MODELO ECONOMÉTRICO SOBRE LA TASA DE MORA BANCARIA ECONOMETRÍA. Introducción

Transcripción

1 Rafael Andrés Rozas 3º E-3 A MODELO ECONOMÉTRICO SOBRE LA TASA DE MORA BANCARIA ECONOMETRÍA Objetivo del trabajo: Introducción El objetivo del trabajo es principalmente el de aplicar los conocimientos adquiridos en la asignatura de Econometría para poder estimar las razones que llevan a una entidad bancaria a sufrir distintas tasas de mora. Siendo estas pertenecientes a la Zona Euro donde la crisis financiera ha sido especialmente impactante sobre la deuda privada, una de las más altas dentro del contexto mundial. Entre las variables explicativas tenemos la prima de riesgo de cada país, el régimen de provisiones que ha realizado la entidad o los fondos propios de alta calidad que componen su equity. Motivo de la elección del tema: Hemos elegido este tema por la importancia que tiene en la actualidad, como uno de los problemas claves de las economías europeas, en especial de la española. Sobre todo, determinante ha sido el tema de los desahucios pues un gran porcentaje de los préstamos impagados corresponde a deudas hipotecarias. Estudios previos: No hay estudios previos al respecto, al menos a nivel público. A nivel interno, las entidades financieras tienen sus servicios de estudios que con toda seguridad se han planteado éste. Una pena no poder acceder a los mismos para comparar estructura del modelo, resultados y conclusiones. Hipótesis de partida: β 2 Signo esperado positivo debido a que, ante una mayor cantidad de inmuebles que la entidad financiera tiene en propiedad tras haber tenido que ejecutar la garantía real del inmueble por impago de la deuda hipotecaria, los deudores morosos en conjunto (hipotecarios o no) serán mayores por lo que la tasa de mora aumentará. β 3 Signo esperado positivo debido a que, ante una pasada tasa de morosidad reconocida por las entidades en su ejercicio económico anterior al estudiado, la tasa de mora actual habrá aumentado con respecto a esta. β 4 Signo esperado negativo debido a que una política de provisiones con grandes cantidades implica una política más conservadora frente al riesgo. Entonces los préstamos concedidos tendrán un menor riesgo de impago. β 5 Signo esperado positivo debido a que si la entidad financiera presenta grandes volúmenes de activo, es decir, de préstamos concedido (hipotecarios o no), mayor morosidad tendrá al intuirse una política de riesgo más laxa.

2 β 6 Signo esperado negativo debido a que, ante mayores beneficios antes de impuestos, intereses, depreciaciones y amortizaciones obtenidos por la entidad en el último ejercicio económico, la empresa incurre en menores pérdidas relativas al negocio, por lo que menor morosidad. β 7 Signo esperado negativo debido a que ante altas tasas de los fondos propios considerados de alta calidad se intuye una política de riesgos más conservadora. Por ello, los préstamos concedidos tendrán un menor riesgo de impago. β 8 Signo esperado positivo debido a que una entidad financiera constituida en caja de ahorros o similar no posee un objetivo tan puro de obtención de beneficios sino de servicio social. Por ello sus políticas comerciales habrán tenido menos en cuenta la posibilidad de los préstamos concedidos. β 9 Signo esperado negativo debido a que la diversificación de la actividad a nivel internacional permite a las entidades invertir o concentrar su actividad crediticia en proyectos/clientes con menores riesgo al tener un mercado mayor donde actuar. β 10 Signo esperado positivo debido a que si la entidad financiera ha recibido un rescate del Estado implica que la gestión de la misma ha sido no adecuada y que su actividad económica no ha sido fructífera (conceder préstamos que sean devueltos). β 11 Signo esperado positivo debido a que si la entidad financiera se encuentra en un país con una prima de riesgo mayor, será un país más afectado por la crisis financiera y la calidad crediticia de los deudores será menor. La hipótesis de partida incluye que entre las variables más significativas para la estimación del porcentaje de morosidad son: -La pasada tasa de morosidad reconocida por las entidades en su ejercicio económico anterior al estudiado. -El Core Capital que hace intuir una política de riesgos más conservadora cuanto mayor es este y viceversa. -Recibido o no rescate, es decir, ha presentado problemas de liquidez. -Prima de riesgo del país, cuanto mayor sea está hablamos de economías más deprimidas donde los diferentes sectores necesitan préstamos para cubrir costes operativos. Metodología empleada: En primer lugar, hemos realizado una recopilación de los distintos datos que precisábamos para realizar el estudio. Las fuentes de los mismos son las especificadas en el siguiente apartado. Se ha recopilado información de 100 entidades distintas pertenecientes a la Zona euro. Para la estimación de los parámetros se ha utilizado el método de Mínimos Cuadrados Ordinarios (MCO). Así sea conseguido obtener un valor estimado para cada parámetro desconocido del modelo con la intención de que la diferencia entre el valor real de la variable y el valor teórico fuese mínimo.

3 Fuentes, datos y variables empleadas Fuentes empleadas en la obtención de los datos: Los datos los hemos obtenido principalmente de las Cuentas de resultado publicadas por cada entidad en su página web, tanto balance de situación como cuenta de pérdidas y ganancias, además de las memorias (dependiendo del dato precisado). También nos hemos valido de informes de los bancos centrales correspondientes para los datos más generales. Como complemento, no menos válido, acudimos a páginas web de cotizaciones (caso del cálculo de las primas de riesgo) y de vez en cuando a artículos de prensa en los que se analizaban algunos de los datos que hemos empleado. A pesar de ser un trabajo de búsqueda de datos que nos ha llevado el 80% del tiempo dedicado a este trabjo, sin duda ha valido la pena por el interés que suscita y la seriedad que refleja. Definición de las variables empleadas en los modelos y su forma de medida: Ln(nº de morosos) i = β 1 + β 2 pisos en stock i + β 3 Ln(nº de morosos periodo anterior) i + β 4 Ln(provisiones realizadas periodo anterior )i + β 5 volumen de activo i + β 6 margen bruto i + β 7 Ln(core capital) i + β 8 pasado o presente como caja de ahorros i + β 9 presencia internacional i + β 10 recibido rescate del Estado i + β 11 prima de riesgo del país de origen i + u i y i = Ln(nº de morosos) i = tasa de morosidad de la entidad financiera hasta el momento, Medida en porcentaje, tal y como figura en las memorias de la entidad, prensa o informe del Banco Central correspondiente. x 2 = pisos en stock i = cantidad de pisos que la entidad financiera tiene en propiedad tras haber tenido que ejecutar la garantía real del inmueble por impago de la deuda hipotecaria. Medida en euros a partir de los balances de situación, memorias y otros informes de la entidad. x 3 = Ln(nº de morosos periodo anterior) i = tasa de morosidad reconocida por las entidades en su ejercicio económico anterior al estudiado, el Medida en porcentaje, tal y como figura en las memorias de la entidad, prensa o informe del Banco Central correspondiente. x 4 = Ln(provisiones relativas realizadas periodo anterior) i = provisiones/margen bruto*100 = provisiones realizadas durante el ejercicio económico anterior para afrontar posibles contingencias sobre el riesgo vivo hipotecario y otras inversiones. x 5 = volumen de activo i = volumen de activo de la entidad financiera. Medida en euros a partir de los balances de situación, memorias y otros informes de la entidad.

4 x 6 = margen bruto I = beneficios antes de impuestos, intereses, depreciaciones y amortizaciones obtenidos por la entidad en el último ejercicio económico. Medida en euros a partir de las cuentas de pérdidas y ganancias, memorias y otros informes de la entidad. x 7 = Ln(core capital) i = tasa de los fonos propios considerados de alta calidad según las políticas de riesgo obligatorias establecidas por Basilea III. Medida en porcentaje tal y como figura en las memorias de la entidad, prensa o informe del Banco Central correspondiente. x 8 = pasado o presente como caja de ahorros i = si la entidad financiera ha tenido o tiene la consideración societaria de caja de ahorros o similar para fuera de España desde el 2000 o no (1/0). x 9 = presencia internacional i = la entidad financiera tiene actividad económica como tal fuera de España o no (1/0). X 10 = recibido rescate del Estado i = la entidad financiera ha recibido un rescate estatal, con fondos públicos, o no (1/0). X 11 = prima de riesgo del país de origen i = la prima de riesgo del Estado de la Zona Euro (respecto de Alemania) de donde sea de origen la entidad financiera. Medida en puntos porcentuales, calculada a través de una media de los últimos 3 meses para cada país. Resumen descriptivo básico de las variables y gráficos relevantes (X s e Y): A continuación se pueden observar los estadísticos descriptivos de las variables seleccionadas para el análisis sobre la tasa de mora de las entidades financieras de la Zona Euro. Aparecen representadas la media y la mediana siendo éstas medidas de posición, la desviación típica y el coeficiente de variación que son medidas de dispersión, y por último la asimetría y el exceso de curtosis que representan la forma de la distribución. Nuestra variable l_morosos va de -4,1997 a -0,8916, siendo su media de 2,3937 y su desviación típica de 0, Para las variables explicativas corresponden los siguientes estadísticos:

5 b) Gráficos de caja También se incluyen en este apartado los gráficos de caja por variable. Este gráfico suministra información sobre los valores mínimo y máximo, los cuartiles Q1, Q2 o mediana y Q3, y sobre la existencia de valores atípicos (o outliers superiores e inferiores) y la simetría de la distribución l_morosos l_core_capital l_morosos_anter l_provisiones_r Inmuebles 1,8e+008 0,7 1,6e+008 1,4e+008 0,6 1,2e+008 1e+008 8e+007 Frecuencia relativa 0,5 0,4 0,3 6e+007 4e+007 0,2 2e+007 0, e+007 1e+008 1,5e+008 2e+008 Inmuebles Las cuatro primeras variables anteriores han sido modificadas con logaritmos debido a que no recibían una distribución parecida a la normal. Sin embargo, el resto, aunque con algún valor extremo tienen una acumulación superior al 90% en rangos determinados. Esto no ha sido así con la variable inmuebles, la cual hemos tenido que corregir para que se aproxime a una distribución normal aplacando logaritmos.

6 l_inmuebles 19 0, , Frecuencia relativa 0,15 0,1 13 0, l_inmuebles No hay ningún sentido en hacer este estudio de las variables dicotómicas sobre el rescate, pasado o presente como caja y haber o no recibido rescate. c) Gráficos de dispersión X-Y Estos son los gráficos más representativos, donde se pueden apreciar las correlaciones existentes entre las variables. Cuando estamos ante dos variables explicativas muy correlacionadas podemos pensar que hay un problema de multicolinealidad. Esto es inevitable en nuestro estudio pues trabajamos con variables económicas y financieras muy interrelacionadas. -0,5 Y = -0, ,899X l_morosos con respecto a l_morosos_anter (con ajuste mínimo-cuadrático) -0, ,5-1, l_morosos -2,5 l_morosos -2, ,5-3, ,5-4 -3,5-3 -2,5-2 -1,5-1 l_morosos_anter -4,5 0 2e+007 4e+007 6e+007 8e+007 1e+008 1,2e+008 1,4e+008 1,6e+008 1,8e+008 Inmuebles Por ejemplo, vemos como la variable retardada de morosos periodo anterior con la objeto de estudio son muy similares. Del segundo gráfico podemos ver que la política de riesgo se ve uniforme en la determinanción del core capital y los morosos que hay o con el régimen de provisiones. En ambos es una relación negativa.

7 l_provisiones_r con respecto a l_core_capital (con ajuste mínimo-cuadrático) l_morosos con respecto a l_core_capital (con ajuste mínimo-cuadrático) 0 Y = -2,81-0,579X -0,5 Y = -3,24-0,436X , l_provisiones_r -3 l_morosos -2, , ,6-2,4-2,2-2 -1,8-1,6-1,4-4,5-2,6-2,4-2,2-2 -1,8-1,6-1,4-1,2 l_core_capital l_core_capital d) Matriz de correlaciones entre las X s Los valores que se pueden ver en rojo muestran posibles problemas de multicolinealidad porque son valores bastante altos de correlación entre las diferentes variables explicativas. En particular la correlación entre el margen bruto y el volumen total de activos es muy alta con un valor de que nos indica una posible multicolinealidad alta. Esta correlación no es sorprendente porque con un mayor numero de activos, el beneficio que se saca a su rendimiento será proporcional, a menos activo menos beneficio y viceversa. Ha varias variables muy correlacionadas entre sí. Esto se debe a que al basarse el estudio en datos económicos, nos encontramos con que el principio de ceteris paribus queda fácilmente en entre dicho.

8 Desarrollo y resultados Modelos de Mínimos Cuadrados Ordinarios Interpretación de estimaciones de los parámetros y medidas de bondad de ajuste Las interpretaciones de los parámetros estimados son por término medio y ceteris paribus: Un aumento en 1% de la proporción de morosos en 2011 provoca un aumento de 0,819% en la proporción de morosos actual. Un aumento del 1% en la cantidad de inmuebles produce una disminución de 0,015% de la proporción de morosos actual. Un aumento en 1% del core capital provoca una disminución de 0,1182% en la proporción de morosos actual. Un aumento del 1% en la cantidad de relativa de provisiones produce un aumento de 0,045% de la proporción de morosos actual. Un aumento en 1 del promedio en la prima de riesgo provoca un aumento de 0,029% en la proporción de morosos actual. Si la entidad tiene presencia internacional, entonces la morosidad actual aumenta en 1,4%. Si la entidad ha recibido un rescate, entonces la mora actual aumenta en 0,391%. Si la entidad tiene un pasado o presente de caja de ahorros o similar, entonces la tasa de mora actual aumenta en un 15,05%. Para el margen bruto y el volumen de activo no hay apenas variación en la tasa de mora para sus incrementos o disminuciones. La bondad del ajuste se mide a través del valor de R 2. Este valor es y nos dice que el 96,9201% de la variabilidad de la variable endógena está explicada por la variabilidad de las explicativas, que no es un valor muy alto. En general podemos decir que nuestro modelo no es muy significativo según el coeficiente de determinación.

9 Análisis de variables significativas y no significativas y validez global del modelo. En el modelo tenemos 3 variables muy significativas y una bastante significativa y otra menos. Significativas al 1% son la proporción de morosos del periodo anterior (variable retardada), el pasado o presente como caja o entidad similar y finalmente la prima de riesgo del país. Significativa al 5% es la variable de provisiones y al 1% el core capital, ambas dos relacionadas con la política de riesgos de la entidad. Desafortunadamente las otras variables no son significativas: algunas por muy poco, otras por algo más, como la presencia internacional o el habe3r o no recibido rescate. En términos globales para todo el modelo, podemos ver que el valor F es mayor que el valor crítico y que también el valor p para todo el modelo es menor que el 1%. Por esto podemos decir que en general el modelo es significativo al 1%. Otros contrastes interesantes Contraste Conjunto de significación Hipótesis de contraste: H0: ß2 = ß3 = ß4 = ß5 = ß6 = ß7 = ß8 = ß9 = ß10 = ß11 =0 (el modelo no es conjuntamente significativo) H1: Alguna ß 0 (si, el modelo es conjuntamente significativo) F-valor = Vemos que el F-valor es muy grande, vamos a rechazar la hipótesis nula, Esto significa que nuestro modelo es conjuntamente significativo. Heterocedasticidad: resultados del contraste de White: Comparando el valor 78, vemos que es más grande que el de regresiones. No rechazamos la hipótesis nula de homoscedasticidad. Autocorrelacion mediante contraste de Durbin-Watson No hay autocorrelación por encontrarse el valor del contraste próximo al 2. Si estuviera próximo al 0 sería autocorrelación positiva y si estuviera cercano al 4 sería autocorrelación negativa. Siempre para AR1.

10 Contraste de Chow, análisis estructural: Como p-valor menor que el nivel alfa, entonces rechazamos la hipótesis nula de que existe cambio estructural. Hay diferencias claras con trabajar con toda la muestra o dividirla. Análisis de multicolinealidad. Los VIF que gretl nos ofrece para cada variable son inferiores a 10 y es por ello por lo que consideramos que no hay problemas de multicolinealidad a pesar de que sean datas económicos, tal y como sospechábamos a priori.

11 Detección y, en su caso, corrección de problemas en las perturbaciones. 3,5 Estadístico para el contraste de normalidad: Chi-cuadrado(2) = 27,759 [0,0000] uhat4 N(5,7407e-016 0,14902) 3 2,5 Densidad 2 1,5 1 0,5 0-0,4-0,2 0 0,2 0,4 0,6 uhat4 A la vista de la información que arroja gretl podemos apreciar una ausencia de problemas en cuanto a residuos. Por ello, no son necesarias correcciones de ningún tipo. Predicciones sobre el 5-10% de datos reservados de la muestra y análisis acerca de la bondad predictiva del modelo. -1,1-1,2 l_morosos predicción Intervalo de 95 por ciento -1,3-1,4-1,5-1,6-1,7-1,8-1,9-2 -2,1-2,2 las observaciones están ordenadas por l_morosos El modelo es capaz de predecir con bastante buena precisión la variable endógena, la objeto de estudio.

12 Resumen de lo obtenido con el modelo: Conclusiones En el modelo hemos obtenido que las variables explicativas que más afectan a la morosidad actual que afecta a las entidades de la Zona Euro son: -La variable explicativa retardada, la proporción de morosos de La prima de riesgo del país, pues marca el grado de solvencia de la economía en general y de la salud de la misma. Es una medida directa del riesgo al que se enfrentan los inversores de deuda soberana. -El pasado o presente de la entidad como caja de ahorros también marca mucho pues es un claro indicador de la política de riesgos que asume. El no buscar un beneficio al corto y largo plazo genera ineficiencia en la gestión, aunque se favorezcan otro objetivo como el social. -El core capital o fondos propios de alta calidad junto con las provisiones realizadas en proporción al margen bruto también son indicadores de la política de riesgos. Anteriormente se daba más mar4gen de decisión a estas variables, sin embargo desde la aprobación a nivel internacional de BASILEA III y a nivel nacional, por ejemplo en España con los denominados Guindazos (Reales Decretos donde se establecen las provisiones a inmuebles y activos tóxicos), se ha solventado alguna que otra deficiencia al respecto. Algunas de nuestras hipótesis de partidas se han visto rechazadas, como por ejemplo el signo del estimador de los inmuebles. En resumen, podemos decir que la tasa de mora viene determinada fundamentalmente por ola política de riesgo que ha seguido la entidad, el filtro que pone a la hora de conceder prestamos respecto de la solvencia de los clientes; y el propio contexto nacional de la entidad, pues la economía puede acotarse a países y si estos van mal se perderán empleos, sueldos, subirán ciertos impuestos, los precios, y al final será más difícil pagar las deudas. Aportaciones realizadas como consecuencia del trabajo: Como consecuencia del trabajo, hemos aportado un estudio bastante completo, tanto en variables explicativas como en tamaño de la muestra (más de la mitad de entidades de la Zona euro). Es una cuestión de actualidad el problema de la falta de pago a las entidades financieras, pues son el intermediario financiero por excelencia. Es una información muy útil para cualquier servicio de estudios económico, a nivel interno de las entidades, para Consultorías y servicios externos o para las instituciones. Localiza cual es el origen de la tasa de mora dentro de las variables estudiadas. Juicio sobre la experiencia personal al realizar el trabajo: Para mi ha sido muy útil pues a la vez que he aprendido y afianzado muchos de mis conocimientos en econometría me ha sido francamente interesante, desde el uso de gretl hasta el tema objeto de estudio. Sobre todo porque he aplicado parte de lo que aprendí en mi anterior trabajo en Consultoría estratégica del sector financiero.

13 Tabla de datos en Excel: ANEXOS