consideraciones preliminares de la gestiÓn del riesgo … · fuerte crisis de liquidez en el...
TRANSCRIPT
1
CONSIDERACIONES PRELIMINARES DE LA GESTIÓN DEL RIESGO EN EL SISTEMA BANCARIO-EL CASO DE LAS CRISIS BANCARIAS
EN VENEZUELA.
Ruth Guilléna Comentario inicial
Una de las grandes dificultades que enfrentan los profesionales en la
actualidad, es que dada la gran especialización de los grupos con
diferentes perfiles se hace difícil el dialogo entre los mismos, el
aprovechamiento de técnicas para el análisis de diversos problemas, así
como la comprensión de la naturaleza de los mismos.
En este sentido, el análisis del sistema bancario, específicamente el
riesgo bancario, utilizando técnicas estadísticas, requiere de la
comprensión del sistema, y de las consecuencias que un inadecuado
manejo del mismo pueden ocasionar en un país, específicamente la
referente a “las crisis bancarias”.
Las siguientes líneas pretenden dar una breve visión de lo que es el
sistema financiero venezolano en la actualidad, las principales crisis
financieras que ha tenido que enfrentar, las causas asociadas por los
especialistas en el área económica, así como los costos asociados.
El sistema financiero venezolano y las crisis bancarias
El sistema bancario venezolano, según el último informe de la
Superintendencia de Bancos (Sep-2004) está constituido por 51
institucionesb, de las que el 62,73% corresponden a Bancos Universales
y Comerciales (33,33% y 29,4% respectivamente), y el 37,27% a
Bancos de Inversión, Desarrollo, Hipotecarios, con leyes especiales,
Arrendadoras Financieras, Entidades de Ahorro y Préstamo y Fondos del a Este documento manuscrito fue presentado en el Congreso Binacional De Estadística, Mayo 2005, Mérida. b Específicamente al 30/9/2004 de las 51 instituciones: 17 corresponden a bancos universales, 15 a bancos comerciales, 4 a Bancos con leyes especiales; 2 Bancos de desarrollo; 5 Bancos de inversión; 2 Bancos Hipotecarios; 1 Arrendadora Financiera, 3 Entidades de Ahorro y Préstamo y 2 Fondos del Mercado Monetario
2
Mercado Monetario. En conjunto estas instituciones manejan sólo en
captaciones del público cerca de 18 mil millones de dólares, es decir,
aproximadamente el 85% de las reservas internacionales del país.
Este apreciable número de instituciones y su volumen de captación a
simple vista deja entrever por un lado, la gran confianza que sienten los
agentes al depositar sus recursos en dichas instituciones y por otro lado,
el papel preponderante que los mismos poseen en el desenvolvimiento
de nuestra economía contemporánea, ya sea por perfilarse como
agentes del ahorro, agentes de colocaciones, creadores de dinero,
expresión del sistema de pagos y/o por su gran influencia en la
estabilidad macroeconómica del país.
La historia del sistema bancario venezolano, sin embargo, revela que
han existido momentos en los cuales un número importante de
intermediarios han padecido lo que se conoce como “crisis bancarias”,
es decir, una situación en la cual varias instituciones enfrenta severos
problemas de solvencia y no puede cumplir con las obligaciones
contraídas frente al público, estas situaciones en su momento generaron
pánico en el público que había confiado sus ahorros a dichas
instituciones. Así, dos grandes crisis han sido registradas en nuestro
país: la crisis de comienzos de los años 60`s y la crisis del año 1994c.
La primera crisis surgió en un marco de desconfianza que se generó en
los años siguientes a la caída de la dictadura de Pérez Jiménez (1958),
la incertidumbre política de tener un nuevo gobierno condujo a una
importante salida de capitales, de manera conjunta se produjo una
fuerte caída en las reservas internacionales, contracción de la
economía, y una afectación adversa del 40% del sistema bancario
nacional, debido a la fuerte liquidación de pasivos a la que debió
c Entre estas dos crisis hubo varias quiebras individuales de bancos que en su momento fueron importantes en cuanto al volumen de captaciones, sin embargo, para los fines de este ensayo no las consideramos como crisis bancaria.
3
enfrentarsed, aumento en la cartera de créditos demorada y en litigio y
una crisis en la balanza de pagos que terminó por dejar a la banca en
una situación de insolvencia para honrar las obligaciones adquiridas con
los acreedores externos.
El balance final de ésta crisis fue: 2 instituciones intervenidas
(específicamente el Banco Táchira y el De Fomento Comercial de
Venezuela); 3 instituciones auxiliadas de manera directa (Banco
Nacional de Descuento, Construcción y Comercial de Maracaibo), 16
instituciones utilizando operaciones de redescuento, como mecanismo
de obtención de liquidez y un alto costo para la nación (Ver cuadro 1).
La segunda crisis bancaria a nivel nacional, se produce a partir de enero
de 1994, luego de que el Banco Latino, segundo banco comercial del la
época, fuera excluido de la Cámara de Compensación, produciéndose
luego, su intervención por parte del Consejo Superior de
Superintendencia de Bancos, quien decidió paralizar sus actividades y
las correspondientes a las empresas relacionadas.
Tal intervención generó pánico en el público, y no sólo el banco
intervenido sino otra gran cantidad de bancos en el sistema debieron
enfrentarse a una rápida liquidación de sus pasivos, lo que produjo una
fuerte crisis de liquidez en el sistema y la necesidad de que FOGADE y el
BCV iniciarán fuertes programas de auxilio financiero a varias
instituciones. La situación del sistema financiero, sin embargo, se fue
agravando a través del tiempo y seis meses más tarde de la
intervención del Banco Latino comienza una ola de intervenciones y
estatización de instituciones por parte del gobierno, así, en junio son
intervenidas ocho instituciones a puerta cerradas (Banco Amazonas,
Bancor, Barinas, Construcción, La Guaira, Maracaibo y Metropolitano
(los cuales detentaban al 31 de dic. De 1993 el 20,8% de los depósitos
totales), y la sociedad financiera FiVECA); en el mes de agosto, al d Los depósitos se redujeron un 33% en 1959.
4
producirse otra fuerte corrida de depósitos son intervenidos a puertas
abiertas dos importantes bancos comerciales que hasta el momento
eran percibidos como sólidos (Consolidado y Venezuela); en el mes de
diciembre, son estatizados los bancos Progreso y República; en el mes
de enero del año 1995 se liquida el grupo latinoamericano progreso (que
poseía entre otros a los Bancos Progreso y República) y en febrero de
este mismo año se estatizan los Bancos Profesional, Ítalo-Venezolano y
Principal (Ver cuadro 2).
Una de las características más relevantes de la crisis del año 94, fue su
rápida propagación en el sistema, tal que al final de la misma el 60% del
sistema bancario resultó afectado adversamente. En palabras de quien
fuera la presidenta del BCV para el momento de la crisis, “el sistema
comenzó a derrumbarse como un castillo de naipes. En un período de
tres semanas, casi un tercio de los bancos venezolanos estaba cerrado,
o bien se mantenían abiertos gracias a un oneroso respaldo financiero
oficial. Casi dos mil millones de dólares salieron del país en ese corto
plazo…dieciocho meses más tarde el gobierno venezolano tenía a su
cargo 58 instituciones financieras quebradas, forzado a controlar
además millares de empresas asociadas. Unos siete millones de
depositantes –más de un tercio de la población –habían sufrido enorme
incertidumbre y, en algunos casos, también una pérdida financiera”e.
Ambas crisis, resultaron dramáticamente costosas para la nación, no
sólo por la tensión que pudieron sentir los ahorristas, sino porque se
calcula el costo de los auxilios destinados para la superación de las
mismas se ubicaron en: 5.4% del PIB en el año 1960; 10.4% en el año
1961; 8.2% en 1962 y 5,4% en 1963f; y en 20% del PIB para la de
1994. Éstas cifras sin embargo, parecieran quedarse cortas, esto si
asociamos las consecuencias derivadas del aumento de la inflación, fuga
e Ruth de Krivoy (2002). Colapso. f Ver García. Lecciones de la una crisis bancaria de Venezuela.
5
de capitales, déficit fiscal, entre otros, que tuvieron que soportar los
nacionales y además porque en fecha reciente y a 11 años de la
segunda crisis, el Fondo de Garantías y Depósitos FOGADE aun continua
reintegrando a los ahorristas parte de los fondos perdidos, esta vez sin
embargo, adicionando intereses y cláusulas de indexación.
Causas de las crisis bancarias
Dado que las crisis financieras han tenido la particularidad de ser
bastante frecuentesg en las últimas décadas varías han sido las
explicaciones asociadas con su aparición, entre ellas cabe destacar:
Las crisis bancarias surgen debido a la elevada exposición
que poseen las instituciones bancarias a riesgos muy
diversos y el inadecuado manejo del mismo: "Dichos riesgos
surgen del hecho de que estas instituciones tienen como propósito
mediar entre agentes económicos de flujos financieros excedentes
o de ahorros, y agentes económicos deficitarios que demandan
fondos de crédito para costear sus inversiones o niveles de
consumo. Al hacer de intermediarios entre agentes económicos
demandantes y oferentes de recursos financieros o fondos
prestables, las instituciones bancarias adquieren activos y asumen
pasivos que pueden presentar asimetría de diversa índole, lo que-
en determinadas circunstancias –puede afectar su viabilidad
financiera o solvencia económica como empresas.
Las gerencias bancaria tiene como propósito, precisamente,
reducir estos riesgos o asimetrías que pueden presentarse entre
los activos y pasivos de dichas instituciones. Sin embargo, bien
sea por la naturaleza propia de los intermediarios financieros, por
el entorno macroeconómico o los shocks agregados a la economía
g Se estima en el mundo han ocurrido más de 54 crisis bancarias en los últimos 25 años.
6
(modificaciones importantes en las principales variables
macroeconómicas que afectan la economía en su conjunto), o por
las deficiencias de la propia gerencia, las instituciones bancarias
pueden verse expuestas a diversos tipos de riesgos”h, entre los
que se pueden identificar: el riesgo de liquidez, de mercado,
operacional, y legal entre otros.
Las crisis bancarias surgen debido a que la actividad
bancaria depende de los altibajos del ciclo económico . “Por
la naturaleza de su actividad, los bancos están sometidos a
riesgos estrechamente ligados con la dinámica económica general.
Los bancos emiten pasivos que son exigibles a corto plazo y a su
valor facial, mientras que generan activos de más largo plazo los
cuales son riesgosos. Cuando los clientes bancarios entran en
problemas, el valor del activo cae y el valor del pasivo se
mantiene constante. Por esta razón, es de esperar que las
variables que afectan la marcha de los negocios afecten,
consecuentemente, el patrimonio bancario”.
En este sentido, los estudios realizados han encontrado evidencia
empírica de que: el crecimiento económico está negativamente
relacionado con la probabilidad de una crisis bancaria (Demirguc-
Kunt y Detragiache -1997); las caídas de los términos de
intercambio son frecuentes en períodos previos a las crisis
bancarias (Caprio y Klingebiel -1996); las tasas de cambio real
suelen estar más apreciadas de lo que es usual que en periodos de
tranquilidad financiera (Kaminsky y Reinhart -1998).
Las crisis bancarias se presentan debido a problemas a
nivel monetario. Las altas tasas de interés puede ser una señal
de alerta de crisis financiera, pues estas pueden causar problemas
h Ver Gustavo García. Lecciones de la crisis bancaria de Venezuela.
7
de cartera traduciéndose en problemas bancarios, pueden ser
consecuencia de mayores expectativas de inflación o devaluación
asociadas con síntomas de desorden monetario o pueden ser un
efecto de una política monetaria contractiva. Cabe destacar al
respecto, que la crisis venezolana de 1994, estuvo acompañada de
una política monetaria restrictiva y elevadas tasas de interés.
Las crisis bancarias surgen porque hay una fase de
expansión del crédito que no puede sostenerse en el
tiempo, así parecen evidenciarlo para América Latina los estudios
de Gavin y Hausmann (1996) y Caprio y Klingebiel (1996) los
cuales indican que la relación entre los pasivos líquidos (M2) y
algunas variables proxis de los activos igualmente líquidos, por
ejemplo las reservas internacionales, son variables potencialmente
útiles para estudiar el desajuste bancario. La idea detrás de tal
afirmación “es que los tenedores del M2 pueden liquidar estos
recursos en cualquier momento y convertirlos a dólares a la tasa
de cambio vigente. Así, cuando la relación entre el stock de
reservas internacionales y el M2 es demasiado grande, y volátil,
hay un síntoma de que se van a presentar problemas en el
sistemai bancario.
Cabe destacar además, que este indicador ha sido examinado en
varios trabajos y ha sido calificado como un exitoso predictor de
crisis bancarias.
Las crisis bancarias surgen porque hay un problema de
agencia (problema del principal-agente) entre los gerentes
de los bancos y los depositantes y de asimetría de
información respecto al ente regulador. Así lo ilustra Farías
(1996), “Los depositantes serían los principales, quienes confían
i Ver Carrasquilla, Alberto (1998). Causas y efectos de las crisis bancarias en América Latina
8
su dinero a los banqueros (agentes) para que lo coloquen en
inversiones capaces de generar un retorno que permita pagar la
tasa de interés prometida y devolver el capital. El conflicto surge
cuando los intereses del banquero no coinciden con los del
depositante. El banquero puede colocar los depósitos en
inversiones de alto riesgo; donde, si la aventura funciona, obtiene
un alto retorno y es capaz de cumplir su promesa al depositante.
Por el contrario, si no obtiene suficientes recursos, el depositante
no recupera su dinero y el banquero pierde su inversión. En
muchos casos, el capital que el banquero arriesga es pequeño…La
regulación bancaria ha sido un mecanismo utilizado ampliamente
para procurar una gerencia prudente de los bancos. La normativa
bancaria establece políticas de colocación de los depósitos
tendentes a diversificar el riesgo y propiciar retornos consistentes
con la solvencia y liquidez del banco. En términos de la teoría de la
agencia, los depositantes contratan reguladores para que
supervisen al banquero.
Existen por lo menos dos problemas potenciales de este arreglo
institucional. Primero, la observación imperfecta del
comportamiento del banquero genera asimetría de información.
Por más información que se vea obligado a presentar, el banquero
tendrá más y mejor información que los reguladores y habrá
siempre cierta incertidumbre residual. Segundo, la idoneidad del
regulador es un problema técnico, pero también moral; es decir,
no basta que el regulador haya desarrollado destrezas y disponga
de recursos suficientes. Debe poseer también suficiente
integridad, para no sucumbir a proposiciones de complicidad del
regulado. En otras palabras, es preciso evitar que el regulador
resulte cautivo del regulado.
9
Hay hechos que hacen que la regulación y el buen manejo de los
recursos sean tareas más difíciles, entre ellos: la posibilidad de
establecer prácticas contables dudosas (Maquillaje financiero), la
divergencia en el tratamiento de cuentas en los Estados
Financieros entre las diversas instituciones financieras, la
existencia de un seguro gubernamental, independencia en la
prima que pagan los bancos, independientemente del nivel de
riesgo, la existencia de prestamistas de última instancia (Bancos
Centrales), la inexistencia de calificadoras de riesgo privadas.
Las asimetrías de información impiden al depositante evaluar el
riesgo bancario. Los estados financieros son de difícil
interpretación, fácil manipulación y, en consecuencia, escasa
credibilidad. Para disminuir las asimetrías de información y
propiciar que el depositante adopte decisiones informadas, es
conveniente que los bancos sean analizados periódicamente por
instituciones calificadoras de riesgo”j.
Comentario Final
Realizar un breve recorrido por el mundo de la banca, el riesgo y
las crisis del sistema, ponen de relieve la importancia y pertinencia
del uso de técnicas estadísticas en investigaciones en el campo
financiero. El entendimiento de que las crisis financieras pudieran
ser detectadas a través de sistemas de alerta temprana nos invita
entonces a trabajar en equipos multidisciplinarios y generar
herramientas prácticas para la supervisión del sector.
Basilea I, fue un llamado para que las autoridades regionales
implantasen en el año 1992, un nivel mínimo de capital requerido
del 8% (en relación a los activos ponderados por riesgo) para las
j Ver Hugo Faría (1997). Crisis Bancaria. Un análisis neo-institucional.
10
instituciones bancarias, el sistema venezolano sin embargo,
presentaba un nivel de capitalización del 6.4%. Dos años más
tarde, cuando recién se establece por ley tal requerimiento,
comenzó la segunda gran crisis nacional, no cabe duda que en ese
momento a pesar del llamado internacional estuviéramos
rezagados la adaptación del sistema a las nuevas realidades
económicas.
Hoy el Comité de Basilea II, está sugiriendo un nuevo marco para
la regulación y control del sistema bancario, que debería
implantarse a finales del 2006 o durante el 2007, este nuevo
marco fundamentado en tres pilares: capital mínimo exigible,
examen por parte del supervisor y disciplina del mercado, e
introduce una novedad, referente a que los bancos podrán
emplear en mayor medida sus propias estimaciones de riesgo a
través de sistemas internos, por lo cual cada supervisor nacional
deberá desarrollar una serie de procedimientos de examen al
objeto de garantizar que los sistemas y controles aplicados por los
bancos sirvan para calcular sus verdaderos niveles de capital y de
esta manera conocer la verdadera salud del sistema bancario. Es
apenas un año el que nos dista de tal adaptación internacional, sin
embargo mucho el estudio y aportes que nos queda por hacer a
los investigadores relacionados con la economía, estadística y
finanzas.
11
Cuadro 1:
Bancos intervenidos o auxiliados durante la crisis bancaria venezolana de 1960-1965
Institución Fecha de Intervención
o Auxilio
Táchira 12/6/61 De Fomento Comercial de Venezuela
3/11/65
Nacional de Descuento
13/8/62
Construcción 20/12/62 Comercial de Maracaibo
1964
Fuente: Leonardo Vera y Raúl González (2001).
Cuadro 2: Bancos Comerciales intervenidos y estatizados, 1994 -1995
Institución Fecha de
intervención o estatización
Latino 16 de enero 1994 Amazonas 14 junio 1994 Bancor 14 junio 1994 Barinas 4 junio 1994 Construcción 14 junio 1994 La Guaira 14 junio 1994 Maracaibo 14 junio 1994 Metropolitano 14 junio 1994 Tequendama 14 junio 1994 Popular 14 junio 1994 Venezuela 9 agosto 1994 Consolidado 25 agosto 1994 Andino 10 noviembre 1994 Progreso 13 diciembre 1994 República 13 diciembre 1994 Ítalo –Venezolano 2 febrero 1995 Principal 2 febrero 1995 Profesional 2 febrero 1995
Fuente: Morela Arocha y Edgar Rojas (1996).
12
Referencias Bibliográficas Arocha Morela y Edgar Rojas (1996): La crisis bancaria en Venezuela:
Antecedentes, Desarrollo e Implicaciones. Revista Monetaria, vol. XIX,
nro. 2, Cemla, Ciudad de México, abril-junio de 1996, pp 153-200.
Ayala, Roberto. Modelos de Alerta Temprana para crisis financieras. El
caso Ecuatoriano: 1994-1997.
Ayesterán y Otros (1994). Crisis y Poder: EL caso del sistema financiero.
Revista Economía, Núm. 11. Instituto de Investigaciones Económicas y
Sociales. ULA, Mérida.
Carrasquilla, Alberto (1998). Causas y efectos de las crisis bancarias en
América Latina. ¿Qué sabemos y que podemos hacer?. Banco
Interamericano de Desarrollo.
De Krivoy, Ruth. Colapso (2002). La crisis bancaria venezolana de 1994.
CAF, Group pf Thirty. Ediciones IESA. 2002
Durán Rodolfo, Mayorga Mauricio y Montero Renato (1999). Propuesta
de Indicadores Macroeconómicos y Financieros de Alerta Temprana para
la Detección de Crisis Bancarias. Banco Central de Costa Rica.
Esteves A., José Tomás (1998) Diccionario de Banca y Finanzas
Editorial. Panapo. Caracas, pp 204-207
Faraco Francisco R. y Romano Suprani M. (1995) La crisis bancaria
Venezolana. Análisis Preliminar. Edit. PANAPO.
Faría, Hugo J (1997). “Riesgo Bancario: Un análisis neoinstitucional”.
Debates IESA. Vol 2, Nro. 3. Enero-Marzo, pp 11-15
Gavín Michael y Ricardo Asuman (1995). The roots of banking crises:
The Macroeconomic Context. Inter American Bank-Group of 30.
García Gustavo (1998). Lecciones de la Crisis Bancaria de Venezuela.
Ediciones IESA.
Kelly, Janet (1997). La banca universal ¿Más riesgo para el sistema
bancario?. Debates IESA. Vol 2, Nro. 3. Enero-Marzo, pp 16-22
13
Peña, Daniel (2002). Análisis de Datos Multivariantes. Edit. Mc Graw
Hill. España, pp 133-170.
Vera Leonardo y Raúl González. La Evolución Macroeconómica, la salud
de los bancos y las crisis financieras: El caso Venezuela. BCV. Ensayos
de Macroeconomía Venezolana. Colección Económica Financiera. Edit.
Oswaldo Rodríguez Sarralde. 2001.pp 284-405.
Sharma, Subhash (1996). Applied Multivariate Techniques John Wiley &
Sons. New York.
14
MODELO DE IDENTIFICACIÓN DE INDICADORES DE GESTIÓN DE RIESGO FINANCIERO MEDIANTE LA REDUCCIÓN DE VARIABLES O RAZONES FINANCIERAS
Ruth Guillénk Resumen
Una opción en las técnicas multivariantes es la de ayudar a comprender
el dominio de un problema real mediante características resaltantes en
ese mismo dominio que consolidan la información dispersa en los
fenómenos observados, bien sea individual o conjuntamente. Mediante
Análisis de Componentes Principales (ACP) se puede disminuir el efecto
de redundancia o dispersión de los fenómenos originales observados a
través de nuevas características con poca pérdida de la información
aportada originalmente. Esta reducción de variables además de crear
nuevas características para el análisis, permite el desarrollo de modelos
de pronóstico en los que el trabajo de cómputo se disminuye
notablemente. Algunos trabajos han demostrado que produce excelente
resultado y más aún, un excelente desempeño de pronóstico cuando
estas nuevas características son los patrones de entrenamiento de los
modelos de redes neuronales mediante el uso del algoritmo no lineal de
retropropagación del error (RN-RP). Adicionalmente, y como aporte
particular de esta investigación, se está incorporando como patrones de
salida de este modelo híbrido (ACP y RN-RP), los valores obtenidos en
una clasificación previa realizada mediante análisis discriminante (AD).
El preprocesamiento de los datos se complementa con la redefinición del
conjunto de entrada que son las razones financieras transformadas a
unas características de origen totalmente nuevo y de variables
totalmente independientes, y un conjunto de salida con valores
cualitativos. El desempeño de este modelo está siendo evaluado
k Este documento fue presentado en el Congreso Binacional de Estadística celebrado en Mérida, Venezuela, en Mayo 2005.
15
mediante el uso del conjunto ce datos construido para tales fines. El
logro fundamental de esta iniciativa es la de vincular ambas técnicas
para obtener un mecanismo automático de pronóstico de riesgo y la
eventual capacidad de generalizar el comportamiento de un banco en
particular en un período dado
Palabras claves: Entrenamiento supervisado, análisis de componentes
principales, retropropagación del error, riesgo financiero.
Introducción.
El reconocimiento de patrones en un dominio de problema real, desde
un punto de vista estadístico, se refiere fundamentalmente a la
selección o extracción de características en la fuente original de datos a
través de las variables observadas. Esta selección se rota a un espacio
donde el conjunto de los datos que describe todas las características
observadas, es transformado a uno nuevo donde se conserva la misma
dimensión del espacio original pero provee de una nueva información
más vinculada al conjunto original de características descritas por los
datos. Sin embargo, de acuerdo al tipo de medición que se haga de las
variables observadas, puede variar la utilidad de las técnicas que
permiten este tipo de transformación. En los métodos multivariantes,
Análisis Discriminante (AD), Análisis de Correspondencia (AC) y Análisis
de Componentes Principales (ACP) son las técnicas más comúnmente
utilizadas, pero cada una de ellas requiere de un diferente tipo de
medición de las características de las variables. Tal es el caso de AD y
su fuente de datos lo conforman variables de tipo categórico o discreto,
ACP y variables continuas o cuantitativas y AC con una mezcla de
ambos tipos de medición. (Sharma, 1996).
En este caso particular, además de aprovechar las bondades de la
técnica ACP para preparar nueva información mediante la interacción de
16
las variables originales por una suerte de combinación lineal entre ellas,
explicando en su contenido integral nueva información latente, se hace
énfasis en el significado de reducir significativamente las variables
originales a esas variables latentes sin sacrificar mayor cantidad de
información. En este contexto y en el caso de lo que se investiga, se
realizó una buena contribución con un muy excelente resultado de
pronóstico de riesgo de quiebra desde el punto de vista estadístico. La
interpretación de las variables latentes en el nuevo espacio ortogonal
permitió de manera descriptiva identificar individuos (banca comercial)
propensos a la quiebra como consecuencia de analizar los resultados de
los componentes principales obtenidos como variables latentes. Sin
embargo, se corre con el riesgo de no poder explicar el dominio original
del problema debido a la pérdida de porciones de la varianza explicada
presente en los datos originales, como consecuencia de la presencia de
variables originales con un alto grado de interdependencia y que no
representan un aporte de información significativo. (Ayesterán, et al.,
1996)
En este estudio se aprovecha otra utilidad práctica de la técnica ACP. La
reducción de las variables originales a un nuevo conjunto tal que sean
las variables explicativas o patrones de entrada, en los modelos de
pronósticos, tales como Regresión Lineal Múltiple (RLM) y las redes
neuronales. Hay varias experiencias que han demostrado un mejor y
eficiente desempeño de los modelos usando estas variables reducidas al
disminuir el tiempo de cómputo y el de mantener o mejorar la capacidad
de pronóstico.
Atiya hace un buen inventario de resultados evaluativos de la aplicación
de este tipo de técnicas, e inclusive algunas no paramétricas, en el
análisis del riesgo bancario, fundamentalmente en clasificación y
predicción. (Atiya, 2001). Las técnicas multivariantes, en las mayorías
de los estudios revisados, fueron aplicadas a grupos de variables
17
asociadas a las razones financieras, y a su vez, comparadas con
métodos numéricos emergentes demostrando su utilidad.
ACP, en este estudio, actuará como agente preprocesador de datos, al
ser utilizado como método de reducción de variables para conformar el
conjunto definitivo de patrones de entrada para el modelo de pronóstico.
Algunos estudios realizados de reducción de variables, tales como
Kramer, 1992; Tan et al., 1995, Colmenares, 2004, han demostrado que
este mecanismo es de muy alta utilidad para la conformación de los
patrones de entrenamiento y prueba usados en los modelos de redes
neuronales, al reducir en un alto grado el nivel de complejidad de la
arquitectura y construcción de estos modelos. Por ejemplo en Tan se
puede observar que mediante un algoritmo no lineal donde combina ACP
y redes neuronales, los ejemplos originales son reducidos a nuevas
características que pueden ser valores de entrada para la preparación de
modelos de redes neuronales. En Colmenares, por otro lado, mediante
combinaciones de técnicas estadísticas de muestreo y ACP, se pueden
lograr conjuntos muy reducidos de datos, altamente representativos del
dominio del problema, que resultan ser eficientes ejemplos de entrada
para los modelos de redes neuronales. Lo importante a destacar en
estos casos, inclusive en Kramer, es el de incorporar la no linealidad
inherente a los problemas reales introduciendo el concepto de redes
autoasociativas para realizar reducción de variables en el mismo espíritu
que lo hace ACP. De hecho, Kramer desarrolla un algoritmo totalmente
no paramétrico en el que se reducen las variables originales a un nuevo
conjunto, incorporando tácitamente el concepto de curvas principales.
Este método es un proceso de transformación a nuevos atributos o
componentes principales no lineales, que a su vez son replicados y
transformados nuevamente a representaciones muy parecidas a las que
los originaron, garantizando así una aceptable sumarización de las
18
características originales en nuevos conjuntos sustancialmente
reducidos, pero que logran describir el contenido informativo original.
Por otro lado, los patrones de salida, similar a los que conforman la
entrada, son estimados mediante análisis discriminante, indicando en
cada patrón, la característica cualitativa de riesgo dependiente del
patrón de entrada que lo origina. Este preprocesamiento de los fuente
original de datos permite además de construir un modelo de redes
neuronales con funciones de base radial (Melo et al.), ser fuente de
datos de salida para el conjunto de modelos de red neuronales con
funciones logísticas que se aplicará en este estudio. Es decir, un modelo
híbrido conformado por ACP y redes neuronales usando el algoritmo de
retropropagación del error (RN-RP).
En las siguientes secciones se describen ambas técnicas, y el empleo de
ellas como componentes del modelo que se construye para el pronóstico
de riesgo bancario.
ACP aplicado al riesgo bancario.
La selección o extracción de características en la serie de datos está
vinculada a procesos numéricos donde el espacio original sufre una
transformación resaltando un nuevo conjunto efectivo y reducido de
características que retienen la mayor cantidad de información contenida
internamente en los serie de datos originales. Es decir, hay una
reducción de dimensionalidad del espacio de los datos originales. Esto es
básicamente el propósito de esta técnica donde la varianza total juega
un papel importante en esta técnica.
Esta metodología de reducción de variables ha mostrado excelentes
resultados. El beneficio alcanzado reutilizando fuentes históricas de
datos, es el de permitir la disminución del tiempo de cómputo empleado
en la construcción y uso de los modelos debido al empleo de las técnicas
de preprocesamiento que seleccionan confiablemente la menor cantidad
19
de observaciones y variables posible. Por ejemplo, el método
Stratified/PCA (Colmenares, 2004), como técnica de preprocesamiento,
puede reducir una matriz original de observaciones y variables a un
subconjunto apreciablemente menor que sus originales con un nivel de
confiablidad y consistencia bastante altos como para poder ser aplicados
sobre fuentes históricas de datos. Adicionalmente, estos conjuntos
reducidos de datos empleados en la construcción de modelos no lineales
usando RNA, han mostrado tener similar capacidad de predicción y/o
clasificación que los construidos con el conjunto total de los datos
originales. De igual modo, mostraron ser mucho más consistente en sus
resultados después de varias réplicas con diferentes conjuntos reducidos
de datos. (Dong et al. 1995), (Tan et al. 1995).
Banco 1
Banco 2
.
.
Banco n
Razones Financieras
Variables Transformadas
REDUCCIÓN DE VARIABLES
DATOS ORIGINALES DE LOS BANCOS
DATOS REDUCIDOS EN VARIABLES
X1 X2 X3 …………. Xp
k<<p
Banco 1
Banco 2
.
.
Banco n
Banco 1
Z1 Z2 Z3 …….. Zk
Banco 1
Banco 1
1986 al
200
4
Banco 1
Banco 1
Banco 1
1986 a
l 2004
Figura 1. ACP como técnica de reducción de variables
20
Enfoque analítico de la reducción de las variables originales Sea X, una matriz de orden p-dimensional conformada por p variables
con N observaciones para cada variable.
⎥⎥⎥⎥⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢⎢⎢⎢⎢
⎣
⎡
= .
..............
..
..
..
321
3333231
2232221
1131211
NpNNN
p
p
p
xxxx
xxxxxxxxxxxx
X
Mediante Componentes Principales (ACP), el conjunto total de p
variables podría ser reducido a un nuevo conjunto enteramente
independiente de nuevas variables (algunas veces conocidas como
variables latentes) expresada en un matriz resultante Z de orden k.
⎥⎥⎥⎥⎥⎥⎥⎥
⎦
⎥
⎢⎢⎢⎢⎢⎢⎢⎢
⎣
⎢
=
NkNNN
k
k
k
zzzz
zzzzzzzzzzzz
..............
..
..
..
321
3333231
2232221
1131211
Z
El nuevo conjunto de variables define un espacio k-dimensional mucho
más reducido que el original donde k<<p, del cual se le puede hacer
algunas consideraciones:
Los valores entre sí, de las nuevas variables presentes en la matriz Z
no están correlacionados. Es decir las nuevas variables son
completamente independientes.
A pesar de que la dimensión de la matriz Z es igual a la de la matriz
X, su utilidad práctica preferiblemente se reduce a una matriz de
dimensión mucho menor (k<<p).
La entrada principal al ACP es la matriz de covarianza Σ . Sin
embargo, las variables originales podrían ser estandarizadas (media
21
cero y varianza uno) para eliminar el efecto de la varianza relativa de
las variables originales. En este caso, se puede sustituir como
entrada principal a ACP a la matriz de correlación R por la matriz de
covarianza. Esta sustitución es útil para eliminar las altas varianzas
generadas por las variables involucradas con diferente escala en las
unidades de medida.
La traza de la matriz de correlación es igual a la varianza total de las
variables transformadas.
Los autovectores de la matriz de covarianza o de correlación definen
los nuevos ejes en el espacio k-dimensional.
La cantidad de componentes principales es igual a la cantidad de
variables originales consideradas en el ACP. Es decir, son p
componentes.
Cada zj es una variable transformada de las xi(s) variables
originales. Siendo i=1,2,3….,p. Estas nuevas variables contienen los
valores de las variables transformadas.
ACP captura solamente linealidad entre las variables. Por eso se le
conoce como una técnica que transforma las variables originales
mediante un método de combinación lineal. Es decir las zi son
combinación lineal de los componentes y las variables originales xi.
Los primeros componentes obtenidos mediante ACP explican la
mayor cantidad de la varianza total de las variables originales. Es
decir, agrupa la mayor cantidad de información que puedan
suministrar las variables originales.
Habiendo definido X y Z, con p variables (originales y transformadas) y
N observaciones, consideremos adicionalmente la matriz de covarianza
Σ de la matriz X; entonces ACP permite calcular mediante la matriz Σ
un nuevo conjunto de p variables no correlacionadas (z) tal que ellas
sean combinación lineal de las variables originales.
22
De este modo, para cualquier observación i en X dado por
[ ]p321 x..xxx , existe una función lineal Z = a’ix, para todo
i=1…,N. Es decir,
pip3i32i21i1j xa........xaxaxaz ++++= , j=1,…,P, i=1,…N, donde:
a’i es un vector transpuesto de pesos o parámetros del i-ésimo
componente principal.
aj es un vector de pesos o parámetros del el j-ésimo componente
principal o autovector de Σ para formar la combinación lineal de las p
variables originales.
aj tiene que ser ortogonal y ortonormal. Es decir a’iaj = 0 y a’iai = 1.
zj se corresponde con los valores nuevos de las variables originales.
La varianza del j-ésimo componente es
V(zj) = var(a’ix) = a’iΣa’i, para todo j=1,…,P, i=1,…N.
Las varianzas resultantes para cada componente son decrecientes y en
estricto orden: V(z1) > V(z2) > V(z3) >… V(zp). Su suma representa la
variación total de las variables originales.
En general, el objetivo es entonces el de encontrar los componentes
principales aj tal que a’jΣaj es un máximo sujeto a que a’jaj = 1, donde
j=1,…P. Usando Lagrange para el j-ésimo componente, se tiene:
L = a’jΣaj – λj(a’jaj – 1),
λj es el multiplicador y la parcial con respecto al componente es
jjjj
a2λa2aL
−Σ=∂∂
.
Igualamos a cero la expresión anterior y podemos calcular los valores de
λj mediante ( ) 0aIλΣ jj =− , donde IλΣ j− =0 para que aj ≠ 0. Existen p
raíces para el polinomio. Estas raíces son los autovalores de Σ y son
λ1>λ2>λ3>….>λp. Cada valor de λj permite el cálculo de su
correspondiente autovector aj mediante ( ) 0aIλΣ jj =− .
23
De ahí, el primer autovector a1 le corresponde el primer autovalor λ1, el
cual s obtiene mediante ( ) 0aIλΣ jj =− y la condición de ortonormalidad
a’1 a1 = 1; a su vez a1 es el autovector correspondiente a la varianza
más grande de Σ , 1111 λΣaax)avar( =′=′ , y xaz 11 ′= . El segundo
autovector a2 es la segunda varianza más grande Σ y así
sucesivamente. Además, a2 es ortonormal, 1aa 22 =′ , a2 ortogonal a a1,
0aa 12 =′ , y la varianza de z2 es 2222 λΣaax)avar( =′=′ . En general, El j-
ésimo aj is ortonormal. 1aa jj =′ , ortogonal al resto de los autovectores
previos ( 0aa kj =′ , k = 1,2,3…j-1) y la varianza de zj es
jjjj λΣaax)avar( =′=′ . Del mismo modo, las varianzas para los p
autovectores es decreciente tal que V(z1) > V(z2) >……> V(zp).
Finalmente, los autovectores son los componentes principales y los
autovalores la varianza de la nuevas variables. Así, las nuevas variables
son xaz jj ′= , o en notación matricial sería, Z =X A. Más detalles en
(Jolliffe, 1986), (Sharma, 1996).
En conclusión, contrario a X, Z está formado de vectores columnas
totalmente ortogonales, es decir por variables no correlacionadas. El
procedimiento general para calcular el ACP es como sigue:
La primera variable transformada z1 es la combinación lineal de X
describiendo la mayor cantidad de variabilidad medida en Σ
mediante su autovalor asociado λ1 dado por z1 = Xa1, donde
)Σaamax(λ 111 ′= .
La segunda variable transformada z2, es entonces la combinación
lineal z2=Xa2, la cual describe la segunda varianza más grande de
Σ . Esto es, maximiza la varianza para 22Σaa′ , sujeta a que z2 no
debe estar correlacionado con z1. Es decir, z1z2 = 0.
En general, la i-ésima variable transformada zi es zi = Xai y
corresponde con la i-ésima varianza más grande de Σ , dada por
24
iiΣaa′ , sujeta a que zi no debe estar correlacionado con el resto de
las variables en Z. Es decir, zizj = 0, j=1,….p con i≠j y zizi = 1.
Existe un método matricial directo conocido como Valor de
Descomposición Simple (VDS) que puede ayudar a resolver ACP.
Supóngase que se tiene la misma matriz original X de N observaciones
(filas) y p variables (columnas). La descomposición espectral de esta
matriz X puede ser escrita de la siguiente manera:
X = QSE',
Donde E es una matriz ortogonal pxp cuyos autovectores son X’X, S es
una matriz diagonal pxp formada por los autovalores de X’X, Q es una
matriz ortogonal Nxp. Además, E y Q son ortonormales, es decir EE’ =
1 y QQ’ = 1. De igual modo, el producto X’X forma una matriz simétrica
y puede ser escrito mediante la descomposición espectral de la siguiente
manera,
X'X = (QSE')'(QSE') = ES'SE' = EΛE',
Nuevamente, sea Σ la matriz de covarianza de X; puesto que Σ es una
matriz cuadrada y simétrica, entonces la podemos expresar mediante la
descomposición espectral como Σ = EΛE', donde la diagonal de Λ está
formada por el cuadrado de los p autovalores de Σ . E es una matriz
ortogonal pxp donde la i-ésima columna corresponde al i-ésimo
autovalor.
Las variables transformadas, quedan definida como por Z y Z = XE, que
no son más que los valores de X proyectados sobre la nueva base
ortonormal definida por los autovectores en E. La matriz de covarianza
de estas variables transformadas en Z, puede estar expresada por
E(Z'Z) = (XE)'(XE) = E'X'XE = E'ΣE.
De este modo, al sustituir a Σ , la matriz de covarianza será
E(Z'Z) = E'EΛE'E = Λ.
25
Esto es, los autovalores λ1, λ2… λp correspondientes a la diagonal de Λ,
representan la varianza para cada una de las variables transformadas en
Z, siendo no correlacionadas y en consecuencia, Z es una matriz no
correlacionada.
Otra particularidad de los ACP es que la varianza total de Z es igual a la
varianza total de X. La varianza total de Σ corresponde a la suma de la
varianza de cada una de las variables originales en X y está dada por su
propia traza, tr(Σ )=∑=
p
j 1
2jjσ . Con la ayuda de la propiedad que indica que
tr(AB) =tr(BA), se puede mostrar que la varianzas de X y Z son iguales
como sigue:
tr(Σ ) = tr(EΛE') = tr(E'EΛ) = tr(Λ).
Si las variables originales son estandarizadas, entonces la matriz de
correlación R sería usada en sustitución de Σ . En este caso, la
descomposición espectral para R sería R = EΛE'. De igual manera que
para la matriz de covarianza, Z = XE y E(Z’Z) = Λ. Adicionalmente,
para este caso en particular, la suma de los autovalores en Λ es igual a
p y es igual a la suma de de los elementos de la diagonal de R.
Lo que es lo mismo tr(R) = rango(R) = tr(Λ) = p. Es importante
tener en cuenta que los autovectores y los autovalores son sensibles a
los cambios de escala. Σ podría mostrar severos cambios por esta
misma razón. R, por el contrario, omite este problema y de ahí que los
autovalores y autovectores originados por R o Σ son diferentes.
Las Redes Neuronales Multicapas con funciones logísticas como
función de activación y el algoritmo de retropropagación del
error.
En el entendido de que es un procesador paralelo distribuido en los que
se almacena el conocimiento, emula su símil biológico en dos aspectos
fundamentalmente: a) el conocimiento es adquirido a través de un
26
proceso de aprendizaje y b) la fortaleza de la interconexión de las
neuronas artificiales está descrita en los pesos sinápticos.
Variables Transformadas
Nuevas variables de los bancos
Banco 1
Banco 2
.
.
Banco n
Banco 1
Z1 Z2 ... Zk
Banco 1
Banco 1
1986 a
l 2004
Banco 1
Banco 2
.
.
Banco n
Variables Macroeconómicas
M1 M2 ...Mk
Eje
mp
los
de e
ntr
ad
a
Variable Categórica Eje
mp
los
de s
alid
a
Banco 1
Banco 2
.
.
Banco n
……………….
……………….
Figura 3. ACP y RN-RP para la construcción del modelo híbrido de
pronóstico
Bajo estas consideraciones esenciales, toda red artificial ajusta
permanentemente sus parámetros libres (pesos y umbrales) mediante
mecanismos de aprendizaje que podrían ser supervisados o no. El caso
particular que se aplica a este modelo híbrido es un modelo de red
neuronal multicapa que activa el cambio en las interconexiones de los
pesos sinápticos a través de una función de excitación no lineal
(logística) y un proceso de corrección de estos pesos mediante la
constante evaluación de su convergencia a un umbral dado. Este
27
proceso no supervisado se le conoce con el nombre de red neuronal con
un algoritmo de retropropagación del error (backpropagation neural
network) (RN-RP).
Tal como lo muestra la figura 3, la topología de una red neuronal RN-RP,
es similar a la mostrada. Una capa de nodos que capturan los
componentes de los patrones de entrada uno a la vez y del mismo un
patrón de salida capturado por el o los nodos de salida. En el
intermedio se incluye una capa de nodos que se le conoce como capa
oculta y en cada uno de sus nodos se incluye la función de excitación.
Esta función puede variar de acuerdo a las características del dominio
del problema real. Puede ser funciones asimétricas como la hiperbólica
tangencial, la lineal, y la función no simétrica conocida como logística.
El proceso de aprendizaje en este tipo de redes es básicamente en dos
fases (Werbos 1974; Rumelhart et al. 1986):
Fase hacia delante: Los parámetros libres de la red son
establecidos y el patrón de entrada i es propagado a través de la
red capa por capa. Esta fase finaliza con el cálculo del error ei
entre la salida calculada sc y el patrón de salida dado sd, ei= sd-sc.
Fase hacia atrás: El error ei es propagado a través de la red en
dirección hacia atrás. De ahí el nombre del algoritmo. Esen esta
fase que se realizan los ajustes a los parámetros libres de la red,
así que se minimice el error en un sentido estadístico, mediante el
error cuadrático medio.
El algoritmo de retropropagación se procesa en el modo lote,
regularmente. Los pesos se ajustan sobre la base de ciclo a ciclo, donde
cada ciclo consiste de el conjunto completo de patrones de entrada y
salida disponible para el entrenamiento. Este algoritmo es sencillo de
implementar de implementar y eficiente computacionalmente. La
arquitectura de los modelos neuronales seguirá una topología fija en
cada uno de los experimentos conducentes a medir la consistencia en el
28
entrenamiento y capacidad de generalización. El número de nodos en la
capa oculta estará directamente vinculado con la cantidad de
parámetros libres que incluiría la red neuronal y el nivel de convergencia
deseado. De este modo, existirán una fase inicial de entonación de la
red, ajustando nodos ocultos, función de activación, separación de los
conjuntos de datos de entrenamiento y verificación, ajuste de la tasa de
aprendizaje, selección del momento ideal para escapar lo más de las
soluciones locales, nivel del error de convergencia, selección de un
conjunto de pesos iniciales, y una segunda fase que es totalmente
experimental comprendiendo solamente la construcción y prueba de los
modelos. El criterio de parada empleado es el de la verificación cruzada
(Haykin, 1999) que consiste en: a) Dividir el conjunto de entrenamiento
en dos partes: subconjunto de estimación usado para el entrenamiento
y subconjunto de verificación para evaluar el desempeño del modelo
previamente entrenado; b) Entonación final de la red usando el conjunto
entero de entrenamiento y luego probar la generalización con patrones
nunca conocidos por el modelo.
Sección experimental
Haciendo referencia al diagrama funcional mostrado en la figura 3 y
para el caso particular de los datos de la banca comercial compuesto por
las razones financieras y la agrupación obtenida en el modelo de análisis
discriminante en una variable categórica, se dividirá en dos
subconjuntos al conjunto original, antes de iniciar la construcción de los
modelos. El conjunto original de datos de aproximadamente 8000
observaciones, se dividirá en uno para realizar el entrenamiento,
verificación y puesta a tono del modelo, de aproximadamente 6000
ejemplos, y el otro, formado por un subconjunto con aproximadamente
2000 ejemplos nunca usados por el modelo serán usados para verificar
el nivel de desempeño o generalización. En la construcción de la red
29
neuronal y como un primer intento de estimación del número de nodos
presentes en la capa oculta, se empleará el criterio heurístico que
determina el orden de acuerdo a una relación entre el nivel de error
deseado y el número limitado de parámetros libres involucrados (pesos
y umbrales).
Los modelos serán replicados una cantidad aceptable de veces con
diferentes grupos de datos de entrenamiento y manteniendo constante
las consideraciones iniciales asumidas para la topología y arquitectura
de la red neuronal. El resultado de obtener varios modelos es para que
permita medir la consistencia de los valores en las tres fases
fundamentales de la construcción de los modelos: entrenamiento,
verificación y generalización. Las medidas de evaluación que
garantizarían resultados aceptables y consistentes serán el error medio
cuadrático calculado entre el los valores deseados y calculados en la
fase de entrenamiento y verificación, el error medio cuadrático (RMSE)
obtenido durante la fase de generalización. Ambos resultados serán
medidos para cada modelo y luego de su tabulación, serán observadas
las variaciones en los resultados del RMSE obtenidos en las dos fases
para determinar el grado de consistencia conseguido en la construcción
de los modelos bajo condiciones uniformes de diseño. Una alta
consistencia conseguida entre los modelos entrenados y probados
garantiza una aceptable robustez en los procesos de pronóstico bajo las
condiciones de construcción que se siguieron al inicio.
30
Referencias.
Amir F. Atiya, Senior Member, IEEE. (2001). Bankruptcy Prediction for
Credit Risk Using Neural Networks: A Survey and New Results. IEEE
TRANSACTIONS ON NEURAL NETWORKS, VOL. 12, NO. 4, JULY 2001
Ayesterán, José R., Ramoni, Josefa y Orlandoni Giampaolo. (1996).
Crisis y Poder: El caso del Sistema Financiero. Economía Nueva Etapa.
No. 11.
Colmenares Gerardo, (2004). Reducing Archives to Build Non Linear
Models Using Neural Networks. AMSE Periodicals. Lion. France
Dong D. and McAvoy T. (1996). Nonlinear Principal Component Analysis
-Based on Principal Curves and Neural Networks. Computer Chem.
Engng., vol 20, no. 1, pp. 65-78.
Haykin Simon. (1995). Neural Networks. A comprehensive foundation.
Macmillan College Publishing Company, Inc.
Haykin Simon. (1998). Feedforward: Neural Networks: An Introduction.
Chapter 1. Manuscrito
Kramer M. (1992). Autoassociative Neural Networks. Computer Chem.
Engng., vol. 16, no. 4, pp. 313-328.
Sharma Subash. (1996). Applied Multivariate Techniques. John Wiley.
USA
Tan S. and Mavrovouniotis M. (1995). Reducing data dimensionality
through optimizing neural network inputs. AIChE Journal, vol 41, no. 6,
pp. 1471-1480.
31
ALGORITMO SEGUIDO PARA EL PRE-PROCESAMIENTO DE DATOS DE LA BANCA Y CONSTRUCCIÓN DE LOS MODELOS NO LINEALES
Ruth Guillén, Gerardo Colmenares, Gianpaolo Orlandonil 1.- Origen y fuente de los datos: Los datos para la estimación de modelos de riesgo bancario, fueron obtenidos de la Superintendencia de Bancos de la siguiente manera:
• Las razones financieras de los bancos comerciales desde diciembre de 1992 al año 1996, fueron tomadas del Boletín Trimestral de la Superintendencia de Bancos.
• Los datos correspondientes al período 1996-1997, específicamente
los balances de publicación y los estados de resultados de la banca comercial y universal con periodicidad mensual, fueron suministrados de manera electrónica por el departamento de estadística de la Superintendencia de Bancos. Cabe destacar, sin embargo, que dicha información presenta algunos datos faltantes para el año 1996, debido a que para ese período según fue informado por la oficina de estadística, se presentaron problemas para la recuperación de los mismos.
• Los balances de publicación y los estados de resultados de la
banca comercial y universal para el período 1998-2004, fueron descargados de manera mensual del sitio web de la Superintendencia.
2.- Revisión de los datos: Una de las grandes dificultades enfrentadas para la estimación de los modelos asociados con el riesgo bancario, están asociados con la inaccesibilidad a una base de datos en medio electrónico que se perfile como confiable, provenga de una fuente oficial, y que contenga una estructura homogénea que permita comparar la evolución de la banca en las últimas décadas. En tal sentido el grupo se enfrentó con la tarea de construir su propia base a partir de los datos suministrados por la superintendencia de bancos, para lo cual se procedió de la siguiente manera:
l Este papel de trabajo fue realizado para el Grupo Banca en Junio 2005, Universidad de Los Andes, Instituto de Investigaciones Económicas, Mérida, Venezuela.
32
• Se revisaron y vaciaron en electrónico todas las razones financieras publicadas en el Boletín Trimestral de la Superintendecia para la banca comercial y universal durante el período 1992-1997. A través de este proceso se pudo identificar las diferentes razones empleadas por la superintendencia durante este período para el monitoreo de la banca, destacándose la falta de continuidad y variación en los conceptos y cuentas, asociados con las mismas, lo cual dificulta la construcción de la base de datos y su homogeneidad a través del tiempo.
• Se revisaron las estructuras mensuales de los balances de
publicación y estados de resultado para la banca comercial y universal, ello debido a que las estructuras variaban cada cierto período e imposibilitaba la compilación de los datos en una base única. Luego de la revisión, se reconocieron las estructuras presentes, y se procedió a homogeneizar y compilar los datos en sub-períodos caracterizados por poseer una misma estructura financiera.
• Se procedió a revisar la metodología de estimación de las razones
financieras empleada por la superintendencia durante 1992-2004, prestándose especial atención a los conceptos y cuentas que constituían cada razón en cada período. Así mismo se procedió a revisar metodologías de estimación de razones financieras para la banca de la Superintendencia de Colombia y otras presentadas en investigaciones relacionadas con la banca. Se analizaron 73 razones financieras y posteriormente, se procedió a identificar aquellas que podían ser estimadas a partir de la información disponible en electrónico, esto garantizaba la continuidad y homogeneidad de las razones estimadas durante el período 1996-2004. Sin embargo, dichas razones también fueron seleccionadas de tal manera que los datos para el período 1992-1995, puedan ser completados considerando como variables proxy algunas de las razones publicadas en los boletines trimestrales durante el período correspondiente.
• Las razones financieras estimadas fueron compiladas en una base
única. Sin embargo su procesamiento aun no está completamente elaborado. A la fecha falta procesar la información de la banca universal y algunas razones asociadas a los estados de resultados de la banca comercial. Sin embargo la metodología ya se ha establecido.
33
• La base de datos construida a la fecha, cuenta con mas de 6000 observaciones correspondientes a 63 bancos que existieron durante 1996-2004 (ABN AMOR BANK, ANDINO, BANCOEX, BANCORO, BANESCO, BANFOANDES, BANFOCORO, BANGENTE, BANK OF AMERICA NATIONAL, BANORTE, BANVALOR, BOLIVAR, CANARIAS DE VENEZUELA, CAPITAL, CARACAS, CARIBE, CARONI, CHASE MANHATTAN BANK, CITIBANK, CONFEDERADO, CONSOLIDADO, CORP BANCA, CREDITO DE COLOMBIA, DO BRASIL, EUROBANCO, EXTEBANDES, EXTERIOR, FEDERAL, GALICIA DE VENEZUELA, GANADERO, GUYANA, HELM BANK DE VENEZUELA, INDUSTRIAL DE VENEZUELA, ING. BANK, INTERBANK, INTERNACIONAL, INVERCORP, INVERUNIÓN, J.P. MORGAN BANK VENEZUELA, LARA, LATINO, MERCANTIL, MONAGAS, NACIONAL DE CRÉDITO, NOROCO, NUEVO MUNDO, OCCIDENTAL DE DESCUENTO, OCCIDENTE, ORINOCO, PLAZA, POPULAR, POPULAR Y DE LOS ANDES, PROVINCIAL, PUEBLO SOBERANO, REPUBLICA, SANTIAGO DE LEÓN, SOFITASA, STANDARD CHARTERD, TEQUENDAMA, TOTALBANK, UNION, VENEZOLANO DE CREDITO y VENEZUELA)
• Para el ejercicio inicial se procedió a seleccionar 6 bancos, de los
cuales se disponían las razones financieras para todo el período de estudio, esto con el objeto de: 1) superar los problemas de datos faltantes, debido a que para la fecha aun no se posee un procesamiento completo de los datos y 2) para definir una metodología de estimación de los modelos. Los bancos seleccionados fueron: Federal, Bancoro, Banfoandes, Guayana, Industrial de Venezuela y Plaza.
3.- Datos faltantes. Los datos faltantes corresponden al período 1992-1995, debido a que los mismos no pueden ser estimados con la información disponible (no se poseen los balances de publicación nI los estados de resultado para cada banco durante este período). Sin embargo, hasta la fecha se ha considerado que pueden ser completados considerando como variables proxy algunas de las razones publicadas en los boletines trimestrales durante el período mencionado. 4.- Razones financieras seleccionadas.
Las razones hasta ahora estimadas son las asociadas con el Balance de Publicación (ya que el procesamiento de datos del Estado de Resultados aun no se ha concluido), específicamente:
34
• Patrimonio/ Activo Total • (Patrimonio + Gestión Operativa) / Activo Total • Otros Activos / Patrimonio • Activos Improductivos Brutos / (Patrimonio + gestión
operativa)
Definiéndose los activos improductivos como:
Activos improductivos=Disponibilidades + Rendimiento por cobrar en inversiones temporales+ Créditos vencidos + Créditos en litigio + Cánones de Arrendamiento Financiero Devengados y no cobrados+Rendimiento por cobrar por cartera de crédito+ otras cuentas por cobrar +bienes realizables+rendimientos por cobrar por inversiones permanentes+ bienes en uso + otros activos.
• Provisión de cartera de crédito / Cartera inmovilizada bruta • Provisión de cartera de crédito / Cartera crédito bruta • Otros activos / Activo total • Activo improductivo / activo total • Cartera inmovilizada bruta / cartera de crédito bruta • (Disponibilidades – Rendimiento por cobrar por
disponibilidades) / (Captaciones del publico – gastos por pagar) • (Disponibilidades – Rendimiento por cobrar por disponibilidades
+inversiones temporales (títulos valores) –rendimiento por cobrar por inversiones temporales) / (Captaciones del publico – gastos por pagar)
• Cartera de crédito neta / (Captaciones del publico – gastos por pagar)
• Cartera vigente bruta / Captaciones totales • Cartera crédito neta / Captaciones totales • Cartera de inversión (en títulos valores y en sucursales)/
captaciones totales 5.- Criterio para la selección de razones financieras: Básicamente se seleccionaron razones que pudieran ser estimadas con la información disponible en electrónico y que respondieran a los aspectos analizados por el método CAMEL, a saber: Estado del Capital, Activos, Manejo del Negocio, Rentabilidad y Liquidez.
35
GENERACIÓN Y SELECCIÓN DE LAS VARIABLES DE ENTRADA
1. Selección de las variables originales Para la creación de las variables que incidirán en los modelos que se experimentarán, se han considerado dos bloques fundamentales. Una selección reducida de las razones financieras, después de haber sido transformadas en un régimen de total independencia y de una aceptable concentración de la información original contenida en las razones financieras. Por otro lado, una selección de variables macroeconómicas que afecten de manera integral al comportamiento de la banca. Tal como se indica en el punto anterior, las variables (razones financieras hasta ahora consideradas) son las siguientes: a) Razones financierasm:
• Patrimonio/ Activo Total • (Patrimonio + Gestión Operativa) / Activo Total • Otros Activos / Patrimonio • Activos Improductivos Brutos / (Patrimonio + gestión
operativa) • Provisión de cartera de crédito / Cartera inmovilizada bruta • Provisión de cartera de crédito / Cartera crédito bruta • Otros activos / Activo total • Activo improductivo / activo total • Cartera inmovilizada bruta / cartera de crédito bruta • (Disponibilidades – Rendimiento por cobrar por
disponibilidades) / (Captaciones del publico – gastos por pagar) • (Disponibilidades – Rendimiento por cobrar por disponibilidades
+inversiones temporales (títulos valores) –rendimiento por cobrar por inversiones temporales) / (Captaciones del publico – gastos por pagar)
• Cartera de crédito neta / (Captaciones del publico – gastos por pagar)
• Cartera vigente bruta / Captaciones totales • Cartera crédito neta / Captaciones totales • Cartera de inversión (en títulos valores y en sucursales)/
captaciones totales
m A estas razones hay que agregarle las razones financieras calculadas a partir del Estado de Resultados. Su procesamiento aun se está realizando.
36
b) Variables Macroeconómicas distinguidas por los siguientes componentes:
• Tasa de interés • Tipo de cambio • Reservas internacionales • Índice Bursátil • Inflación • Riesgo país • Base monetaria • Producto interno bruto (Para un modelo por semestres o
anual). • Formación bruta de capital fijo (Para un modelo por semestres
o anual). • Balanza de pagos (Para un modelo por semestres o anual).
Cada una de estas variables ha sido considerada debido a que las mismas han sido señaladas como termómetros o indicadores de alerta en situaciones de riesgo y crisis bancarias.
Así por ejemplo, dentro de las causas de las crisis bancarias encontramosn:
a) Las crisis bancarias surgen debido a que la actividad bancaria depende de los altibajos del ciclo económico: En este sentido, los estudios realizados han encontrado evidencia empírica de que:
a. el crecimiento económico está negativamente relacionado con la probabilidad de una crisis bancaria (Demirguc-Kunt y Detragiache -1997);
b. las caídas de los términos de intercambio son frecuentes en períodos previos a las crisis bancarias (Caprio y Klingebiel -1996);
c. las tasas de cambio real suelen estar más apreciadas de lo que es usual que en periodos de tranquilidad financiera (Kaminsky y Reinhart -1998).
b) Las crisis bancarias se presentan debido a problemas del nivel monetario. Las altas tasas de interés puede ser una señal de alerta de crisis financiera; pues pueden:
a. causar problemas de cartera traduciéndose en problemas bancarios,
b. ser consecuencia de mayores expectativas de inflación o
n Ver Guillén, Ruth (2005). Consideraciones preliminares de la gestión del riesgo en el sistema bancario-el caso de las crisis bancarias en Venezuela
37
devaluación asociadas con síntomas de desorden monetario. o,
c. ser un efecto de una política monetaria contractiva. c) Las crisis bancarias surgen porque hay una fase de
expansión del crédito que no puede sostenerse en el tiempo, así parecen evidenciarlo para América Latina los estudios de Gavin y Hausmann (1996) y Caprio y Klingebiel (1996) los cuales indican que la relación entre los pasivos líquidos (M2) y algunas variables proxys de los activos igualmente líquidos, por ejemplo las reservas internacionales, son variables potencialmente útiles para estudiar el desajuste bancario. La idea detrás de tal afirmación “es que los tenedores del M2 pueden liquidar estos recursos en cualquier momento y convertirlos a dólares a la tasa de cambio vigente. Así, cuando la relación entre el stock de reservas internacionales y el M2 es demasiado grande, y volátil, hay un síntoma de que se van a presentar problemas en el sistemao bancario.
2. Selección de las nuevas variables El grueso de las razones financieras, tratadas como variables explicativas, fue estudiado de manera independiente mediante la técnica de Análisis de Componentes Principales (ACPL). La utilidad del procedimiento fue simplemente la de obtener un nuevo grupo de variables totalmente independientes y a su vez, que represente al conjunto original pero de manera reducida y consistente. Sin embargo, un análisis previo demuestra lo ya estudiado por Ayesterán, Orlandoni y Ramoni en 1996p. De acuerdo a ese estudio, la fortaleza de la información suministrada por los balances trimestrales para ese año permitió establecer un pronóstico de comportamiento de la banca analizada y así, a priori, se definió un comportamiento de quiebra, basado en cuatro características fundamentalmente: Otros Activos a Patrimonio como caso favorable de exposición al riesgo y por el contrario, como característica de no exposición al riesgo, Inversiones en Valores, Depósitos a la Vista a Depósitos Totales y Colocaciones. En el estudio, bajo la disposición de los datos que se señala en el punto siguiente, durante nueve años, la primera aproximación de reducción fue de cuatro variables transformadas con un alto porcentaje de explicación (alrededor del 85%) del contenido original
o Ver Carrasquilla, Alberto (1998). Causas y efectos de las crisis bancarias en América Latina. p Revista Economía Nº 11 Nueva Etapa, 1996. FACES-ULA, pp. 7-35.
38
de la información en las quince razones en estudio mostrando una tendencia de definición de los componentes muy similar al estudio citado en el párrafo anterior. En esta consideración general, se puede presumir que con la disponibilidad de mayor volumen de datos y con la incorporación de una mayor representación de la banca en este conjunto, se estaría en condiciones de poder tener un mejor escenario para mejorar la capacidad de pronóstico y en consecuencia, un mejor desempeño de sus modelos. 3. Disposición de los datos. La presentación tanto del Balance de Publicación como del Estado de Resultado siguió un mismo formato. Las observaciones están dispuestas linealmente, de tal modo que cada una de ellas tiene igual importancia numéricamente, pero en condiciones de repetitividad. Esta característica de presentación de los datos originó dos enfoques de utilización de los datos originales. El primero que se corresponde con el mostrado en la figura de abajo, donde el conjunto de observaciones se consideran independientemente sin perjudicar el sentido de reducción que sufrirían las variables originales (razones); del mismo modo, en esta disposición de las observaciones se hace la formulación de una variable dependiente calificativa del riesgo (categórica) a la que se le denominó riesgo global, asumiendo que la serie disponible para cada banco en el estudio perjudique este tipo de resultado.
39
AÑO MES R1 R2 R3 R4 R5 R6 R7 R8 R9 R10 R11 R12 R13 R14 R15Banco1Banco2Banco3Banco4Banco5
.
.
.
.AÑO MES R1 R2 R3 R4 R5 R6 R7 R8 R9 R10 R11 R12 R13 R14 R15
Banco1Banco2Banco3Banco4Banco5
.
.
.
.
. . .
. . .
. . .
. . .AÑO MES R1 R2 R3 R4 R5 R6 R7 R8 R9 R10 R11 R12 R13 R14 R15
Banco1Banco2Banco3Banco4Banco5
.
.
.
.
RAZONES FINANCIERAS
Disposición de las observaciones con igual importancia para cada uno de ellos
Por otro lado, la disposición de los mismos datos agrupados adyacentemente, tal como series conformadas en matrices de datos, configura otra característica de análisis que está siendo estudiada en la construcción de otros modelos de pronóstico. De este modo, para un análisis espacio-temporal, esta nueva disposición de los datos en un modo secuencial, se corresponde a una serie caracterizada por estructura de datos con una cantidad de observaciones y variables constante (razones financieras y cantidad de bancos). Esta disposición determina un enfoque totalmente diferente de exploración y análisis de los datos. Tres propuestas de investigación se están iniciando utilizando la fuente de datos bajo esta modalidad, aplicando técnicas de reducción a cada panel tanto en columnas como en filas y de ese modo depurando la serie. Esta etapa de preproceamiento se realizaría antes de iniciar la construcción de modelos de predicción.
40
La nueva estructura sería de la siguiente manera:
R1 R2 R14 R15 R1 R2 R14 R15 R1 R2 R14 R15 R1 R2 R14 R15 R1 R2 R14 R15Banco1Banco2Banco3Banco4Banco5
.
.
.
.
t= 1999,2000,…,2004
RAZONES FINANCIERAS…..
………… MES 11 AÑO t MES 12 AÑO t
RAZONES FINANCIERAS…..
RAZONES FINANCIERAS…..
MES 1 AÑO t
RAZONES FINANCIERAS…..
MES 2 AÑO t
RAZONES FINANCIERAS…..
Disposición de las observaciones como datos longitudinales
Las nuevas propuestas están orientadas hacia: a) Identificación de alerta temprana mediante los patrones de
comportamiento seguidos por la banca en el tiempo. En esta propuesta se seguiría un modelo lineal que explique los cambios de comportamiento de los bancos en el tiempo de manera gráfica y estadística.
b) Identificación de las razones financieras que determinen los cambios en el riesgo global, bien sea a favor o en contra. Ya previamente se tiene un ensayo realizado mediante ACPL en el que se identificaron las razones esenciales (involucradas en el estudio) y será un recurso para analizar el nivel de pronóstico de riesgo usando tan sólo estas razones previamente identificadas y modelos no lineales.
c) Evaluación comparativa de la calidad de la medición del riesgo pronosticado mediante ACPL conjuntamente con redes y neuronales y los modelos de redes autoasociativas con componentes principales no lineales.
d) El análisis de Datos de Panel (DP) o Datos Longitudinales. En este sentido se conforman conjuntos de DP mediante el seguimiento de las unidades bancarias a lo largo del tiempo. Estos datos están más orientados hacia el análisis de la información transversal (son anchos pero cortos). Un aspecto fundamental es la heterogeneidad entre las unidades analizadas. Los efectos temporales se interpretan como transiciones o cambios de estado discretos. La ventaja que ofrecen los DP está en la mayor flexibilidad para modelizar las diferencias de comportamiento entre unidades bancarias.
41
4. Construcción de los valores de las variables de entrada y
salida. El procedimiento paso a paso que se empleará en el diseño experimental es el siguiente: Ejemplos de entrada del modelo. a) Reducción de las variables a cuatro componentes principales. b) Construcción de las cuatro nuevas variables caracterizadas por
ser totalmente independientes y normalizadas. Ejemplos de salida del modelo. a) Cambio del tipo de variable, de cuantitativa a cualitativa
categórica, aplicando un criterio de partición (se seleccionaron cuatro para garantizar valores extremos y moderados) constante a cada una de las variables tal que sean considerados desde los casos mas pesimistas hasta los más optimistas. Los valores umbrales definitivos para cada variable serán analizados individualmente a fin de categorizar correctamente en los rangos las variables de entrada.
b) Reducción a un solo componente mediante CACPL para la creación de la nueva variable categórica que identificará el componente de salida que será considerado en cada uno de los modelos no lineales usados tanto en el híbrido ACPL-BP como en ADL-RBF.
5. Construcción del Modelo No Lineal. a) Selección de las muestras de entrenamiento-prueba y de
generalización. Muestreo estratificado donde cada bloque de datos para cada año, representa un estrato. La selección se hace proporcionalmente a su tamaño y al de la muestra de manera aleatoria y sin repetición.
b) Separación de los conjuntos en la muestra para la construcción del modelo y el conjunto complementario para la evaluación de la capacidad de generalización del modelo.
c) Construcción del modelo de redes neuronales usando el algoritmo de retro-propagación del error y como ejemplos de entrada la muestra seleccionada de las variables transformadas y como ejemplos de salida la variable categórica correspondiente a cada observación de la muestra seleccionada.
42
d) Verificación de la capacidad de generalización usando ejemplos del conjunto complementario.
e) Medición del nivel de desempeño individual. f) Repetir los pasos desde el (b) hasta el (e) para medir el nivel de
desempeño del diseño asumido, y en consecuencia la consistencia alcanzada en el entrenamiento y en la generalización.
43
ESTATUS DEL PROYECTO MODELO DE IDENTIFICACIÓN DE INDICADORES DE GESTIÓN DE RIESGO FINANCIERO MEDIANTE
LA REDUCCIÓN DE VARIABLES (RAZONES FINANCIERAS) (Al 7/11/2006)
Ruth Guillén. Objetivo: Construir un modelo de pronóstico (híbrido) para indicadores de gestión de riesgo financiero de la banca comercial y universal venezolana empleando el análisis de componentes principales y redes neuronales. AVANCE DE ACTIVIDADES: I.- PREPROCESAMIENTO DE DATOS: I.1. CONSTRUCCIÓN DE BASE DE DATOS: (EJECUTADO 100% por Ruth Guillén). Variables microeconómicas (relacionadas con las instituciones bancarias) Dada la poca disponibilidad de datos por parte del grupo banca para la ejecución de los diferentes proyectos enmarcados en el convenio IIES-BCV, y por ser este un proyecto base para el desarrollo de los mimos, fue necesario construir un sistema de información financiera de todos los bancos comerciales y universales que operaron en el país desde el año 1996 hasta el año 2004. Para la elaboración de este sistema se requirió:
• Identificar las instituciones financieras que operaron en el país durante cada mes el período en estudio, así como su clasificación dentro del sistema bancario nacional (SBN).
• Compilación, sistematización y consolidación en medio electrónico de información financiera para la banca comercial y universal que operó en el SBN durante 1996-2004 (se compiló información de 55 bancos con periodicidad mensual): Específicamente, la información consolidada correspondió a los Balances de Publicación y Estados de Resultados de las instituciones bancarias. Para ello fue necesario superar las dificultades derivadas del cambio en la composición (o partidas) de los informes financieros, identificándose dos estructuras para los balances de publicación y tres estructuras para los estados de resultados.
44
• Cálculo de Razones Financieras (a partir de la información financiera consolidada). Para ello, además fue necesario hacer una revisión exhaustiva de las metodologías de cálculo de indicadores financieros de la banca (se revisaron 73 indicadores, empleados por diversas instituciones: SUDEBAN, BCV, Bancos Extranjeros o investigadores, se determinó su posibilidad de cálculo para el SBN).
La base de datos final, que se desarrolló con la intensión de que fuera un panel balanceado, incluye 23 indicadores financieros (correspondientes a los aspectos de Calidad del Activo, Patrimonio, Manejo del Negocio, Rentabilidad y Liquidez) y 19 bancos. No obstante a luego de realizar un análisis exploratorio de los datos se decidió incluir en el modelo solo a 16 instituciones (Banesco, Canarias de Venezuela, Caribe, Caroní, Citibank, Confederado, Exterior, Federal, Guayana, Indutrial de Venezuela, Mercantil, Occidental de Descuento, Plaza, Provincial, Sofitasa, Venezolano de Crédito y Venezuela). Esta base de datos, se ha suministrado a otros miembros del grupo para el desarrollo de sus investigaciones, a saber:
1. Análisis de Supervivencia Aplicado a la Banca Comercial Venezolana. 1996 – 2004 (María Alejandra Ayala, Tesista de Postgrado en Economía)
2. Clasificación Bancaria: Análisis Discriminante y Redes Neuronales. (Alexis Melo)
3. Uso De Las Técnicas De Preprocesamiento De Datos E Inteligencia Artificial (Lógica Difusa) En La Clasificación Del Riesgo Bancario. Caso De Estudio: La Banca Comercial Y Universal.(Carlos Martínez –Tesista de Pregrado, Ingeniería de Sistemas)
4. Indicadores de Riesgo Bancario determinados mediante el Modelado con Ecuaciones Estructurales. Caso: La Banca Venezolana entre 1997-2004. (Zuleima A. Durán, Tesista de Pregrado, Estadística).
5. Estudio, Implementación Y Evaluación De Herramientas De Análisis De Datos Para Imputación De Datos Faltantes Y Detección De Valores Atípicos Aplicado A La Banca Universal Y Comercial (Daniel Paredes, Tesista de Pregrado Estadística)
Variables macroeconómicas Se elaboró la matriz de indicadores macroeconómicos para el período 1996-2004 con periodicidad mensual y trimestral. Esta matriz incluye variables tales como: Producto Interno Bruto, Tasas de Interés, Tipo de Cambio, Reservas Internacionales, Balanza de Pagos e Índice Bursátil y
45
se pretende con su construcción ampliar el análisis del modelo mediante la incorporación de variables macroeconómicas en el análisis del riesgo financiero. I.2 REDUCCIÓN DE VARIABLES MICROECONOMICAS (100% Ejecutado). Se desarrolló un análisis de componentes principales con el objeto de reducir las variables macroeconómicas (razones financieras) las cuales constituirán parte de las variables de entrada del modelo. El ACP es recomendado debido a que permite reducir el efecto de redundancia o dispersión de las variables (muy característico de las razones financieras) y debido a que disminuye en los modelos de pronóstico el trabajo de cómputo. Resultados obtenidos: 1) El ACP permitió reducir el número de variables originales (Razones Financieras) en un 74%, logrando explicar alrededor del 80% de su varianza. 2) En la evaluación del riesgo las variables más relevantes están constituidas por los indicadores de liquidez y gestión administrativa, seguidos de los indicadores de calidad del patrimonio y solvencia y calidad de los activos. Los indicadores de rentabilidad parecieran no ser tan relevantes. I.3.- CONSTRUCCIÓN DE LA VARIABLE DE SALIDA o INDICADOR DE RIESGO (En revisión). Se elaboró una categorización de las razones financieras por aspecto (siguiendo la metodología CAMEL) que permite asociar una calificación a cada banco por período. Adicionalmente, se estimó, el indicador CAMEL por mes, para cada una de las instituciones incluidas en el modelo. Los valores obtenidos para este indicador obtenidos fueron chequeados posteriormente mediante cálculos independientes por el Tesista Carlos Martínez). II.- ESTIMACIÓN DE LA RED II.1- EXTRACCIÓN DE LA MUESTRA DE ENTRENAMIENTO (En ejecución). La determinación y composición de la muestra de entrenamiento para la red fue elaborada por Alexis Melo siguiendo un diseño de muestra estatificada con probabilidad proporcional al tamaño de cada estrato y luego se desarrolló un programa para la extracción de la misma.
46
Actividades pendientes del proyecto: Extracción de la muestra de entrenamiento de la red (Ruth Guillén). Desarrollo de programa para extracción de observaciones para generalización de la red (Gerardo Colmenares). Entrenamiento de la red y generalización (Gerardo Colmenares y Ruth Guillén). Reporte de resultados. Elaboración de informe. Actividades e investigaciones conexas a la investigación o al grupo: Actualmente lRuth Guillén está desarrollando su Tesis de Maestría en la temática de las Fusiones Bancarias y sus efectos sobre la Concentración y Eficiencia del Sistema Bancario Venezolano (SBV) . De esta investigación de podrían derivar una serie de investigaciones asociadas con las siguientes temáticas: a) Estimación de la concentración del SBV a través de metodologías
alternativas. (Análisis comparativo de los resultados). b) Comparación de los estándares de costos de la banca nacional con
los estándares de costos de la banca internacional. c) Evolución de la eficiencia social de la banca venezolana. d) Estimación de la eficiencia (en costos, beneficios o ingreso) de la
banca a través de metodologías alternativas.