-Bera.
[Gujarati and Porter, 2010] describe el test de Jarque Bera como una prueba
asintótica (es decir, válida en muestras grandes). Para calcular el estadístico de
prueba, se calcula primeramente la curtosis y asimetría de los residuos de MCO,
para luego calcular el estadístico JB como sigue:
2
( K − 3)2

S
JB = n +
6 24
Donde, S es el coeficiente de asimetría, K el coeficiente de curtosis y n el tamaño

de la muestra.
El coeficiente de asimetría puede calcularse como:
E ( X − µ )3
S=
σ3
El coeficiente de curtosis puede calcularse como:
E ( X − µ )4
K=
[ E ( X − µ )2 ]2
14
En esta prueba se contrastan las hipótesis:

 H0 : Los residuos siguen una distribuci ón normal.

 Ha : Los residuos no siguen una distribuci ón normal.


Jarque y Bera mostraron que para muestras grandes, JB ∼ χ2(2) .

Nótese, cuando una variable sigue una distribución normal, S = 0 y K = 3. Por
tanto, se trata de una prueba de hipótesis conjunta de que S = 0 y K = 3, es
decir, se espera de que el estadístico de prueba JB sea igual a cero.
Entonces, si el valor del estadístico JB es mayor que χ2( gl =2,α=0,05) = 5,99, se

rechaza Ho.
2. Prueba de Breusch-Pagan.
La prueba de Breusch-Pagan (BP), sirve para validar el supuesto 4 del modelo
de regresión multiple. La prueba (BP) contrasta la siguiente hipótesis:

 H0 : Los residuos son homoced ásticos.

 Ha : Los residuos no son homoced ásticos.


Novales (1993) supone que la varianza del término de error en cada periodo,
depende de un conjunto de variables Xt de dimensión n, es decir:
σt2 = f (α0 + α1 Xt1 + . . . + αn Xtn )
Notemos que si αi = 0 con i = 1, ..., n, entonces se tiene ausencia de

heterocedasticidad (f(α0 ) es una constante). Por lo tanto, si estimamos los
coeficientes αi , se puede contrastar la hipótesis:
H0 : α1 = α2 = . . . = αn = 0
A continuación, se resume los pasos para realizar la prueba BP.
Estimar por MCO el modelo original (2.1) y se obtienen los residuos

correspondientes.
Calcular la serie de residuos normalizados al cuadrado.
uˆ2
eˆ2t = t
σˆt2
15
Donde, σˆt2 es el estimador de máxima verosimilitud de la varianza, es decir,

σˆ2 = SR , donde SR es la suma de residuos al cuadrado y T es el número
t T
de observaciones.
Luego, se realiza la siguiente regresión:
eˆ2t = α0 + α1 Xt1 + . . . + αn Xtn + ut
Finalmente, si Xtk es estadísticamente significativa para algún k con k =

1, . . . , n, entonces se rechaza H0 .
3. Detección de Multicolinealidad.
Para detectar multicolinealidad en un modelo de regresión multiple, existen

algunas reglas prácticas según [Gujarati and Porter, 2010].
A continuación, resumimos algunas de ellas:
Calculamos el coeficiente múltiple de determinación R2 . Si este es alto,

es decir, mayor a 0,8 y ningún coeficiente estimado de la regresión o
muy pocos son estadísticamente significativo, entonces existe presencia
de multicolinealidad.
Observar las correlaciones lineales entre parejas de variables regresoras,

si esta es alta, es decir, mayor a 0,8, la multicolinealidad es un problema
grave.
Calculamos el índice de condición:

s
λmax
IC =
λmin
Donde, λmax y λmin son los valores propios máximo y mínimo

respectivamente de la matriz de correlaciones de las variables regresoras.
Si IC < 10, no hay presencia de multicolinealidad, si 10 < IC < 30 hay
multicolinealidad entre moderada y fuerte y si IC > 30, la multicolinealidad
es un problema grave.
16
2.3. Prueba de Causalidad de Granger
Para [Novales, 1993] la relación causal desde las variables explicativas a la variable
dependiente, es una característica de un modelo econométrico, puesto que la
teoría económica aporta suficientes elementos como para sugerir que las variables
explicativas influyen sobre la variable dependiente. En este sentido, a las variables
explicativas se las denominan variables exógenas, lo que significa que sus valores se
toman como dados, ya que no reciben influencia de la variable que se desea explicar.
Gujarati y Porter (2010) suponen que Xt y Yt son dos variables estacionarias

(más adelante se profundiza en la sección de series de tiempo la definición de
estacionariedad), con t = 1, ..., T. Entonces, la prueba de causalidad de Granger
implica la estimación de dos regresiones:
n n
Xt = ∑ αi Yt−i + ∑ βi Xt−i + u1t (2.3)
i =1 i =1
n n
Yt = ∑ λi Yt−i + ∑ δi Xt−i + u2t (2.4)
i =1 i =1
donde se supone que las perturbaciones u1t y u2t no están correlacionadas, es decir,
cor (u1t , u2t ) = 0.
A continuación se puede distinguir tres casos:
1. Existe causalidad unidireccional de X hacia Y (X → Y), si el conjunto de

coeficientes estimados de los retardos de Y en (2.3) no son estadísticamente
diferentes de cero y el conjunto de coeficientes estimados de los retardos de X
en (2.4) son estadísticamente diferentes de cero.
2. Por el contrario, existe causalidad unidireccional de Y hacia X (Y → X),

si el conjunto de coeficientes estimados de los retardos de Y en (2.3) son
estadísticamente diferentes de cero y el conjunto de coeficientes estimados de
los retardos de X en (2.4) no son estadísticamente diferentes de cero.
3. Existe causalidad bilateral (X ↔ Y), cuando los coeficientes estimados de Y y

X son estadísticamente diferentes de cero en ambas regresiones.
17
De modo general, podemos decir que en una regresión de Y sobre sus valores
pasados, si se incluyen valores rezagados de una variable X y esto mejora
significativamente la predicción de Y, entonces podemos decir que X causa a la
manera de Granger a Y. De manera análoga para saber si Y causa a la manera
de Granger a X.
Antes de mencionar los pasos para la prueba de Granger, cabe mencionar algunos
puntos importantes:
Las variables X y Y deben ser estacionarias.
La dirección de la causalidad depende de manera crítica del número de retardos

incluidos en la regresión.
Los términos de error en la prueba de causalidad no están correlacionados.
Los valores estimados de los coeficientes en esta prueba no son importantes,

ya que nos interesa el estadístico F para la prueba de hipótesis.
Supongamos que se quiere saber si la variable X causa a la manera de Granger a

la variable Y. Tomando en cuenta la ecuación (2.3), los pasos para realizar la prueba
son los siguientes:
1. Realizar la regresión de la variable X sobre todos los retardos de la misma, pero

no se incluye los retardos de la variable Y en esta regresión. A esta regresión se
la conoce como regresión restringida. Luego, calculamos la suma de cuadrados
residuales restringida, SCR R .
2. Realizar la regresión con los retardos de la variable Y. A esta regresión se la

conoce como regresión no restringida. Luego, calculamos la suma de cuadrados
residuales no restringida, SCR NR .
3. La hipótesis nula es H0 : αi = 0 con i = 1, ..., n. (No hay causalidad de Granger)
4. Calculamos el estadístico F,
SCR R −SCR NR
m
F= SCR NR
n−k
18
que sigue la distribución F con m y n − k grados de libertad. En la ecuación

anterior, m es el número de retardos de Y y k es el número de parámetros
estimados en la regresión no restringida.
5. Si el valor F calculado es mayor que el valor F teórico, entonces se rechaza la

hipótesis nula (H0 ).
6. Se repiten los pasos del 1 al 5 con la ecuación (2.4) y de este modo se completa
la prueba para saber si la variable X causa a la manera de Granger a la variable
Y.
Nota: Cuando existe una causalidad bilateral a la manera de Granger entre X y Y

(X ↔ Y), este tipo de situación es ideal para aplicar la metodología de vectores
autorregresivos (VAR).
2.4. Series de tiempo
Una serie de tiempo se puede considerar como una sucesión de variables aleatorias
( xt )t∈T , donde la variable aleatoria xt denota el valor tomado por la serie al tiempo t. T
se conoce como el espacio de tiempos; por lo general es el conjunto de los números
reales R o un subconjunto del mismo como el conjunto de los números naturales (N)
o el conjunto de los números enteros (Z) [Shumway and Stoffer, 2011].
El análisis de series temporales realiza predicciones de valores futuros de una o más

variables, utilizando como información hechos históricos que miden la evolución de la
variable en estudio. Es decir, identifica patrones históricos y después, bajo el supuesto
que no varíen en el futuro, predecir extrapolándolos. [González, 2009]
Unos estadísticos fundamentales en la especificación de un modelo univariante son

las funciones de autocovarianza, autocorrelación simple y autocorrelación parcial que
se describen a continuación:
19
Definición 1. La función de autocovarianza de un proceso estocástico1 {Yt }, es una función

que para cada instante t y cada número entero k toma un valor, denotado por γk (t), igual a la
covarianza entre Yt e Yt−k , es decir:
γk (t) = Cov(Yt , Yt−k )
Definición 2. La función de autocorrelación simple de un proceso estocástico {Yt }, es una

función que para cada instante t y cada número entero k toma un valor, denotado por ρk (t),
igual a la correlación entre Yt e Yt−k :
Cov(Yt , Yt−k ) γk ( t )
ρk (t) = p p =p p
Var (Yt ) Var (Yt−k ) Var (Yt ) Var (Yt−k )
Definición 3. La función de autocorrelación parcial de un proceso estocástico {Yt }, es una

función que para cada instante t y cada número entero k toma un valor, denotado por ρk (t),
igual a la correlación entre Yt e Yt−k , ajustada por el efecto de los retardos intermedios
Yt−1 , Yt−2 , ..., Yt−k−1
Existen dos tipos de series: estacionarias y no estacionarias.
Serie no estacionaria: es aquella cuya media, varianza y covarianza cambian

a lo largo del tiempo lo que dificulta el modelamiento de la serie.
Serie estacionaria: es aquella cuya media y varianza no cambian a través del

tiempo y la covarianza sólo es función del retardo h.
Definición 4. Un proceso estocástico { Xt }t∈T es débilmente estacionario si:
1. ( Xt )t∈T toma valores en R y es de segundo orden (∀t ∈ T, E[ Xt2 ] < ∞).
2. E[ Xt ] es constante (independiente de t).
3. cov( Xt , Xt+h ) = Cov( Xt+m , Xt+h+m ) para todo t, h, m ∈ T.
Un proceso débilmente estacionario se dirá estacionario.
Si una serie es no estacionaria, podremos estudiar su comportamiento únicamente

en un periodo establecido y por tanto no se podrá generalizar para otros periodos
1 Llamamos proceso estocástico a una sucesión de variables aleatorias {yt }, con t =
−∞, ..., −1, 0, 1, 2, ..., ∞.
20
de tiempo. Por lo antes mencionado, notamos la importancia de las series de tiempo

estacionarias.
A continuación se presenta una prueba para detectar si una serie es estacionaria, la
cual se utiliza en el presente trabajo.
2.4.1. Prueba de Estacionariedad
En la práctica nos enfrentamos a dos preguntas:
Si una serie es no estacionaria, ¿existe alguna forma de convertir dicha serie en

una serie estacionaria?
¿Cómo sabemos si una serie es estacionaria?
Respondiendo a la primera pregunta, existe un método llamado “diferenciación", el

cual consiste en realizar la siguiente transformación:
∆Xt = Xt − Xt−1
donde, ∆ se conoce como el operador de primeras diferencias. Cabe mencionar que,

si bien el objetivo del operador ∆ es volver a la serie estacionaria, para ciertas series
no se podrá obtener la serie estacionaria de esa manera. Por ejemplo: si una serie
tiene una tendencia exponencial, se deberá realizar una transformación mediante
logaritmo natural.
En respuesta a la segunda pregunta, existen algunos instrumentos empíricos para

detectar la estacionariedad de una serie de tiempo como: la visualización de la
tendencia en un gráfico de la serie o una representación gráfica de las funciones de
autocorrelación y autocorrelación parcial. Estos métodos pueden resultar imprecisos.
De manera formal, se puede realizar una prueba conocida como la prueba de

Dickey-Fuller (DF). [Gujarati and Porter, 2010] en su trabajo, presenta esta prueba
considerando el siguiente modelo:
Xt = ρXt−1 + ut , t ∈ Z (2.5)
21
con |ρ|<1 y ut un ruido blanco.2 La idea general, es realizar la regresión (2.5) y

averiguar si ρ̂ (ρ estimado) es estadísticamente igual a uno.
El inconveniente es que no podemos estimar (2.5) por MCO y probar la hipótesis de
que ρ = 1 mediante el estadístico t ya que este no sigue una distribución t − student.
Dickey y Fuller probaron mediante simulaciones de Monte Carlo que el estadístico t
sigue una distribución especial y lo denotaron por τ. Entonces, si restamos a cada
lado de la ecuación (2.5) el término Xt−1 se tiene:
∆Xt = δXt−1 + ut , t ∈ Z (2.6)
donde, ∆ es el operador de primeras diferencias y δ = ρ − 1.

Por tanto, la prueba consiste en contrastar la hipótesis:

 H0 : δ = 0 ( La serie no es estacionaria, ρ = 1)

(2.7)
 H : δ < 0. (ρ < 1)

1
Entonces, si se rechaza H0 , la serie es estacionaria.

Cabe mencionar que, luego de hacer una primera “diferenciación"se debe realizar la
prueba DF para corroborar si la serie es estacionaria, caso contrario se debe hacer
una segunda “diferenciación"hasta conseguir el objetivo.
Observación: [Capa, 2007] menciona que en series económicas en general se puede

llegar a diferenciar hasta dos veces. Un número de diferencias mayor al necesario,
hace que el proceso sea no invertible y la varianza sea mayor con respecto al modelo
diferenciado correctamente.
Una extensión a la prueba DF es la prueba de Dickey-Fuller Aumentada (ADF), la
cual fue desarrollada para el caso en que el término de error ut está correlacionado.
La prueba consiste en agregar los valores retardados de la variable dependiente ∆Xt
y así estimar la siguiente regresión:
m
∆Xt = δXt−1 + ∑ αi ∆Yt−i + ǫt , t ∈ Z (2.8)
i =1
donde, ǫt es ruido blanco y ∆Yt−i = (Yt−i − Yt−i−1 ).

2 Se llama ruido blanco a una sucesión de variables aleatorias con esperanza cero, igual varianza e
independientes en el tiempo.
22
2.4.2. Metodología de Box y Jenkins
La metodología más utilizada para identificar, estimar, verificar y predecir un modelo

ARI MA( p, d, q) (Autoregressive Integrated Moving Average) es la de Box y Jenkins
(1970), ya que se puede manejar cualquier tipo de series, estacionarias y no
estacionarias. Además, se la ha implementado en la mayoría de los programas
estadísticos.
Un modelo ARI MA( p, d, q) puede representarse por:
Φ( B)(1 − B)d Xt = Θ( B)ut t ∈ Z (2.9)
donde, Φ( B) y Θ( B) tienen sus raíces fuera del círculo unidad y ut es ruido blanco
con varianza σ2 .
Utilizando los trabajos de [Hurtado, 2008] y [Capa, 2008], se resume esta metodología
en los siguientes pasos:
Primeramente, se debe verificar la estacionariedad de la serie (aplicar la prueba

ADF), en caso de no ser estacionaria se debe diferenciar hasta alcanzar
estacionariedad (d > 0).
Luego, para la elección de los valores de p y q, se deben analizar las funciones
de autocorrelación parcial (FACP) y autocorrelación (FAC) respectivamente. A
esta fase se le llama identificación a priori. Por tanto, en esta fase se identifica
un modelo ARI MA (p,d,q) tentativo, cabe mencionar que se puede hallar más
de una tripleta ( p, d, q).
Para cada tripleta ( p, d, q) obtenida en el punto anterior, se debe estimar los

parámetros del modelo ARI MA. Existen varios métodos de estimación, en este
trabajo se utiliza el software estadístico EViews 8, el cual utiliza el método de
mínimos cuadrados.
Luego de estimar los modelos, se debe utilizar pruebas estadísticas para

los parámetros y para verificar la hipótesis de ruido blanco. Si todos los
modelos estimados son rechazados, se debe volver al primer punto. Si existen
varios modelos estimados que pasan las pruebas estadísticas, se escoge el
modelo que tenga el mayor poder predictivo utilizando MAPE (Mean Absolute
23
Percent Error) o la mayor cantidad de información utilizando los estimadores de

cantidad de información AIC, BIC y Hannan − Quinn. A esta fase se la llama
identificación a posteriori.
2( p + q )
AIC ( p, q) = log(σ̂ )2 +
T
logT
BIC ( p, q) = log(σ̂ )2 + ( p + q)
T
log(logT )
HQ( p, q) = log(σ̂ )2 + ( p + q)c , c>2
T
T
1 yt − yˆt
MAPE = ∑| | ∗100, yt 6= 0
T t =1
yt
Donde T es el número de observaciones, σ̂2 es el estimador de máxima
verosimilitud para la varianza del ruido blanco.
Finalmente, cuando se escoge el mejor modelo se puede realizar la predicción

para un periodo posterior al de los datos.
2.5. Modelo ARIMAX - Función de Transferencia
Para la descripción de esta sección se utilizan los trabajos de [Novales, 1993],

[Pankratz, 1991] y [Andrews et al., 2013].
ARIMAX es el acrónimo de autoregressive integrated moving-average with exogenous
variables. Esto es una extensión de un modelo ARIMA que incorpora variables
exógenas las cuales agregan valor explicativo al modelo.
Las variables exógenas se pueden ver como variables externas en el sentido de que
la información que contienen proviene de una fuente distinta a la serie de tiempo que
se desea estudiar. A este modelo también se lo conoce como modelo de función de
transferencia.
Es conveniente especificar un modelo de función de transferencia cuando se cree
que una representación adecuada de la estructura estocástica del término de error
resultante de la relación de Xt hacia Yt precisa de una modelización ARI MA, pues
no estaría suficientemente recogida por los sencillos esquemas de autocorrelación
utilizados en el modelo de regresión lineal general.
24
Definición 5. Si Yt depende de Xt de alguna manera, se puede escribir esto como:
Yt = f ( Xt )
donde, f (.) es llamada función de transferencia.
Yt podría reaccionar a un cambio de Xt con un retardo de tiempo que se distribuye a lo

largo de varios periodos de tiempo. Asumimos que esta relación de retardo distribuido
es lineal, por lo que podemos escribir la función de transferencia f ( Xt ) como una
combinación lineal de sus valores Xt actuales y pasados así:
Yt = υ0 Xt + υ1 Xt−1 + υ2 Xt−2 + . . .
También podemos escribir la función de transferencia en la forma del operador de

retardo:
υ ( B ) = υ0 + υ1 B + υ2 B 2 + υ3 B 3 + . . .
donde, Bk Xt = Xt−k .
Por tanto, la representación del modelo de función de transferencia puede ser escrito
como:
Yt = C + υ( B) Xt + Nt (2.10)
donde:
Yt es la serie de salida (variable dependiente),
C es un término constante,
Xt es la serie de entrada (variable independiente),
Nt es la perturbación estocástica del modelo que admitirá una representación
univariante:
θ ( B)Θ( B)
Nt = ut
φ( B)Φ( B)
donde las mayúsculas hacen referencia a la naturaleza estacional de los polinomios
respectivos y ut es un ruido blanco gaussiano, es decir, tiene distribución normal.
υ( B) Xt es la función de transferencia (o función de respuesta al impulso), la cual

permite que X influencie en Y a través de un retardo distribuido.
25
Los coeficientes υ j se denominan pesos de respuesta de impulso, estos pueden ser

positivos o negativos. Cuanto mayor sea el valor absoluto de cualquier peso υ j , mayor
es la respuesta de Yt a un cambio de Xt− j .
La serie de salida Yt puede no reaccionar inmediatamente a un cambio de la serie de

entrada Xt , así algunos pesos iniciales pueden ser cero, a estos se los llama tiempo
muerto y se los denota por b. Por ejemplo, si υ0 = υ1 = υ2 = 0 y υ3 6= 0, entonces
b = 3.
Teóricamente, la función de transferencia υ( B) Xt tiene un número infinito de
coeficientes. Entonces, podemos escribir la función de transferencia como un
polinomio racional distribuido de retardos de orden finito.3 :
ωh ( B) Bb
υ ( B ) Xt = Xt
δr ( B)
donde:
ωh ( B) = ω0 + ω1 B + ω2 B2 + . . . + ωh Bh (polinomio de medias móviles);
δr ( B) = 1 − δ1 ( B) − δ2 ( B2 ) − . . . − δr ( Br ) (polinomio autorregresivo);
Bb incorpora el tiempo muerto.
Un instrumento básico en la especificación del modelo de función de transferencia es

la función de correlación cruzada, definida como el cociente entre la covarianza de X
e Y, a distintos retardos, y el producto de sus desviaciones típicas:
γxy (k)
ρ xy (k ) =
s x sy
donde:
1 T −k
( xt − x )(yt+k − y) k = 0, 1, 2...
n t∑
γxy (k ) =
=1
1 T
( xt−k − x )(yt − y) k = 0, −1, −2...
n t=∑
γxy (k) =
k +1
Identificación de un modelo de función de transferencia
La identificación del modelo de transferencia consiste en obtener valores aproximados

de los coeficientes de la función de respuesta al impulso υ( B), de modo que puedan
3 También se conoce como la función respuesta de impulso de Koyck, véase [Pankratz, 1991], cap.4
26
utilizarse los órdenes r y h de los de los polinomios δ( B) y ω ( B) respectivamente, así

como el tiempo muerto b.
Si las variables que se pretende relacionar no son estacionarias, sus funciones
de correlación cruzada, autocorrelación y autocorrelación parcial, no decaerán
rápidamente hacia cero. Por tanto, es necesario transformar mediante diferencias para
lograr estacionariedad, lo cual se denota como: yt = ∆d Yt , xt = ∆d Xt y nt = ∆d Nt .
Entonces:
yt = υ( B) xt + nt
que conserva los mismo coeficientes de la original.

Para obtener estimaciones de los coeficientes de la función de respuesta al impulso
υ0 , ..., υn , se debe resolver el siguiente sistema con las estimaciones muestrales de la
función de correlación cruzada:
    
γxy (0) γxx (0) γxx (1) ... γxx (q) υ
     0
γxy (1) γxx (1) γxx (0) . . . γxx (q − 1) υ1 
    
 =
 ..   .. ..   .. 
  (2.11)
 .   . .  . 
    
γxy (q) γxx (q) γxx (q − 1) . . . γxx (0) υq
Estimación de un modelo de función de transferencia
Una vez identificado el modelo de transferencia (sin estacionalidad):

ωh ( B) θ ( B)
yt = xt + ut
δr ( B) φ( B)
y dados unos valores iniciales ( x0 , y0 , u0 ) podemos obtener los residuos sucesivos
ut (b, ω, δ, φ, xθ0 , y0 , u0 ) a partir de t0 = max {r, s + b} + 1 y, bajo el supuesto de
normalidad, tratar de minimizar la suma de cuadrados:
ρ
mı́n S2 (b, δ, ω, ρ) = mı́n Σ T u2t (b, δ, ω, , y0 , u0 )
x0
Utilizando derivadas parciales, el vector gradiente se debe igualar al cero vector:
∂ut ∂ut ∂ut ∂ut
= 0; = 0; = 0; =0
∂δ ∂ω ∂ρ ∂b
para lo cual se puede utilizar el algoritmo de Gauss-Newton (estimación de mínimos
cuadrados4 ) a partir de estimaciones iniciales θ̂ = (δ̂, ω̂, ρ̂, b̂).
4 Véase [Novales, 1993], capítulo 12, sección 6.

27
Verificación del modelo de función de transferencia
Para una correcta especificación de la función de transferencia es necesario que

los residuos estén libres de autocorrelación, para contrastar la hipótesis nula H0 :
los residuos del modelo son ruido blanco, se puede utilizar el estadístico Q de Ljung y
Box que se distribuye como una chi-cuadrado con g + 1 − (r + h − 1) grados de
libertad, donde r y h son los órdenes de los polinomios AR y MA respectivamente
de la función de transferencia y que no dependen del modelo del ruido.
Ahora supongamos la forma racional de retardos para dos entradas o dos variables
independientes Xt1 , Xt2 , entonces tenemos:
Yt = v1 ( B) Xt1 + v2 ( B) Xt2
ω1 ( B) Bb1 ω2 ( B) Bb2
= Xt1 + Xt2
δ1 ( B) δ2 ( B)
donde:
ωi ( B) = ω0i + ω1i B + ω2i B2 + . . . + ωhi i Bhi
para i = 1, 2
δi ( B) = 1 − δ1i ( B) + δ2i ( B2 ) + . . . + δri i ( Bri )
para i = 1, 2
Si extendemos para M entradas, la notación es la siguiente:

M
Yt = ∑ vi ( B)Xti
i =1
M
ω i ( B ) B bi
= ∑ δi ( B)
Xti
i =1
Por tanto, el modelo de función de transferencia para M entradas puede ser descrito
por la siguiente ecuación:
M
ω i ( B ) B bi
Yt = ∑ δi ( B) Xti + Nt (2.12)
i =1
28
La perturbación estocástica puede ser escrita en la forma general de un modelo

SARI MA( p, d, q)( P, D, Q)s
θ ( B)Θ( Bs )
Nt = ut (2.13)
φ( B)Φ( Bs )(1 − B)d (1 − Bs ) D
donde, ut es un ruido blanco gaussiano, es decir, sigue una distribución normal. En
este caso se dice que la ecuación (2.12) sigue un modelo ARIMAX.
2.5.1. Algoritmo ARIMAX
La construcción de un modelo ARIMAX, básicamente consiste de dos fases: construir

un modelo de regresión lineal estadísticamente sólido y luego los errores de la
regresión lineal son modelados con términos AR y MA para así eliminar cualquier
correlación serial estadísticamente significativa.
Los pasos a seguir son los siguientes:
1. Verificar que la variable dependiente Yt y las variables exógenas Xti sean

estacionarias para i = 1, ..., n. Caso contrario, convertir las series en series
estacionarias.
2. Realizar la prueba de causalidad de Granger bi-direccional (Yt ↔ Xti ) para

i = 1, ..., n. En este punto nos interesa una causalidad unidireccional ( Xt → Yt ),
es decir, que la variable independiente Xt cause a la manera de Granger a Yt .
3. Realizar un análisis de correlación entre las variables exógenas restantes. Si

existe un par de variables con una correlación mayor a 0,7 se remueve la variable
que menos correlación tenga con la variable dependiente Y.
4. Construir un modelo de regresión lineal estadísticamente significativo sin

presencia de multicolinealidad.
5. Evaluar los residuos mediante las funciones de autocorrelación y

autocorrelación parcial y agregar términos AR o MA. En este punto se puede
aplicar la metodología de Box y Jenkins para establecer el modelo adecuado.
Capítulo 3
Metodología Analítica
En este capítulo se describe la metodología empleada en la construcción del modelo

de stress test, para lo cual se inicia con la descripción de la variable dependiente y
las variables independientes, se ajusta el modelo de series temporales con variables
exógenas- ARIMAX (modelo de función de transferencia) a nuestra base de datos,
para finalmente presentar los resultados y proceder a validar el modelo obtenido.
3.1. Construcción del modelo de stress
La información considerada para la construcción del modelo de stress consiste en

datos de series de tiempo con frecuencia mensual desde enero 2006 hasta marzo
2016. Estos datos han sido tomados de las entidades de regulación como: Banco
Central del Ecuador (BCE), Superintendencia de Bancos del Ecuador (SBE) e Instituto
Nacional de Estadística y Censos (INEC).
3.1.1. Variable dependiente
Para este estudio se considera como variable dependientes al índice de morosidad del
crédito de consumo otorgados por los bancos privados del Ecuador. La SBE según la
nota técnica número 5, calcula este índice como sigue:
Cartera Improductiva Consumo

Morosidad Consumo =
Cartera Bruta Consumo
29
30
La cartera improductiva de consumo se refiere a la cartera de crédito que no devenga

intereses ni ingresos y la cartera vencida están compuestas por:
Cartera de Créditos de Consumo que no devenga intereses.
Cartera de Créditos de Consumo Reestructurada que no devenga intereses.
Cartera de Créditos de Consumo Vencida.
Cartera de Créditos de Consumo Reestructurada Vencida.
La cartera bruta de consumo está compuesta por:
Cartera de Créditos de Consumo por Vencer.
Cartera de Créditos de Consumo Reestructurada por Vencer.
Cartera de Crédito Improductiva de Consumo.
La cartera por vencer es aquella cuyo plazo no ha vencido y aquella vencida hasta
30 o 60 días posteriores a la fecha de vencimiento de la operación o de acuerdo a
lo establecido en el respectivo contrato, sin perjuicio del cálculo de los intereses por
mora a que hubiere lugar desde el día siguiente del vencimiento de la operación.
La cartera que no devenga es la que ha dejado de pagar unas cuotas conforme la

norma de cartera, pero todavía no cumple las condiciones para ser traslada a cartera
vencida, por lo que ha dejado de ganar intereses.
La cartera vencida es la que tiene más tiempo de atraso que la cartera que no devenga
y tiene más dificultades para recuperarse, ya no genera intereses ni ingresos.
31
Figura 3.1: Índice de Morosidad del crédito de consumo del sistema de bancos
privados, periodo enero 2006 - marzo 2016.
Fuente: SBE
Como se puede ver en la figura 3.1, a partir del año 2014 se tiene un comportamiento
creciente importante sobre el promedio (5,29 %), llegando a febrero 2016 un índice de
morosidad de 9,29 %, el mismo que se considera como un máximo en el periodo de
estudio.
Una cartera en impago elevada genera un problema que compromete la viabilidad
a largo plazo del sistema financiero, pues esto conlleva a un problema de liquidez
haciendo que se desestabilice el sistema.
Si el supervisor conoce los niveles de significancia de los factores que influyen
en el índice de morosidad, podría implementar un sistema de alerta basado en
dichos factores. De tal manera podría anticipar y minimizar los efectos a eventos
desfavorables de la economía o políticas gubernamentales.
3.1.2. Variables independientes
A continuación se describe los factores que se consideraron para la elaboración

del modelo estadístico, evaluando el impacto de las variables de carácter
macroeconómico (PIB, inflación, etc.) así como las que están relacionadas en
la gestión del sistema financiero (liquidez, margen de intermediación, etc.).
Adicionalmente, se introduce un indicador que recoje el impacto de la caída del precio
del petróleo.
32
3.1.2.1. Factores Macroeconómicos
Según [Vallcorba and Delgado, 2007] todavía no existe a nivel teórico un modelo
general que permita precisar los determinantes de la morosidad bancaria. Sin
embargo, existen trabajos que analizan los factores macroeconómicos que pueden
contribuir a explicar la morosidad en el sistema financiero, aunque las variables
empleadas por los diferentes países no coinciden en su totalidad.
Los factores macroeconómicos que generalmente se incluyen en los análisis son los
siguientes: variación real del producto interno bruto (PIB), precios de las materias
primas, nivel de ingresos y empleo, inflación, tipos de tasas de interés, nivel de
endeudamiento, depreciación de la moneda, tipo de cambio real, entre otros.
Cabe mencionar que el grado de significancia y el signo de las variables difiere entre
los diferentes trabajos realizados.
Para el presente estudio se consideran las siguientes variables1 :
Índice de actividad económica coyuntural - IDEAC
IDEAC es un indicador económico de periodo mensual, estructurado con variables

físicas de producción que señalan la tendencia de la actividad económica coyuntural.2
El objetivo es presentar una visión instantánea de la coyuntura económica en base a
la evolución de distintas actividades. Este indicador está diseñado para reflejar las
variaciones reales de la producción.
Su forma de cálculo es:
n
IDEAC = ∑ Wj ∗ IQ j , con j = 1, . . . , n
j =1
VABj
Wj = n
∑ j=1 VABj
Q j,t
IQ j = ∗ 100
Q̃ j
1 Las definiciones han sido tomadas del documento “Metodología de la Información Estadística
Mensual", Banco Central del Ecuador, abril 2011, 3ra edición.
2 Se entiende como actividad económica coyuntural a la situación actual de la economía y sus
perspectivas futuras.
33
Donde:
n es el número de industrias consideradas en el cálculo del IDEAC.
VABj es el Valor Agregado Bruto de la industria j.
Wj es la ponderación relativa del Valor Agregado Bruto de la industria j.
Q j,t es el volumen de producción de la industria j, en el mes t.
Q̃ j es el volumen de producción promedio de los 12 meses del año base de la industria
j.
IQ j es el índice de volumen de producción la industria j.
Para construir el IDEAC se toman como base las ponderaciones registradas en las
Cuentas Nacionales, así se seleccionan las diferentes industrias tomando en cuenta
el peso relativo dentro del PIB, además de la viabilidad para conseguir información
mensual.
Las industrias seleccionadas y que alcanzan una cobertura superior al 60 %
del PIB total son: banano, café y cacao, pesca y caza, refinación de petróleo,
carnes y elaborados de pescado, cereales y panadería, manufactura, electricidad,
construcción y obras públicas, comercio, transporte, servicios financieros y servicios
gubernamentales.
Figura 3.2: Índice de actividad económica coyuntural - IDEAC e Índice de Morosidad

del crédito de consumo del sistema de bancos privados, enero 2006 - marzo 2016.
Fuente: BCE, SBE
Se espera que el IDEAC presente una relación negativa con respecto a la morosidad,
pues cuando se tiene una expansión en la economía, las empresas y familias deberían
34
presentar menor dificultad para cumplir sus obligaciones financieras.

[Aguilar et al., 2004] en su trabajo concluyen que la tasa de crecimiento del nivel de
actividad, con dos retardos, tiene un impacto negativo y significativo.
Por otra parte, [Méndez et al., 2001] estiman que el indicador de morosidad disminuye
cuando la actividad económica crece luego de doce meses.
Precio barril de petróleo
Este factor indica el precio del barril de petróleo fijado en base al marcador
estadounidense West Texas Intermediate (WTI). Dado que Ecuador es un país
exportador neto de petróleo, se ha demostrado que el crecimiento económico
reacciona positivamente cuando sube el precio del petróleo y de manera negativa
cuando desciende el mismo.
Figura 3.3: Precio petróleo WTI, periodo enero 2006 - marzo 2016.
Fuente: BCE
Se observa en la figura 3.3 que existe una importante caída del precio en el periodo
de julio-2008 a febrero-2009 y a partir de julio-2014 hasta marzo-2016.
Este factor nos permite construir dos variables para nuestro estudio:
Crecimiento precio petróleo: esta variable contiene el porcentaje de crecimiento del

precio del petróleo con respecto al mes anterior. Se la calcula de la siguiente manera:
Observaci ón f inal − Observaci ón inicial

Crecimiento = ∗ 100 (3.1)
Observaci ón inicial
Crisis: esta es una variable binaria la cual indica 1 si existe una caída permanente en
el precio del petróleo (Véase la figura 3.3), 0 caso contrario.
35
Exportaciones
Este factor consta de las exportaciones de productos primarios no petroleros (banano

y plátano, café y elaborados, camarón, cacao y elaborados, atún y pescado,
flores, entre otros.) y las exportaciones de productos industrializados no petroleros
(Químicos y fármacos, manufacturas de metales, manufacturas de textiles, maderas
terciadas y prensadas, extractos y aceites vegetales, entre otros.), de este modo se
puede construir las variables crecimiento aplicando la ecuación (3.1).
Figura 3.4: Exportaciones primarias e industrializadas no petroleras, periodo enero

2006 - marzo 2016.
Fuente: BCE
Importaciones
Se considera las importaciones de bienes de consumo, es decir, compras en el

exterior de bienes aptos para ser consumidos directamente por la población, sin que
medie ningún proceso de transformación, y las importaciones de bienes de capital
las cuales se refieren a las importaciones de maquinaria y equipo, principalmente,
destinadas a incrementar el capital de las empresas de distintos sectores (agricultura,
industria y equipos de transporte). De esta manera se puede medir el crecimiento
mensual de las importaciones en cada segmento.
36
Figura 3.5: Importaciones de bienes de capital y consumo, periodo enero 2006 - marzo
2016.
Fuente: BCE
Inflación
La inflación mide el aumento del nivel general de los precios de bienes y servicios
consumidos por los hogares. El indicador fundamental para calcular la inflación es el
índice de precios al consumidor (IPC), el cual se lo mide de forma anual, mensual y
acumulado. Para este estudio se considera la inflación mensual. La inflación promedio
en el periodo de estudio es 0,3391 %.
Figura 3.6: Inflación mensual, periodo enero 2006 - marzo 2016.

Fuente: BCE
Índice de confianza al consumidor - ICC

37
Este índice define el nivel de optimismo que tienen los hogares respecto de sus
percepciones actuales y futuras en relación al consumo, a la situación económica
del hogar y al escenario económico del país; convirtiéndose en un indicador clave del
estado general de la economía. Su medida se encuentra en el intervalo de 0 a 100,
siendo 0 un reflejo de una percepción negativa ante la situación actual y el porvenir
económico del país y el hogar. Por el contrario, 100 refleja un nivel muy optimista de
la situación económica actual y futura.
Figura 3.7: Índice de confianza al consumidor e Índice de Morosidad del crédito de

consumo del sistema de bancos privados, periodo enero 2006 - marzo 2016.
Fuente: BCE
Podemos notar en la figura 3.7 que el índice de morosidad es alto cuando la confianza
del consumidor es baja y cuando la morosidad es baja la confianza del consumidor
es alta.
Desempleo
El mercado laboral es el lugar en donde convergen la oferta y demanda de trabajo

y se obtienen indicadores de empleo, desempleo y subempleo. La encuesta de
empleo desempleo y subempleo (ENEMDU) es realizada por el Instituto Nacional de
Estadística y Censos (INEC), en las ciudades de Quito, Guayaquil, Cuenca, Machala y
Ambato de manera mensual en 4.000 hogares del área urbana del país. Para el caso
ecuatoriano, la variable desempleo está medida con frecuencia anual desde el año
2006 hasta el año 2010 y a partir de este último se mide con frecuencia trimestral hasta
el periodo de marzo 2016. Sin embargo, para la construcción de esta variable se utiliza
38
la técnica de interpolación lineal para llenar los datos faltantes. La tasa promedio de
desempleo en el periodo de estudio es 6,34 %.
Figura 3.8: Tasa de desempleo urbano, periodo enero 2006 - marzo 2016.
Fuente: INEC
Canasta Familiar Básica
La Canasta Familiar Básica (CFB) es un conjunto de bienes y servicios que son

indispensables para satisfacer las necesidades básicas un hogar compuesto por
4 miembros con 1,6 perceptores de ingresos, que ganan la remuneración básica
unificada. Calcular el costo de esta canasta es necesario para el análisis de la relación
entre remuneraciones e inflación3 .
De la información anterior, se construye una variable que mide en qué porcentaje
cubre el ingreso familiar mensual a la canasta básica como sigue:
Costo Canasta B ásica − Ingresos Familiares

RESTRICCI ÓN = ∗ 100
Costo Canasta B ásica
Si Restricción < 0, se entiende que los ingresos familiares son mayores y por tanto
superan el costo de la canasta familiar básica.
Por ejemplo, para marzo 2016 el costo de la canasta básica fue 680,70 USD y el ingreso
familiar mensual 683,20 USD, por tanto se plantea una recuperación (restricción
en caso de que la diferencia sea positiva) en el consumo de 2,50 USD, esto es
3 La información se encuentra en http://www.ecuadorencifras.gob.ec/canasta/
39
RESTRICCI ÓN = −0,37 % del costo actual en ese instante de tiempo de la canasta
básica.
Figura 3.9: Restricción, periodo enero 2006 - marzo 2016.

Fuente: INEC
En la figura 3.9 podemos observar un comportamiento cíclico de periodo anual y que

a partir del año 2014, el ingreso familiar ha sido superior al valor de la canasta básica
en los primeros meses del año.
3.1.2.2. Factores Microeconómicos
Los factores microeconómicos son aquellos que están relacionados con las políticas
de manejo y estrategias de participación del mercado de cada entidad (o conjunto de
entidades), es decir, son factores internos. Estos factores son importantes debido
a que una adecuada selección de créditos y el mantenimiento de un sistema de
vigilancia para la recuperación de los mismos, disminuye la tasa de morosidad de
la cartera crediticia.
Dentro de los boletines financieros publicados por la SBE, se encuentran indicadores
que miden la calidad de activos, liquidez, rendimiento, rentabilidad, eficiencia
operativa, entre otros. Para este estudio se toman en cuenta los siguientes factores 4 :
Rendimiento de Patrimonio - ROE
Mide la rentabilidad del patrimonio, a mayores valores de este ratio representan

mejores condiciones de la empresa. Se calcula de la siguiente manera:
4 Nota técnica No 5, Boletines Financieros - SBE
40
Ingresos− Gastos
∗ 12
N úmero de mes
ROE =
Patrimonio promedio
Donde el patrimonio promedio se refiere al promedio de los valores del patrimonio
registrados al finalizar el ejercicio anterior y los siguientes, hasta el mes de cálculo.
Patrimonio (dic) + Patrimonio (ene) + . . . + Patrimonio (mes actual )

Patrimonio promedio =
N úmero de mes + 1
Para calcular el ROE se debe realizar una estimación previa de Ingresos anuales y
Gastos anual, esto se hace dividiendo el valor de cada uno para el número de meses
al que corresponde, para obtener un promedio mensual que al multiplicarlo por 12
resulte en un total global (anual).
Figura 3.10: Rendimiento de Patrimonio - ROE del sistema de bancos privados,

periodo enero 2006 - marzo 2016.
Fuente: SBE
Como se puede observar en la figura 3.10 a partir del año 2012 presenta un
decrecimiento por debajo del promedio (15,83 %) en el periodo de estudio, llegando a
marzo 2016 un ROE de 6,25 %.
Índice de liquidez
La liquidez es la capacidad de atender obligaciones de corto plazo, por poseer dinero

en efectivo o activos que se transforman fácilmente en efectivo.
Fondos disponibles
Índice de liquidez =
Total depósitos a corto plazo
41
Donde, los fondos disponibles son los recursos que representan dinero en efectivo y
el total de depósitos a corto plazo se consideran dentro de 90 días.
Esta relación permite conocer la capacidad de respuesta del sistema de bancos
privados, frente a los requerimientos de efectivo de sus depositantes, en el corto plazo.
Figura 3.11: Índice de liquidez del sistema de bancos privados, periodo enero 2006 -
marzo 2016.
Fuente: SBE
Notemos en la figura 3.11 que el máximo índice de liquidez es 38,86 % correspondiente

a abril-2008 y que el sistema de bancos privados obtuvo el índice de liquidez mas bajo
de 20,92 % en abril-2015.
Crédito de consumo
Este factor fue definido en la sección 1.1 y da paso para la construcción de dos
variables:
Crecimiento créditos de Consumo: corresponde al crecimiento del volumen de
crédito de consumo con respecto al mes anterior.
Participación del Crédito de Consumo: esta variable representa el porcentaje de

los créditos de consumo con respecto al total de la cartera crediticia.
42
Figura 3.12: Créditos de Consumo del sistema de bancos privados, periodo enero 2006
- marzo 2016.
Fuente: SBE
Figura 3.13: Participación del crédito de consumo del sistema de bancos privados,
periodo enero 2006 - marzo 2016.
Fuente: SBE
Margen de Intermediación
Son las ganancias netas generadas por el negocio de la intermediación financiera.

Por tanto, se define como la diferencia entre la tasa activa y la tasa pasiva de interés.
Margen de Intermediaci ón = Tasa activa − Tasa pasiva
Donde, la tasa activa (colocación) es la que reciben los intermediarios financieros de

los demandantes por los préstamos otorgados y la tasa pasiva (captación) es la que
pagan los intermediarios financieros a los oferentes de recursos por el dinero captado.
43
Figura 3.14: Margen de Intermediación, periodo enero 2006 - marzo 2016.

Fuente: SBE
La existencia de altos márgenes de intermediación, puede estar indicando baja

eficiencia de mercado que no generan incentivos al proceso de ahorro e inversión
de la economía, perjudicando una adecuada intermediación de los fondos de ahorro
y crédito afectando el crecimiento de largo plazo de una economía.
3.1.3. Modelamiento
Para el modelamiento se utilizan los datos desde enero 2006 hasta septiembre 2015,
el resto de datos se guardará para la validación del mismo. Se utilizan los programas
estadísticos Eview 8 y R.
Siguiendo el algoritmo descrito en la sección 2.5.1 se tiene:
1.- Verificar estacionariedad de las variables.
Se analiza la presencia de raíces unitarias en las series originales consideradas en la

sección anterior, realizando la prueba de estacionariedad de Dickey-Fuller Aumentada
(DFA). El significado de las variables se encuentra en el Anexo A.
44
Tabla 3.1: Test de raíces unitarias DFA para series originales.
Variable t-Statistic Prob
MOROSIDAD* 0.3860 0.990

IDEAC -1.5975 0.744
CREC_CRUDO -5.0252 0.010
CREC_EXP_NP -6.0395 0.010
CREC_EXP_PROD_IND_NP -5.9098 0.010
CREC_IMP_CONSUMO -5.5009 0.010
CREC_IMP_BIEN_CAP -5.8371 0.010
INFLACION_MENSUAL -4.5544 0.010
ICC -0.8249 0.957
DESEMPLEO -1.1786 0.907
RESTRICCIÓN -2.8517 0.223
ROE -2.8305 0.232
IND_LIQ -2.2471 0.474
CREC_CRED_CONSUMO -4.9118 0.010
PARTIC_CONSUMO -0.4929 0.981
M_INTER -1.2905 0.871
*Variable dependiente
-Hipótesis Nula: La serie tiene una raíz unitaria.
-Las regresiones incluyen constante y tendencia.
El test indica que si la probabilidad es menor a 0,05 (95 % de confiabilidad) se rechaza

la hipótesis nula, es decir, se rechaza que la serie posee una raíz unitaria. Por tanto,
para las series que no se rechaza la hipótesis nula realizamos una diferencia no
estacional.
45
Tabla 3.2: Test de raíces unitarias DFA para series con una diferencia no estacional.
D(MOROSIDAD)* -5.8498 0.010

D(IDEAC) -6.6302 0.010
D(ICC) -6.5051 0.010
D(DESEMPLEO) -3.4150 0.045
D(RESTRICCIÓN) -6.5913 0.010
D(ROE) -4.6724 0.010
D(IND_LIQ) -4.6874 0.010
D(PARTIC_CONSUMO) -3.0539 0.139
D(M_INTER) -3.2125 0.049
Podemos notar que la serie PARTICIPACION_CONSU MO aún tiene raíz unitaria.

Se procede a realizar una segunda diferencia no estacional.
Tabla 3.3: Test de raíces unitarias DFA para series con dos diferencias no
estacionales.
D(D(PARTIC_CONSUMO)) -6.4238 0.010
Luego, de los resultados obtenidos se puede concluir que las series son estacionarias
con una diferencia no estacional, excepto la serie PARTICIPACION_CONSU MO
46
que necesita dos diferencias no estacionales.
2.- Análisis de causalidad.
Para el análisis de causalidad se realiza el test de causalidad de Granger, el cual

contrasta la siguiente hipótesis nula:
H0 : La variable 1 no causa a la manera de Granger la variable 2.
Tabla 3.4: Test de causalidad de Granger.
Variable 1 −→ Variable 2 Prob(>F)
D(MOROSIDAD) CREC_CRUDO 0.9075

CREC_CRUDO D(MOROSIDAD) 0.0226 *
D(MOROSIDAD) CREC_EXP_NP 0.0236 *
CREC_EXP_NP D(MOROSIDAD) 0.6130
D(MOROSIDAD) CREC_EXP_PROD_IND_NP 0.0003 *
CREC_EXP_PROD_IND_NP D(MOROSIDAD) 0.0500 *
D(MOROSIDAD) CREC_IMP_CONSUMO 0.0153 *
CREC_IMP_CONSUMO D(MOROSIDAD) 0.0047 *
D(MOROSIDAD) CREC_IMP_BIEN_CAP 0.0473 *
CREC_IMP_BIEN_CAP D(MOROSIDAD) 0.0456 *
D(MOROSIDAD) INFLACION_MENSUAL 0.0584
INFLACION_MENSUAL D(MOROSIDAD) 0.0010 *
D(MOROSIDAD) D(IDEAC) 0.0001 *
D(IDEAC) D(MOROSIDAD) 0.8267
D(MOROSIDAD) D(DESEMPLEO) 0.0551
D(DESEMPLEO) D(MOROSIDAD) 0.1699
D(MOROSIDAD) D(ICC) 0.2321
D(ICC) D(MOROSIDAD) 0.3049
D(MOROSIDAD) D(RESTRICCIÓN) 0.0000 *
D(RESTRICCIÓN) D(MOROSIDAD) 0.0552
D(MOROSIDAD) D(ROE) 0.0429 *
D(ROE) D(MOROSIDAD) 0.1459
47
D(MOROSIDAD) D(IND_LIQ) 0.2181

D(IND_LIQ) D(MOROSIDAD) 0.0018 *
D(MOROSIDAD) CREC_CRED_CONSUMO 0.0219 *
CREC_CRED_CONSUMO D(MOROSIDAD) 0.0054 *
D(MOROSIDAD) D(D(PARTIC_CONSUMO)) 0.0000 *
D(D(PARTIC_CONSUMO)) D(MOROSIDAD) 0.0547
D(MOROSIDAD) D(M_INTER) 0.0102 *
D(M_INTER) D(MOROSIDAD) 0.3331
-Retardos: k=6
Los resultados de la tabla 3.4 muestran que las variables

CREC_EXP_PROD_I ND_NP, CREC_I MP_CONSU MO, CREC_I MP_BIEN_CAP
y CREC_CRED_CONSUMO presentan causalidad bidireccional a la manera de
Granger con la variable MOROSIDAD, por tanto no se las toma en cuenta para
la construcción del modelo ya que estamos interesados en efectos unidireccionales.
Los efectos bidireccionales serían posibilidad de estudios posteriores, pues pueden
requerir técnicas más sofisticadas como los vectores autorregresivos (VAR).
3.- Análisis de Correlación.
Se procede a construir una matriz de correlación para las variables exógenas.

Se observa en la figura 3.15 que ninguna variable está altamente correlacionada,
por tanto no se descarta ninguna de las variables restantes para la construcción del
modelo.
48
Figura 3.15: Matriz de correlación para variables exógenas.
4.- Regresión lineal múltiple.
El objetivo es explicar el comportamiento de la morosidad de los créditos de consumo

del sistema de bancos privados, utilizando factores macroeconómicos (7) y factores
microeconómicos (4) y una variable ficticia que recoge la información de la caída del
petróleo.
Se parte de un modelo de regresión lineal múltiple donde se incluyen 2, 4 y 6 retardos
de cada variable, excepto para la variable CRISIS (variable ficticia).
Se realizó una estimación que incorporaba una variable macroeconómica importante
como desempleo, pues se pensaba que si una persona estaba desempleada existía
una alta probabilidad de que el individuo caiga en impago de sus obligaciones, incluso
el desempleo de meses pasados podía afectar el cumplimiento de sus obligaciones,
pero debido a la calidad de los datos no resultó significativa.
Las variables inflación mensual, ROE, crecimiento de exportaciones no petroleras,
participación del crédito de consumo y sus respectivos rezagos tampoco resultaron
significativas. Por tanto, el modelo estimado al cual llamaremos modelo 1 es el
siguiente:
49
Tabla 3.5: Modelo 1
Variable Coeficiente Error Estándar Significancia Intervalo de confianza al 95 %
Inferior Superior
CRISIS 0.0520 0.0193 0.0293 0.0139 0.0900

D(IDEAC) -0.0024 0.0009 0.0053 -0.0041 -0.0007
D(ICC) -0.0490 0.0172 0.0054 -0.0831 -0.0148
D(RESTRICCIÓN) -0.0410 0.0171 0.0186 -0.0750 -0.0070
D(IND_LIQ) -0.0731 0.0193 0.0003 -0.1114 -0.0348
D(IND_LIQ(-4)) -0.0582 0.0183 0.0019 -0.0944 -0.0220
D(MARGEN_INTER) -0.0840 0.0397 0.0366 -0.1627 -0.0053
-R2 − ajustada: 0,3712 -AIC: 0,4520 -MAPE: 27,62 %

-S.E regresión: 0,2943 -BIC: 0,6219
-Log. Max. Veros.: −18,313 -HQ: 0,5209
Las variables de la tabla anterior resultan estadísticamente significativas al 95 % de

confianza. La variable D ( I ND_LIQ(−4)) indica el índice de liquidez con cuatro
retardos y una diferencia no estacional. Además, se calculan los estimadores de
cantidad de información AIC, BIC y Hannan-Quinn; el porcentaje de error medio
absoluto (MAPE) y el logaritmo de máxima verosimilitud.
4.1- Multicolinealidad.
Para la detección de multicolinealidad, calculamos la matriz de correlación lineal para

las variables del modelo 1.
Se observa en la figura 3.16 que no existe una alta correlación lineal entre las
variables.
50
Figura 3.16: Matriz de correlación para variables exógenas del modelo estimado.
Para complementar este análisis calculamos los valores propios de la matriz de

correlación lineal y de este modo obtener el índice de condición (IC).
s
2,0583
r
λmax
IC = = = 2,1476
λmin 0,4462
Para el modelo 1 se tiene un IC = 2,1476 < 10, lo que implica que no hay presencia
de multicolinealidad.
5.- Análisis de residuos
Realizamos una representación gráfica de las funciones de autocorrelación y

autocorrelación parcial para verificar si los residuos del modelo 1 se comportan
como un ruido blanco, es decir, si los residuos son no correlacionados, centrados
y gaussianos.
51
Figura 3.17: FAC y FACP residuales estimadas del modelo 1.
Podemos notar en la figura 3.17 que los errores aún no pueden ser considerados
h i
√ ; 1,96
como ruido blanco, puesto que se salen de las bandas de confianza − 1,96 √
T T
asumiendo un nivel de significancia del 5 %, donde T es el número de observaciones.
Para lograr que los residuos se comporten como ruido blanco, agregamos términos
autorregresivos (AR) y/o términos media móvil (MA), identificando y estimando
(mínimos cuadrados ordinarios) un nuevo modelo con la metodología de Box y
Jenkins.
En base al correlograma de los residuales estimados del modelo 1, se decidió incluir
los coeficientes AR(12), MA(1) y MA(11) y resultaron significativos. Luego de realizar
las pruebas estadísticas concernientes a los parámetros y a la hipótesis de ruido
blanco se obtiene un nuevo modelo al cual lo llamaremos modelo 2.
52
Tabla 3.6: Modelo 2.
Inferior Superior
CRISIS 0.1078 0.0281 0.0002 0.0520 0.1636

D(IDEAC) -0.0016 0.0007 0.0233 -0.0029 -0.0002
D(ICC) -0.0239 0.0115 0.0412 -0.0467 -0.0010
D(RESTRICCIÓN) -0.0628 0.0212 0.0040 -0.1050 -0.0206
D(IND_LIQ) -0.0345 0.0134 0.0115 -0.0611 -0.0079
D(IND_LIQ(-4)) -0.0429 0.0138 0.0025 -0.0702 -0.0155
D(MARGEN_INTER) -0.1076 0.0310 0.0008 -0.1692 -0.0460
AR(12) 0.7094 0.0664 0.0000 0.5776 0.8412
MA(11) -0.6012 0.0680 0.0000 -0.7363 -0.4661
MA(1) -0.3428 0.0744 0.0000 -0.4905 -0.1950
-R2 − ajustada: 0,6890 -AIC: −0,2287 -MAPE: 8,00 %

-Log. Max. Veros.: 21,4344 -HQ: −0,1232
Para el modelo 2 podemos observar que todas las variables incluyendo los
términos autorregresivos y media móvil son estadísticamente significativos al 95 %
de confianza.
R2 − ajustada nos indica que el modelo 2 explica el 68,90 % de la variabilidad en el
incremento de la morosidad.
Utilizando la notación de función de transferencia, el modelo 2 puede ser escrito de la

siguiente manera:
0,1078 0,0016
D ( MOROSIDADt ) = CRISISt − D ( IDEACt ) −
1 − 0,7094B 1 − 0,7094B
0,0239 0,0628
D ( ICCt ) − D ( RESTRICCI ÓNt ) −
1 − 0,7094B 1 − 0,7094B
0,0345 + 0,0429B3 0,1076
D ( I ND_LIQt ) − D ( IDEACt ) +
1 − 0,7094B 1 − 0,7094B
1 − 0,3428B − 0,6012B11
ut
1 − 0,7094B
La variable crisis tiene un efecto positivo y significativo promedio de 0,1078 para el
incremento de la tasa de morosidad, manteniendo el resto de factores constante.
53
En lo concerniente a los factores macroeconómicos tal como se esperaba, el índice

de actividad económica coyuntural tiene un impacto negativo y significativo en el
incremento de la tasa de morosidad, es decir, que a mayor crecimiento de la economía
disminuye el incremento de la morosidad de los créditos de consumo del sistema de
bancos privados del Ecuador. En otras palabras se puede decir que las fluctuaciones
económicas se transmiten de forma rápida a los créditos en mora.
El impacto del incremento de la tasa de morosidad al incremento del índice de

actividad económica coyuntural es en promedio −0,0016, manteniendo el resto de
variables constantes.
El incremento de la morosidad en promedio es explicado por el índice de confianza

al consumidor en −0,0239, manteniendo el resto de variables constantes. Se espera
que el incremento de la confianza al consumidor ayude a disminuir el incremento de
la morosidad del sistema de banco privados.
El incremento de la variable restricción tiene un efecto negativo y significativo en

el incremento de la morosidad, es decir, que cada vez que los ingresos familiares
mensuales no superan el costo de la canasta básica familiar (restricción en el
consumo), el incremento de la morosidad disminuye en promedio −0,0628, fijando
el resto de variables constantes.
En cuanto a los factores microeconómicos, el incremento del índice de liquidez

conjuntamente con el incremento del índice de liquidez, rezagado cuatro periodos,
tienen un impacto negativo y significativo promedio de −0,0345 y −0,0429
respectivamente en el incremento de la morosidad, manteniendo el resto de variables
constantes.
El incremento de la morosidad en promedio es explicado por el incremento del

margen de intermediación en −0,1076, manteniendo el resto de variables constantes.
El deterioro de este margen puede llevar a que el sistema de bancos privados se
vea presionado a percibir mayor rentabilidad en el corto plazo, de este modo colocar
54
mayor crédito de consumo con mayor riesgo lo cual aumentará la probabilidad de

mora.
Además, se ha estimado que el incremento de la morosidad rezagado doce periodos

(un año atrás), contribuye a explicar el incremento del índice de morosidad, esto se
debe a los créditos de consumo otorgados un año atrás. El impacto promedio es de
0,7094, manteniendo las demás variables constantes.
El impacto de los errores del incremento del índice de morosidad de uno y once
periodos atrás son negativos y significativos.
Por otra parte, los residuos estimados del modelo 2 se comportan como ruido blanco,
pues se encuentran dentro de la banda de confiabilidad.
En lo que concierne a los indicadores estadísticos de calidad (se deben minimizar

los estimadores, salvo el logaritmo de máxima verosimilitud que se debe maximizar)
el modelo 2 (Véase tabla 3.6) es superior al modelo 1 (Véase tabla 3.5) como se
muestra a continuación:
55
Tabla 3.7: Estadísticos de calidad.
MODELOS S.E Regresión AIC BIC HQ Log. Verosimil. MAPE
Modelo 1 0.2943 0.4520 0.6219 0.5219 -18.313 27.62 %

Modelo 2* 0.2058 -0.2287 0.0318 -0.1232 21.434 8.00 %
Modelo 2** 0.2058 -0.2287 0.0318 -0.1232 21.434 3.22 %
* Pron. Dinam.
** Pron. Estat.
Además, el modelo 2 tiene un mayor poder predictivo puesto que el error porcentual
absoluto medio (MAPE) disminuye considerablemente con respecto al modelo 1. Cabe
mencionar que en ciertas ocasiones no se logran minimizar todos los criterios, por
tanto se debe elegir el modelo que cumpla con el mayor número de criterios.
Figura 3.19: Comparación de predicciones del modelo 2 con valores reales, periodo
junio 2007 - marzo 2016.
En la figura 3.19 podemos observar dos tipos de pronósticos, los pronósticos estáticos
y los pronósticos dinámicos. Los pronósticos estáticos se calculan con los valores de
la serie original, mientras que los pronósticos dinámicos a partir del segundo periodo
se utiliza el valor estimado y no el valor real del periodo precedente (para el primer
periodo ambas predicciones coinciden).
56
Una vez que se encuentra el mejor modelo que describe a los datos de la morosidad
del crédito de consumo de los bancos privados, se lo utiliza para comparar los valores
de predicción con los valores verdaderos que se guardaron para la validación del
modelo (octubre 2015 - marzo 2016). Para confirmar que el modelo 2 realiza buenas
predicciones a corto plazo, se grafican conjuntamente con los intervalos de confianza
correspondientes (nivel de confianza 95 %).
octubre 2015 - marzo 2016.
Al observar la figura 3.20 se puede corrobar lo mencionado anteriormente, es decir,

que el modelo 2 estimado mediante la metodología ARIMAX es un buen modelo para
pronosticar el índice de morosidad del crédito de consumo para el sistema de bancos
privados del Ecuador.
Además, se realizó una validación cruzada para examinar la estabilidad de los

parámetros estimados en el tiempo. Se escogió tres ventanas de tiempo, la primera
corresponde al periodo 2006 − 2009, la segunda ventana de tiempo corresponde al
periodo 2008 − 2012 y la última ventana de tiempo a 2010 − 2016.
Se observa que el 77 % de los parámetros estimados en las diferentes ventanas de
tiempo se encuentran dentro del intervalo de confianza (95 %) calculado para los
estimadores del modelo, lo cual es aceptable.(Véase Anexo B)
Finalmente, se estima un modelo de series de tiempo con la metodología usual

para comparar los resultados con la metodología propuesta. Un modelo válido para
57
SD(MOROSIDAD) es:
Inferior Superior
AR(12) -0.580 0.0766 0.0000 -0.7325 -0.4279

AR(3) 0.320 0.0674 0.0000 0.1866 0.4546
MA(11) -0.694 0.0687 0.0000 -0.8307 -0.5576
-R2 − ajustada: 0,4751 -AIC: −0,2514

-S.E regresión: 0,2099 -BIC: −0,1691
-Log. Max. Veros.: 14,5649 -HQ: −0,2182
Donde, SD(MOROSIDAD) representa la serie del índice de morosidad con una

diferencia no estacional (d=1) y una diferencia estacional (D=12).
Matemáticamente, el modelo 3 se lo puede representar como sigue:
SD ( MOROSIDADt ) = 0,320 ∗ SD ( MOROSIDADt−3 )−
0,580 ∗ SD ( MOROSIDADt−12 ) + ut − 0,694 ∗ ut−11

58
Los residuos estimados del modelo 3 se comportan como ruido blanco, pues se
encuentran dentro de la banda de confiabilidad.
Otro modelo válido para SD(MOROSIDAD) es:
Inferior Superior
AR(12) -0.505 0.082 0.0000 -0.669 -0.341

AR(3) -0.341 0.103 0.0015 -0.548 -0.135
MA(11) -0.390 0.079 0.0000 -0.547 -0.233
MA(3) 0.643 0.105 0.0000 0.433 0.853
-R2 − ajustada: 0,413 -AIC: −0,094

-Log. Max. Veros.: 8,366 -HQ: −0,051
Matemáticamente, el modelo 4 se lo puede representar como sigue:
SD ( MOROSIDADt ) = −0,341 ∗ SD ( MOROSIDADt−3 ) − 0,505 ∗ SD ( MOROSIDADt−12 )−
ut + 0,643 ∗ ut−11 − 0,390 ∗ ut−11
Los residuos estimados del modelo 4 se comportan como ruido blanco, pues se
encuentran dentro de la banda de confiabilidad.
59
En cuanto a los indicadores estadísticos de calidad (se deben minimizar los

estimadores, salvo el logaritmo de máxima verosimilitud que se debe maximizar) el
modelo 3 (Véase tabla 3.8) es superior al modelo 4 (Véase tabla 3.9) como se muestra
a continuación:
Tabla 3.10: Estadísticos de calidad.
MODELOS S.E Regresión AIC BIC HQ Log. Verosimil. MAPE
Modelo 3* 0.209 -0.251 -0.169 -0.218 14.564 23.73 %

Modelo 3** 0.209 -0.251 -0.169 -0.218 14.564 3.35 %
Modelo 4 0.226 -0.094 0.014 -0.051 8.366 24.61 %
* Pron. Dinam.
** Pron. Estat.
60
junio 2007 - marzo 2016.
En la figura 3.23 podemos observar dos tipos de pronósticos, los pronósticos estáticos
y los pronósticos dinámicos. Si bien los pronósticos estáticos se comportan de una
forma similar al del modelo 2, nuestro interés está centrado en los pronósticos
dinámicos ya que estos utilizan la estimación precedente para el siguiente pronóstico.
A partir del año 2012 se tiene una mala estimación del índice de morosidad.
Una vez que se encuentra el mejor modelo que describe a SD(MOROSIDAD), se lo

utiliza para comparar los valores de predicción con los valores verdaderos que se
guardaron para la validación del modelo (octubre 2015 - marzo 2016). Para confirmar
que el modelo 3 realiza buenas predicciones a corto plazo, se grafican conjuntamente
con los intervalos de confianza correspondientes (nivel de confianza 95 %).
61
octubre 2015 - marzo 2016.
Sin duda se puede observar en la figura 3.24 que los pronósticos no son buenos para
el modelo 3, lo cual ratifica el uso de la metodología propuesta, por tanto, el modelo
2 es el mejor para estimar y pronosticar el índice de morosidad de los créditos de
consumo en el sistema de bancos privados.
Capítulo 4
Análisis de Escenarios
En este capítulo se evalúan algunos escenarios para analizar el impacto de los

factores macroeconómicos y microeconómicos en el índice de morosidad de los
créditos de consumo para el sistema de bancos privados del Ecuador. Se divide en
dos secciones: la primera sección consiste en un análisis de sensibilidad, es decir,
analizar un único factor manteniendo el resto de factores constantes, y la segunda
sección consiste en un análisis de dos escenarios,se evalúa un escenario pesimista
y un escenario optimista. Para ambos análisis de escenarios se utiliza el modelo 2
estimado.
4.1. Análisis de Sensibilidad
CRISIS
En septiembre 2015 el índice de morosidad alcanzó el 7,579 % según los datos

de la SBE y el pronóstico para ese instante de tiempo con el modelo obtenido
es 7,517 %. El valor del incremento del índice de actividad económica es 2,38
con respecto al mes anterior, existe un incremento del índice de confianza al
consumidor realmente bajo de 0,001, la restricción del consumo de los hogares
aumenta en 0,23 %, se incrementa la liquidez con respecto al cuatrimestre
anterior en 1,93 % pero disminuye con respecto al mes anterior en −0,44 % y
el incremento del margen de intermediación es −0,24 %.
Ahora supongamos que para este tiempo no hubiese existido una caída brusca
del precio del petróleo, es decir, CRISIS = 0 manteniendo el resto de factores
62
63
constantes, el índice de morosidad para este escenario es 7,409 %.
Figura 4.1: Análisis de sensibilidad para la variable CRISIS, septiembre 2015
Este escenario disminuye el índice de morosidad en 0,108 %.
D(IDEAC)
Supongamos que el incremento de la variable IDEAC hubiese disminuido en una

unidad manteniendo los demás factores constantes,es decir, para septiembre
2015 hubiese pasado de 2,376 a 1,376. Entonces el índice de morosidad hubiese
sido 7,519 %
Figura 4.2: Análisis de sensibilidad para la variable D(IDEAC), septiembre 2015
Al realizar el escenario de una caída en la actividad económica coyuntural, el

índice de morosidad aumenta en 0,002 % con respecto al pronóstico del punto
64
de observación. El impacto de esta variable es realmente pequeño, la variable

que recoge la información de la caída de petróleo tiene una mayor influencia.
D(ICC)
Supongamos que el índice de confianza al consumidor (ICC) hubiese disminuido

en 1 % y mantenemos las demás variables constantes, observamos que el
incremento del ICC hubiese pasado de 0,009 a −0,998 y por tanto el índice de
morosidad hubiese sido 7,541 %.
Figura 4.3: Análisis de sensibilidad para la variable D(ICC), septiembre 2015
Se puede observar que este escenario produce un aumento en el índice de

morosidad de 0,024 % con respecto al pronóstico de septiembre 2015.
D(RESTRICCIÓN)
Supongamos que para septiembre 2015 los ingresos familiares mensuales

hubiesen sido 659,80 USD, es decir, 1 USD menor al valor real, el costo de la
canasta básica hubiese sido 670,53 USD. Entonces utilizando la fórmula descrita
en la sección 3.1.2 se calcula la RESTRICCI ÓN = 1,6 % y por tanto el índice de
morosidad hubiese sido 7,508 % manteniendo los demás factores constantes.
65
Figura 4.4: Análisis de sensibilidad para la variable D(RESTRICCIÓN), septiembre

2015
Cuando aumenta la variable restricción el índice de morosidad disminuye. Es

decir, cuando el incremento de la restricción del consumo aumenta, existe un
menor comprometimiento de renta de las familias, esto explica que la morosidad
disminuya.
D(IND_LIQ)
En cuanto a los factores microeconómicos, supongamos que el incremento del índice

de liquidez hubiese aumentado en 1 % para septiembre 2015 manteniéndose el resto
de factores constante. Entonces, el índice de morosidad hubiese sido 7,483 %.
66
Figura 4.5: Análisis de sensibilidad para la variable D((IND_LIQ), septiembre 2015
Del mismo modo asumiendo que el incremento del índice de liquidez con cuatro
rezagos hubiese aumentado en 1 %, el índice de morosidad hubiese sido 7,475 %.
Figura 4.6: Análisis de sensibilidad para la variable D((IND_LIQ(-4)), septiembre 2015
D(MARGEN_INTER)
Finalmente, supongamos que el incremento del margen de intermediación

hubiese aumentado en 1 % fijando el resto de factores constante, entonces el
índice de morosidad es 7,409 %.
67
Figura 4.7: Análisis de sensibilidad para la variable D(MARGEN_INTER), septiembre

2015
De lo anterior podemos observar que la variables que mayor impacto tienen en el

índice de morosidad son: crisis y el incremento del margen de intermediación, la
primera produce un impacto positivo en el índice de morosidad cuando existe una
caída permanente del precio del barril de petróleo y la segunda genera un impacto
negativo cuando el incremento del margen de intermediación aumenta.
4.2. Análisis de escenarios
Para el Comité de Basilea, un escenario de tensión es una recopilación de

suposiciones acerca de las condiciones económicas que son improbables que ocurran
en un horizonte de evaluación, pero tendrían efectos muy negativos en cuanto a
pérdidas crediticias si ocurrieran.
Se realiza el siguiente análisis de escenarios para dos puntos de observación:

septiembre 2015 y marzo 2016.
El primer escenario que se considera es de tipo “pesimista", tomando en cuenta el

comportamiento adverso de algunos factores. Supongamos que el incremento del
índice de actividad económica coyuntural se hubiese comportado como el mínimo
valor en el periodo de estudio, es decir, −106,618, hubiese existido una caída del
68
precio del barril de petróleo (CRISIS = 1) y el incremento del índice de liquidez para
t y (t − 4) del sistema de bancos privados hubiese sido −5,369 % (mínimo valor en el
periodo de estudio), fijando el resto de factores constante se obtiene:
Figura 4.8: Análisis de escenario pesimista
El segundo escenario que se considera es de tipo “optimista"tomando en cuenta los

valores históricos más favorables para las variables independientes. Supongamos
que no hubiese existido una caída del precio del barril de petróleo (CRISIS = 0),
el incremento de la confianza del consumidor se hubiese comportado como el
valor máximo con respecto al periodo de estudio y el incremento del margen de
intermediación hubiese sido el valor máximo respecto al mismo periodo, manteniendo
el resto de factores constantes se obtiene:
69
Figura 4.9: Análisis de escenario optimista
Finalmente, se realiza los escenarios anteriores para el periodo de validación

septiembre 2010 a marzo 2016.
Figura 4.10: Análisis de escenarios
En el gráfico 4.10 se observa que al construir un escenario optimista, el índice de

morosidad mínimo que alcanza es 6,40 % en diciembre 2015 y el máximo es 7,93 % en
marzo 2016 .
Por otra parte, el escenario pesimista alcanza un valor mínimo de 8,57 % en octubre
2015 y su valor máximo es de 10,23 % en febrero 2016.
Capítulo 5
Conclusiones y Recomendaciones
El riesgo de crédito es el riesgo más importante al que debe hacer frente una entidad
o sistema financiero, pues la principal actividad del sistema financiero ecuatoriano es
la concesión de créditos. La manifestación de este riesgo es el índice de morosidad,
es decir, las obligaciones que no han sido pagadas a tiempo por los acreditados. El
índice de morosidad afecta de forma negativa y, si esta es elevada la entidad o sistema
puede quebrar.
Entender la morosidad del sistema financiero sirve para anticipar dificultades dentro
del mismo. Aunque no provoque una quiebra, puede causar muchos trastornos al
sector real de la economía, accionistas y a las entidades de supervisión bancaria.
En el Ecuador a partir del año 2014 se evidencia un crecimiento importante del índice
de morosidad para la cartera de crédito de consumo, alcanzando un valor máximo de
9,29 % en febrero 2016.
El objetivo de esta investigación es construir un modelo de stress asociado a

la morosidad de la cartera de consumo en el sistema financiero ecuatoriano,
particularmente en el sistema de bancos privados para el periodo enero 2006 a marzo
2016, utilizando tanto factores macroeconómicos como microeconómicos.
El modelo de stress obtenido permite realizar seis predicciones del índice de

morosidad del sistema de bancos privados. Constituye un aporte técnico importante
para la política de supervisión del sistema financiero, debido a que la predicción
70
71
adecuada del índice de morosidad del crédito de consumo permitirá realizar una mejor
gestión y control de dicha cartera de crédito. Además, se puede realizar un análisis de
sensibilidad y evaluar escenarios hipotéticos gracias a los factores externos incluidos
en el modelo lo que debería ser un aporte para mejorar la política económica y
anticipar dificultades que pueden causar trastornos al sector real de la economía.
Tomando en consideración los resultados obtenidos, podemos enumerar las

siguientes conclusiones:
1. Parece claro que la actividad económica influye en el índice de morosidad:

durante una recesión de la economía, las familias y empresas captan menos
ingresos lo que dificulta el cumplimiento de sus obligaciones; por lo contrario,
cuando hay una expansión de la economía existe una mayor captación de
ingresos y el índice de morosidad decrece como se aprecia en la figura 3.2. Este
factor coincide con la bibliografía revisada, ya que el incremento del índice de
actividad económica coyuntural presenta un efecto negativo para el incremento
de morosidad.
A esto podemos añadir que el Ecuador siendo un país exportador de petróleo,
el incremento del índice de morosidad se ve afectado de forma positiva cuando
existe una caída permanente del precio de barril de petróleo (WTI).
2. Se estima que si el incremento del índice de confianza al consumidor aumenta,

entonces el incremento del índice de morosidad disminuye. Es decir, si el
consumidor se siente optimista frente a la situación actual y futura de la
economía es porque sus ingresos no han decaído, por tanto, pueden cubrir todas
sus obligaciones.
3. El incremento del factor RESTRICCIÓN el cual recoge la información del costo

de la canasta básica y los ingresos familiares mensuales resultó significativa y
negativa. Es decir, cuando existe una restricción en el consumo de las familias
(RESTRICCI ÓN > 0) el incremento del índice de morosidad disminuye.
4. La liquidez del sistema de bancos privados del periodo actual y el cuatrimestre

anterior tienen un impacto negativo con respecto al incremento del índice de
morosidad.
72
5. La caída del margen de intermediación financiera aumenta la morosidad, esto

puede hacer que los gestores cambien la orientación de su política crediticia
buscando una mayor rentabilidad, lógicamente, de incurrir en un mayor riesgo.
6. El término autorregresivo del modelo tiene el mayor efecto en el incremento de

la morosidad, esto hace referencia a los créditos de consumo otorgados doce
meses atrás.
7. La metodología propuesta (ARIMAX) resultó mejor que la metodología clásica

(ARIMA) para este estudio. Esto indica que el índice de morosidad no puede ser
explicado solamente con su pasado. Además, gracias a que se añade variables
externas se puede evaluar escenarios de stress.
Con el propósito de facilitar el trabajo futuro y la calidad de las predicciones del modelo
de stress test, es necesario realizar las siguientes recomendaciones:
1. Automatizar el modelo de stress test mediante el uso del software libre R u otros.
2. Considerar otros factores externos para mejorar la predicción del índice de

morosidad como: nivel de desempleo o empleo, producto interno bruto (PIB),
nivel de ingresos, que no fueron incluidos debido a la falta de información con
frecuencia mensual.
3. Estimar el modelo obtenido para otras carteras de crédito.
4. Estudiar las posibles ventajas que implicaría la utilización de los modelos de

stress test en las entidades de supervisión bancaria.
5. Se requiere de otras metodologías para estudiar la causalidad bidireccional,

el efecto feedback de tasas y otras variables importantes pero se necesita
mayor cantidad de información, una posibilidad sería un modelo de vectores
autorregresivos (VAR).
Bibliografía
[Aguilar et al., 2004] Aguilar, G., Camargo, G., and Saravia, R. M. (2004). Análisis de
la Morosidad en el Sistema Bancario Peruano. Instituto de Estudios Peruanos.
[Andrews et al., 2013] Andrews, B., Dean, M., Swain, R., and Cole, C. (2013). Building
ARIMA and ARIMAX Models for Predicting Long-Term Disability Benefit Application
Rates in the Public/Private Sectors. University of Southern Maine, Society of
Actuaries, 1.
[Blanschke et al., 2001] Blanschke, W., Jones, M., Majnoni, G., and Martinez, S.
(2001). Stress Testing of Financial Systems: An Overview of Issuses, Methodolgies,
and FSAP Experiences. International Monetary Fund, 1.
[Capa, 2007] Capa, H. (2007). Modelación de Series Temporales. Monografías de

Matemática y Estadística, 1 edition.
[Capa, 2008] Capa, H. (2008). Un Primer Curso en Series Temporales. Monografías

de Matemática y Estadística, 1 edition.
[Díaz, 2012] Díaz, O. (2012). Identificación de booms crediticios en América Latina.

Banco Central de Bolivia, 1.
[González, 2009] González, M. (2009). Técnicas de Predicción Económica, volume 1.

Sarriko-On, Universidad del País Vasco.
[Gujarati and Porter, 2010] Gujarati, D. and Porter, D. (2010). Econometría.

McGRAW-HILL, 5 edition.
[Hurtado, 2008] Hurtado, C. (2008). Series de Tiempo. Facultad de Ciencias y

Matemáticas, Universidad de Chile, 1.
73
74
[Jurado et al., 2010] Jurado, L., Hiraldo, M., and Sanz, O. (2010). Una aproximación
a las técnicas cuantitativas en las pruebas de estrés a la banca. Universidad de
Pablo de Olavide, Departamento de Economía, 1.
[Méndez et al., 2001] Méndez, O. C., Víquez, R. D., and Salas, E. M. (2001).
Sensibilidad de la Razón de Morosidad y Liquidez del Sistema Bancario Nacional
ante cambios en el entorno: Un enfoque utilizando datos de panel. Departamento
de Investigaciones Económicas, Banco Central de Costa Rica.
[Novales, 1993] Novales, A. (1993). Econometría. McGRAW-HILL, 2 edition.
[Pankratz, 1991] Pankratz, A. (1991). Forecasting with Dynamic Rgression Models.

John Wiley and Sons, Inc.
[Shumway and Stoffer, 2011] Shumway, R. and Stoffer, D. (2011). Time Series
Analysis and Its Applications With R Examples. Springer, 3 edition.
[Sorge, 2001] Sorge, M. (2001). Stress-testing financial systems: an overview of

current methodolgies. International Monetary Fund, 1.
[Vallcorba and Delgado, 2007] Vallcorba, M. and Delgado, J. (2007). Determinantes

de la Morosidad Bancaria en una Economía Dolarizada. El caso Uruguayo.
Eurosistema, Banco de España,.
[Čihák, 2004] Čihák, M. (2004). Stress Testing: A Review of key Concepts. Internal
Research and Policy Notes of the Czech National Bank.
[Wooldridge, 2013] Wooldridge, J. (2013). Introductory Econometrics: A Modern

Approach. South-Western, Cengage Learning, 5 edition.
ANEXO A: Significado de variables
explicativas
i VARIABLE DESCRIPCIÓN
1 IDEAC Índice de actividad económica coyuntural.
2 CREC_CRUDO Crecimiento del precio del crudo con respecto al mes anterior ( %).
3 CREC_EXP_NP Crecimiento de las exportaciones de productos primarios no petroleros
con respecto al mes anterior ( %).
4 CREC_EXP_PROD_IND_NP Crecimiento de las exportaciones de productos industrializados no
petroleros con respecto al mes anterior ( %).
5 CREC_IMP_CONSUMO Crecimiento de las importaciones de bienes de consumo con respecto al
mes anterior ( %).
6 CREC_IMP_BIEN_CAP Crecimiento de las importaciones de bienes de capital con respecto al
mes anterior ( %).
7 INFLACION_MENSUAL Tasa de inflación mensual ( %).
8 ICC Índice de confianza al consumidor.
9 DESEMPLEO Tasa de desempleo urbano mensual ( %).
10 RESTRICCIÓN Porcentaje que cubre el ingreso familiar a la canasta básica.
11 ROE Rentabilidad del patrimonio del sistema de bancos privados ( %).
12 IND_LIQ Índice de liquidez ( %).
13 CREC_CRED_CONSUMO Crecimiento del volumen de crédito de consumo con respecto al mes
anterior ( %).
14 PARTIC_CONSUMO Porcentaje de los créditos de consumo con respecto al total de la cartera
crediticia ( %).
15 M_INTER Margen de intermediación ( %).
16 CRISIS 1 si cae permanentemente el precio del petróleo, 0 caso contrario.
75
ANEXO B: Estabilidad de los
parámetros
Tabla 5.1: Estabilidad de los parámetros estimados del modelo 2
VARIABLE Parámetro Lím. Inf. Lím. Sup. 2006-2009 2008-2012 2010-2016
CRISIS 0.1078 0.0520 0.1636 0.125 0.082 0.153

D(IDEAC) -0.0016 -0.0029 -0.0002 -0.001 -0.002 -0.001
D(ICC) -0.0239 -0.0467 -0.0010 0.057 -0.031 0.002
D(REST) -0.0628 -0.1050 -0.0206 -0.047 -0.105 -0.104
D(IND_LIQ) -0.0345 -0.0611 -0.0079 -0.048 -0.032 -0.031
D(IND_LIQ(-4)) -0.0429 -0.0702 -0.0155 -0.035 -0.050 -0.037
D(MARG_IND) -0.1076 -0.1692 -0.0460 0.227 -0.112 -0.128
AR(12) 0.7094 0.5776 0.8412 0.584 0.739 0.821
MA(11) -0.6012 -0.7363 -0.4661 -0.893 -0.880 -0.619
MA(1) -0.3428 -0.4905 -0.1950 0.001 0.053 -0.300
Los números marcados con color rojo no se encuentran dentro del intervalo de
confianza (95 %) de los parámetros del modelo 2.
76
77
Figura 5.1: Estabilidad de los parámetros estimados del modelo 2.

ANEXO C: Funciones de R
######## Librerias Requeridas ########
library(readxl) # leer archivos de excel

library(ggplot2) # gráficos especializados
library(tseries) # series temporales y finanzas
library(forecast) # pronósticos
library(lmtest) # análisis causal
library(corrplot) # gráfico de correlación
library(astsa) # gráficos de series temporales
library(TSA) # análisis de series temporales
library(MASS) # soporte de funciones y bases de datos
####### Funciones utilizadas #######
# Prueba de estacionariedad Dickey Fuller Augmented
adf.test(x, alternative = c("stationary", "explosive"),

k = trunc((length(x)-1)^(1/3)))
# Diferenciación de una serie
diff(x, ...)
# Correlogramas de FACP y ACP
78
79
acf2(series, max.lag = NULL, ...)
# Causalidad de Granger
grangertest(x, y, order = 1, na.action = na.omit, ...)
# Regresión Lineal
lm(formula, data, subset, weights, na.action,

method = "qr", model = TRUE, x = FALSE, y = FALSE, qr = TRUE,
singular.ok = TRUE, contrasts = NULL, offset, ...)
# Regresión Lineal Automática
stepAIC(object, scope, scale = 0,

direction = c("both", "backward", "forward"),
trace = 1, keep = NULL, steps = 1000, use.start = FALSE,
k = 2, ...)
# Regresión Series de Tiempo
dynlm(formula, data, subset, weights, na.action, method = "qr",

model = TRUE, x = FALSE, y = FALSE, qr = TRUE, singular.ok = TRUE,
contrasts = NULL, offset, start = NULL, end = NULL, ...)
# Intervalos de confianza
confint(object, parm, level = 0.95, ...)
# Matriz de correlación
corrplot()
80
# Valores y vectores propios
eigen(x, symmetric, only.values = FALSE, EISPACK = FALSE)
# Prueba de normalidad
jarque.bera.test(x)
# Prueba de homocedasticidad
bptest(formula, varformula = NULL, studentize = TRUE, data = list())
# Prueba de correlación de residuos
Box.test(x, lag = 1, type = c("Box-Pierce", "Ljung-Box"), fitdf = 0)

ANEXO D: Código Eviews
# El código utilizado para la estimación del modelo es el siguiente:
Estimation Command:
=========================
LS(DERIV=AA) D(MOROSIDAD) CRISIS D(IDEAC) D(ICC) D(RESTRICCION) D(IND_LIQ)
D(IND_LIQ(-4)) D(MARGEN_INDET) AR(12) MA(11) MA(1)
Estimation Equation:
=========================
D(MOROSIDAD) = C(1)*CRISIS + C(2)*D(IDEAC) + C(3)*D(ICC) + C(4)*D(RESTRICCION)
+ C(5)*D(IND_LIQ) + C(6)*D(IND_LIQ(-4)) + C(7)*D(MARGEN_INDET) +
[AR(12)=C(8),MA(11)=C(9),MA(1)=C(10),BACKCAST=2007M06,ESTSMPL="2007M06 2015M09"]
Substituted Coefficients:
=========================
D(MOROSIDAD) = 0.10782189068*CRISIS - 0.0015625627552*D(IDEAC) -
0.0238517881984*D(ICC) - 0.0627784195472*D(RESTRICCION) -
0.0345126620678*D(IND_LIQ) - 0.0428640376772*D(IND_LIQ(-4)) -
81
82
0.107586755924*D(MARGEN_INDET) +
[AR(12)=0.709411418333,MA(11)=-0.601218278563,
MA(1)=-0.342760867664,BACKCAST=2007M06,ESTSMPL="2007M06 2015M09"]

Tesis Stres Testing Capitulo 2

Cargado por

Copyright:

Formatos disponibles

Tesis Stres Testing Capitulo 2

Cargado por

Información del documento

Descripción original:

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Tesis Stres Testing Capitulo 2

Cargado por

Copyright:

Formatos disponibles

ESCUELA POLITÉCNICA NACIONAL

STRESS TESTING DE LA MOROSIDAD DEL CRÉDITO DE CONSUMO EN EL

TRABAJO DE TITULACIÓN PREVIO A LA OBTENCIÓN DEL TÍTULO

CARLOS LUIS GONZÁLEZ VALLEJO

DIRECTORA: ADRIANA UQUILLAS ANDRADE, PhD.

Quito, Junio 2017

La Escuela Politécnica Nacional puede hacer uso de los derechos correspondientes

Adriana Uquillas Andrade, PhD.

Al culminar una etapa importante de mi vida, agradezco a Dios por la bendición de

Gracias a los docentes de la Facultad de Ciencias, quienes han hecho un valioso

Gracias a María Reneé por apoyarme y siempre estar a mi lado.

A mis hermanos, quienes me apoyaron siempre incluso lejos de casa.

ANEXO A: Significado de variables explicativas 75

ANEXO B: Estabilidad de los parámetros 76

ANEXO D: Código Eviews 81

1.1. Índice de Morosidad por cartera de crédito del sistema de bancos

3.1. Índice de Morosidad del crédito de consumo del sistema de bancos

3.12.Créditos de Consumo del sistema de bancos privados, periodo enero

4.1. Análisis de sensibilidad para la variable CRISIS, septiembre 2015 . . . . 63

5.1. Estabilidad de los parámetros estimados del modelo 2. . . . . . . . . . 77

3.1. Test de raíces unitarias DFA para series originales. . . . . . . . . . . 44

5.1. Estabilidad de los parámetros estimados del modelo 2 . . . . . . . . . . 76

El propósito de esta investigación es construir un modelo de stress test asociado

Se consideran factores macroeconómicos y microeconómicos para la construcción

El modelo estimado es utilizado para pronosticar, realizar análisis de sensibilidad y

Palabras claves: pruebas de tensión, series temporales con variables exógenas

El seguimiento y evaluación de las entidades financieras se ha convertido en un

El sistema financiero cumple un papel fundamental para el funcionamiento de una

1. Gestionan o administran riesgos.

3. Procesan información y supervisan a los prestatarios.

5. Facilitan el intercambio de bienes y servicios (proporcionan el acceso a los

Por su parte, el Comité de Supervisión Bancaria de Basilea1 en su artículo

El Comité de Basilea ha identificado cuatro principios básicos del proceso de

1. Las entidades deberán contar con un proceso para evaluar la suficiencia

2. Los supervisores deberán examinar periódicamente el proceso utilizado por las

3. Los supervisores deberán tener expectativas de que las entidades operen

4. Los supervisores tratarán de intervenir con prontitud a fin de evitar que el

La importancia del examen supervisor es que no solamente se centra en el volumen

Por lo antes mencionado, el objetivo principal de este trabajo es construir un modelo

Para la construcción del modelo de stress, se aplica la metodología de series

1.1. Generalidades: Sistema Financiero Ecuatoriano

La Superintendencia de Bancos del Ecuador (en lo sucesivo “SBE") define al sistema

El sistema financiero ecuatoriano se encuentra compuesto por: instituciones

al total de las instituciones financieras privadas.4

En cuanto a la administración de riesgo, la SBE en el Libro I: “Normas generales

Un indicador del riesgo de crédito es el índice de morosidad, es decir, el porcentaje

En este trabajo nos centramos en la cartera de crédito de consumo. De acuerdo a

que generalmente se amortizan en función de un sistema de cuotas periódicas y

Traspaso a cartera vencida.- La cartera vencida registra el valor de toda clase

Cartera improductiva.- Son préstamos que no generan renta financiera a la

Cartera de crédito Bruta.- Es el total de la cartera de crédito (consumo) de una

Por tanto, el índice de morosidad de la cartera de consumo se calcula como sigue:

Cartera Improductiva Consumo

A marzo 2016 la participación de la cartera de crédito de consumo disminuyó 2,31 %,

1.2. Stress Testing

La prueba de tensión es de gran importancia en el proceso de gestión de riesgo de las

Cuando se trata del análisis de una entidad financiera en particular, se denomina

micro stress testing, caso contrario, si se trata de analizar un conjunto de entidades

Análisis de sensibilidad: busca identificar cómo las carteras responden a los