¿Qué tan riesgosas son las Cajas

Municipales en el perú?
Mg. Econ. Renzo Gambetta Podestá 11

RESUMEN:
Para el presente artículo se utilizan técnicas de simulación de Monte Carlo para
calcular la distribución de las pérdidas observadas en las carteras de préstamos
durante 2013 y 2014 para cada Caja Municipal. Ratios de capital regulatorio
se comparan con aquellos calculados en la simulación, con el objetivo de
verificar los niveles de solvencia. Asimismo las cuentas de resultados se
utilizan para lograr una medida de rentabilidad ajustada al verdadero riesgo
que enfrentas las Cajas. El análisis se llevo a cabo con información del reporte
regulatorio llamado RCD (Reporte Crediticio de Deudores) y que utiliza la SBS
(Superintendencia de Banca y Seguro) para monitorear los riesgos crediticios
del sistema financiero. Los resultados muestran que los ratios de rentabilidad
contables difieren de los calculados en el ejercicio debido a que no se estaría
tomando en cuenta los riesgos reales que enfrentan para lograr tales retornos.
En términos de solvencia, el resultado es mixto, el requerimiento de capital
regulatorio por riesgo de crédito en alguna Cajas estaría subestimada incluso no
estarían cubriendo el mínimo legal regulatorio del diez por ciento (10%).
PALABRAS CLAVE: Caja Municipal de Ahorro y Crédito, distribución de
perdidas, prestamos, riesgos

ABSTRACT:
The article uses a resampling based on Monte Carlo simulation techniques
to calculate distribution for the losses observed in the loans portfolios during
2013 and 2014 for each Caja Municipal. Regulatory capital ratios are compared
with the unexpected losses to verify levels of solvency. Likewise the income
statements are used to achieve a differently measure of the commons accountant
financial profitability ratios for better allocation to the adjusted returns of credit
risk of each Caja Municipal. The analysis was conducted with information from
RCD (Reporte Crediticio de Deudores), regulatory report submitted for the
SBS (Superintendencia de Banca y Seguros). The results show that the simple
profitability ratios differ from those calculated in the simulation because they
11
Comentarios y/o sugerencias a [email protected] o [email protected]

47
 Revista del Departamento Académico de Ciencias Económicas

would not take into account the real risks they face to achieve such returns. In
terms of solvency the result is mixed, the regulatory capital requirement for
credit risk in some Cajas Municipales would be underestimated even they would
not be covering the legal minimum of ten percent (10%).
KEY WORDS: Municipal Savings and Credit, Loss Distribution, Loans, Risk

1. INTRODUCCIÓN

Las Cajas Municipales de Ahorro y Crédito (CMAC) a lo largo de sus más de

30 años de creación han logrado ubicarse como las instituciones expertas en el
sector de las micro finanzas, con el objetivo principal de desarrollar la actividad
económica de las micro y pequeñas empresas (MYPE), así como el de lograr
la inclusión financiera de más peruanos de los sectores socioeconómicos más
bajos del país. El Sistema de Cajas Municipales constituye una alternativa finan-
ciera para atender las necesidades de los sectores de menores recursos, contribu-
yendo a hacer realidad sus emprendimientos y, con ello, dinamizar la economía
y contribuir a disminuir la pobreza local12. Para su sano desarrollo y crecimiento
las CMAC´s deben de generar utilidades, constituir reservas para reforzar sus
patrimonios y realizar obra social. Esto último incorpora un riesgo adicional en
el sentido de que pueden ser utilizadas de manera populista ya que a pesar de
que su objetivo principal es del tipo social, pueden verse incentivadas a actuar
como instituciones “puramente privadas”, es decir, incrementar el apetito de
riesgo pudiendo poner en peligro la solvencia de la institución por la búsqueda
de mayores retornos acumulando mayores fondos disponibles para la adminis-
tración municipal en curso y dejando en segundo plano el fortalecimiento de
sus patrimonios. Al cierre del año 2014 las CMACs alcanzaron los S/. 13,438
millones en créditos directos así como S/. 13,305 millones en depósitos totales,
lo que representó un incremento interanual de 8% y 4% respectivamente. Al
cierre del 2014, los créditos directos de las CMACs representaron el 7% de los
créditos de la banca múltiple y el 11% en términos de depósitos, cuando en el
2010 la participación en depósitos era de 7% y en créditos directos de 8%, mos-
trando esto la fuerte competencia que sufrieron por parte de los bancos en los
segmentos donde mayormente operan las Cajas que son los créditos destinados
a la micro y pequeña empresas.

El ratio de capital global (Patrimonio efectivo/ Activos ponderados por riesgo)

reportado de las CMACs al 2010 era de 16.8%, al cierre del 2014 los ratios lle-
garon a 14.51%, lo que muestra una caída de -228 puntos básicos. Si bien son ra-
tios que se ubican por encima del regulatorio (10%), las Cajas han reducido sus
niveles de solvencia y ante la necesidad de incrementar los niveles de rentabili-
dad, las Cajas vienen mostrando incrementos en los niveles de riesgo a través de
mayores ratios de morosidad que podría deberse a menores restricciones en los
12
www.fpcmac.org.pe/files/librofepcmac.pdf

48
 Horizonte Empresarial

procedimientos de otorgamiento de créditos así como al incentivo en elevar los

tamaños de los prestamos promedio orientados a segmentos que no les son tan
familiares y por lo tanto carecen del expertise13 necesario. Las mejores prácticas
definidas en Basilea II en riesgo de crédito y el consenso mundial, exigen a las
instituciones financieras cubrir las pérdidas medias o esperadas a través de las
provisiones y las no esperadas a través del capital. El presente artículo va en ese
sentido, utilizando la metodología de bootstrapping14 se estiman las diferentes
distribuciones de pérdidas en los portafolios de crédito de cada una de las Cajas
Municipales de manera empírica. Esta metodología no paramétrica no asume
ningún tipo de distribución a priori de las pérdidas sino que permite replicar de
manera fehaciente la distribución que realmente genero los datos de pérdidas
minimizando los impactos en errores de medición. Los modelos más conocidos
en la industria como son KMV, Credit Risk+15 y el propuesto por Basilea asu-
men supuestos específicos que podrían diferir de lo que ocurre realmente con
las pérdidas empíricas.

2. METODOLOGÍA

Se realizaron dos ondas de análisis; La primera con todos aquellos clientes que
a enero de 2012 tenían menos de 90 días de atraso en sus créditos consolidados
realizando el seguimiento a partir de dicha fecha mes a mes por los siguientes
12 meses. En caso el cliente hubiera tenido durante dichos meses algún incum-
plimiento mayor a 90 días se le consideró un cliente en default, caso contrario
el cliente pago adecuadamente sus obligaciones. Para la segunda onda se utilizó
la misma metodología, salvo que el comienzo de la fecha de análisis fue enero
de 2013. Todos aquellos clientes que tuvieron moras mayor o igual a 90 días
se les asignó una severidad de pérdida (loss given default) del 75% del saldo
original. Suponemos que hay una tasa de recuperación optimista del 25% en
función al porcentaje cubierto promedio en ambos años analizados por garantías
preferidas que llegaron a representar el 20% del total de créditos directos se-
gún información de la SBS. A los 12 meses de observación se identifican todos
aquellos clientes que tuvieron moras máximas de más de 90 días, por lo que son
clasificados en 2 estados absorbentes;

´ ´
´ ´

13
La gestión de riesgo en todo su ciclo (originación, monitoreo, cobranza y recupera-
ción) difiere entre créditos destinados a las microempresas del resto, como pueden
ser; créditos al consumo, hipotecas y créditos para empresas de mayor tamaño y
ciclos más complejos.
14
El bootstrap es un método de remuestreo propuesto por Bradley Efron en 1979. Sir-
ve para aproximar la distribución en el muestreo de un estadístico con el objetivo
de verificar sesgo y variabilidad en un análisis estadístico, construir intervalos de
confianza o realizar contrastes de hipótesis.
15
www.moodysanalytics.com/About-Us/History/KMV-History.

49
 Revista del Departamento Académico de Ciencias Económicas

El objetivo es poder contar con un grupo estadísticamente grande de muestras

que serán aleatorias y muy semejantes unas de otras para poder definir los pará-
metros buscados de la distribución empírica de los datos. Para cada institución
se extrajeron entre 500 y 700 deudores de manera aleatoria sin reemplazos y
según el muestreo óptimo simple aleatorio para proporciones con un nivel de
confianza del 99% y un error del 3%. Seguidamente, se repitió 20,000 veces este
proceso con reemplazos y de forma aleatoria. Con estos parámetros nos asegu-
ramos adecuados intervalos de confianza para métodos del tipo bootstrap. Para
cada portafolio se computaron las pérdidas como porcentaje del valor inicial vi-
gente. Para esto se realizó el cálculo sobre todos aquellos clientes considerados
como “malos” ajustados por el factor de severidad de la pérdida sobre la deuda
vigente a comienzos de cada año. Para el caso de las pérdidas esperadas (expec-
ted losses) se utilizaron las pérdidas medias de los 20,000 subportafolios nuevos
y para las pérdidas inesperadas (unexpected losses) la diferencia entre VaR ele-
gido (al 99.9%) y la pérdida esperada. La metodología nos permitió construir
la distribución de probabilidad empírica a partir de las diferentes muestras re-
plicadas, asignando una probabilidad de 1/n a cada punto (misma probabilidad
de selección) donde n es el número óptimo de muestras.
Como resultado obtenemos una función empírica de la variable X , siendo este
el estimador no paramétrico de máxima verosimilitud de la función poblacio-
nal. Con la función empírica calculada extraemos muestras aleatorias simples
para luego calcular los estadísticos de interés. El paso anterior se repite Y veces,
donde Y es el número de subportafolios, que en este caso corresponde a 20,000.

Es decir;

Siendo el estimador bootstrapping del parámetro definido como la media

del valor del estadístico calculado en las n deudores. Definición de Valor en
Riesgo (VaR); Sea X la variable aleatoria que representa la pérdida en un por-
tafolio de crédito. En función a dicha distribución y bajo un nivel de confianza
definido , el VaR y el CVaR del portafolio se calculan de la siguiente manera:

3. RESULTADOS

El objetivo del articulo más que analizar las formas de distribución de las pér-
didas es la identificación de las medidas más utilizadas para la cuantificación
del riesgo de crédito; la pérdida esperada (Expected losses) y el Valor en Riesgo
(VaR al 99.9%). Adicionalmente y desde el punto de vista referencial, también
se calculo el CVaR (Conditional Value at risk) como una medida de mayor sen-

50
 Horizonte Empresarial

sibilidad y que toma el promedio de las pérdidas (mejor métrica para tiempos de
crisis financiera) en peores escenarios, es decir, cuando las pérdidas rebasaron
ya el VaR. La pérdida esperada es la pérdida prevista (forward looking) que ten-
drá la institución en doce meses, calculada con el histórico de incumplimientos
de más de 90 días. Gestiones eficientes de riesgo de crédito permiten incorporar
estos cálculos en los resultados ya que se asocian a un costo más inherente al
negocio de intermediación, ya que es lo que en este caso la Caja espera perder,
dentro de un margen de seguridad, en promedio y que debería estar explicito en
el cálculo de los ratios de rentabilidad, consiguiendo con esto una rentabilidad
neta de las posibles pérdidas. El VaR y el CVaR son medidas que efectivamente
corresponden a la mejor cuantificación del verdadero riesgo crediticio y cuya
medición tienen que ser tomadas en cuenta por las instituciones para asignar los
fondos propios constituidos por el capital y evitar quiebras por insolvencias ante
escenarios desfavorables y no esperados.
Cuadro N°1: El siguiente gráfico reproduce una distribución de pérdidas ilustrativa por riesgo
de crédito e identifica los parámetros de riesgo comentadas anteriormente. Estos cálculos se han
realizado a cada una de las Cajas Municipales en el Perú al cierre del 2013 y 2014.

1st VaR CVaR

Mínimo Media 3rd Qu. Máximo
Qu. (99.9%) (Expected S.)

0,09% 1,39% 2,45% 3,06% 16,01% 17,16% 20,52%

En el eje vertical se identifica la densidad (%)

de la distribución de pérdidas y en el eje ho-
rizontal se muestra el porcentaje de pérdidas
sobre la cartera vigente a comienzos del año
analizado. Es una distribución asimétrica con
cola ancha a la derecha representando con esto
los altos montos de pérdidas pero con probabilidades bajas. La pérdidas espera-
da (línea negra) para este portafolio se ubica en 2.45%, siendo la máxima pér-
didas del orden del 20.52% del monto original de los créditos. La probabilidad
que la pérdidas sea mayor al 16% (línea verde) del valor total de la cartera es
de 0.1%, mientras que la pérdidas esperada por encima del VaR es del 17.16%
(línea roja). La pérdidas inesperada (VaR-PE) se supone deberá estar cubierta
con el capital de la institución, en este caso representa el 13.6% de la cartera
menor o igual a 90 días.

51
 Revista del Departamento Académico de Ciencias Económicas

Cuadro N°2: A continuación se presentan los resultados numéricos de las simulaciones16 por cada
CMAC en ambos años del análisis.

Pérdidas VaR CVaR

Esperada (% Saldos (% Saldos
Saldos Vigentes ( en Soles) (% Saldos Vigentes) Vigentes) Vigentes)

CMACs 2012 2013 2013 2014 2013 2014 2013 2014

Arequipa 2,392,101,843 2,848,820,847 4.03% 4.75% 11.29% 13.39% 12.13% 14.10%
Piura 1,512,664,601 1,866,116,870 4.31% 4.27% 13.66% 31.42% 14.50% 33.01%
Huancayo 1,023,235,732 1,289,368,585 2.69% 2.53% 11.98% 12.39% 13.08% 12.89%
Trujillo 1,124,800,799 1,276,280,828 4.31% 4.64% 11.95% 11.90% 12.95% 12.31%
Cuzco 1,016,508,881 1,243,443,309 2.41% 2.62% 10.99% 17.46% 11.95% 18.12%
Sullana 1,128,323,136 1,234,769,420 5.85% 6.07% 14.99% 18.94% 16.17% 19.54%
Tacna 591,686,978 709,487,050 3.59% 5.49% 13.85% 13.81% 14.69% 14.53%

Ica 586,144,738 673,392,319 4.73% 4.56% 9.80% 10.76% 10.48% 11.98%

Maynas 292,499,700 308,578,552 4.82% 5.07% 14.35% 19.00% 16.16% 20.20%
Paita 200,946,393 202,855,441 6.74% 5.09% 17.91% 19.04% 19.23% 19.74%

Del Santa 142,271,120 162,186,063 7.33% 6.11% 26.45% 19.32% 28.03% 20.06%
Fuente propia.

El cuadro anterior nos indica los saldos vigentes así como las tres métricas de
riesgo calculadas luego de doce meses como porcentaje de dichos saldos. En
promedio el sector de Cajas Municipales tuvo un ligero incremento en términos
de pérdidas esperadas anuales de +25pbs, pasando de 4.15% a 4.40%. El incre-
mento del VaR promedio del sector pasó de 12.68% a 17.18%, un incremento
de +449pbs. Un punto interesante de los resultados es que la pérdida esperada e
inesperada carecen de una relación lineal exacta, lo cual se acentúa en el cálculo
para el ejercicio 2013-2014 donde por ejemplo Caja Cuzco tiene una pérdidas
esperada de 2.62% y una inesperada de 17.46% mientras que Cajas como Ica,
Trujillo, Tacna y Arequipa tienen pérdidas esperadas por encima del 4% e in-
esperadas por debajo del 14%. Esto se sustenta en el grado de granularidad de
los portafolios. El Expected Shortfall (CVaR) debe ser siempre mayor al VaR de
manera que, se estaría exigiendo mayor cantidad de reservas y no todas las ins-
tituciones poseen la solvencia para realizarlo desde un punto de vista regulatorio
y de disciplina financiera. El CVaR medio para el sector incremento en +246pbs
en un año (de 15.40% a 17.86%), siete Cajas incrementaron esta medida en el
análisis, siendo las principales Piura, Cuzco, Maynas y Sullana. El análisis de
riesgo de crédito a través del cómputo de la distribución de pérdida indica las
posibles pérdidas en un periodo determinado. Además, permite tomar en cuenta
de manera confiable diversas características colectivas del grupo de individuos
que conforman los portafolios, especialmente los efectos de la concentración y
16
Todos los cálculos del articulo se han llevado a cabo con R package. http://www.r-
project.org/

52
 Horizonte Empresarial

granularidad en la cartera, características que los métodos estándar que utiliza

el sistema financiero peruano pasan desapercibidas. A medida que los créditos
de un portafolio se incrementan, el efecto de los créditos relativamente grandes
(tickets grandes) en las colas de la distribución de pérdidas se va suavizando, es
decir, el VaR o el capital económico tiende a disminuir y a converger a un porta-
folio granular, lo anterior condicionado a un nivel de riesgo dado. Por lo tanto, si
la participación relativa de estos créditos con alta exposición respecto al resto de
la cartera se incrementa, esto repercutiría en mayores niveles de pérdidas ines-
peradas que tendrían que estar cubiertas con mayores niveles de capital. En ese
sentido, podemos decir que dado un nivel de riesgo del portafolio, la cantidad de
créditos (granularidad) y el tamaño de éstos definitivamente importan, más aun
en portafolios con un número pequeño de deudores.

4. RENTABILIDAD Y SOLVENCIA

Las medidas comúnmente conocidas de rentabilidad basadas en los estados fi-

nancieros (no toman el riesgo incurrido), son la rentabilidad sobre los activos y
la rentabilidad sobre el patrimonio. Estos no toman en consideración los riesgos
inherentes a las actividades de intermediación lo que podría llevar a resultados
divergentes de los reales, ya que no incorporan en su lo que se está arriesgando
y que eventualmente podría configurarse en pérdidas. Utilizamos la rentabilidad
esperada y ajustada al capital en riesgo (RARORAC) ya que por un lado el nu-
merador nos muestra las ganancias tomando en cuenta las pérdidas esperadas,
y en el denominador, el capital económico que refleja el apetito por riesgo de la
institución. La fórmula es la siguiente:

Se utilizó la utilidad antes de impuestos del Estado de Resultados al cierre de

2014 de cada CMAC, añadiéndole el gasto de provisiones (equivale a pérdidas
previstas). Suponemos para simplicidad del ejercicio que para el cálculo de la
pérdida esperada e inesperada, el saldo vigente de los créditos en el activo de
cada Caja tiene 90 o menos días de atraso.
Cuadro N°3: En el siguiente cuadro obtenemos el RAROC, que es una medida parcial del RA-
RORAC, calculada como la rentabilidad ajustada por pérdidas esperada sobre el patrimonio efec-
tivo, por ultimo tenemos el ROE5 contable que fue ajustado para poder compararlo con el RA-
ROC, devolviéndole las provisiones y ajustándolo sobre el patrimonio efectivo. p17

CMACs Saldo Pérdidas Pérdidas

RARORAC RAROC ROE17
(Miles de S/.) Vigente 2014 Esperada Inesperada
Arequipa 2,599,717 123,487 224,616 50.8% 21.5% 19.1%

17
Utilidad antes del impuesto a la renta ajustada por el patrimonio efectivo. Cifras al
cierre del 2014.

53
 Revista del Departamento Académico de Ciencias Económicas

Piura 1,826,750 78,002 495,963 5.6% 8.3% 18.1%

Huancayo 2,599,717 65,773 256,332 14.6% 12.6% 27.2%
Trujillo 1,281,847 59,478 93,062 39.8% 10.9% 13.3%
Cuzco 1,405,075 36,813 208,513 26.8% 19.4% 23.7%
Sullana 1,513,960 91,897 194,847 8.2% 6.3% 18.5%
Tacna 604,623 33,194 50,305 26.0% 11.2% 11.3%
Ica 620,612 28,300 38,478 18.8% 6.2% 15.5%
Maynas 285,692 14,485 39,797 3.0% 1.8% 10.5%
Paita 155,311 7,905 21,666 -14.2% -8.9% 0.6%
Del Santa 132,103 8,071 17,451 -2.4% -1.4% 8.7%
Total Cajas 13,025,407 547,405 1,641,028 18.1% 12.3% 18.5%
Fuente propia.

Como era de esperar los resultados muestran que las rentabilidades contables
corregidas por la posibilidad de sucesos de impago medios e inesperados difie-
ren entre sí, incluso llegan a ser hasta negativas para dos instituciones como son
Caja Paita y Del Santa. Los resultados negativos indican que no hay generación
de valor para dichas Cajas, la rentabilidad no estaría cubriendo el verdadero
riesgo tomado. Tomar medidas de rentabilidad del tipo contable en instituciones
financieras como son las Cajas, podrían estar sobreestimando las rentabilidades
de éstas, diciendo poco de los riesgos asumidos para su obtención. El RAROC
muestra rentabilidades menores al RARORAC ya que están calculadas sobre el
patrimonio efectivo total (crédito, mercado y operacional) y no solo por la pérdi-
da inesperada crediticia. El RARORAC a diferencia del RAROC ajusta el capi-
tal al verdadero riesgo crediticio (el que no se provisiona) que asume la entidad
y que podría perderlo en búsqueda de obtener dichas ganancias. Existe un am-
plio consenso en el mundo sobre la necesidad de que las instituciones de crédito
tengan la capacidad de cubrir sus pérdidas inesperadas con el capital propio para
asegurar adecuados niveles de solvencia ante situaciones de estrés financiero.
Cuadro N°4: En el siguiente cuadro comparamos los resultados de las simulaciones con el ratio
global de capital que presentaron las Cajas al cierre del 2014.

Ratio de
Requerimiento Ratio Capital
Ratio Capital por
CMACs Patrimonio Ratio Global de Capital SBS por
Global Riesgo de
(Miles de S/.) Efectivo SBS por Riesgo de Riesgo de
Simulado Crédito
Crédito Crédito
(Simulación)
Arequipa 531,076 17.90% 14.87% 285,134 23.64% 18.63%
Cusco 288,884 12.26% 14.08% 177,996 13.86% 16.23%
Del Santa 29,127 13.22% 12.88% 18,045 16.69% 16.14%
Huancayo 297,607 10.34% 15.64% 158,927 11.61% 18.73%
Ica 117,264 21.61% 14.38% 65,758 30.47% 17.83%
Maynas 65,136 13.54% 15.56% 33,554 16.37% 19.41%
Paita 34,716 13.04% 14.07% 19,734 16.02% 17.59%

54
 Horizonte Empresarial

Piura 333,626 6.13% 13.35% 201,711 6.73% 16.54%

Sullana 255,490 11.08% 11.79% 180,742 13.12% 14.14%
Tacna 117,197 18.15% 15.41% 61,734 23.31% 18.98%
Trujillo 341,198 26.26% 17.41% 159,088 36.65% 21.45%
Total Cajas 2,411,320 13.55% 14.51% 1,362,422 16.29% 17.70%
Fuente propia.

Observamos divergencia entre los ratios de capital regulatorios con los hallados
por la simulación. Por un lado tenemos el ratio global simulado que incorpora el
capital inesperado calculado así como el requerimiento de capital por los otros
dos riesgos (mercado y operacional). El ratio global SBS para el sector se ubica
por encima del simulado, esto por efectos de mayores exigencias de capital por
riesgo crediticio que muestra el ejercicio a través de las pérdidas inesperadas.
Particularmente hay resultados mixtos, más de la mitad de las Cajas mostraron
ratios simulados menores a los regulatorios, las mayores diferencias se dan en
las Cajas Piura y Huancayo que tienen ratios SBS de 13.35% y 15.64% respec-
tivamente pero solo llegan a 6.13% y a 10.34% en los simulados, esto debido
a que las pérdidas inesperadas en el caso de Caja Piura sumaron S/. 496 millo-
nes mientras que el requerimiento por riesgo de crédito fue de tan solo S/. 202
millones, es decir 2.45 veces más que el asignado regulatoriamente, Huancayo
muestra 1.6 veces mayores pérdidas inesperadas que el capital regulatorio asig-
nado. En el otro extremo se ubican las Cajas de Trujillo, Ica, Arequipa y Tacna
cuyas pérdidas inesperadas resultaron menores al capital propio asignado para
cubrirlas, con lo cual podríamos concluir que muestran mejores niveles de res-
paldo ante eventos no esperados. Las pérdidas inesperadas son las que le dan
formas distintas a las distribuciones de pérdidas, haciendo las colas más anchas
para aquellas instituciones que tienen en sus portfolios mayor dispersión en los
tamaños de sus créditos. La concentración (no granularidad) en las exposiciones
de un portfolio de crédito es un factor importante en la medición del riesgo cre-
diticio. Existen dos factores que impactan en la concentración por cliente (name
concentration) debido a la imperfecta diversificación del riesgo idiosincrático,
el primero es causado debido a que el portafolio consta de un número pequeño
de préstamos, el segundo, se debe a que en un portafolio pueden haber altas
exposiciones en términos relativos en algunos créditos particulares. Para evitar
problemas de solvencia ante deterioros de actividad económica es importante
que también las instituciones financieras monitoreen y controlen permanente-
mente el apetito (en términos de capital económico) del portafolio y de cada una
de sus líneas de negocio a través de límites que acoten la dispersión del tamaño
de sus créditos, mas aun en instituciones financieras con menores accesos al
mercado de capitales como son la gran mayoría de empresas dedicadas a las
micro finanzas.

55
 Revista del Departamento Académico de Ciencias Económicas

5. CONCLUSIONES

Según los cálculos del ejercicio, 6 de las 11 Cajas tendrían ratios de capital por
riesgo de crédito subestimados, donde las mayores discrepancias están en la
Caja Piura y Caja Huancayo, donde sus niveles de solvencia regulatoria diver-
girían mucho con respecto a la empírica dados los supuestos utilizados en el
análisis. Medidas de rentabilidad contables deberían ser ajustadas al riesgo para
sensibilizar efectivamente lo que la institución está arriesgando en búsqueda de
dicha rentabilidad y las pérdidas esperadas ajusten el margen obteniendo una
medida neta de pérdidas probables como gasto natural del negocio y asimismo
ajustadas al capital aparcado y necesario para cubrir pérdidas inesperadas, con-
servando un nivel sólido de solvencia. De este modo, se asegura estar valorando
con precisión los recursos utilizados en la inversión. Cajas que no estarían agre-
gando valor a los accionistas son las Cajas Paita y Del Santa. Como se ha podido
confirmar tras los resultados del análisis, el tamaño sí importa. Desde el punto
de vista de solvencia, los requisitos de capital regulatorio también deberían de
incorporar la heterogeneidad entre instituciones financieras en función a indi-
cadores de granularidad de la cartera crediticia. Cálculos continuos del CVaR
permitirían el monitoreo de una medida de estrés del portafolio de créditos y que
pondrían en alerta a las Cajas ante posibles escenarios desfavorables de crisis
financiera.

REFERENCIAS BIBLIOGRÁFICAS

1. Mora Valencia, Andrés. (2010). Revista Civilizar.

2. Adasme Osvaldo, Majnoni Giovanni, Uribe Myriam. SBIF-Chile
(2006). Calibración del Riesgo de Crédito en los Países Emergentes:
La experiencia de Chile. Federación de Cajas Municipales de Ahorro y
Crédito Perú 2012.
3. Tarca Silvio. (2014). Regulatory Capital Modelling for Credit Risk.
School of Mathematics and Statistics. University of Sidney.

SOFTWARE UTILIZADO

• http://www.r-project.org/
Una propuesta de CreditMetrics y Expected Shortfall para
Riesgo de Crédito.

56