Tesis NIIF 9 - Prev Incobrabilidad

Universidad de San Andrés
Escuela de Administración y Negocios

Magister en Finanzas
Previsiones por Incobrabilidad
“Impacto del Modelo NIIF 9”
Autor: Farías López, Noelia
DNI: 32.994.329
Director de Trabajo Final de Graduación: Basaluzzo, Gabriel
Buenos Aires, Agosto 2020.

1. INTRODUCCIÓN..........................................................................................................................................4
2. REVISIÓN BIBLIOGRÁFICA .........................................................................................................................8
3. MARCO NORMATIVO ............................................................................................................................. 14
3.1. Lineamientos del BCRA .................................................................................................................. 14

3.2. Lineamientos de la NIIF 9................................................................................................................ 16
4. METODOLOGÍA ....................................................................................................................................... 20
4.1. Probabilidad de Default (PD)........................................................................................................ 20

4.1.1. Regresión Logística ................................................................................................................................ 22
4.1.2. Regresión de Cox................................................................................................................................... 24
4.1.3. Validación de Regresiones .................................................................................................................. 28
4.2. Exposición al Default (EAD) ........................................................................................................... 30
4.3. Pérdida dado el Default (LGD)..................................................................................................... 31
4.4. Pérdida Crediticia Esperada (ECL) .............................................................................................. 34
5. VARIABLES Y DATOS UTILIZADOS ........................................................................................................... 35
5.1. Modelo de scoring de admisión................................................................................................... 35

5.2. Modelo de scoring de comportamiento.................................................................................... 37
5.3. Modelo de scoring lifetime ............................................................................................................ 39
5.4. Cálculo de la LGD ........................................................................................................................... 41
5.5. Cálculo de previsiones ................................................................................................................... 41
6. RESULTADOS E INTERPRETACIÓN .......................................................................................................... 42
6.1. Modelo de scoring de admisión................................................................................................... 42

6.2. Modelo de scoring de comportamiento.................................................................................... 44
6.3. Modelo de scoring lifetime ............................................................................................................ 46
7.7. Cálculo de la LGD ........................................................................................................................... 49
7.8. Cálculo de Previsiones.................................................................................................................... 50
7. CONCLUSIÓN........................................................................................................................................... 53
8. BIBLIOGRAFÍA ........................................................................................................................................... 56
9. ANEXOS ..................................................................................................................................................... 58
2
Abstract
En el presente trabajo se desarrolla una propuesta metodológica de cálculo de

previsiones contables bajo lineamientos de las Normas Internacionales de
Información Financiera 9, basada en pérdidas crediticias esperadas sobre una
cartera de préstamos personales de una entidad financiera, con el objetivo de
comprender el posible impacto económico que generaría dicho cambio
respecto al modelo tradicional de previsiones mínimas por riesgo de
incobrabilidad establecido por el Banco Central de la República Argentina.
Mediante modelos de regresión logística y modelos de supervivencia se

estimaron las probabilidades de default y, considerando la posible exposición a
riesgo, se comprobó que las previsiones contables bajo los lineamientos referidos
se incrementan en un 30%, generando un impacto negativo en los estados
financieros de la entidad.
3
1. INTRODUCCIÓN
La crisis financiera de 2007/2009 puso de manifiesto los costos sistémicos que

surgen al reconocer de forma insuficiente y/o tardía las previsiones contables por
incobrabilidad. Además, ha generado dudas acerca de si los modelos de
previsionamiento vigentes contribuían a la prociclicidad, estimulando una
actividad de colocación de préstamos personales excesiva durante la fase de
auge y provocando una contracción en la fase de desaceleración posterior.
Luego de esta situación, los líderes del G-20, inversores y reguladores fomentaron
a los organismos de normalización contable a mejorar las normas y las prácticas
en materia de previsiones. En respuesta a este pedido, el Consejo Internacional
de Normas de Contabilidad (“IASB”, por sus siglas en inglés) publicó en 2014 una
nueva Norma Internacional de Información Financiera “NIIF 9. Instrumentos
Financieros”, que incluye una nueva metodología para la dotación de
previsiones por incobrabilidad basadas en las pérdidas crediticias esperadas
(ECL).
Argentina, como miembro del G-20 y del Consejo para la Estabilidad Financiera
(“FSB”, por sus siglas en inglés) asumió el compromiso de converger hacia
estándares internacionales en materia de normas de información financiera. Por
lo tanto, en el marco del cumplimiento de los “Principios básicos para una
supervisión bancaria eficaz” 1 del Comité de Basilea, el Banco Central de la
República Argentina (“BCRA") se encargó de satisfacer que las entidades
mantengan registros de acuerdo con políticas y prácticas contables con amplia
aceptación internacional.
El BCRA ha decidido la convergencia hacia las NIIF emitidas por el IASB para la
confección de los estados financieros de las entidades alcanzadas por la Ley de
Entidades Financieras (N° 21.526) correspondientes a los ejercicios anuales
iniciados a partir de enero de 2018. Sin embargo, resolvió postergar la
1 BCBS (2012) - Principios Básicos para una supervisión bancaria eficaz.
4
implementación de la sección de deterioro, entendiendo el fuerte impacto que
podría generar2 y estableció su comienzo para los ejercicios de 20203.
Las entidades financieras se fueron preparando para implementar esta nueva

metodología que requiere de un desarrollo complejo en modelos predictivos,
una estrecha coordinación entre importantes áreas de la organización (como
son tecnología, riesgos y contabilidad) y afrontar la complejidad habitual e
inquietud organizacional que provocan los proyectos de estas características.
Este nuevo esquema tiene una visión prospectiva -foward looking-, de tal forma
que ya no es necesario que se produzca un evento activador para que se
declaren pérdidas crediticias y -en consecuencia- un incremento en las
previsiones, si no que anticipa el comportamiento en función a la Pérdida
Crediticia Esperada (“ECL”, por sus siglas en inglés) desde la originación de la
obligación.
En noviembre de 2016, la Autoridad Bancaria Europea (“ABE”) publicó un informe

sobre el progreso en la aplicación de la NIIF 9 de más de 50 instituciones
financieras y mencionó que se estimaba un incremento del 18% promedio en los
valores a previsionar y que su máximo podría alcanzar valores cercanos de hasta
un 30%. No obstante, cabe mencionar que no es el mismo riesgo que gestionan
las entidades argentinas, sobre las cuales aún no hay datos estadísticos
publicados.
En el presente trabajo se propondrá desarrollar una metodología de cálculo de

previsiones basadas en pérdidas esperadas y aplicarla a una cartera de
préstamos personales de una entidad financiera, con el objetivo de comparar los
resultados contra la normativa de previsionamiento tradicional. Adicionalmente,
2 "A" 6114 Circular CONAU 1-1191 Convergencia del Régimen Informativo y Contable hacia las
Normas Internacionales de Información Financiera.
3 "A" 6430 Circular CONAU 1-1262. Plan de implementación para la convergencia hacia las
Normas Internacionales de Información Financiera.
5
se analizará el posible impacto económico, como así también repercusiones en
la forma de gestionar el riesgo de crédito.
En el capítulo 2 se comenzará por realizar una revisión bibliográfica a fin de

comprender en detalle el alcance de la nueva normativa y los principales
efectos sobre la gestión de riesgo de las entidades financieras. Para ello, se
tomarán como base los principios de las buenas prácticas establecidas por el
Comité de Basilea, así como también, el criterio de experto de diversos autores
que abordan el cálculo de parámetros para tomar como base en el desarrollo
metodológico.
A continuación, en el capítulo 3, se realizará un recorrido del marco normativo

para comprender cómo han surgido las NIIF 9 y se desarrollará el contenido de
dicha norma con la intención de detectar los lineamientos a ser considerados en
la estimación de cada uno de los parámetros de pérdida esperada. Asimismo, se
analizarán las principales diferencias con el marco tradicional establecido por el
BCRA, entre las cuales destacan la clasificación en 3 fases (stages) de las normas
NIIF respecto a las 5 clasificaciones del BCRA; y la visión prospectiva versus la
retrospectiva. Por otro lado, se aclara que no se tendrán en cuenta las últimas
medidas dictadas por el BCRA como consecuencia de la pandemia COVID-19.
En el capítulo 4 se hará un abordaje más detallado, y se pondrán de resalto

ciertos conceptos preliminares que ayudarán a comprender el alcance de los
parámetros que conforman la función de pérdida. Se presentarán las propuestas
metodológicas para obtener cada uno de ellos: la probabilidad de default (“PD”,
por sus siglas en inglés), la Pérdida dado el Default (“LGD”, por sus siglas en inglés)
y la exposición en el momento del incumplimiento (“EAD”, por sus siglas en inglés).
En cuanto a la estimación de la PD se propondrá utilizar modelos de regresión
logística y modelos de supervivencia de Cox. Para la estimación de la LGD, se
propondrá utilizar una metodología conocida como “Chain Ladder”,
frecuentemente considerada en la estimación de reservas de las compañías
6
aseguradoras. Por último, para la estimación de la EAD se propondrá considerar
la exposición a riesgo al momento de valuar la previsión.
En el capítulo 5 se detallarán las variables y bases de datos utilizadas para las

estimaciones. Cabe destacar que las mismas estarán basadas en la información
interna de una entidad financiera, tomando en consideración la profundidad
histórica y la materialidad de la cartera de análisis.
Como corolario, en el capítulo 6, se expondrán e interpretarán los resultados de

cada uno de los parámetros y del cálculo de previsiones, considerando ambas
metodologías. Si bien estas últimas se calcularon sobre un mes base, sobre el cuál
se analiza con profundidad los resultados, también se calcularon para los 11
meses siguientes con el propósito de analizar la evolución de los ratios de
coberturas.
Finalmente, en el capítulo 7, se detallará la conclusión arribada a partir del

presente trabajo. Se hará foco en el impacto económico como así también en
el desafío que tendrán las entidades al momento de implementación y/o
consideración en la gestión. En relación a la propuesta metodológica, se
comentarán algunos posibles estudios que quedaron fuera de alcance de este
trabajo y podrían resultar interesantes profundizar a futuro.
7
2. REVISIÓN BIBLIOGRÁFICA
Se expondrán a continuación los principales trabajos que abordan el tema

objeto de estudio y han sido consultados o tomados como base para desarrollar
la propuesta metodológica. Si bien existen numerosos trabajos que analizan el
cálculo de pérdidas esperadas y parámetros de riesgo de crédito, se han
encontrado escasos abocados al cambio normativo. Aquellos referentes a la NIIF
9 realizan interpretaciones de las normas, pero no proponen una metodología de
cálculo en sí.
El Comité de Supervisión Bancaria de Basilea ha publicado en 2015 un

documento de “Orientaciones sobre la contabilidad de las pérdidas crediticias
esperadas” donde establece 11 principios de buenas prácticas para aplicar la
ECL. Incluye directivas sobre los procesos, documentación, políticas y
divulgación. Asimismo, establece que los supervisores bancarios deben evaluar
periódicamente la eficacia de las prácticas de riesgo de crédito de las
entidades. Varios de estos puntos serán analizados en el apartado de
conclusiones como principales desafíos para las entidades financieras que
convergen a este nuevo esquema de previsionamiento.
Las principales consultoras internacionales han realizado valiosos trabajos de

interpretación que han sido analizados. Deloitte (2016) realiza una revisión
normativa y explica a detalle qué activos son alcanzados por el modelo de
deterioro. Menciona que se introduce un nuevo enfoque de clasificación,
basado en dos conceptos: las características de los flujos de efectivo
contractuales de los activos y el modelo de negocio de la entidad. En función a
esta interpretación, será posible validar la correcta implementación del modelo
sobre la cartera de préstamos utilizada ya que la misma se encuentra valuada a
costo amortizado por ser un activo cuyo objetivo final es cobrar los flujos
contractuales.
8
El documento de Deloitte compara el modelo prospectivo con el retrospectivo
de la NIC 39, lo cual se utilizará como base para efectuar la misma comparación,
pero con la normativa BCRA. Asimismo, amplia el alcance de cada clasificación
(stage) del modelo destacando los plazos de estimación de parámetros para
cada uno de ellos. En este sentido, aclara que en stage 1 las pérdidas crediticias
deben ser estimadas a 12 meses y que en stage 2 y 3 deben ser estimadas
durante toda la vida del crédito. Se retomará este tema en la siguiente sección.
KPMG (2016) agrega que, si bien la incobrabilidad histórica es una base

importante para la medición de las pérdidas crediticias esperadas, no es el único
factor a tener en cuenta. Se espera que la entidad considere adicionalmente las
condiciones macroeconómicas actuales y las que se esperan que se presenten
en el futuro previsible, por ejemplo, las que hayan sido consideradas en el plan
de negocios. Si bien en este trabajo no se aplicará un modelo macroeconómico,
quedará para profundizar a futuro el desarrollo de un ajuste sobre los parámetros
por posibles cambios en los escenarios. Asimismo, remarca la importancia de
tener en cuenta el valor tiempo del dinero, tal como indica la norma, a fin de
determinar el valor actual de la pérdida por incobrabilidad futura. En esta línea,
se definirá en el apartado de EAD una actualización financiera de la pérdida
considerando la tasa efectiva de cada préstamo de la base valuada.
Cohen y Edwards (2017) también analizan los principales aspectos de la nueva

norma. Realizan una reseña de cómo ha surgido esta propuesta de tener un
modelo prospectivo, luego de la crisis financiera de 2007/2009 donde quedó de
manifiesto la insuficiencia de previsiones y la necesidad de transparencia en los
estados financieros. Asimismo, agregan que puede ocurrir que los precios de los
préstamos no reflejen los riesgos como consecuencia de condiciones de
mercado transitorias, por lo cual refuerzan la importancia de tener una previsión
que refleje el verdadero riesgo crediticio para mantener la solvencia y no tener
un impacto en capitales. En virtud de la NIIF 9, mencionan que la relación entre
las ECL durante toda la vida del activo y las ECL de 12 meses depende de
9
numerosos factores, incluido el vencimiento del préstamo y la evolución prevista
de los riesgos de impago y los valores de recuperación durante su vida. En este
trabajo, se podrá observar un incremento significativo en la valuación de la PD
lifetime respecto de la PD a 12 meses dado que los plazos promedios de
originación se encuentran en 24 meses, es decir, en algunos casos se duplica la
ventana observada para identificar el default.
Los autores reconocen que los bancos pueden tener modelos bien establecidos
para el cálculo de las pérdidas esperadas con fines de capital regulador. Sin
embargo, aunque pueden usarse como un importante punto de partida para
estimar las ECL con fines contables, los modelos de capital regulador pueden no
ser utilizados directamente, sin ajustes, para calcular las ECL con fines contables
debido a diferencias entre los objetivos y los datos utilizados para cada uno de
estos fines. En este sentido, si bien no se han encontrado trabajos metodológicos
abocados a NIIF 9, se puede verificar cierta relación con los modelos de capital
económico conocidos. Adicionalmente, mencionan la diferencia de utilizar un
ciclo completo versus un período más reciente para ajustar los parámetros. Dicha
recomendación será tenida en cuenta al momento de seleccionar las muestras
de modelado, incluyendo bases de datos más cercanas a la actualidad de la
entidad.
PwC (2018) también realiza una interpretación de la normativa NIIF y aporta,

respecto a los trabajos de las otras consultoras, algunos ejemplos de lo que podría
ser considerado como “aumento significativo del riesgo”. Si bien este punto será
ampliado en la siguiente sección, menciona que además de basarse en los días
de atraso superiores a 30 días, las entidades podrían definirlo en función a la
variación del rating entre el momento de valuación y su reconocimiento inicial,
la evaluación de la contraparte, el riesgo máximo que se quiere asumir, cambios
en indicadores externos de mercado, cambio en indicadores internos de precio
u otros aspectos cualitativos. Dichas consideraciones serán omitidas para la
10
definición de stage 2 por no ser objetivo de estudio, pero resultan interesantes de
profundizar a futuro.
Adicionalmente, Novotny-Farkas (2016) examina las diferencias entre el modelo

NIIF versus el modelo vigente en la Unión Europea y analiza el impacto en el
capital regulatorio. Aquí se presenta la fórmula de pérdida esperada bajo
lineamientos NIIF 9 partiendo de los parámetros: PD-LGD-EAD que será
considerada para la propuesta metodológica y ampliada en la sección 4.4. Si
bien no presentan resultados numéricos, intuyen que la previsión posiblemente
genere un incremento significativo al pasar de stage 1 a stage 2. En este trabajo,
esto se podrá validar en términos relativos de cobertura, pero no es donde se
encontrará el mayor impacto económico respecto a la normativa BCRA. Se
ampliará a ese punto cuando se expongan los resultados.
En cuanto a la estimación de parámetros, Hand y Henley (1997) profundizan en

posibles técnicas de credit scoring para clasificar a los clientes entre buenos y
malos pagados y, en consecuencia, obtener una probabilidad de default
asociada. En esta línea, se considerará la misma metodología que mencionan
para obtener las PDs mediante el valor del score a obtener a partir las regresiones
logísticas. Por otro lado, comentan que con la información contenida en las
solicitudes de crédito y en otras fuentes, el scoring permite tomar la decisión de
otorgar o no un crédito (es el caso del application scoring) o realizar el
seguimiento del deudor (behavioral scoring). En esta línea, se definirá generar dos
modelos diferenciados: uno para clientes nuevos y otro para clientes con historial
crediticio, debido a que para este último grupo se cuenta con más información
que podría permitir una mejor precisión en la estimación de la probabilidad de
default.
Bolton (2009) desarrolla la aplicación de la regresión logística en credit scoring y

enumera una serie de pasos que recomienda seguir para obtener un modelo
robusto que serán considerados en este trabajo: entendimiento del problema,
11
definición de variable objetivo, data histórica, variables, bivariados y partición de
muestra. Estos pasos serán ampliados en la sección 5 dentro de cada modelo de
regresión.
Asimismo, recomienda utilizar el índice KS y la curva ROC como medidas

estadísticas para medir la performance de los modelos, que serán considerados
en la sección 4.1.3. Bolton menciona que un modelo cuyo KS obtenido sea menor
a 20 puntos no es lo suficientemente bueno y que para valores por encima de 70,
probablemente el modelo sea demasiado bueno para ser verdad. En este
sentido, luego de recalibrar cada regresión se calcularán los KS con el objetivo
de validar dichos intervalos. Los resultados obtenidos se expondrán en el
apartado 6.
Hosmer y Lemeshow (2013) también abordan la aplicación de regresiones

logísticas e incluyen un apartado de interpretación de coeficientes para
entender cómo afecta cada una de las variables seleccionadas sobre la variable
objetivo. Cuando se amplíen los resultados de los modelos se mostrará con
algunos ejemplos cómo afecta el signo y el valor del coeficiente sobre la
probabilidad de default, siguiendo la misma dirección que este paper.
Sepanova y Thomas (1999) demuestran que es posible aplicar modelos de

supervivencia al riesgo de crédito y realizan un ajuste sobre una cartera de
préstamos. Generan un modelo estático de Cox y lo comparan con el modelo
tradicional de regresión logística, obteniendo resultados similares, por lo cual
llegan a la conclusión de que es posible considerar este tipo de modelos en la
gestión crediticia. Luego validan los mismos resultados incluyendo una variable
dinámica y obtienen mejores resultados en la regresión de Cox respecto a la
logística inicial. En este trabajo se ajustará un modelo con variables estáticas, sin
embargo, si se quisiera incluir en el mismo una variable macroeconómica
dinámica, resulta relevante considerar este tipo de modelos por sobre las
regresiones logísticas.
12
Por último, respecto a la estimación de LGD, Merz y Wuthrich (2007) aplican la
metodología de Chain Ladder sobre una cartera de siniestros con el objetivo de
obtener el valor a reservar en concepto de futuros pagos al asegurador. Esta
metodología es una de la más utilizadas en la literatura actuarial para la
estimación de reservas patrimoniales por su simplicidad y eficacia. Los autores
consideran una base de estimación anual, a diferencia de la aplicación en este
trabajo que se realizará de forma mensual, para proyectar los pagos futuros en
concepto de siniestros. El monto a reservar lo obtienen calculando la diferencia
entre los pagos totales estimados y los pagos incurridos. En términos de LGD, se
buscará el ratio entre pagos totales estimados y monto de deuda en default, que
se ampliará en la sección 4.3
13
3. MARCO NORMATIVO
En enero de este año entraron en vigor para la banca argentina las Normas
Internacionales de Información Financiera 4 . Desde su inicial comunicación, el
BCRA ha establecido una hoja de ruta para que las entidades vayan transitando
de la mejor manera posible la convergencia. En esta línea, ha solicitado que se
adelanten datos cualitativos a fines de 2018 y datos cuantitativos preliminares a
inicios del 2019. Mientras tanto, continuaron aplicándose las especificaciones
detalladas en el texto ordenado de Previsiones Mínimas por Riesgo de
Incobrabilidad 5 , con última actualización al 26 de mayo del corriente. Dicha
norma establece las pautas mínimas de previsionamiento por riesgo de
incobrabilidad que deben aplicarse sobre las financiaciones comprendidas por
las normas sobre clasificación de deudores, emitidas también por el BCRA.
Cabe destacar que, dado el contexto de pandemia COVID-19, el BCRA dispuso

una flexibilización, de manera transitoria, en los parámetros con los que son
clasificados los deudores que no será considerada en este trabajo por ser una
medida provisoria6.
3.1. Lineamientos del BCRA
La normativa del BCRA establece ciertos niveles de clasificación de los deudores

a partir de los cuales exige a las entidades la constitución de previsiones
contables por incobrabilidad.
4
Exigidas para entidades de grupo “A”, para las entidades de grupo “B” se ha vuelto a prorrogar
su implementación. Las tipo “A” son aquellas en la cuales el valor total de sus activos es mayor o
igual al 1% del total de activos del sistema financiero.
5 Texto ordenado al 26/05/20 de “Previsiones Mínimas por Riesgo de Incobrabilidad” -Última
comunicación incorporada: “A” 7024.

6 Con vigencia hasta el 30/09/20, deberán incrementar en 60 días los plazos de mora admitida
para los niveles 1, 2 y 3, tanto para la cartera comercial como para la de consumo o vivienda y,
oportunamente, se dará a conocer un cronograma para retomar a los valores preexistentes. Para
mayor detalle ver COM “A” 6938.
14
C o b e rtura
C ate g o ría D eta l le C o n ga ra ntía s Si n g ara ntía s
p re fe ri da s p re fe ri d a s
E n sit u a c ió n n o rm a l
1 (p u n to s 6 .5 .1 . y 7 .2 .1 . d e la s n orm a s so b re 1% 1%
“ C la sific a c ió n d e d e u d o res”)
a ) E n ob se rv a ció n y d e rie sgo b a jo 3% 5%
b ) E n n e go c ia ció n o c o n a c u e rd o s d e
6% 12%
re fin a n c ia c ió n (2 .b . p a ra c a rt era c o m e rc ia l)
2
c ) E n tra t a m ien t o e sp e c ia l (2 .c . p a ra c a rte ra
c o m e rc ia l; 2 .b . p a ra c a rt era d e c o n su m o o 8% 16%
v iv ie n d a )
3 C on p ro b lem a s y d e rie sgo m e d io 12% 25%
4 C on a lt o rie sgo d e in solv e n c ia y d e rie sgo a lto 25% 50%
5 Irrec u p e ra b le 50% 100%
Tabla 1: Porcentajes de cobertura por situación del deudor
Más allá de los ponderadores detalladas en la Tabla 1, establece que las

entidades pueden efectuar previsiones por importes superiores a los mínimos
establecidos, si así lo juzgaran razonable.
En cuanto a la definición de la categoría, se define en base a los días de atraso

del cliente (de la cartera de consumo o vivienda) con los siguientes rangos: 1:
hasta 30 días de atraso, 2: entre 31 y 90 días, 3: entre 91 y 180 días, 4: entre 181 y
365 días y 5: más de 365 días.
Asimismo, establece dos conceptos de reclasificación obligatoria: el “arrastre

interno”, para aquellos clientes con más de un producto en la misma entidad
indica considerar la peor situación individual, y el “arrastre externo”, para
aquellos clientes con más de un producto en el sistema financiero, exige el
incremento de la clasificación en función a la situación externa, tomando en
cuenta a la composición de deuda7.
Puede advertirse que dicho esquema no anticipa comportamientos si no que

espera a que se efectivice el incumplimiento del cliente para incrementar la
previsión contable, a diferencia del enfoque de deterioro de valor de la NIIF 9
7Texto ordenado al 27/05/20 de “Clasificación de Deudores” -Última comunicación incorporada:

“A” 7024-
15
donde -como se profundizará más adelante- ya no es necesario que ocurra un
suceso relacionado con el crédito antes de que se reconozcan las pérdidas
crediticias, y en su lugar exige contabilizar con el criterio de lo esperado.
3.2. Lineamientos de la NIIF 9
El marco de la NIIF 9 tiene su origen en abril de 2001 cuando el IASB adoptó la

NIC 39 Instrumentos Financieros: Reconocimiento y Medición, que había sido
originalmente emitida por el Comité de Normas Internacionales de Contabilidad
en marzo de 1999, debido a que numerosos usuarios y otras partes interesadas
manifestaron dificultad de comprensión, aplicación e interpretación. En tal
sentido, fue creando capítulos que sustituyeron los requerimientos
correspondientes de la NIC 39, hasta julio de 2014 en donde emitió la versión
completa.
La NIIF 9 -Instrumentos Financieros- establece los requerimientos para el

reconocimiento y medición de los activos financieros, pasivos financieros y
algunos contratos de compra o venta de partidas no financieras. Las tres fases
principales del proyecto del IASB fueron:
a. Fase 1: Clasificación y medición de los activos financieros y pasivos

financieros (noviembre 2009).
b. Fase 2: Metodología de deterioro del valor (julio 2014).
c. Fase 3: Contabilidad de coberturas (noviembre 2013).
La fase 2 incluyó dentro de la sección 5.58 los requerimientos de deterioro de valor

relacionados con la contabilidad de las pérdidas crediticias, cuyo contenido será
foco de estudio en este trabajo y se ampliará a continuación.
Se introduce un nuevo enfoque de clasificación, basado en dos conceptos: las

características de los flujos de efectivo contractuales de los activos y el modelo
de negocio de la entidad.
8 International Accounting Standards Bord (2014ª) – NIIF 9 Instrumentos Financieros.
16
Establece tres categorías de valoración: (i) costo amortizado, (ii) valor razonable
con cambios en otro resultado integral (patrimonio) y (iii) valor razonable con
cambios en pérdidas y ganancias.
En cuanto a la clasificación, dependerá del modelo de negocios, es decir, del

modo en que la entidad gestiona sus instrumentos financieros y la existencia o no
de flujos de efectivo contractuales de los activos financieros específicamente
definidos:
 Si el objetivo del modelo de negocio es mantener un activo financiero con

el fin de cobrar flujos de efectivo contractuales, según las condiciones del
contrato, se reciben flujos de efectivo en fechas específicas que
constituyen exclusivamente pagos del principal más intereses sobre dicho
principal, el activo financiero se valorará a costo amortizado.
 Si el modelo de negocio tiene como objetivo tanto la obtención de flujos
de efectivo contractuales como su venta, los activos financieros se
valorarán a valor razonable con cambios en otro resultado integral.
 Fuera de estos escenarios, el resto de los activos se valorarán a valor
razonable con cambios en pérdidas y ganancias.
La NIIF 9 propone un nuevo modelo de deterioro basado en pérdida esperada

aplicable a los activos financieros valorados a costo amortizado y a los activos
financieros de deuda a valor razonable con cambios en otro resultado integral.
A diferencia de las 5 clasificaciones del BCRA, el enfoque general se estructura a

través de 3 fases (stages) en las que se puede encontrar el instrumento financiero
desde su reconocimiento inicial, que se basan en el grado del riesgo de crédito
y en la circunstancia en la que se haya producido un aumento significativo del
mismo.
a. Stage 1: Corresponde a aquellos instrumentos cuyo riesgo crediticio no

aumentó desde el reconocimiento inicial y se requiere una estimación
de las ECL para los próximos 12 meses.
17
b. Stage 2: Corresponde a aquellos instrumentos sobre los cuales se ha
incrementado significativamente el riesgo crediticio desde el
reconocimiento inicial y se requiere constituir una previsión para las ECL
de toda su vida remanente.9
c. Stage 3: Corresponde a aquellos instrumentos con evidencia de
deterioro, por lo que se estiman las ECL para toda su vida remanente.
Hace referencia a las operaciones con un atraso mayor a 90 días.10
Figura 1: Las tres fases del modelo general de deterioro.

Fuente: Deloitte España
9 “(…) en cada fecha de presentación, una entidad medirá la corrección de valor por pérdidas
de un instrumento financiero por un importe igual a las pérdidas crediticias esperadas durante el
tiempo de vida del activo, si el riesgo crediticio de ese instrumento financiero se ha incrementado
de forma significativa desde su reconocimiento inicial”. Sección 5.5.3, Reconocimiento de las
pérdidas crediticias esperadas. NIIF 9 Instrumentos Financieros
10 “(…) hay una presunción refutable de que un incumplimiento no ocurrirá después de que un
activo financiero esté en mora 90 días, a menos que una entidad tenga información razonable y
sustentable que un criterio de incumplimiento más aislado es más apropiado”. Sección B5.5.36,
Definición de incumplimiento. NIIF 9 Instrumentos Financieros
18
Cabe destacar que, si el activo se recupera de su estado de deterioro, la entidad
puede volver a constituir previsiones con la metodología del stage 1.
En cuanto al “aumento significativo” del riesgo, la norma no da una definición

puntual a aplicar, solo menciona qué ocurre si se ha producido un aumento
significativo en el riesgo de crédito desde su reconocimiento inicial, de tal forma
que va a depender de las políticas y prácticas de gestión de la entidad. Sí incluye
una presunción refutable de que el riesgo de crédito aumenta significativamente
cuando los pagos contractuales están vencidos en más de 30 días. Dicho criterio
será el único a considerarse en este trabajo para la clasificación en stage 2.
Adicionalmente, si la información con vistas al futuro razonable y sustentable está

disponible sin costos o esfuerzos desproporcionados, las entidades no deben
confiar únicamente en información sobre morosidad para determinar si se ha
incrementado o no el riesgo crediticio de forma significativa desde el
reconocimiento inicial. Podrían considerarse, por ejemplo, modelos
macroeconómicos para complementar dicha estimación. Estos modelos,
conocidos como “Forward Looking” permiten ajustar la estimación de la pérdida
esperada a las condiciones futuras. Queda fuera de alcance de este trabajo la
estimación de un modelo con dichas características, pero resulta fundamental
realizar un ajuste en los parámetros con dicho modelo, principalmente en este
contexto. En resumen, establece que la estimación de pérdidas esperadas debe
basarse en la experiencia histórica de la incobrabilidad y las condiciones
macroeconómicas actuales y futuras.
19
4. METODOLOGÍA
En función a lo establecido en la NIIF 9, se propone una metodología de

previsiones estadísticas que permita calcular el importe total a computar
mensualmente en los balances de las entidades financieras y que considere un
enfoque prospectivo: “Modelo forward looking”.
El cálculo de ECL se basa en los parámetros de riesgo establecidos por el Comité

de Basilea11 para obtener el capital mínimo regulatorio por riesgo de crédito (Pilar
I), solo que su estimación estará alineada a los lineamientos de la NIIF 9. Dichos
parámetros son: PD – LGD – EAD.
Cabe destacar que las estimaciones realizadas estarán basadas en la

información interna de una entidad financiera, tomando en consideración la
profundidad histórica y la materialidad de la cartera de análisis.
4.1. Probabilidad de Default (PD)
La probabilidad de incumplimiento o default es un elemento importante en la

evaluación del riesgo de crédito y su significado más utilizado es la omisión del
pago de una deuda vencida en una determinada ventana temporal. Es la
medida de qué tan probable un acreditado deje de cumplir con sus obligaciones
contractuales y comprende analizar la capacidad de repago. El atraso de 90
días ha sido el parámetro objetivo universalmente aceptado como indicador de
cartera irregular.
Las técnicas de credit scoring se emplean para evaluar el riesgo de crédito a

nivel individual de un deudor o solicitante de crédito. Se definen como los
“métodos estadísticos utilizados para clasificar a los solicitantes de crédito, o
incluso a quienes ya son clientes de la entidad evaluadora, entre las clases de
riesgo ‘bueno’ y ‘malo’”, Hand y Henley (1997).
11 International convergence of capital measurement and capital standards. A revised

framework, Basel Committee on Banking Supervision, junio 2004
20
Con la información contenida en las solicitudes de crédito y en otras fuentes, el
scoring permite tomar la decisión de otorgar o no un crédito (es el caso del
application scoring) o realizar el seguimiento del deudor (behavioral scoring). Si
bien estas técnicas se aplican a clientes de todo tamaño, su uso está más
difundido para la cartera minorista.
Las técnicas de credit scoring empleadas con este propósito expresan el

resultado de su evaluación de distintas maneras: un puntaje, la asignación a un
segmento o grupo determinado según el riesgo, un rating o una PD (como es el
caso de la regresión logística). Aunque no siempre da como resultado directo
una PD, obtenerla de manera indirecta es una tarea relativamente sencilla, por
ejemplo, aproximándola con la tasa de default histórica observada en cada
rango del sistema de ratings, puntaje o segmento al cual el scoring asigne al
deudor12.
En línea a lo requerido en NIIF 9, para la estimación de la probabilidad de default

del stage 1, se estimarán probabilidades a 12 meses y se realizarán dos modelos
de credit scoring: uno para clientes con historial crediticio dentro de la entidad
(modelo de comportamiento) y otro para clientes nuevos (modelo de admisión),
utilizando la metodología de regresión logística. Para la estimación de la
probabilidad de default del stage 2, se estimarán probabilidades para toda la
vida remanente (PD lifetime) considerando la metodología de regresión de Cox,
usualmente utilizada en modelos de supervivencia orientados a seguros de vida.
Ambas metodologías serán detalladas más adelante.
En stage 3 la probabilidad de default ya es conocida y toma el valor 1, por lo

cual no requiere de modelado.
12 Estudio de los sistemas de información requeridos para la medición y administración del

riesgo crediticio. Gerencia de Investigación y Planificación Normativa y Gerencia de Régimen
Informativo1 Banco Central de la República Argentina – octubre 2006
21
PD Modelo de
Cliente scoring de
comportamiento
1
PD Modelo de
No Cliente scoring de
admisión
STAGE
PD Modelo de
2 scoring LifeTime
3 PD: 1
Figura 2: Selección de Modelo de PD
A continuación, se amplían cada una de las metodologías seleccionadas.
4.1.1. Regresión Logística
La regresión logística es un modelo supervisado en el cual existe una variable

dependiente o variable objetivo y un conjunto de variables independientes, que
mediante la asignación de pesos a las variables independientes intenta predecir
a la variable dependiente.
Se denomina Y a la variable dependiente que refleja la ocurrencia del suceso

estudiado. En este caso, se la define como una variable dicotómica en la cual
toma los siguientes valores:
=1
=0
Como el objetivo es modelar el parámetro PD, se considera como evento a que

el cliente incumpla en sus obligaciones y alcance un atraso mayor a 90 días en
una ventana temporal de 12 meses.
22
Se evalúa la influencia de un conjunto de variables independientes sobre la
variable dependiente Y. Estas variables se denotan X , X , … , X y la influencia se
puede modelar por la siguiente probabilidad:
( = 1| , ,…, )
Cada una de estas variables es ponderada por un coeficiente, que determina la

influencia sobre la variable Y. Dichos coeficientes se denotan β , β , … , β y un
término independiente β que son estimados mediante máxima verosimilitud.
Con estos coeficientes, la función logística calcula la probabilidad que el suceso
estudiado ocurra dados ciertos valores de las variables independientes:
1
( = 1| , ,…, )= ⋯
1+
Para seleccionar las posibles variables a considerar en el modelo se utilizan los

análisis bivariados que permiten detectar relaciones entre una variable
explicativa y una variable explicada, como en este caso sería la marca de
default. Son de gran utilidad para realizar un filtro inicial y además permiten
entender si el comportamiento esperado respecto al default tiene o no lógica
económica. Una vez seleccionadas las variables con poder predictivo, se valida
que no exista correlación entre las mismas y, en caso de ser así, se descartan las
menos significativas.
Dado que la cartera a valuar presenta clientes con historial crediticio dentro de
la entidad considerada y otros nuevos sin historial, se define realizar dos modelos
para optimizar la predicción: una regresión logística para clientes sin
comportamiento y otra regresión logística para clientes con comportamiento.
Se define como cliente con comportamiento si presenta una permanencia en la

entidad de al menos 4 meses.
23
Por otro lado, dado que las probabilidades obtenidas en ambos modelos son a
12 meses, para las operaciones cuyos plazos remanentes desde el momento de
valuación sean menores a 12, se establece un supuesto de proporcionalización
a fin de no sobreestimar la previsión:
= ∗ ; ∗3
12 12
4.1.2. Regresión de Cox
Dentro del campo de estudio del riesgo crediticio, no solo es importante contar
con modelos que permitan estimar la frecuencia del evento default si no también
conocer el tiempo de permanencia de los individuos en la cartera antes de
incurrir en dicho estado. En tal sentido, es posible aplicar modelos de
supervivencia para resolver esta problemática.
El análisis de supervivencia es una técnica inferencial que tiene como objetivo

esencial modelizar el tiempo que se tarda en que ocurra un determinado suceso.
Estas técnicas son frecuentemente utilizadas en el campo actuarial y medicinal,
sin embargo, es posible aplicarlas a otras áreas de conocimiento. Para dicho
análisis es necesario contar con una muestra de seguimiento de una serie de
individuos desde el inicio del estudio hasta su final, como por ejemplo podría
aplicarse desde el momento de la originación de un préstamo hasta que dicho
cliente incumple o bien hasta que paga completamente su obligación.
Es decir, dado un individuo en estudio, es posible que el mismo alcance el estado

que se pretende analizar o bien que nunca lo alcance. En esta línea surge el
concepto de “datos censurados” para aquellos que nunca alcanzan dicho
estado.
24
Figura 3: Situaciones de supervivencia
La figura 3 representa distintas situaciones que ocurren en el análisis de

supervivencia, donde E representa la ocurrencia del evento, que podría ser el
impago. Se observa que los individuos no ingresan al estudio al mismo tiempo y
cuando el estudio termina algunos no tuvieron el evento, estos son conocidos
como “datos censurados”, es decir el individuo no pudo ser observado hasta su
potencial fecha de impago.
Estos modelos se basan en una función de supervivencia que permite calcular la

probabilidad de que cierto individuo permanezca hasta un momento
determinado (t), o bien que el tiempo transcurrido hasta el evento (variable )
sea superior o igual que t:
( )= ( ≥ )=1− ( )
Donde:
( ): Probabilidad de supervivencia hasta el momento t
( ): Función de distribución acumulada de alcanzar el evento antes del

momento t
Adicionalmente, contemplan una tasa instantánea de salida, conocida como

Hazard Rate, que se define como la probabilidad de alcanzar el evento en el
25
momento + ∆ dado que se sobrevivió hasta el momento t y siendo ∆ un valor
muy chico:
Pr ( ≤ < + ∆ | ≥ )
ℎ( ) = lim
∆ → ∆
La misma podría interpretarse como la fuerza con la cual un individuo en un

determinado momento es empujado hacia el default.
Si se reemplaza la función de supervivencia en esta última fórmula, es posible

obtener la siguiente relación:
1 ( )
ℎ( ) = −
( )
Despejando es posible ver la supervivencia en función a la Hazard Rate:
∫ ( )
( )=
Entonces, es posible utilizar el Modelo de Riesgos Proporcionales de Cox (1972)

cuyo concepto fundamental a modelar va a ser entonces el denominado
Hazard Rate o tasa instantánea de salida de los individuos.
Para aplicar el análisis de supervivencia al riesgo de crédito es necesario contar

con información particular de cada individuo, por ejemplo: edad, antigüedad
del cliente, situación en el sistema financiero, ingresos, endeudamiento, entre
otros, y así armar una matriz de covariables “X”.
Para determinar la relación existente entre dichas covariables y el tiempo hasta

el default, Cox (1972) propone el siguiente modelo:
( ) = ℎ( ) ( )
ℎ ;
Donde:
26
: Momento en el tiempo
: Vector de parámetros desconocidos
ℎ : Función que describe la tasa instantánea de salida base, sin importar las
características del individuo
: Matriz de características del cliente
Si se reemplaza esta última fórmula sobre la función de supervivencia en función

a la Hazard Rate, se obtiene:
( )
( )= ( )
Es decir, la función de supervivencia puede descomponerse entre la

“Supervivencia Base” y el “Riesgo Relativo” individual. La supervivencia base va
a ser la misma para todos los individuos para un momento de tiempo
determinado y el riesgo relativo será propio de cada uno, en función a las
variables consideradas en el modelo.
Se lo denomina de “Riesgos Proporcionales” debido a que conlleva el supuesto

de que la salida de un individuo con características X es proporcional a la tasa
de salida base y el cociente entre el riesgo para dos individuos con el mismo
vector de covariables es constante en el tiempo, es decir:
( ) ( ) ( )
ℎ ; ℎ ( )
= ( )
= ( )
ℎ ; ( ) ℎ ( )
Suponiendo que el evento ha ocurrido en el tiempo t*, entonces la verosimilitud

de que el evento le ocurra al individuo i-ésimo y no a otro individuo es:
ℎ ( ∗) ( ∗) ( ∗)
( )= =
∑ ( ∗ )ℎ( ∗ ) ( ∗ ) ∑ ( ∗) ( ∗)
27
El producto de los términos de la expresión anterior ( ) = ∏ ( ) se denomina
verosimilitud parcial permitiendo la estimación de los sin necesidad de estimar
el riesgo base ℎ ( ).
Con el objetivo de estimar la PD de stage dos para toda la vida remanente del
crédito, se utilizará dicha metodología tomando como base una cartera de
préstamos de distintos plazos otorgados y distintos plazos remanentes y se
observará el comportamiento hasta el final de la vida del producto. Si el cliente
alcanza un atraso superior a 90 días se lo marca como “ocurrencia del evento” y
se deja de observar al mismo registrando el momento de ocurrencia (delay:
momento de default). En caso de que nunca ocurra el default (dato censurado),
se observa el cliente hasta el momento que cancela totalmente su obligación,
registrando el mismo como momento final del estudio.
4.1.3. Validación de Regresiones
Para elegir la regresión con mayor poder predictivo, tanto en la metodología Cox
como en la Logística, además de validar que los coeficientes sean significativos,
se consideran los siguientes indicadores comúnmente utilizados en credit scoring:
 Kolmogorov-Smirnov
La curva e índice de Kolmogorov-Smirnov (KS) es una forma de representación

de las distribuciones de frecuencias acumuladas de buenos y malos contra el
score y, la máxima diferencia entre ambas.
Según las mejores prácticas, para valores de índices KS menores a 20 el modelo

debe ser cuestionado y para valores por encima de 70, probablemente el
modelo es demasiado bueno para ser verdad. De todos modos, también debe
tenerse en cuenta la dificultad del problema a modelar, con cuánta información
se cuenta y la calidad de la misma, finalmente definir cuál es un KS adecuado
pasa a ser una elección más objetiva.
 Curva ROC y AUC
28
La curva ROC (Receiver Operating Characteristic) es una representación de la
exactitud de la clasificación otorgada y una medida de comparación entre
distintos modelos. Para representar la curva ROC, se definen dos conceptos fijado
un punto de corte determinado:
 Sensibilidad: Es la probabilidad de que el modelo clasifique correctamente

a una operación no morosa.
 Especificidad: Es la probabilidad de que el modelo clasifique
correctamente a una operación morosa.
En cuanto al punto de corte, por ejemplo, si se establece al valor 0.5, se

consideran operaciones morosas todas aquellas cuya puntuación otorgada por
el modelo sea superior a 0.5 y operaciones no morosas a aquellas cuya
puntuación sea inferior a 0.5. Por lo tanto, la probabilidad de que el modelo
califique correctamente a las operaciones no morosas, fijado ese punto de corte,
es el número de operaciones no morosas cuya puntuación es inferior a 0.5 entre
el total de operaciones no morosas.
Cada punto de la curva ROC, compara distintos escenarios de aceptación o

denegación de operaciones con el desempeño conocido de las mismas (morosa
o no morosa). Cabe señalar que el área bajo la curva ROC (AUC), indica el poder
predictivo del modelo. El modelo perfecto corresponde con un área igual a 1 y
el peor de los modelos un área igual a 0.5.
La curva ROC se obtiene representando, para cada uno de los posibles puntos
de corte, es decir, los pares de puntos (1 – Especificidad, Sensibilidad). Por ende,
para cada valor del punto de corte (números reales entre cero y uno), se
representa en el eje de abscisas el valor de “1 – Especificidad” (probabilidad de
que el modelo no califique correctamente a una operación morosa) y en el eje
de ordenadas el valor de “Sensibilidad” (probabilidad de que el modelo califique
correctamente a una operación no morosa).
29
4.2. Exposición al Default (EAD)
Este parámetro corresponde al monto legalmente adeudado a la entidad

financiera al momento del default. La EAD dependerá de distintos factores,
como por ejemplo el tipo de producto, la calidad del cliente, la utilización media
y el tipo de contrato. Para algunas financiaciones casi no existe este riesgo. Los
créditos amortizables se repagan siguiendo un esquema contractual, de manera
tal que los montos futuros son conocidos de antemano, excepto en los casos de
prepago. En general se toma, para las partidas dentro del balance, una
estimación de EAD que no puede ser inferior al valor del préstamo otorgado. Es
decir, se ignoran las cancelaciones aunque éstas estén pautadas
contractualmente.
Para este trabajo se considera como supuesto conservador que el monto

adeudado al default será equivalente al monto adeudado al momento de
calcular la previsión y, para alinearse a lo requerido en la NIIF 9, se establece una
actualización financiera desde el posible momento del default al momento de
valuación.
En esta línea, con el objetivo de establecer una ventana temporal de

actualización, ya que al momento se desconoce cuándo el cliente incumplirá su
obligación, se define un supuesto de uniformidad en donde los defaults ocurren
a mitad de la vida remanente. Es decir, si se valúa una operación en stage 1, se
utilizará una ventana de 6 meses, si se valúa una operación en stage 2, se utilizará
el plazo remanente sobre dos y si se valúa una operación en stage 3, que ya se
encuentra en default, no habrá actualización financiera. En este sentido, la EAD
se obtendrá a nivel operación con la siguiente formula:
= ∗ (1 + )
Donde:
t: mes de valuación de la previsión
30
6, 1
= /2, 2
0, 3
TEM: tasa efectiva mensual del préstamo
4.3. Pérdida dado el Default (LGD)
La LGD es la proporción de la EAD que se perdería si se produjera el default.

Depende de las garantías asociadas, la capacidad de recupero a partir de los
otros activos del deudor, gastos asociados al proceso de recupero y ejecución
de las garantías y el costo de oportunidad por los intereses perdidos.
En este trabajo, la LGD será un parámetro único para todos los stages y no se
consideran garantías ni gastos. Para su estimación, se utilizará información
histórica de la entidad financiera de análisis y se aplicará la metodología de
Chain Ladder a fin de ajustar el parámetro.
En la práctica actuarial, se utilizan ciertas técnicas de estimación de siniestralidad

para calcular las reservas que deben constituirse con el objetivo de garantizar la
solvencia en las compañías aseguradoras. Particularmente, dentro del ramo de
los seguros patrimoniales, frecuentemente se utiliza esta metodología para
estimar cuánto debe reservar la compañía para poder hacer frente a futuros
pagos de siniestros basándose en información empírica.
De esta forma se podría considerar que el default de un cliente es un siniestro y

el monto de deuda neto de los recuperos que se consigan post evento es el
monto total del mismo, de manera tal que se podría utilizar dicha metodología
para la estimación del parámetro LGD.
La metodología de Chain Ladder consiste en recopilar información del pasado

para predecir el futuro. En este caso, se quiere predecir cuánto será el monto de
deuda no recuperada una vez que el cliente entra en default, por eso será
necesario observar el comportamiento de pagos posteriores en una
determinada ventana temporal.
31
Dicha recopilación de pagos debe alocarse bajo la estructura de una matriz. A
medida que los siniestros son más recientes, se reduce la información, por lo que
termina adoptando la forma de un triángulo. Se busca completar la matriz en
función a cómo van evolucionando los mismos (Merz & Wüthrich, 2007).
Se denota como c , a los pagos realizados por los clientes correspondientes al

siniestro del año i ∈ {0, 1,…, I} y pagado en el año j ∈ {0, 1,…, J}.
Se denota como C , a los pagos acumulados de izquierda a derecha,

correspondientes al siniestro del año i ∈ {0, 1,…, I} hasta el año de desarrollo j ∈ {0,
1,…, J}.
Asumimos que nos encontramos en el momento t = I y se cuenta con las

siguientes observaciones:
= ; ; + ≤
El objetivo es estimar para cada año de accidente i:
, ∕
Figura 4: Matriz de pagos
Sobre la base de la representación, se asume que la evolución de los pagos

cuenta implícitamente con factores de desarrollo que fluctúan en el tiempo y
que a su vez tienen cierta tendencia estacional.
32
Es decir,
; = ; ∗ ; ∗ ; ∗ …∗ ;
Con
;
; =
;
Se asume que los factores F ; fluctúan alrededor de un parámetro desconocido
f . Por lo tanto, utilizando el parámetro estimado f los montos no conocidos C , , t +

j > I son calculados recursivamente
; = ; ∗
Comenzando con el último pago conocido,
; = ;
Cabe señalar que hay diversas técnicas empleadas para estimar el parámetro f ,
en este trabajo se utiliza como criterio simplificador el promedio observado en el
último año.
En el ámbito del seguro se buscaría obtener el monto a reservar utilizando la

diferencia entre C ; y C ; , en búsqueda de la estimación de LGD se obtiene para
cada año de ocurrencia la suma de pagos acumulados (también conocidos
como ultimates) y luego el ratio contra la deuda en mora.
El parámetro LGD a utilizar se obtiene con el promedio de cada uno de ellos,

para la base total analizada:
;
=1−
33
=
Para este ejercicio, a diferencia de la bibliografía tomada como base, se

considera una frecuencia de observación mensual.
Adicionalmente, se realiza la actualización financiera sobre los flujos de pagos

para contar con información homogénea alineado a lo establecido en la
normativa NIIF 9. Al igual que en la EAD, se considera como tasa de interés de
actualización la tasa efectiva de cada préstamo modelado.
4.4. Pérdida Crediticia Esperada (ECL)
Como toda función de pérdida contempla un parámetro de frecuencia (PD) y

otro de severidad (LGD y EAD). La pérdida esperada representa la esperanza o
valor promedio de la distribución de probabilidad de las pérdidas futuras por
incumplimientos. La misma es calculada en un momento t, para cada operación
i, resultando la pérdida esperada total como la suma de todas las pérdidas
esperadas individuales para un total de n operaciones. Considerando los
parámetros detallados anteriormente:
, = , ∗ ∗ ,
ó = ,
:
34
5. VARIABLES Y DATOS UTILIZADOS
5.1. Modelo de scoring de admisión
Para el modelo de scoring de admisión se utiliza una base de 34.549 préstamos

dados de alta sobre clientes nuevos sin historial crediticio en la entidad y se sigue
su comportamiento de pago desde la originación hasta y durante 12 meses
posteriores. En dicha ventana temporal se observa si el cliente ha alcanzado o
no un atraso superior a 90 días, generando sobre toda la base, en cada delay, la
variable objetivo 1/0.
Figura 5: Ventana temporal modelo de admisión
Para el modelado se segmenta la población en dos muestras: muestra de

entrenamiento y muestra de validación, en una proporción del 70% y 30%
respectivamente, de manera aleatoria. Es necesario asegurarse que cada una
de ellas contenga una proporción similar de buenos y malos pagadores:
35
Figura 6: Partición de la base modelo de admisión
Luego de los filtros de los bivariados y las correlaciones, se seleccionan las

siguientes variables para modelar:
 Sexo: Variable categórica F/M

 Flag_Trabaja: Marca de si el cliente tiene un empleo formal o cobra un
ingreso previsional.
 Flag_Irregular_24M: Marca de si el cliente alcanzó una situación irregular en
los últimos 24 meses.
 Score Bureau: Variable categórica de rangos de score provistos por un
Bureau de crédito.
 Consultas en financieras 6M: Cantidad de consultas realizadas en
financieras durante los últimos 6 meses, se agrupa en categorías.
 Plazo: plazo de la operación agrupado en categorías
 Consultas en bancos 3M: Cantidad de consultas realizadas en bancos
durante los últimos 3 meses, se agrupa en categorías
 Edad: Edad del cliente agrupada en categorías
 Objetivo: Valor 1 si el cliente alcanza 90 días en la ventana temporal, de lo
contrario toma valor 0
36
5.2. Modelo de scoring de comportamiento
Para el modelo de scoring de comportamiento se utiliza el stock total de

préstamos a un mes determinado, seleccionando aquellos que tengan una
antigüedad de al menos 4 meses y se encuentren al día. Se sigue su
comportamiento de pago desde esa fecha hasta y durante 12 meses posteriores.
La base utilizada contiene un total de 37.981 préstamos.
Al igual que en modelo anterior, se marca en cada delay aquellos que

alcanzaron un atraso superior a 90 días.
BASE INICIAL
STOCK
DE PRÉSTAMOS
DELAY 0
VENTANA TEMPORAL DELAY 12

FLAG_DEFAULT 1/0
Figura 7: Ventana temporal modelo de comportamiento
Se procede a realizar la partición de la base entre entrenamiento y validación:
TOTAL BASE
#37.981
ENTRENAMIENTO VALIDACIÓN
70,24% 29,76%
# 26.676 #11.305
PD 9,82% PD 9,52%
Figura 8: Partición de la base modelo de comportamiento
37
 Plazo: plazo de la operación

 Amortización: Ratio entre la cantidad de meses transcurridos desde la
fecha de alta hasta el mes observado sobre el total de cuotas de la
operación
 Cuotas impagas máx.: Cantidad máximo de cuotas adeudadas desde la
fecha de alta
 Antigüedad Sistema Financiero: Cantidad de meses desde que el cliente
opera en el sistema financiero.
 Peor SITBCRA últimos 24M: Peor situación alcanzada durante los últimos 24
meses.
 Consultas en bancos 3M: Cantidad de consultas realizadas en bancos y/o
financieras durante los últimos 3 meses.
 RCT Mercado: Ratio entre el endeudamiento total del cliente y su ingreso
 Tendencia deuda 6M: Ratio entre la deuda actual y la deuda que tenía
hace 6 meses.
 RCI Mercado: Ratio entre el compromiso total del cliente y su ingreso
 Cantidad de SITBCRA Neto 24M: Diferencia entre la cantidad de
situaciones a la fecha menos la cantidad de situaciones irregulares hace
24 meses.
Bureau de crédito.
 Objetivo: Valor 1 si el cliente alcanza 90 días en la ventana temporal, de lo
contrario toma valor 0
38
5.3. Modelo de scoring lifetime
Para el modelo de scoring lifetime que es ajustado con regresión de Cox se utiliza
el stock total de préstamos a un mes determinado, seleccionando aquellos que
se encuentren con atraso menor a 90 días. Se sigue su comportamiento de pago
desde esa fecha hasta y durante 4 años posteriores. La base utilizada contiene
un total de 44.901 préstamos con diferentes plazos y amortizaciones pendientes.
Se observa cada préstamo a lo largo de la ventana definida hasta llegar al

default, en ese momento se genera la variable objetivo (marcando con un 1)
pero adicionalmente se guarda el delay en que se ha producido ese default. En
caso de que el préstamo nunca haya caído en default, (además de marcarlo
con 0 para la variable objetivo) se guarda el delay máximo observado. Esta
variable delay será el tiempo de censura, desarrollado en 4.1.2.
BASE INICIAL
STOCK
DE PRÉSTAMOS
DELAY 0
AÑO 1 AÑO 2 AÑO 3 AÑO 4
DELAY MÁX:
VENTANA TEMPORAL 48M
FLAG_DEFAULT 1/0
MES DEFAULT O MES MÁX.
Figura 9: Ventana temporal modelo lifetime
Al igual que en las regresiones logísticas, se procede a realizar la partición de

forma aleatoria de la base entre entrenamiento y validación:
39
TOTAL BASE
#44.901
ENTRENAMIENTO VALIDACIÓN
69,87% 30,13%
# 31.371 #13.530
PD 19,63% PD 19,70%
Figura 10: Partición de la base modelo lifetime

 Plazo: plazo de la operación

 Amortización: Ratio entre la cantidad de meses transcurridos desde la
fecha de alta hasta el mes observado sobre el total de cuotas de la
operación
 Cuotas impagas máx: Cantidad máximo de cuotas adeudadas desde la
fecha de alta
 Antigüedad Sistema Financiero: Cantidad de meses desde que el cliente
opera en el sistema financiero.
Bureau de crédito.
 Consultas en bancos 3M: Cantidad de consultas realizadas en bancos y/o
financieras durante los últimos 3 meses.
 RCT Mercado: Ratio entre el endeudamiento total del cliente y su ingreso
hace 6 meses.
hace 12 meses.
40
 Cantidad de SITBCRA Neto 24M: Diferencia entre la cantidad de
situaciones a la fecha menos la cantidad de situaciones irregulares hace
24 meses.
5.4. Cálculo de la LGD
Para el cálculo de LGD se utiliza una base de 21 meses correspondientes a

clientes en mora con un atraso de entre (90;120] días. A los mismos se los observa
hacia adelante durante una ventana temporal de 9 meses en la que se van
recopilando los pagos asociados.
5.5. Cálculo de previsiones
Para el cálculo de previsiones con ambas metodologías se utiliza una base de

datos correspondiente a préstamos personales de cartera de consumo o
vivienda de una entidad financiera argentina, considerando el stock completo a
un mes determinado, que llamaremos “mes 1” a fin de preservar
confidencialidad con los resultados obtenidos. Dicha base contiene un total de
19142 operaciones por un importe de deuda total de 393 millones.
41
6. RESULTADOS E INTERPRETACIÓN
6.1. Modelo de scoring de admisión

Se presentan a continuación los ponderadores obtenidos para cada variable del
modelo de scoring de admisión y su nivel de significatividad:
Variable Modelo Admisión B Sig. Exp(B)

Sexo(1) 0.312 0 1.366
Flag_Trabaja(1) -0.289 0 0.749
Flag_Irregular_24M(1) 0.445 0 1.56
Score_Bureau_Cat 0
Score_Bureau_Cat(1) -0.444 0 0.641
Consultas_Financieras_6M_Cat 0
Consultas_Financieras_6M_Cat(1) 0.39 0 1.478
Consultas_Financieras_6M_Cat(2) 0.531 0 1.701
Plazo_Cat(1) 0.56 0 1.751
Consultas_Bancos_3M 0
Consultas_Bancos_3M(1) 0.127 0.01 1.135
Consultas_Bancos_3M(2) 0.567 0 1.763
Cant_Sit1_24m_Cat 0
Cant_Sit1_24m_Cat(1) -0.557 0 0.573
Cant_Sit1_24m_Cat(2) -0.911 0 0.402
Edad_Cat(1) -0.476 0 0.621
Constante -1.746 0 0.174
Tabla 2: Parámetros regresión logística admisión
Se observa que todas las variables del modelo son significativas (Sig. <0.05). En el
anexo 9.1 se podrán consultar algunos ejemplos de bivariados.
Adicionalmente, observando el valor de los coeficientes beta es posible

comprender cómo influyen en la ocurrencia del evento estudiado, es decir, en el
default. Cuando los coeficientes son positivos, incrementos en la variable
independiente, incrementan la probabilidad de pertenecer al grupo de interés.
Por ejemplo, considerando el Flag_Trabaja cuyo coeficiente es (-0.289), significa

que cuando un cliente trabaja y el flag toma valor 1, la probabilidad de default
disminuye respecto a otro cliente que no trabaja. Además, considerando el Exp(-
0.289) – Odd Ratio – es posible observar cuánto cambia el riesgo relativo en un
42
cliente que pasa de no trabajar a si trabajar, manteniendo el resto de las
variables constantes: la probabilidad de default disminuye un 25%:
Sexo M M
Flag_Trabaja 0 1
Flag_Irregular_24M 0 0
Score_Bureau 250 250
Consultas_Financieras_6M_Cat 1 1
Plazo_Cat 24 24
Consultas_Bancos_3M 1 1
Cant_Sit1_24m_Cat 1 1
Edad 40 40
Pr Default 0.41 0.34
Score 588 656
P / 1-P 0.700 0.524 -25%

Tabla 3: Ejemplo cambio en riesgo relativo
Con el objetivo de validar el ajuste del modelo, se calculan las tablas de

performance tanto para la base de entrenamiento como para la base de
validación. Observar que las columnas de “%Bads” que corresponden al ratio de
malos/total presentan un orden escalonado creciente a medida que el rango de
score disminuye. Además, se observa un bajo desvío entre la PD empírica y la PD
teórica obtenida desde el puntaje del score.
En cuanto al índice KS, se obtiene un valor de 25 puntos lo cual es aceptable

para un modelado de clientes sin historial crediticio en la entidad.
Rango Score Score Mín. Score Máx. #Total %Portfolio + %Portfolio - %GoodAc + %GoodAc - %BadAc + %BadAc - %Bads %Bads + PD_Teórica Odds KS
10 959 988 2492 10 100 11 100 3 100 2.77 3 3.28 35 8
9 946 958 2503 21 90 22 89 7 97 5.07 4 4.93 18 15
8 932 945 2418 31 79 33 78 13 93 6.20 5 6.21 15 20
7 919 931 2337 40 69 43 67 19 87 7.40 5 7.49 12 23
6 904 918 2663 51 60 54 57 28 81 9.16 6 8.91 9 25
5 888 903 2138 60 49 63 46 37 72 10.99 7 10.45 8 25
4 870 887 2370 70 40 73 37 47 63 11.52 8 12.15 7 25
3 841 869 2478 80 30 83 27 61 53 14.69 8 14.50 5 21
2 798 840 2356 90 20 92 17 77 39 18.08 9 17.78 4 14
1 406 797 2396 100 10 100 8 100 23 25.83 11 26.50 2 0
24151
Tabla 4: Tabla de Performance de Entrenamiento
43
Se obtiene un índice GINI de 37.19 y un AUC de 68.6 para la base de validación.
10 958 988 1078 10 100 11 100 2 100 1.95 2 3.31 50 9
9 946 957 1008 20 90 22 89 6 98 4.37 3 4.97 21 16
8 932 945 1115 31 80 33 78 12 94 6.73 4 6.21 13 20
7 919 931 1001 40 69 43 67 20 88 8.99 5 7.51 10 23
6 905 918 1026 50 60 53 57 27 80 8.28 6 8.77 11 25
5 889 904 1067 61 50 63 47 37 73 10.31 7 10.31 8 26
4 871 888 984 70 39 73 37 48 63 12.70 8 12.08 6 25
3 841 870 1044 80 30 82 27 61 52 15.04 8 14.48 5 21
2 797 840 1040 90 20 92 18 77 39 17.40 9 17.85 4 14
1 443 796 1035 100 10 100 8 100 23 25.60 11 26.70 2 0
10398
Tabla 5: Tabla de Performance de Validación
En el anexo 9.1 se puede observar el peso de cada variable para entender cuáles
son más o menos importantes en la predicción, la tabla de correlaciones y la
curva de ROC.
6.2. Modelo de scoring de comportamiento

modelo de scoring de comportamiento y su nivel de significatividad:
Variable Modelo Comportamiento B Sig. Exp(B)

Plazo 0.013 0 1.013
Sexo(1) -0.132 0.004 0.877
Amortización -1.897 0 0.15
Cuotas_Impagas_Max 1.339 0 3.817
Antiguedad_Sistema -0.02 0 0.98
PeorSit_24M 0.09 0.001 1.094
Consultas_3M 0.157 0 1.17
RCT_Mercado 0.049 0 1.05
Tedencia_Deuda_6M 0.455 0.004 1.576
RCI_Mercado -0.739 0 0.477
NetoIrregular_24M -0.078 0 0.925
Score_Bureau_Cat 0
Score_Bureau_Cat(1) 0.885 0 2.422
Constante -2.616 0 0.073
Tabla 6: Coeficientes regresión logística comportamiento
Se observa que todas las variables del modelo son significativas (Sig. <0.05). En el
anexo 9.2 se podrán revisar algunos ejemplos de bivariados.
44
El “Exp(B)” también permite tener una medida de qué tanto influye la variable en
el evento de estudio, por ejemplo, en la variable “Cuotas_Impagas_Max” que
considera la cantidad de cuotas máximas que adeudó el cliente en el pasado,
el aumento de una unidad de dicha cantidad, manteniendo el resto de las
variables constantes, aumentaría el riesgo relativo en 3.817 veces. Tiene sentido
además considerar que a mayor cantidad de cuotas impagas se habla de un
cliente con un perfil más riesgoso cuya probabilidad de default debería ser mayor
(y coincide con el beta positivo =1.339).
Asimismo, se procede a calcular las tablas de performance tanto para la base

de entrenamiento como para la base de validación.
Observar que las columnas de “%Bads” que corresponden al ratio de malos/total

presentan un orden escalonado creciente a medida que el rango de score
disminuye. Por otro lado, se observa un bajo desvío entre la PD empírica y la PD
teórica obtenida desde el puntaje del score. En cuanto al índice KS, se obtiene
un valor de 44 puntos.
45
Se obtiene un índice GINI de 59.04 y un AUC de 79.27 para la base de validación.
Se amplía información en el anexo 9.2.
6.3. Modelo de scoring lifetime

modelo de scoring lifetime y su nivel de significatividad:
Variable Modelo LifeTime B Sig. Exp(B)

Plazo 0.0224 <0.005 1.02
Amortizacion -1.5182 <0.005 0.22
Cuotas_Impagas_Max 0.9528 <0.005 2.59
Antigüedad -0.0104 <0.005 0.99
Score_Bureau -0.0005 <0.005 1
Consultas_3M 0.0704 <0.005 1.07
RCT -0.0626 <0.005 0.94
Tendencia_Endeudamiento_6M 0.1512 0.04 1.16
Tendencia_Endeudamiento_12M 0.1231 0.02 1.13
NetoIrreg_24M -0.0496 <0.005 0.95
Sexo_F -0.0945 <0.005 0.91
Tabla 9: Coeficientes regresión de Cox Lifetime
Adicionalmente, se puede caracterizar la función Hazard desarrollada en 4.1.2

con todas las tasas instantáneas de salida obtenidas para la base modelada:
Baseline Hazard
0.03
0.03
0.02
0.02
0.01
0.01
-
-4 1 6 11 16 21 26 31
Gráfico 1: Baseline Hazard
Observar que al principio presenta un incremento sostenido hasta alcanzar un

máximo y luego con el correr de los meses tiende a disminuir, esto puede
46
interpretarse como que en la medida que un cliente vaya pagando sus cuotas
mensualmente, la probabilidad de default tiende a reducirse.
Análogamente, con la tasa instantánea de supervivencia, es posible graficar el

tiempo de supervivencia base:
Baseline Survival
1.02
1.00
0.98
0.96
0.94
0.92
0.90
0.88
0.86
0.84
-4 1 6 11 16 21 26 31
Gráfico 2: Baseline Survival
( )
Recordando la función de supervivencia ( )= ( ) , detallada en 4.1.2, se
analiza un ejemplo práctico:
Vars Beta
Plazo 36.0000 0.0224
Amortización 0.3611 -1.5182
Cuotas_Impagas_Max 1.0000 0.9528
Antigüedad 24.0000 -0.0104
Score_Bureau 500.0000 -0.0005
Consultas_3M 2.0000 0.0704
RCT 1.4459 -0.0626
Tendencia_Endeudamiento_6M 0.6794 0.1512
Tendencia_Endeudamiento_12M 0.7846 0.1231
NetoIrreg_24M 6.0000 -0.0496
Sexo_F 0.0000 -0.0945
Suma producto: 0.6842
Tabla 10 Ejemplo cliente modelo lifetime
La probabilidad de que el cliente entre en default en una ventana de 24 meses

es:
47
.
(24) = 1 − (24) = 1 − 0.849074 = 27.7%
Al igual que en la regresión logística, el signo del coeficiente de la variable nos

permite entender cómo afecta sobre la variable objetivo. Tomando como
ejemplo la variable “Cuotas_Impagas_Max”, es posible observar que tiene un
coeficiente positivo de 0.95, es decir, que incrementos en dicha variable
incrementan la probabilidad de pertenecer al grupo de interés (default o no
supervivencia). En este sentido, se ha graficado la función de supervivencia para
distintos valores de la variable (1,2,3 y 4) con el objetivo de validar lo mencionado:
Gráfico 3: Baseline Survival para niveles de

Cuotas_Impagas_Max
Observar cómo disminuyen las probabilidades (eje de ordenada) en la medida

que se incrementan la cantidad de cuotas impagas. En el anexo podrán
encontrarse otros ejemplos de variables analizadas.
Con el objetivo de validar el ajuste del modelo, se calculan las tablas de

performance tanto para la base de entrenamiento como para la base de
validación. Para ello se valida en diferentes rangos de plazo remanente, por
ejemplo el subsegmento de plazo remanente menor a 24 meses que equivale al
99.59% de la base, en este caso se scorea toda la base obteniendo los siguientes
resultados:
48
10 940 979 3205 10 100 12 100 2 100 3.18 3 4.89 30 10
9 923 939 3067 20 90 24 88 4 98 4.92 4 6.93 19 19
8 906 922 3304 31 80 36 76 8 96 7.99 5 8.62 11 27
7 890 905 2926 40 69 46 64 13 92 10.36 7 10.22 8 33
6 869 889 3215 50 60 58 54 20 87 12.19 8 12.03 7 37
5 838 868 3112 60 50 68 42 28 80 15.10 9 14.58 5 40
4 791 837 3053 70 40 78 32 37 72 19.69 10 18.49 4 40
3 728 790 3145 80 30 87 22 50 63 25.06 12 23.90 2 37
2 603 727 3096 90 20 95 13 68 50 35.37 15 32.34 1 27
1 0 602 3119 100 10 100 5 100 32 62.26 20 61.36 0 0
31242
Observar que las columnas de “%Bads” que corresponden al ratio de malos/total

presentan un orden escalonado creciente a medida que el rango de score
disminuye. Por otro lado, se observa un bajo desvío entre la PD empírica y la PD
teórica obtenida desde el puntaje del score, salvo en el primer rango donde se
observa una leve sobreestimación. En cuanto al índice KS, se obtiene un valor de
40 puntos.
10 941 977 1383 10 100 12 100 1 100 2.82 3 4.86 34 10
9 924 940 1373 20 90 24 88 5 99 6.34 5 6.84 14 19
8 908 923 1328 30 80 35 76 9 95 8.43 6 8.46 10 26
7 891 907 1311 40 70 46 65 14 91 10.53 7 10.08 8 32
6 869 890 1400 50 60 58 54 21 86 13.14 8 11.99 6 36
5 839 868 1307 60 50 68 42 29 79 16.53 10 14.55 5 38
4 792 838 1352 70 40 78 32 38 71 16.72 11 18.36 4 40
3 728 791 1339 80 30 87 22 50 62 24.79 12 23.93 3 36
2 598 727 1344 90 20 95 13 69 50 36.01 15 32.49 1 26
1 0 597 1347 100 10 100 5 100 31 61.32 20 60.88 0 0
13484
7.7. Cálculo de la LGD

Respecto al cálculo de LGD, a partir de la metodología de Chain Ladder, se ha
obtenido un valor de parámetro del 75.46%. Es decir que, sobre aquellos clientes
que incumplen en default, la entidad logra recuperar un 24.54%. Se amplía
información en el anexo 9.4.
49
7.8. Cálculo de Previsiones
Para obtener los valores de previsiones sobre la base de datos del “mes 1”
mencionada, en primer lugar, se clasifica la cartera por stage y se compara con
la SIT BCRA:
SIT BCRA STAGE

12.73%
6.86%
4.18% 1
3.10% 2 6.28% 1
3 2
7.29%
4 3
78.58% 80.99%
5
Gráfico 4: Distribución de SIT BCRA vs STAGE
SIT_BCRA Stage_1 Stage_2 Stage_3 Total

1 78.58% 0.00% 0.00% 78.58%
2 1.42% 5.87% 0.00% 7.29%
3 0.62% 0.26% 2.22% 3.10%
4 0.34% 0.13% 3.71% 4.18%
5 0.04% 0.02% 6.80% 6.86%
Total 80.99% 6.28% 12.73% 100.00%
Tabla 13: Distribución SIT BCRA y STAGE
Se observa que el 80.99% de la cartera, que equivale a un total de 14938

préstamos se encuentra en stage 1 por lo cuál su PD será evaluada a partir de los
dos modelos de regresión logística, en función a si es o no cliente conocido. El
6.28% de la base, que corresponde a un total de 974 préstamos, se encuentra en
stage 2 y su PD será evaluada con el modelo lifetime de Cox. El 12.73% restante
en stage 3 presentan evidencia de deterioro por lo cual la PD es 1.
Una vez scoreada la base, considerando la LGD del 75.46% y la actualización de

flujos correspondiente de la EAD, se obtienen los siguientes resultados de
parámetros:
50
STAGE PD_Mean LGD_Mean EAD_Mean
Stage_1 10% 75% $ 14,064
Stage_2 36% 75% $ 12,443
Stage_3 100% 75% $ 15,487
Total 27% 75% $ 41,994
Tabla 14: Resultado de parámetros
Se procede a calcular las previsiones, obteniendo para el modelo de ECL un valor

total de 59 millones que equivale a una cobertura sobre el stock de deuda del
15.00%. En cuanto a los lineamientos del BCRA, se obtiene un valor de previsión
de 45 millones, equivalente a un 11.51% de cobertura. Se evidencia que el
modelo NIIF implica un incremento en las previsiones del 30.00%:
STAGE DEUDA PREVISIÓN_BCRA PREVISIÓN_NIIF DELTA

Stage_1 $ 318,629 $ 4,861 $ 17,510 260%
Stage_2 $ 24,690 $ 1,822 $ 3,716 104%
Stage_3 $ 50,089 $ 38,618 $ 37,798 -2%
Total $ 393,409 $ 45,300 $ 59,024 30%
Tabla 15: Resultado de Modelos de Previsión
Análogamente, se calculan las previsiones con ambas metodologías para los

sucesivos próximos 11 meses con el objetivo de contar con un cierre contable
completo, obteniendo las siguientes series de cobertura:
16.2%
17.0% 15.0% 15.1% 15.6% 15.2% 15.4%
15.0%
13.0%
13.2% 13.4% 13.8%
11.0% 13.1%
11.5% 11.8%
9.0%
7.0%
5.0%
Mes 1 Mes 3 Mes 5 Mes 7 Mes 9 Mes 11
COB_BCRA COB_NIIF
Gráfico 5: Evolución de ratios de cobertura
Observar que el spread entre ambas metodologías se va levemente reduciendo.

Eso se debe a que la cartera de préstamos se ha ido deteriorando y se ha
51
utilizado el mismo modelo de ECL durante un año completo sin efectuar ninguna
revisión del modelo. Resulta crítico realizar con frecuencia un ajuste en los
parámetros, por ejemplo, cada trimestre o semestre, o lo que resulte más
adecuado según la volatilidad de la cartera. Se podrían recalibrar los beta de las
regresiones o bien, si las PDs se han desplazado sin perder escalonamiento, ajustar
las PDs teóricas obtenida implícitamente de los modelos con las PDs empíricas
capturadas con períodos más recientes de información. Adicionalmente,
recordar que este trabajo no cuenta con un modelo de forward looking que
capture los movimientos macroeconómicos, probablemente también sea una
buena herramienta para corregir estimaciones futuras.
De todos modos, para todos los períodos se observa un incremento en las

previsiones por riesgo de incobrabilidad con la nueva metodología. Lo visto
anteriormente se presenta a continuación en términos nominales:
80,000
70,000
60,000
50,000
40,000
30,000
20,000
10,000
0
Mes 1 Mes 3 Mes 5 Mes 7 Mes 9 Mes 11
Previsión_BCRA Previsión_NIIF
Gráfico 6: Evolución del monto de previsiones
52
7. CONCLUSIÓN
Los cambios en las normas de previsionamiento por riesgo de incobrabilidad se

han diseñado para propiciar un profundo cambio en la forma en la cual las
entidades financieras abordan y gestionan el riesgo de crédito.
En función al riesgo que asuma y gestione la entidad, el cambio puede generar

mayor o menor impacto en los balances. En la medida que el apetito a riesgo
sea más elevado, el incremento de previsiones por converger a un esquema de
pérdida esperada debería tener mayor repercusión. Para el caso puntual
analizado en este trabajo, el cambio metodológico implica un incremento en el
monto de previsiones del 30%, que en términos nominales genera un pase a
pérdida de 13,7 millones en el primer mes de convergencia. Esto representa un
3.5% sobre el stock de deuda.
El principal quiebre se encuentra en el grupo tradicionalmente clasificado como

segmento 1, según metodología BCRA, al cual se le asignaba una cobertura del
1%. Al previsionar bajo pérdida esperada el cambio refleja un incremento
significativo. En la cartera analizada, la previsión sube un 260%, llegando a una
cobertura del 5%.
Para el stage 2, si bien el delta de cobertura casi duplica la metodología anterior,

la proporción sobre la cartera total no es tan representativa y no genera un fuerte
impacto económico.
Por último, dentro del stage 3, el mayor grupo pertenece al anterior segmento
conocido como SIT 5, cuya cobertura tradicional era del 100%. Si bien se cuenta
con evidencia certera de deterioro, aún queda la herramienta de la gestión de
recupero, por lo cual, si la entidad logra obtener una gestión positiva, la previsión
no necesariamente tendrá que ser del 100%. En la cartera analizada, se ha
obtenido y utilizado para la estimación de pérdida una LGD del 75%, lo que
resulta una previsión equivalente a dicho porcentaje sobre la exposición total.
53
Respecto a la definición metodológica, la norma permite gran creatividad para
modelar de la forma más robusta los parámetros. Se ha podido comprobar que
es posible aplicar modelos de supervivencia para la estimación de la
probabilidad de default, además de las tradicionales regresiones logísticas, e
incluso, aplicar herramientas del marco de los seguros para estimar la LGD.
En esta línea, resulta interesante profundizar en modelos que puedan predecir el

tiempo al default, considerar curvas de LGD en función al estadío de mora o bien
realizar un modelo de forward looking que permita ajustar los parámetros en
función a proyecciones macroeconómicas, que no han sido considerados en
este trabajo. Hay mucho por investigar para obtener finalmente el modelo que
mejor ajuste a la cartera crediticia.
Adicionalmente, se ha podido remarcar la importancia de revisar el modelo o

recalibrar los parámetros con cierta frecuencia para capturar los posibles
cambios en el riesgo y poder reflejar correctamente la pérdida esperada de la
cartera. En la base analizada se ha observado que a lo largo de los meses se iba
reduciendo el spread entre ambas coberturas porque la cartera se había
deteriorado y el modelo no se había ajustado.
La eficacia de la nueva norma dependerá, no solo de cómo la apliquen los

bancos, sino también del rol que tomen los organismos supervisores. Resulta
crítico que se promueva el uso de prácticas rigurosas y la divulgación de
información útil sobre la exposición crediticia a fin de lograr mayor transparencia
que facilite la disciplina de mercado y la confianza entre los distintos
participantes.
Cabe destacar que este contexto de gran incertidumbre generado por la

pandemia Covid-19 no ha sido de gran ayuda para transitar el primer año de
implementación. Si bien la NIIF 9 establece un marco para determinar las ECL, no
establece una mecánica para determinar cuándo se requieren reconocer
pérdidas de por vida. Tampoco menciona las bases sobre las cuales las entidades
54
deben establecer los escenarios prospectivos. Además, los parámetros y
supuestos implementados a principio de año ya no pueden mantenerse en el
entorno actual y sumado a los cambios normativos impulsados como medidas
de apoyo a la sociedad (postergación de obligaciones, refinanciaciones
automáticas, entre otros 13 ) generan la necesidad de revisar los modelos. De
todos modos, difícilmente sea posible incorporar dichos efectos sobre una base
razonable y sustentable de información.
Los desafíos más importantes con los que se encontrarán las entidades podrían
vincularse a la organización y gobierno, ya que será necesario generar equipos
multidisciplinarios y capacitados, y la necesidad de trabajar en la definición de
metodologías, políticas, procedimientos, controles y responsables. Por el lado de
información y sistemas, implicará la automatización de procesos para obtener
información histórica, motores de cálculo, validaciones y reportes de
seguimiento. Sin embargo, el principal desafío se encontrará en la integración de
los modelos de ECL en la gestión diaria. Va a ser un largo camino alcanzar la
consideración de dichos modelos en, por ejemplo, la adquisición de clientes,
definición de tasas, gestión de cobranzas, entre otros.
Como todo cambio de gran magnitud llevará un cierto tiempo de asimilación,

pero finalmente se alcanzará un proceso de previsionamiento más riguroso,
congruente y transparente con una visión prospectiva que permitirá mayor grado
de eficiencia en la gestión de riesgo.
COM A “7056” – Servicios financieros en el marco de la emergencia sanitaria dispuesta por el

13
decreto N°260/2020 Coronavirus (Covid-19). Adecuaciones.
55
8. BIBLIOGRAFÍA
 Abid, L., Masmoudi, A., & Zouari-Ghorbel, S. (2016). The Consumer Loan's
Payment Default Predictive Model: An Application in a Tunisian
Commercial Bank. Asian Economic and Financial Review, 6(1), 27.
 Altman, E. I. (1989). Measuring corporate bond mortality and performance.
The Journal of Finance, 44(4), 909-922.
 BCBS (2012) «Principios Básicos para una supervisión bancaria eficaz»,
septiembre.
 Bikker, J. A., & Metzemakers, P. A. (2005). Bank provisioning behaviour and
procyclicality. Journal of international financial markets, institutions and
money, 15(2), 141-157.
 Bolton, C. (2010). Logistic regression and its application in credit
scoring (Doctoral dissertation, University of Pretoria).
 Cohen, B. H., & Edwards Jr, G. A. El provisionamiento en función de las
pérdidas crediticias esperadas.
 Comité de Supervisión Bancaria de Basilea (2015). Orientaciones sobre la
contabilidad de pérdidas crediticias esperadas.
 Eckert, J., Jakob, K., & Fischer, M. (2016). A credit portfolio framework under
dependent risk parameters: probability of default, loss given default and
exposure at default.
 Edwards Jr, G. A. (2014). The upcoming new era of expected loss
provisioning. Insights and Thought Leadership on Financial Stability, 13.
 Gupton, G. M., Stein, R. M., Salaam, A., & Bren, D. (2002). LOSSCALCTM:
Model for predicting loss given default (LGD). Moody’s KMV, New York.
 Hand, D. J., & Henley, W. E. (1997). Statistical classification methods in
consumer credit scoring: a review. Journal of the Royal Statistical Society:
Series A (Statistics in Society), 160(3), 523-541.
 Hosmer Jr, D. W., Lemeshow, S., & Sturdivant, R. X. (2013). Applied logistic
regression (Vol. 398). John Wiley & Sons.
56
 International Accounting Standards Board (2014a) «NIIF 9 Instrumentos
Financieros», julio.
 Mack, T. (2004). Chain-Ladder Method. Encyclopedia of Actuarial Science.
 Merz, M., & Wüthrich, M. V. (2007). Prediction error of the expected claims
development results in the chain ladder method. Bulletin of Swiss
Association of Actuaries, 1(2007), 117-137.
 Novotny-Farkas, Z. (2016). The interaction of the NIIF 9 expected loss
approach with supervisory rules and implications for financial
stability. Accounting in Europe, 13(2), 197-227.
 Onali, E., & Ginesti, G. (2014). Pre-adoption market reaction to NIIF 9: A cross-
country event-study. Journal of Accounting and Public Policy, 33(6), 628-
637.
 Schuermann, T. (2004). What do we know about Loss Given Default?
57
9. ANEXOS
9.1. Modelo de Scoring de Admisión
Correlaciones de
Desviación
Variables Pearson Peso Peso Ajustado
(Puntuación Xi) (Xi, Puntuación Total)
Score_Bureau_Cat 0.263 0.47 18.21% 18.22%
Consultas_Financieras_6M_C 0.224 0.493 16.15% 16.16%
Cant_Sit1_24m_Cat 0.366 0.519 27.82% 27.83%
Consultas_Bancos_3M 0.153 0.244 5.48% 5.48%
Flag_Trabaja 0.144 0.144 3.04% 3.04%
Flag_Irregular_24M 0.148 0.218 4.72% 4.72%
Edad_Cat_v3 0.218 0.339 10.82% 10.83%
Sexo 0.155 0.185 4.20% 4.21%
Plazo_Cat 0.212 0.306 9.51% 9.51%
99.95% 100.00%
Tabla 16: Importancia de las variables modelo de admisión
Tasa Mora Registros Tasa Mora # Registros
16% 12,000
14.94%
14% 12.65%
10,000
12%
8,000
10%
8% 6,000
6%
7.66% 4,000
4%
2,000
2%
0% 0
<=0 (0;1] >1
Consultas_Financieras_6M_Cat
Gráfico 7: Bivariado Consultas_Financieras_6M_Cat
18% 25,000
16%
15.26%
14% 20,000
12%
10.49% 15,000
10%
8%
10,000
6%
4% 5,000
2%
0% 0
1.00 0.00
Flag_Irregular_24M
Gráfico 8: Bivariado Flag_Irregullar_24M
58
1.000
0.900
0.800
0.700
Sensibilidad
0.600
0.500
0.400
0.300
0.200
0.100
0.000
0.000
0.040
0.079
0.119
0.158
0.198
0.237
0.277
0.317
0.356
0.396
0.435
0.475
0.515
0.554
0.594
0.633
0.673
0.712
0.752
0.792
0.831
0.871
0.910
0.950
0.989
1 - Especificidad
Curva ROC Aleatorio
Gráfico 9: Curva ROC de modelo de admisión
1 2 3 4 5 6 7 8 9 10 11 12 13 14
Flag_Score_Bureau_Cat(1) 1.0000 -0.6630 -0.2160 -0.0040 0.0530 -0.0440 0.1100 0.0240 0.0530 -0.0180 -0.0050 -0.0660 0.0150 0.0140
Flag_Score_Bureau_Cat(2) -0.6630 1.0000 -0.3050 -0.0020 -0.0430 0.0690 -0.0790 -0.0230 -0.0560 -0.0010 -0.0820 0.0870 -0.0070 -0.0210
Flag_Score_Bureau_Cat(3) -0.2160 -0.3050 1.0000 0.0030 -0.0530 0.0030 -0.0870 -0.0290 -0.0410 0.0220 -0.0550 0.0140 -0.0430 -0.0130
Consultas_Financieras_6M_Cat(1) -0.0040 -0.0020 0.0030 1.0000 -0.4050 -0.0520 -0.0980 -0.0190 -0.0490 0.0000 -0.0380 -0.0350 0.0250 -0.0010
Consultas_Financieras_6M_Cat(2) 0.0530 -0.0430 -0.0530 -0.4050 1.0000 -0.0260 -0.0030 0.1840 0.1570 -0.0150 -0.0190 -0.0060 0.0220 -0.0130
Cant_Sit1_24m_Cat(1) -0.0440 0.0690 0.0030 -0.0520 -0.0260 1.0000 -0.4820 0.0040 -0.0150 0.0530 -0.0360 -0.0180 -0.0180 0.0210
Cant_Sit1_24m_Cat(2) 0.1100 -0.0790 -0.0870 -0.0980 -0.0030 -0.4820 1.0000 0.0700 0.1190 0.0240 0.1190 0.0730 0.0120 -0.0150
Consultas_Bancos_3M_Cat(1) 0.0240 -0.0230 -0.0290 -0.0190 0.1840 0.0040 0.0700 1.0000 -0.1780 0.0200 0.0220 0.0020 0.0150 0.0050
Consultas_Bancos_3M_Cat(2) 0.0530 -0.0560 -0.0410 -0.0490 0.1570 -0.0150 0.1190 -0.1780 1.0000 0.0270 0.0330 0.0130 0.0170 0.0170
Flag_Trabaja(1) -0.0180 -0.0010 0.0220 0.0000 -0.0150 0.0530 0.0240 0.0200 0.0270 1.0000 0.0440 -0.1280 -0.0630 0.2430
Flag_Irregular_24M(1) -0.0050 -0.0820 -0.0550 -0.0380 -0.0190 -0.0360 0.1190 0.0220 0.0330 0.0440 1.0000 0.0080 0.0110 0.0130
Flag_Edad_Cat(1) -0.0660 0.0870 0.0140 -0.0350 -0.0060 -0.0180 0.0730 0.0020 0.0130 -0.1280 0.0080 1.0000 0.0930 -0.0510
Flag_Plazo_Cat(1) 0.0150 -0.0070 -0.0430 0.0250 0.0220 -0.0180 0.0120 0.0150 0.0170 -0.0630 0.0110 0.0930 1.0000 -0.0700
Sexo(1) 0.0140 -0.0210 -0.0130 -0.0010 -0.0130 0.0210 -0.0150 0.0050 0.0170 0.2430 0.0130 -0.0510 -0.0700 1.0000
Tabla 17: Correlaciones entre las variables modelo de admisión
9.2. Modelo de Scoring de Comportamiento

Correlaciones de
Desviación
Variables Pearson Peso Peso Ajustado
(Puntuación Xi) (Xi, Puntuación Total)
ScoreBureau 0.264 0.23 6.19% 6.19%
Plazo 0.106 0.218 2.33% 2.33%
Amortizacion 0.461 0.432 20.12% 20.11%
Cuotas_Impagas_Max 0.740 0.725 54.25% 54.25%
AntiguedadSistema 0.115 0.189 2.19% 2.19%
PeorSit_24M 0.073 0.033 0.25% 0.24%
Consultas 0.174 0.174 3.06% 3.06%
Sexo 0.065 0.067 0.44% 0.44%
RCT 0.190 0.11 2.11% 2.11%
Tendencia 0.075 0.176 1.34% 1.34%
RCI 0.205 0.192 3.97% 3.97%
NetoI rr 0.183 0.203 3.77% 3.76%
100.01% 100.00%
Tabla 18: Importancia de las variables modelo de comportamiento
59
11% 18,000
16,000
11% 10.58%
14,000
12,000
10%
10,000
8,000
10%
9.29% 6,000
9% 4,000
2,000
9% 0
F M
Sexo
Gráfico 10: Bivariado variable Sexo
18% 25,000
16%
14% 20,000
12% 15.29% 10.88%
15,000
10%
9.03%
8%
10,000
6%
4% 5,000
2%
0% 0
<=16 (16;23] >23
Antiguedad en Sistema Finaciero
Gráfico 11: Bivariado variable Antigüedad en el Sistema Financiero
1.000
0.900
0.800
0.700
Sensibilidad
0.600
0.500
0.400
0.300
0.200
0.100
0.000
0.001
0.047
0.092
0.138
0.183
0.229
0.274
0.320
0.365
0.411
0.456
0.502
0.547
0.593
0.638
0.684
0.729
0.775
0.820
0.866
0.911
0.957
1 - Especificidad
Curva ROC Aleatorio
Gráfico 12: Curva de Roc modelo de comportamiento
60
9.3. Modelo de Scoring Lifetime
Período Baseline Hazard Baseline Survival

0 - 1.0000
1 0.0157 0.9844
2 0.0146 0.9701
3 0.0135 0.9571
4 0.0115 0.9461
5 0.0108 0.9360
6 0.0113 0.9254
7 0.0102 0.9161
8 0.0097 0.9072
9 0.0098 0.8983
10 0.0093 0.8900
11 0.0093 0.8818
12 0.0088 0.8741
13 0.0055 0.8694
14 0.0047 0.8653
15 0.0041 0.8617
16 0.0028 0.8593
17 0.0029 0.8568
18 0.0022 0.8549
19 0.0019 0.8533
20 0.0013 0.8521
21 0.0013 0.8510
22 0.0008 0.8503
23 0.0008 0.8496
24 0.0007 0.8491
25 0.0002 0.8489
26 0.0001 0.8489
27 0.0001 0.8488
31 - 0.8488
Tabla 19: Tasas instantáneas
61
Gráfico 14: Baseline Survival para niveles de amortización
Gráfico 13: Baseline Survival para niveles de score bureau
62
Gráfico 15: Baseline Survival para niveles de tendencia de deuda 6M
9.4. Modelo de LGD
Mes de
Mes de Desarrollo
Ocurrencia
0 1 2 3 4 5 6 7 8 9
i $4,997 0.07 1.89 1.32 1.10 1.09 1.07 1.06 1.08 1.03
i+1 $4,370 0.08 1.37 1.29 1.10 1.06 1.06 1.12 1.04 1.04
i+2 $3,743 0.07 1.48 1.38 1.18 1.10 1.13 1.05 1.04 1.05
i+3 $2,996 0.05 1.68 1.46 1.21 1.19 1.10 1.09 1.07 1.05
i+4 $2,887 0.04 1.96 1.45 1.31 1.17 1.09 1.07 1.07 1.05
i+5 $2,797 0.08 1.55 1.29 1.16 1.08 1.06 1.06 1.06 1.04
… … … … … … … … … … …
1+11 $3,932 0.04 1.73 1.37 1.20 1.13 1.08 1.11 1.05 1.03
1+12 $4,481 0.05 1.59 1.46 1.21 1.14 1.13 1.07 1.07 1.04
1+13 $4,943 0.04 1.75 1.53 1.18 1.15 1.07 1.08 1.06 1.04
1+14 $3,974 0.04 2.16 1.55 1.17 1.11 1.15 1.07 1.06 1.04
1+15 $4,121 0.04 2.14 1.38 1.23 1.15 1.09 1.07 1.06 1.04
1+16 $4,224 0.03 1.91 1.60 1.29 1.12 1.09 1.07 1.06 1.04
1+17 $4,117 0.05 1.74 1.55 1.18 1.12 1.09 1.07 1.06 1.04
1+18 $3,721 0.05 1.76 1.47 1.18 1.12 1.09 1.07 1.06 1.04
1+19 $4,391 0.14 1.82 1.47 1.18 1.12 1.09 1.07 1.06 1.04
1+20 $4,057 0.05 1.82 1.47 1.18 1.12 1.09 1.07 1.06 1.04
Figura 21: Factores de Desarrollo
1 2 3 4 5 6 7 8 9
0.05 1.82 1.47 1.18 1.12 1.09 1.07 1.06 1.04
Tabla 20: Factores de Desarrollo Promedio
63
Mes de
Mes de Desarrollo
Ocurrencia
0 1 2 3 4 5 6 7 8 9
i $4,997 $333 $628 $830 $910 $989 $1,060 $1,123 $1,212 $1,249 75.02%
i+1 $4,370 $346 $475 $612 $670 $710 $750 $839 $877 $910 79.17%
i+2 $3,743 $257 $380 $526 $620 $680 $771 $812 $849 $890 76.21%
i+3 $2,996 $146 $245 $358 $434 $514 $568 $618 $658 $692 76.88%
i+4 $2,887 $126 $247 $358 $470 $551 $603 $646 $691 $724 74.93%
i+5 $2,797 $229 $354 $456 $528 $568 $604 $638 $676 $701 74.94%
… … … … … … … … … … …
1+11 $3,932 $162 $279 $383 $459 $516 $558 $619 $648 $670 82.97%
1+12 $4,481 $214 $340 $497 $600 $685 $772 $823 $877 $914 79.61%
1+13 $4,943 $180 $314 $480 $568 $654 $701 $755 $798 $831 83.19%
1+14 $3,974 $142 $307 $476 $560 $619 $709 $757 $801 $834 79.02%
1+15 $4,121 $167 $357 $493 $606 $695 $761 $813 $859 $895 78.28%
1+16 $4,224 $143 $273 $438 $566 $636 $696 $744 $786 $819 80.61%
1+17 $4,117 $216 $374 $579 $686 $771 $843 $901 $953 $992 75.90%
1+18 $3,721 $175 $307 $451 $534 $600 $657 $702 $742 $773 79.22%
1+19 $4,391 $634 $1,155 $1,695 $2,008 $2,257 $2,470 $2,639 $2,790 $2,906 33.81%
1+20 $4,057 $222 $404 $593 $702 $789 $864 $923 $976 $1,017 74.94%
75.5%
Figura 20: Triángulo de Pagos Acumulados y LGD
64

Tesis NIIF 9 - Prev Incobrabilidad

Cargado por

Copyright:

Formatos disponibles

Tesis NIIF 9 - Prev Incobrabilidad

Cargado por

Información del documento

Descripción original:

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Tesis NIIF 9 - Prev Incobrabilidad

Cargado por

Copyright:

Formatos disponibles

Universidad de San Andrés

Escuela de Administración y Negocios

Previsiones por Incobrabilidad

“Impacto del Modelo NIIF 9”

Autor: Farías López, Noelia

Director de Trabajo Final de Graduación: Basaluzzo, Gabriel

Buenos Aires, Agosto 2020.

2. REVISIÓN BIBLIOGRÁFICA .........................................................................................................................8

3. MARCO NORMATIVO ............................................................................................................................. 14

3.1. Lineamientos del BCRA .................................................................................................................. 14

4.1. Probabilidad de Default (PD)........................................................................................................ 20

5.1. Modelo de scoring de admisión................................................................................................... 35

6.1. Modelo de scoring de admisión................................................................................................... 42

En el presente trabajo se desarrolla una propuesta metodológica de cálculo de

Mediante modelos de regresión logística y modelos de supervivencia se

La crisis financiera de 2007/2009 puso de manifiesto los costos sistémicos que

1 BCBS (2012) - Principios Básicos para una supervisión bancaria eficaz.

Las entidades financieras se fueron preparando para implementar esta nueva

En noviembre de 2016, la Autoridad Bancaria Europea (“ABE”) publicó un informe

En el presente trabajo se propondrá desarrollar una metodología de cálculo de

Normas Internacionales de Información Financiera.

En el capítulo 2 se comenzará por realizar una revisión bibliográfica a fin de

A continuación, en el capítulo 3, se realizará un recorrido del marco normativo

En el capítulo 4 se hará un abordaje más detallado, y se pondrán de resalto

En el capítulo 5 se detallarán las variables y bases de datos utilizadas para las

Como corolario, en el capítulo 6, se expondrán e interpretarán los resultados de

Finalmente, en el capítulo 7, se detallará la conclusión arribada a partir del

Se expondrán a continuación los principales trabajos que abordan el tema

El Comité de Supervisión Bancaria de Basilea ha publicado en 2015 un

Las principales consultoras internacionales han realizado valiosos trabajos de

KPMG (2016) agrega que, si bien la incobrabilidad histórica es una base

Cohen y Edwards (2017) también analizan los principales aspectos de la nueva

PwC (2018) también realiza una interpretación de la normativa NIIF y aporta,

Adicionalmente, Novotny-Farkas (2016) examina las diferencias entre el modelo

En cuanto a la estimación de parámetros, Hand y Henley (1997) profundizan en

Bolton (2009) desarrolla la aplicación de la regresión logística en credit scoring y

Asimismo, recomienda utilizar el índice KS y la curva ROC como medidas

Hosmer y Lemeshow (2013) también abordan la aplicación de regresiones

Sepanova y Thomas (1999) demuestran que es posible aplicar modelos de

Cabe destacar que, dado el contexto de pandemia COVID-19, el BCRA dispuso

3.1. Lineamientos del BCRA

La normativa del BCRA establece ciertos niveles de clasificación de los deudores

comunicación incorporada: “A” 7024.

Tabla 1: Porcentajes de cobertura por situación del deudor

Más allá de los ponderadores detalladas en la Tabla 1, establece que las

En cuanto a la definición de la categoría, se define en base a los días de atraso

Asimismo, establece dos conceptos de reclasificación obligatoria: el “arrastre

Puede advertirse que dicho esquema no anticipa comportamientos si no que

7Texto ordenado al 27/05/20 de “Clasificación de Deudores” -Última comunicación incorporada:

3.2. Lineamientos de la NIIF 9

El marco de la NIIF 9 tiene su origen en abril de 2001 cuando el IASB adoptó la

La NIIF 9 -Instrumentos Financieros- establece los requerimientos para el

a. Fase 1: Clasificación y medición de los activos financieros y pasivos

La fase 2 incluyó dentro de la sección 5.58 los requerimientos de deterioro de valor

Se introduce un nuevo enfoque de clasificación, basado en dos conceptos: las

8 International Accounting Standards Bord (2014ª) – NIIF 9 Instrumentos Financieros.

En cuanto a la clasificación, dependerá del modelo de negocios, es decir, del

 Si el objetivo del modelo de negocio es mantener un activo financiero con

La NIIF 9 propone un nuevo modelo de deterioro basado en pérdida esperada