CONSIDERACIONES PRELIMINARES DE LA GESTIÓN DEL RIESGO EN EL SISTEMA BANCARIO-EL CASO DE LAS CRISIS BANCARIAS EN VENEZUELA. Ruth Guilléna

Comentario inicial Una de las grandes dificultades que enfrentan los profesionales en la actualidad, es que dada la gran especialización de los grupos con diferentes perfiles se hace difícil el dialogo entre los mismos, el aprovechamiento de técnicas para el análisis de diversos problemas, así como la comprensión de la naturaleza de los mismos. En este sentido, el análisis del sistema bancario, específicamente el riesgo

bancario,

utilizando

técnicas

estadísticas,

requiere

de

la

comprensión del sistema, y de las consecuencias que un inadecuado manejo del mismo pueden ocasionar en un país, específicamente la referente a “las crisis bancarias”. Las siguientes líneas pretenden dar una breve visión de lo que es el sistema financiero venezolano en la actualidad, las principales crisis financieras que ha tenido que enfrentar, las causas asociadas por los especialistas en el área económica, así como los costos asociados. El sistema financiero venezolano y las crisis bancarias El sistema bancario venezolano, según el último informe de la Superintendencia de Bancos (Sep-2004) está constituido por 51 institucionesb, de las que el 62,73% corresponden a Bancos Universales y Comerciales (33,33% y 29,4% respectivamente), y el 37,27% a Bancos de Inversión, Desarrollo, Hipotecarios, con leyes especiales, Arrendadoras Financieras, Entidades de Ahorro y Préstamo y Fondos del a b

Este documento manuscrito fue presentado en el Congreso Binacional De Estadística, Mayo 2005, Mérida.

Específicamente al 30/9/2004 de las 51 instituciones: 17 corresponden a bancos universales, 15 a bancos comerciales, 4 a Bancos con leyes especiales; 2 Bancos de desarrollo; 5 Bancos de inversión; 2 Bancos Hipotecarios; 1 Arrendadora Financiera, 3 Entidades de Ahorro y Préstamo y 2 Fondos del Mercado Monetario

1

Mercado Monetario. En conjunto estas instituciones manejan sólo en captaciones del público cerca de 18 mil millones de dólares, es decir, aproximadamente el 85% de las reservas internacionales del país. Este apreciable número de instituciones y su volumen de captación a simple vista deja entrever por un lado, la gran confianza que sienten los agentes al depositar sus recursos en dichas instituciones y por otro lado, el papel preponderante que los mismos poseen en el desenvolvimiento de nuestra economía contemporánea, ya sea por perfilarse como agentes del ahorro, agentes de colocaciones,

creadores de dinero,

expresión del sistema de pagos y/o por su gran influencia en la estabilidad macroeconómica del país. La historia del sistema bancario venezolano, sin embargo, revela que han existido momentos en los cuales

un número importante de

intermediarios han padecido lo que se conoce como “crisis bancarias”, es decir, una situación en la cual varias instituciones enfrenta severos problemas de solvencia y

no puede cumplir con las obligaciones

contraídas frente al público, estas situaciones en su momento generaron pánico en el público que había confiado sus ahorros a dichas instituciones. Así, dos grandes crisis han sido registradas en nuestro país: la crisis de comienzos de los años 60`s y la crisis del año 1994c. La primera crisis surgió en un marco de desconfianza que se generó en los años siguientes a la caída de la dictadura de Pérez Jiménez (1958), la incertidumbre política de tener un nuevo gobierno condujo a una importante salida de capitales, de manera conjunta se produjo una fuerte caída en las reservas internacionales,

contracción de la

economía, y una afectación adversa del 40% del sistema bancario nacional, debido a la fuerte liquidación de pasivos a la que debió

c

Entre estas dos crisis hubo varias quiebras individuales de bancos que en su momento fueron importantes en cuanto al volumen de captaciones, sin embargo, para los fines de este ensayo no las consideramos como crisis bancaria.

2

enfrentarsed, aumento en la cartera de créditos demorada y en litigio y una crisis en la balanza de pagos que terminó por dejar a la banca en una situación de insolvencia para honrar las obligaciones adquiridas con los acreedores externos. El balance final de ésta crisis fue: 2 instituciones intervenidas (específicamente el Banco Táchira y el De Fomento Comercial de Venezuela); 3 instituciones auxiliadas de manera directa (Banco Nacional de Descuento, Construcción y Comercial de Maracaibo), 16 instituciones utilizando operaciones de redescuento, como mecanismo de obtención de liquidez y un alto costo para la nación (Ver cuadro 1). La segunda crisis bancaria a nivel nacional, se produce a partir de enero de 1994, luego de que el Banco Latino, segundo banco comercial del la época, fuera excluido de la Cámara de Compensación, produciéndose luego,

su

intervención

por

parte

del

Consejo

Superior

de

Superintendencia de Bancos, quien decidió paralizar sus actividades y las correspondientes a las empresas relacionadas. Tal intervención generó pánico en el público, y no sólo el banco intervenido sino otra gran cantidad de bancos en el sistema debieron enfrentarse a una rápida liquidación de sus pasivos, lo que produjo una fuerte crisis de liquidez en el sistema y la necesidad de que FOGADE y el BCV

iniciarán

fuertes

programas

de

auxilio

financiero

a

varias

instituciones. La situación del sistema financiero, sin embargo, se fue agravando a través del tiempo y seis meses más tarde de la intervención del Banco Latino comienza una ola de intervenciones y estatización de instituciones por parte del gobierno, así, en junio son intervenidas ocho instituciones a puerta cerradas (Banco

Amazonas,

Bancor, Barinas, Construcción, La Guaira, Maracaibo y Metropolitano (los cuales detentaban al 31 de dic. De 1993 el 20,8% de los depósitos totales), y la sociedad financiera FiVECA); en el mes de agosto, al d

Los depósitos se redujeron un 33% en 1959.

3

producirse otra fuerte corrida de depósitos son intervenidos a puertas abiertas dos importantes bancos comerciales que hasta el momento eran percibidos como sólidos (Consolidado y Venezuela); en el mes de diciembre, son estatizados los bancos Progreso y República; en el mes de enero del año 1995 se liquida el grupo latinoamericano progreso (que poseía entre otros a los Bancos Progreso y República) y en febrero de este mismo año se estatizan los Bancos Profesional, Ítalo-Venezolano y Principal (Ver cuadro 2). Una de las características más relevantes de la crisis del año 94, fue su rápida propagación en el sistema, tal que al final de la misma el 60% del sistema bancario resultó afectado adversamente. En palabras de quien fuera la presidenta del BCV para el momento de la crisis, “el sistema comenzó a derrumbarse como un castillo de naipes. En un período de tres semanas, casi un tercio de los bancos venezolanos estaba cerrado, o bien se mantenían abiertos gracias a un oneroso respaldo financiero oficial. Casi dos mil millones de dólares salieron del país en ese corto plazo…dieciocho meses más tarde el gobierno venezolano tenía a su cargo 58 instituciones financieras quebradas, forzado a controlar además millares de empresas asociadas. Unos siete millones de depositantes –más de un tercio de la población –habían sufrido enorme incertidumbre y, en algunos casos, también una pérdida financiera”e. Ambas crisis, resultaron dramáticamente costosas para la nación, no sólo por la tensión que pudieron sentir los ahorristas, sino porque se calcula el costo de los auxilios destinados para la superación de las mismas se ubicaron en: 5.4% del PIB en el año 1960; 10.4% en el año 1961; 8.2% en 1962 y 5,4% en 1963f; y en 20% del PIB para la de 1994. Éstas cifras sin embargo, parecieran quedarse cortas, esto si asociamos las consecuencias derivadas del aumento de la inflación, fuga e f

Ruth de Krivoy (2002). Colapso. Ver García. Lecciones de la una crisis bancaria de Venezuela.

4

de capitales, déficit fiscal, entre otros, que tuvieron que soportar los nacionales y además porque en fecha reciente y a 11 años de la segunda crisis, el Fondo de Garantías y Depósitos FOGADE aun continua reintegrando a los ahorristas parte de los fondos perdidos, esta vez sin embargo, adicionando intereses y cláusulas de indexación. Causas de las crisis bancarias Dado que las crisis financieras han tenido la particularidad de ser bastante frecuentesg en las últimas décadas varías han sido las explicaciones asociadas con su aparición, entre ellas cabe destacar: Las crisis bancarias surgen debido a la elevada exposición que poseen las instituciones bancarias a riesgos muy diversos y el inadecuado manejo del mismo: "Dichos riesgos surgen del hecho de que estas instituciones tienen como propósito mediar entre agentes económicos de flujos financieros excedentes o de ahorros, y agentes económicos deficitarios que demandan fondos de crédito para costear sus inversiones o niveles de consumo. Al hacer de intermediarios entre agentes económicos demandantes y oferentes de recursos financieros o fondos prestables, las instituciones bancarias adquieren activos y asumen pasivos que pueden presentar asimetría de diversa índole, lo queen determinadas circunstancias –puede afectar su viabilidad financiera o solvencia económica como empresas. Las gerencias bancaria tiene como propósito, precisamente, reducir estos riesgos o asimetrías que pueden presentarse entre los activos y pasivos de dichas instituciones. Sin embargo, bien sea por la naturaleza propia de los intermediarios financieros, por el entorno macroeconómico o los shocks agregados a la economía

g

Se estima en el mundo han ocurrido más de 54 crisis bancarias en los últimos 25 años.

5

(modificaciones

importantes

en

las

principales

variables

macroeconómicas que afectan la economía en su conjunto), o por las deficiencias de la propia gerencia, las instituciones bancarias pueden verse expuestas a diversos tipos de riesgos”h, entre los que se pueden identificar: el riesgo de liquidez, de mercado, operacional, y legal entre otros. Las crisis bancarias surgen debido a que la actividad bancaria depende de los altibajos del ciclo económico . “Por la naturaleza de su actividad, los bancos están sometidos a riesgos estrechamente ligados con la dinámica económica general. Los bancos emiten pasivos que son exigibles a corto plazo y a su valor facial, mientras que generan activos de más largo plazo los cuales son riesgosos. Cuando los clientes bancarios entran en problemas, el valor del activo cae y el valor del pasivo se mantiene constante. Por esta razón, es de esperar que las variables

que

afectan

la

marcha de

los

negocios

afecten,

consecuentemente, el patrimonio bancario”. En este sentido, los estudios realizados han encontrado evidencia empírica de que: el crecimiento económico está negativamente relacionado con la probabilidad de una crisis bancaria (DemirgucKunt y Detragiache -1997); las caídas de los términos de intercambio son frecuentes en períodos previos a las crisis bancarias (Caprio y Klingebiel -1996); las tasas de cambio real suelen estar más apreciadas de lo que es usual que en periodos de tranquilidad financiera (Kaminsky y Reinhart -1998). Las crisis bancarias se presentan debido a problemas a nivel monetario. Las altas tasas de interés puede ser una señal de alerta de crisis financiera, pues estas pueden causar problemas

h

Ver Gustavo García. Lecciones de la crisis bancaria de Venezuela.

6

de cartera traduciéndose en problemas bancarios, pueden ser consecuencia de mayores expectativas de inflación o devaluación asociadas con síntomas de desorden monetario o pueden ser un efecto de una política monetaria contractiva.

Cabe destacar al

respecto, que la crisis venezolana de 1994, estuvo acompañada de una política monetaria restrictiva y elevadas tasas de interés. Las crisis bancarias surgen porque hay una fase de expansión del crédito que no puede sostenerse en el tiempo, así parecen evidenciarlo para América Latina los estudios de Gavin y Hausmann (1996) y Caprio y Klingebiel (1996) los cuales indican que la relación entre los pasivos líquidos (M2) y algunas variables proxis de los activos igualmente líquidos, por ejemplo las reservas internacionales, son variables potencialmente útiles para estudiar el desajuste bancario. La idea detrás de tal afirmación “es que los tenedores del M2 pueden liquidar estos recursos en cualquier momento y convertirlos a dólares a la tasa de cambio vigente. Así, cuando la relación entre el stock de reservas internacionales y el M2 es demasiado grande, y volátil, hay un síntoma de que se van a presentar problemas en el sistemai bancario. Cabe destacar además, que este indicador ha sido examinado en varios trabajos y ha sido calificado como un exitoso predictor de crisis bancarias. Las crisis bancarias surgen porque hay un problema de agencia (problema del principal-agente) entre los gerentes de los bancos y los depositantes y de asimetría de información respecto al ente regulador. Así lo ilustra Farías (1996), “Los depositantes serían los principales, quienes confían

i

Ver Carrasquilla, Alberto (1998). Causas y efectos de las crisis bancarias en América Latina

7

su dinero a los banqueros (agentes) para que lo coloquen en inversiones capaces de generar un retorno que permita pagar la tasa de interés prometida y devolver el capital. El conflicto surge cuando los intereses del banquero no coinciden con los del depositante.

El

banquero

puede

colocar

los

depósitos

en

inversiones de alto riesgo; donde, si la aventura funciona, obtiene un alto retorno y es capaz de cumplir su promesa al depositante. Por el contrario, si no obtiene suficientes recursos, el depositante no recupera su dinero y el banquero pierde su inversión. En muchos casos, el capital que el banquero arriesga es pequeño…La regulación bancaria ha sido un mecanismo utilizado ampliamente para procurar una gerencia prudente de los bancos. La normativa bancaria

establece

políticas

de

colocación

de

los depósitos

tendentes a diversificar el riesgo y propiciar retornos consistentes con la solvencia y liquidez del banco. En términos de la teoría de la agencia,

los

depositantes

contratan

reguladores

para

que

supervisen al banquero. Existen por lo menos dos problemas potenciales de este arreglo institucional.

Primero,

la

observación

imperfecta

del

comportamiento del banquero genera asimetría de información. Por más información que se vea obligado a presentar, el banquero tendrá más y mejor información que los reguladores y habrá siempre cierta incertidumbre residual. Segundo, la idoneidad del regulador es un problema técnico, pero también moral; es decir, no basta que el regulador haya desarrollado destrezas y disponga de

recursos

suficientes.

Debe

poseer

también

suficiente

integridad, para no sucumbir a proposiciones de complicidad del regulado. En otras palabras, es preciso evitar que el regulador resulte cautivo del regulado.

8

Hay hechos que hacen que la regulación y el buen manejo de los recursos

sean tareas más difíciles, entre ellos: la posibilidad de

establecer prácticas contables dudosas (Maquillaje financiero), la divergencia

en

el

Financieros

entre

tratamiento las

diversas

de

cuentas

instituciones

en

los

Estados

financieras,

la

existencia de un seguro gubernamental, independencia en la prima que pagan los bancos, independientemente del nivel de riesgo, la existencia de prestamistas de última instancia (Bancos Centrales), la inexistencia de calificadoras de riesgo privadas. Las asimetrías de información impiden al depositante evaluar el riesgo

bancario.

Los

estados

financieros

son

de

difícil

interpretación, fácil manipulación y, en consecuencia, escasa credibilidad. Para disminuir las asimetrías de información y propiciar que el depositante adopte decisiones informadas, es conveniente que los bancos sean analizados periódicamente por instituciones calificadoras de riesgo”j. Comentario Final Realizar un breve recorrido por el mundo de la banca, el riesgo y las crisis del sistema, ponen de relieve la importancia y pertinencia del uso de técnicas estadísticas en investigaciones en el campo financiero. El entendimiento de que las crisis financieras pudieran ser detectadas a través de sistemas de alerta temprana nos invita entonces a trabajar en equipos multidisciplinarios y generar herramientas prácticas para la supervisión del sector. Basilea I, fue un llamado para que las autoridades regionales implantasen en el año 1992, un nivel mínimo de capital requerido del 8% (en relación a los activos ponderados por riesgo) para las

j

Ver Hugo Faría (1997). Crisis Bancaria. Un análisis neo-institucional.

9

instituciones bancarias, el sistema venezolano sin embargo, presentaba un nivel de capitalización del 6.4%. Dos años más tarde, cuando recién se establece por ley tal requerimiento, comenzó la segunda gran crisis nacional, no cabe duda que en ese momento

a

pesar

del

llamado

internacional

estuviéramos

rezagados la adaptación del sistema a las nuevas realidades económicas. Hoy el Comité de Basilea II, está sugiriendo un nuevo marco para la

regulación

y

control

del

sistema

bancario,

que

debería

implantarse a finales del 2006 o durante el 2007, este nuevo marco fundamentado en tres pilares: capital mínimo exigible, examen por parte del supervisor y disciplina del mercado, e introduce una novedad, referente a que los bancos podrán emplear en mayor medida sus propias estimaciones de riesgo a través de sistemas internos, por lo cual cada supervisor nacional deberá desarrollar una serie de procedimientos de examen al objeto de garantizar que los sistemas y controles aplicados por los bancos sirvan para calcular sus verdaderos niveles de capital y de esta manera conocer la verdadera salud del sistema bancario. Es apenas un año el que nos dista de tal adaptación internacional, sin embargo mucho el estudio y aportes que nos queda por hacer a los investigadores relacionados con la economía, estadística y finanzas.

10

Cuadro 1: Bancos intervenidos o auxiliados durante la crisis bancaria venezolana de 1960-1965 Institución

Fecha de Intervención o Auxilio

Táchira De Fomento Comercial de Venezuela Nacional de Descuento Construcción Comercial de Maracaibo

12/6/61 3/11/65 13/8/62 20/12/62 1964

Fuente: Leonardo Vera y Raúl González (2001).

Cuadro 2: Bancos Comerciales intervenidos y estatizados, 1994 -1995 Institución Latino Amazonas Bancor Barinas Construcción La Guaira Maracaibo Metropolitano Tequendama Popular Venezuela Consolidado Andino Progreso República Ítalo –Venezolano Principal Profesional

Fecha de intervención o estatización 16 de enero 1994 14 junio 1994 14 junio 1994 4 junio 1994 14 junio 1994 14 junio 1994 14 junio 1994 14 junio 1994 14 junio 1994 14 junio 1994 9 agosto 1994 25 agosto 1994 10 noviembre 1994 13 diciembre 1994 13 diciembre 1994 2 febrero 1995 2 febrero 1995 2 febrero 1995

Fuente: Morela Arocha y Edgar Rojas (1996).

11

Referencias Bibliográficas Arocha Morela y Edgar Rojas (1996): La crisis bancaria en Venezuela: Antecedentes, Desarrollo e Implicaciones. Revista Monetaria, vol. XIX, nro. 2, Cemla, Ciudad de México, abril-junio de 1996, pp 153-200. Ayala, Roberto. Modelos de Alerta Temprana para crisis financieras. El caso Ecuatoriano: 1994-1997. Ayesterán y Otros (1994). Crisis y Poder: EL caso del sistema financiero. Revista Economía, Núm. 11. Instituto de Investigaciones Económicas y Sociales. ULA, Mérida. Carrasquilla, Alberto (1998). Causas y efectos de las crisis bancarias en América

Latina.

¿Qué

sabemos

y

que

podemos

hacer?.

Banco

Interamericano de Desarrollo. De Krivoy, Ruth. Colapso (2002). La crisis bancaria venezolana de 1994. CAF, Group pf Thirty. Ediciones IESA. 2002 Durán Rodolfo, Mayorga Mauricio y Montero Renato (1999). Propuesta de Indicadores Macroeconómicos y Financieros de Alerta Temprana para la Detección de Crisis Bancarias. Banco Central de Costa Rica. Esteves A., José Tomás (1998) Diccionario de Banca y Finanzas Editorial. Panapo. Caracas, pp 204-207 Faraco Francisco R. y Romano Suprani M. (1995) La crisis bancaria Venezolana. Análisis Preliminar. Edit. PANAPO. Faría, Hugo J (1997).

“Riesgo Bancario: Un análisis neoinstitucional”.

Debates IESA. Vol 2, Nro. 3. Enero-Marzo, pp 11-15 Gavín Michael y Ricardo Asuman (1995). The roots of banking crises: The Macroeconomic Context. Inter American Bank-Group of 30. García Gustavo (1998). Lecciones de la Crisis Bancaria de Venezuela. Ediciones IESA. Kelly, Janet (1997). La banca universal ¿Más riesgo para el sistema bancario?. Debates IESA. Vol 2, Nro. 3. Enero-Marzo, pp 16-22

12

Peña,

Daniel (2002). Análisis de Datos Multivariantes. Edit. Mc Graw

Hill. España, pp 133-170. Vera Leonardo y Raúl González. La Evolución Macroeconómica, la salud de los bancos y las crisis financieras: El caso Venezuela. BCV. Ensayos de Macroeconomía Venezolana. Colección Económica Financiera. Edit. Oswaldo Rodríguez Sarralde. 2001.pp 284-405. Sharma, Subhash (1996). Applied Multivariate Techniques John Wiley & Sons. New York.

13

MODELO DE IDENTIFICACIÓN DE INDICADORES DE GESTIÓN DE RIESGO FINANCIERO MEDIANTE LA REDUCCIÓN DE VARIABLES O RAZONES FINANCIERAS Ruth Guillénk

Resumen Una opción en las técnicas multivariantes es la de ayudar a comprender el dominio de un problema real mediante características resaltantes en ese mismo dominio que consolidan la información dispersa en los fenómenos observados, bien sea individual o conjuntamente. Mediante Análisis de Componentes Principales (ACP) se puede disminuir el efecto de redundancia o dispersión de los fenómenos originales observados a través de nuevas características con poca pérdida de la información aportada originalmente. Esta reducción de variables además de crear nuevas características para el análisis, permite el desarrollo de modelos de pronóstico en los que el trabajo de cómputo se disminuye notablemente. Algunos trabajos han demostrado que produce excelente resultado y más aún, un excelente desempeño de pronóstico cuando estas nuevas características son los patrones de entrenamiento de los modelos de redes neuronales mediante el uso del algoritmo no lineal de retropropagación del error (RN-RP).

Adicionalmente, y como aporte

particular de esta investigación, se está incorporando como patrones de salida de este modelo híbrido (ACP y RN-RP), los valores obtenidos en una clasificación previa realizada mediante análisis discriminante (AD). El preprocesamiento de los datos se complementa con la redefinición del conjunto de entrada que son las razones financieras transformadas a unas

características

de

origen

totalmente

nuevo

y

de

variables

totalmente independientes, y un conjunto de salida con valores cualitativos. El desempeño de este modelo está siendo evaluado k

Este documento fue presentado en el Congreso Binacional de Estadística celebrado en Mérida, Venezuela, en Mayo 2005. 14

mediante el uso del conjunto ce datos construido para tales fines. El logro fundamental de esta iniciativa es la de vincular ambas técnicas para obtener un mecanismo automático de pronóstico de riesgo y la eventual capacidad de generalizar el comportamiento de un banco en particular en un período dado Palabras claves: Entrenamiento supervisado, análisis de componentes principales, retropropagación del error, riesgo financiero. Introducción. El reconocimiento de patrones en un dominio de problema real, desde un punto de vista estadístico, se refiere fundamentalmente a la selección o extracción de características en la fuente original de datos a través de las variables observadas. Esta selección se rota a un espacio donde el conjunto de los datos que describe todas las características observadas, es transformado a uno nuevo donde se conserva la misma dimensión del espacio original pero provee de una nueva información más vinculada al conjunto original de características descritas por los datos. Sin embargo, de acuerdo al tipo de medición que se haga de las variables observadas, puede variar la utilidad de las técnicas que permiten este tipo de transformación. En los métodos multivariantes, Análisis Discriminante (AD), Análisis de Correspondencia (AC) y Análisis de Componentes Principales (ACP) son las técnicas más comúnmente utilizadas, pero cada una de ellas requiere de un diferente tipo de medición de las características de las variables. Tal es el caso de AD y su fuente de datos lo conforman variables de tipo categórico o discreto, ACP

y variables continuas o cuantitativas y AC con una mezcla de

ambos tipos de medición. (Sharma, 1996). En este caso particular, además de aprovechar las bondades de la técnica ACP para preparar nueva información mediante la interacción de 15

las variables originales por una suerte de combinación lineal entre ellas, explicando en su contenido integral nueva información latente, se hace énfasis en el significado de reducir significativamente las variables originales a esas variables latentes sin sacrificar mayor cantidad de información. En este contexto y en el caso de lo que se investiga, se realizó una buena contribución con un muy excelente resultado de pronóstico de riesgo de quiebra desde el punto de vista estadístico. La interpretación de las variables latentes en el nuevo espacio ortogonal permitió de manera descriptiva identificar individuos (banca comercial) propensos a la quiebra como consecuencia de analizar los resultados de los componentes principales obtenidos como variables latentes. Sin embargo, se corre con el riesgo de no poder explicar el dominio original del problema debido a la pérdida de porciones de la varianza explicada presente en los datos originales, como consecuencia de la presencia de variables originales con un alto grado de interdependencia y que no representan un aporte de información significativo. (Ayesterán, et al., 1996) En este estudio se aprovecha otra utilidad práctica de la técnica ACP. La reducción de las variables originales a un nuevo conjunto tal que sean las variables explicativas o patrones de entrada, en los modelos de pronósticos, tales como Regresión Lineal Múltiple (RLM) y

las redes

neuronales. Hay varias experiencias que han demostrado un mejor y eficiente desempeño de los modelos usando estas variables reducidas al disminuir el tiempo de cómputo y el de mantener o mejorar la capacidad de pronóstico. Atiya hace un buen inventario de resultados evaluativos de la aplicación de este tipo de técnicas, e inclusive algunas no paramétricas, en el análisis del riesgo bancario, fundamentalmente en clasificación y predicción. (Atiya, 2001). Las técnicas multivariantes, en las mayorías de los estudios revisados, fueron aplicadas a grupos de variables 16

asociadas a las razones financieras, y a su vez, comparadas con métodos numéricos emergentes demostrando su utilidad. ACP, en este estudio, actuará como agente preprocesador de datos, al ser utilizado como método de reducción de variables para conformar el conjunto definitivo de patrones de entrada para el modelo de pronóstico. Algunos estudios realizados de reducción de variables, tales como Kramer, 1992; Tan et al., 1995, Colmenares, 2004, han demostrado que este mecanismo es de muy alta utilidad para la conformación de los patrones de entrenamiento y prueba usados en los modelos de redes neuronales, al reducir en un alto grado el nivel de complejidad de la arquitectura y construcción de estos modelos. Por ejemplo en Tan se puede observar que mediante un algoritmo no lineal donde combina ACP y redes neuronales, los ejemplos originales son reducidos a nuevas características que pueden ser valores de entrada para la preparación de modelos de redes neuronales. En Colmenares, por otro lado, mediante combinaciones de técnicas estadísticas de muestreo y ACP, se pueden lograr conjuntos muy reducidos de datos, altamente representativos del dominio del problema, que resultan ser eficientes ejemplos de entrada para los modelos de redes neuronales. Lo importante a destacar en estos casos, inclusive en Kramer, es el de incorporar la no linealidad inherente a los problemas reales introduciendo el concepto de redes autoasociativas para realizar reducción de variables en el mismo espíritu que lo hace ACP. De hecho, Kramer desarrolla un algoritmo totalmente no paramétrico en el que se reducen las variables originales a un nuevo conjunto, incorporando tácitamente el concepto de curvas principales. Este método es un proceso de transformación a nuevos atributos o componentes principales no lineales, que a su vez son replicados y transformados nuevamente a representaciones muy parecidas a las que los originaron, garantizando así una aceptable sumarización de las

17

características

originales

en

nuevos

conjuntos

sustancialmente

reducidos, pero que logran describir el contenido informativo original. Por otro lado, los patrones de salida, similar a los que conforman la entrada, son estimados mediante análisis discriminante, indicando en cada patrón, la característica cualitativa de riesgo dependiente del patrón de entrada que lo origina. Este preprocesamiento de los fuente original de datos permite además de construir un modelo de redes neuronales con funciones de base radial (Melo et al.), ser fuente de datos de salida para el conjunto de modelos de red neuronales con funciones logísticas que se aplicará en este estudio. Es decir, un modelo híbrido conformado por ACP y redes neuronales usando el algoritmo de retropropagación del error (RN-RP). En las siguientes secciones se describen ambas técnicas, y el empleo de ellas como componentes del modelo que se construye para el pronóstico de riesgo bancario. ACP aplicado al riesgo bancario. La selección o extracción de características en la serie de datos está vinculada a procesos numéricos donde el espacio original sufre una transformación resaltando un nuevo conjunto efectivo y reducido de características que retienen la mayor cantidad de información contenida internamente en los serie de datos originales. Es decir, hay una reducción de dimensionalidad del espacio de los datos originales. Esto es básicamente el propósito de esta técnica donde la varianza total juega un papel importante en esta técnica. Esta metodología de reducción de variables ha mostrado excelentes resultados. El beneficio alcanzado reutilizando fuentes históricas de datos, es el de permitir la disminución del tiempo de cómputo empleado en la construcción y uso de los modelos debido al empleo de las técnicas de preprocesamiento que seleccionan confiablemente la menor cantidad 18

de

observaciones

y

variables

posible.

Por

ejemplo,

el

método

Stratified/PCA (Colmenares, 2004), como técnica de preprocesamiento, puede reducir una matriz original de observaciones y variables a un subconjunto apreciablemente menor que sus originales con un nivel de confiablidad y consistencia bastante altos como para poder ser aplicados sobre fuentes históricas de datos. Adicionalmente, estos conjuntos reducidos de datos empleados en la construcción de modelos no lineales usando RNA, han mostrado tener similar capacidad de predicción y/o clasificación que los construidos con el conjunto total de los datos originales. De igual modo, mostraron ser mucho más consistente en sus resultados después de varias réplicas con diferentes conjuntos reducidos de datos. (Dong et al. 1995), (Tan et al. 1995). Razones Financieras X1 X2 X3

1

6 98

a

0 l2

0

4

………….

Xp

Banco 1 Banco 1

Banco 1 Banco 1 Banco 2 . . Banco n

DATOS ORIGINALES DE LOS BANCOS REDUCCIÓN DE VARIABLES

k

1

9

8

6

al

2

00

……..

Zk

Banco 1

4

Banco 1 Banco 1

Banco 1 Banco 2 . . Banco n

DATOS REDUCIDOS EN VARIABLES

Figura 1. ACP como técnica de reducción de variables

19

Enfoque analítico de la reducción de las variables originales Sea X, una matriz de orden p-dimensional conformada por p variables con N observaciones para cada variable. ⎡ x11 ⎢x ⎢ 21 ⎢ x31 X=⎢ ⎢ . ⎢ . ⎢ ⎢⎣ x N 1

x12 x 22

x13 x 23

x32

x33

.

.

.

.

xN 2

xN 3

. . x1 p ⎤ . . x 2 p ⎥⎥ . . x3 p ⎥ .⎥ . . . ⎥ . . . ⎥ ⎥ . . x Np ⎥⎦

Mediante Componentes Principales (ACP), el conjunto total de p variables podría ser reducido a un nuevo conjunto enteramente independiente de nuevas variables (algunas veces conocidas como variables latentes) expresada en un matriz resultante Z de orden k. ⎢ z11 ⎢z ⎢ 21 ⎢z Z = ⎢ 31 ⎢ . ⎢ . ⎢ ⎢⎣ z N 1

z12

z13

. .

z 22

z 23

. .

z 32

z 33

. .

. .

. .

. . . .

zN2

zN3 . .

z1k ⎥ z 2 k ⎥⎥ z 3k ⎥ ⎥ . ⎥ . ⎥ ⎥ z Nk ⎥⎦

El nuevo conjunto de variables define un espacio k-dimensional mucho más reducido que el original donde kp, del cual se le puede hacer algunas consideraciones: Los valores entre sí, de las nuevas variables presentes en la matriz Z no

están

correlacionados.

Es

decir

las

nuevas

variables

son

completamente independientes. A pesar de que la dimensión de la matriz Z es igual a la de la matriz X, su utilidad práctica preferiblemente se reduce a una matriz de dimensión mucho menor (kp). La entrada principal al ACP es la matriz de covarianza

Σ.

Sin

embargo, las variables originales podrían ser estandarizadas (media

20

cero y varianza uno) para eliminar el efecto de la varianza relativa de las variables originales. En este caso, se puede sustituir como entrada principal a ACP a la matriz de correlación R por la matriz de covarianza. Esta sustitución es útil para eliminar las altas varianzas generadas por las variables involucradas con diferente escala en las unidades de medida. La traza de la matriz de correlación es igual a la varianza total de las variables transformadas. Los autovectores de la matriz de covarianza o de correlación definen los nuevos ejes en el espacio k-dimensional. La cantidad de componentes principales es igual a la cantidad de variables originales consideradas en el ACP. Es decir, son p componentes. Cada zj es una

variable transformada de las xi(s) variables

originales. Siendo i=1,2,3….,p. Estas nuevas variables contienen los valores de las variables transformadas. ACP captura solamente linealidad entre las variables. Por eso se le conoce como una técnica que transforma las variables originales mediante un método de combinación lineal. Es decir las zi son combinación lineal de los componentes y las variables originales xi. Los primeros componentes obtenidos mediante ACP explican la mayor cantidad de la varianza total de las variables originales. Es decir,

agrupa

la

mayor

cantidad

de

información

que

puedan

suministrar las variables originales. Habiendo definido X y Z, con p variables (originales y transformadas) y N observaciones, consideremos adicionalmente la matriz de covarianza

Σ

de la matriz X; entonces ACP permite calcular mediante la matriz

Σ

un nuevo conjunto de p variables no correlacionadas (z) tal que ellas sean combinación lineal de las variables originales.

21

De

[x

1

este

x2

modo,

x3

para

cualquier

observación

i

en

X

dado

por

. . x p ], existe una función lineal Z = a’ix, para todo

i=1…,N. Es decir, z j = a i1 x1 + a i2 x 2 + a i3 x 3 + ........ + a ip x p , j=1,…,P, i=1,…N, donde: a’i es un vector transpuesto de pesos o parámetros del i-ésimo componente principal. aj es un vector de pesos o parámetros del el j-ésimo componente principal o autovector de

Σ

para formar la combinación lineal de las p

variables originales. aj tiene que ser ortogonal y ortonormal. Es decir a’iaj = 0 y a’iai = 1.

zj se corresponde con los valores nuevos de las variables originales. La varianza del j-ésimo componente es V(zj) = var(a’ix) = a’i Σ a’i, para todo j=1,…,P, i=1,…N. Las varianzas resultantes para cada componente son decrecientes y en estricto orden: V(z1) V(z2) V(z3) … V(zp). Su suma representa la variación total de las variables originales. En general, el objetivo es entonces el de encontrar los componentes principales aj tal que a’j Σ aj es un máximo sujeto a que a’jaj = 1, donde

j=1,…P. Usando Lagrange para el j-ésimo componente, se tiene: L = a’j Σ aj – λj(a’jaj – 1), λj es el multiplicador y la parcial con respecto al componente es ∂L = 2Σa j − 2λ j a j . ∂a j

Igualamos a cero la expresión anterior y podemos calcular los valores de λj mediante (Σ − λ jI)a j = 0 , donde

Σ − λ jI =0 para que aj ≠ 0. Existen p

raíces para el polinomio. Estas raíces son los autovalores de Σ y son λ1λ2λ3>….>λp.

Cada

valor

de

λj

permite

el

cálculo

de

su

correspondiente autovector aj mediante (Σ − λ jI)a j = 0 .

22

De ahí, el primer autovector a1 le corresponde el primer autovalor λ1, el

cual s obtiene mediante (Σ − λ jI)a j = 0 y la condición de ortonormalidad a’1 a1 = 1; a su vez a1 es el autovector correspondiente a la varianza

más

grande

autovector

a2

de es

Σ,

var(a1′ x) = a1′ Σa1 = λ 1 ,

la

segunda

y

varianza

z 1 = a1′ x .

más

El

grande

segundo Σ

y

así

sucesivamente. Además, a2 es ortonormal, a′2 a2 = 1 , a2 ortogonal a a1, a′2 a1 = 0 , y la varianza de z2 es var(a′2 x) = a′2 Σa2 = λ 2 . En general, El j-

ésimo aj is ortonormal. a′j a j = 1 , ortogonal al resto de los autovectores previos

( a′j ak = 0 ,

var(a′j x) = a′jΣa j = λ j .

k Del

=

1,2,3…j-1) mismo

modo,

y

la las

varianza varianzas

de para

zj los

es

p

autovectores es decreciente tal que V(z1) > V(z2) >……> V(zp). Finalmente, los autovectores son los componentes principales y los autovalores la varianza de la nuevas variables. Así, las nuevas variables son z j = a′j x , o en notación matricial sería, Z =X A. Más detalles en (Jolliffe, 1986), (Sharma, 1996). En conclusión, contrario a X, Z está formado de vectores columnas totalmente ortogonales, es decir por variables no correlacionadas. El procedimiento general para calcular el ACP es como sigue: La primera variable transformada z1 es la combinación lineal de X describiendo la mayor cantidad de variabilidad medida en Σ mediante su autovalor asociado λ1 dado por z1 = Xa1, donde λ 1 = max(a1′ Σa1 ) .

La segunda variable transformada z2, es entonces la combinación lineal z2=Xa2, la cual describe la segunda varianza más grande de

Σ . Esto es, maximiza la varianza para a′2 Σa2 , sujeta a que z2 no debe estar correlacionado con z1. Es decir, z1z2 = 0. En general, la i-ésima variable transformada zi es zi = Xai y corresponde con la i-ésima varianza más grande de Σ , dada por

23

a′iΣai , sujeta a que zi no debe estar correlacionado con el resto de

las variables en Z. Es decir, zizj = 0, j=1,….p con i≠j y zizi = 1. Existe

un

método

matricial

directo

Descomposición Simple (VDS) que

conocido

como

Valor

de

puede ayudar a resolver ACP.

Supóngase que se tiene la misma matriz original X de N observaciones (filas) y p variables (columnas). La descomposición espectral de esta matriz X puede ser escrita de la siguiente manera: X = QSE',

Donde E es una matriz ortogonal pxp cuyos autovectores son X’X, S es una matriz diagonal pxp formada por los autovalores de X’X, Q es una matriz ortogonal Nxp. Además, E y Q son ortonormales, es decir EE’ = 1 y QQ’ = 1. De igual modo, el producto X’X forma una matriz simétrica y puede ser escrito mediante la descomposición espectral de la siguiente manera, X'X = (QSE')'(QSE') = ES'SE' = EΛE',

Nuevamente, sea

Σ

la matriz de covarianza de X; puesto que Σ es una

matriz cuadrada y simétrica, entonces la podemos expresar mediante la descomposición espectral como Σ = EΛE', donde la diagonal de Λ está formada por el cuadrado de los p autovalores de Σ . E es una matriz ortogonal pxp donde la i-ésima columna corresponde al i-ésimo autovalor. Las variables transformadas, quedan definida como por Z y Z = XE, que no son más que los valores de X proyectados sobre la nueva base ortonormal definida por los autovectores en E. La matriz de covarianza de estas variables transformadas en Z, puede estar expresada por

E(Z'Z) = (XE)'(XE) = E'X'XE = E' Σ E. De este modo, al sustituir a Σ , la matriz de covarianza será

E(Z'Z) = E'EΛE'E = Λ.

24

Esto es, los autovalores λ1, λ2… λp correspondientes a la diagonal de Λ, representan la varianza para cada una de las variables transformadas en Z, siendo no correlacionadas y en consecuencia, Z es una matriz no

correlacionada. Otra particularidad de los ACP es que la varianza total de Z es igual a la varianza total de X. La varianza total de Σ corresponde a la suma de la varianza de cada una de las variables originales en X y está dada por su p

propia traza, tr( Σ )= ∑ σ jj . Con la ayuda de la propiedad que indica que 2

j =1

tr(AB) =tr(BA), se puede mostrar que la varianzas de X y Z son iguales como sigue: tr( Σ ) = tr(EΛE') = tr(E'EΛ) = tr(Λ). Si las variables originales son estandarizadas, entonces la matriz de correlación R sería usada en sustitución de Σ . En este caso, la descomposición espectral para R sería R = EΛE'. De igual manera que para la matriz de covarianza, Z = XE y E(Z’Z) = Λ.

Adicionalmente,

para este caso en particular, la suma de los autovalores en Λ es igual a

p y es igual a la suma de de los elementos de la diagonal de R. Lo que es lo mismo tr(R)

= rango(R)

=

tr(Λ) = p.

Es importante

tener en cuenta que los autovectores y los autovalores son sensibles a los cambios de escala. Σ podría mostrar severos cambios por esta misma razón. R, por el contrario, omite este problema y de ahí que los autovalores y autovectores originados por R o Σ son diferentes. Las Redes Neuronales Multicapas con funciones logísticas como función de activación y el algoritmo de retropropagación del error.

En el entendido de que es un procesador paralelo distribuido en los que se almacena el conocimiento, emula su símil biológico en dos aspectos fundamentalmente: a) el conocimiento es adquirido a través de un 25

proceso de aprendizaje y b) la fortaleza de la interconexión de las neuronas artificiales está descrita en los pesos sinápticos. Variables Transformadas Z1 Z2 ... Zk

8

6

al

2

Banco 1

4 0

Banco 1 Banco 1

M1 M2 ...Mk

Banco 1

Banco 1

Banco 2

Banco 2

.

.

.

.

Banco n

Banco n

Variables Macroeconómicas

Nuevas variables de los bancos

……………….

Ejemplos de entrada

9 1

0

Ejemplos de salida

……………….

Banco 1 Banco 2 . . Banco n

Variable Categórica

Figura 3. ACP y RN-RP para la construcción del modelo híbrido de pronóstico Bajo

estas

consideraciones

esenciales,

toda

red

artificial

ajusta

permanentemente sus parámetros libres (pesos y umbrales) mediante mecanismos de aprendizaje que podrían ser supervisados o no. El caso particular que se aplica a este modelo híbrido es un modelo de red neuronal multicapa que activa el cambio en las interconexiones de los pesos sinápticos a través de una función de excitación no lineal (logística) y un proceso de corrección de estos pesos mediante la constante evaluación de su convergencia a un umbral dado. Este

26

proceso no supervisado se le conoce con el nombre de red neuronal con un algoritmo de retropropagación del error (backpropagation neural network) (RN-RP). Tal como lo muestra la figura 3, la topología de una red neuronal RN-RP, es similar a la mostrada. Una capa de nodos que capturan los componentes de los patrones de entrada uno a la vez y del mismo un patrón de salida capturado por el o los nodos de salida.

En el

intermedio se incluye una capa de nodos que se le conoce como capa oculta y en cada uno de sus nodos se incluye la función de excitación. Esta función puede variar de acuerdo a las características del dominio del problema real. Puede ser funciones asimétricas como la hiperbólica tangencial, la lineal, y la función no simétrica conocida como logística. El proceso de aprendizaje en este tipo de redes es básicamente en dos fases (Werbos 1974; Rumelhart et al. 1986):

Fase

hacia

delante:

Los

parámetros

libres

de

la

red

son

establecidos y el patrón de entrada i es propagado a través de la red capa por capa. Esta fase finaliza con el cálculo del error ei entre la salida calculada sc y el patrón de salida dado sd, ei= sd-sc.

Fase hacia atrás: El error ei es propagado a través de la red en dirección hacia atrás. De ahí el nombre del algoritmo. Esen esta fase que se realizan los ajustes a los parámetros libres de la red, así que se minimice el error en un sentido estadístico, mediante el error cuadrático medio. El

algoritmo

de

retropropagación

se

procesa

en

el

modo

lote,

regularmente. Los pesos se ajustan sobre la base de ciclo a ciclo, donde cada ciclo consiste de el conjunto completo de patrones de entrada y salida disponible para el entrenamiento. Este algoritmo es sencillo de implementar

de

implementar

y

eficiente

computacionalmente.

La

arquitectura de los modelos neuronales seguirá una topología fija en cada uno de los experimentos conducentes a medir la consistencia en el 27

entrenamiento y capacidad de generalización. El número de nodos en la capa

oculta

estará

directamente

vinculado

con

la

cantidad

de

parámetros libres que incluiría la red neuronal y el nivel de convergencia deseado. De este modo, existirán una fase inicial de entonación de la red, ajustando nodos ocultos, función de activación, separación de los conjuntos de datos de entrenamiento y verificación, ajuste de la tasa de aprendizaje, selección del momento ideal para escapar lo más de las soluciones locales, nivel del error de convergencia, selección de un conjunto de pesos iniciales, y una segunda fase que es totalmente experimental comprendiendo solamente la construcción y prueba de los modelos. El criterio de parada empleado es el de la verificación cruzada (Haykin, 1999) que consiste en: a) Dividir el conjunto de entrenamiento en dos partes: subconjunto de estimación usado para el entrenamiento y subconjunto de verificación para evaluar el desempeño del modelo previamente entrenado; b) Entonación final de la red usando el conjunto entero de entrenamiento y luego probar la generalización con patrones nunca conocidos por el modelo. Sección experimental

Haciendo referencia al diagrama funcional mostrado en la figura 3 y para el caso particular de los datos de la banca comercial compuesto por las razones financieras y la agrupación obtenida en el modelo de análisis discriminante

en

una

variable

categórica,

se

dividirá

en

dos

subconjuntos al conjunto original, antes de iniciar la construcción de los modelos. El conjunto original de datos de aproximadamente 8000 observaciones, se dividirá en uno para realizar el entrenamiento, verificación y puesta a tono del modelo, de aproximadamente 6000 ejemplos, y el otro, formado por un subconjunto con aproximadamente 2000 ejemplos nunca usados por el modelo serán usados para verificar el nivel de desempeño o generalización. En la construcción de la red 28

neuronal y como un primer intento de estimación del número de nodos presentes en la capa oculta, se empleará el criterio heurístico que determina el orden de acuerdo a una relación entre el nivel de error deseado y el número limitado de parámetros libres involucrados (pesos y umbrales). Los modelos serán replicados una cantidad aceptable de veces con diferentes grupos de datos de entrenamiento y manteniendo constante las consideraciones iniciales asumidas para la topología y arquitectura de la red neuronal. El resultado de obtener varios modelos es para que permita medir la consistencia de los valores en las tres fases fundamentales de la construcción de los modelos: entrenamiento, verificación

y

generalización.

Las

medidas

de

evaluación

que

garantizarían resultados aceptables y consistentes serán el error medio cuadrático calculado entre el los valores deseados y calculados en la fase de entrenamiento y verificación, el error medio cuadrático (RMSE) obtenido durante la fase de generalización. Ambos resultados serán medidos para cada modelo y luego de su tabulación, serán observadas las variaciones en los resultados del RMSE obtenidos en las dos fases para determinar el grado de consistencia conseguido en la construcción de los modelos bajo condiciones uniformes de diseño. Una alta consistencia conseguida entre los modelos entrenados y probados garantiza una aceptable robustez en los procesos de pronóstico bajo las condiciones de construcción que se siguieron al inicio.

29

Referencias.

Amir F. Atiya, Senior Member, IEEE. (2001). Bankruptcy Prediction for Credit Risk Using Neural Networks: A Survey and New Results. IEEE TRANSACTIONS ON NEURAL NETWORKS, VOL. 12, NO. 4, JULY 2001 Ayesterán, José R., Ramoni, Josefa y Orlandoni Giampaolo. (1996). Crisis y Poder: El caso del Sistema Financiero. Economía Nueva Etapa. No. 11. Colmenares Gerardo, (2004). Reducing Archives to Build Non Linear Models Using Neural Networks. AMSE Periodicals. Lion. France Dong D. and McAvoy T. (1996). Nonlinear Principal Component Analysis -Based on Principal Curves and Neural Networks. Computer Chem.

Engng., vol 20, no. 1, pp. 65-78. Haykin Simon. (1995). Neural Networks. A comprehensive foundation. Macmillan College Publishing Company, Inc. Haykin Simon. (1998). Feedforward: Neural Networks: An Introduction. Chapter 1. Manuscrito Kramer M. (1992). Autoassociative Neural Networks. Computer Chem.

Engng., vol. 16, no. 4, pp. 313-328. Sharma Subash. (1996). Applied Multivariate Techniques. John Wiley. USA Tan S. and Mavrovouniotis M. (1995). Reducing data dimensionality through optimizing neural network inputs. AIChE Journal, vol 41, no. 6, pp. 1471-1480.

30

ALGORITMO SEGUIDO PARA EL PRE-PROCESAMIENTO DE DATOS DE LA BANCA Y CONSTRUCCIÓN DE LOS MODELOS NO LINEALES Ruth Guillén, Gerardo Colmenares, Gianpaolo Orlandonil

1.- Origen y fuente de los datos:

Los datos para la estimación de modelos de riesgo bancario, fueron obtenidos de la Superintendencia de Bancos de la siguiente manera: •

Las razones financieras de los bancos comerciales desde diciembre de 1992 al año 1996, fueron tomadas del Boletín Trimestral de la Superintendencia de Bancos.

•

Los datos correspondientes al período 1996-1997, específicamente los balances de publicación y los estados de resultados de la banca comercial y universal con periodicidad mensual, fueron suministrados de manera electrónica por el departamento de estadística de la Superintendencia de Bancos. Cabe destacar, sin embargo, que dicha información presenta algunos datos faltantes para el año 1996, debido a que para ese período según fue informado por la oficina de estadística, se presentaron problemas para la recuperación de los mismos.

•

Los balances de publicación y los estados de resultados de la banca comercial y universal para el período 1998-2004, fueron descargados de manera mensual del sitio web de la Superintendencia.

2.- Revisión de los datos:

Una de las grandes dificultades enfrentadas para la estimación de los modelos asociados con el riesgo bancario, están asociados con la inaccesibilidad a una base de datos en medio electrónico que se perfile como confiable, provenga de una fuente oficial, y que contenga una estructura homogénea que permita comparar la evolución de la banca en las últimas décadas. En tal sentido el grupo se enfrentó con la tarea de construir su propia base a partir de los datos suministrados por la superintendencia de bancos, para lo cual se procedió de la siguiente manera:

l

Este papel de trabajo fue realizado para el Grupo Banca en Junio 2005, Universidad de Los Andes, Instituto de Investigaciones Económicas, Mérida, Venezuela. 31

•

Se revisaron y vaciaron en electrónico todas las razones financieras publicadas en el Boletín Trimestral de la Superintendecia para la banca comercial y universal durante el período 1992-1997. A través de este proceso se pudo identificar las diferentes razones empleadas por la superintendencia durante este período para el monitoreo de la banca, destacándose la falta de continuidad y variación en los conceptos y cuentas, asociados con las mismas, lo cual dificulta la construcción de la base de datos y su homogeneidad a través del tiempo.

•

Se revisaron las estructuras mensuales de los balances de publicación y estados de resultado para la banca comercial y universal, ello debido a que las estructuras variaban cada cierto período e imposibilitaba la compilación de los datos en una base única. Luego de la revisión, se reconocieron las estructuras presentes, y se procedió a homogeneizar y compilar los datos en sub-períodos caracterizados por poseer una misma estructura financiera.

•

Se procedió a revisar la metodología de estimación de las razones financieras empleada por la superintendencia durante 1992-2004, prestándose especial atención a los conceptos y cuentas que constituían cada razón en cada período. Así mismo se procedió a revisar metodologías de estimación de razones financieras para la banca de la Superintendencia de Colombia y otras presentadas en investigaciones relacionadas con la banca. Se analizaron 73 razones financieras y posteriormente, se procedió a identificar aquellas que podían ser estimadas a partir de la información disponible en electrónico, esto garantizaba la continuidad y homogeneidad de las razones estimadas durante el período 19962004. Sin embargo, dichas razones también fueron seleccionadas de tal manera que los datos para el período 1992-1995, puedan ser completados considerando como variables proxy algunas de las razones publicadas en los boletines trimestrales durante el período correspondiente.

•

Las razones financieras estimadas fueron compiladas en una base única. Sin embargo su procesamiento aun no está completamente elaborado. A la fecha falta procesar la información de la banca universal y algunas razones asociadas a los estados de resultados de la banca comercial. Sin embargo la metodología ya se ha establecido.

32

•

La base de datos construida a la fecha, cuenta con mas de 6000 observaciones correspondientes a 63 bancos que existieron durante 1996-2004 (ABN AMOR BANK, ANDINO, BANCOEX, BANCORO, BANESCO, BANFOANDES, BANFOCORO, BANGENTE, BANK OF AMERICA NATIONAL, BANORTE, BANVALOR, BOLIVAR, CANARIAS DE VENEZUELA, CAPITAL, CARACAS, CARIBE, CARONI, CHASE MANHATTAN BANK, CITIBANK, CONFEDERADO, CONSOLIDADO, CORP BANCA, CREDITO DE COLOMBIA, DO BRASIL, EUROBANCO, EXTEBANDES, EXTERIOR, FEDERAL, GALICIA DE VENEZUELA, GANADERO, GUYANA, HELM BANK DE VENEZUELA, INDUSTRIAL DE VENEZUELA, ING. BANK, INTERBANK, INTERNACIONAL, INVERCORP, INVERUNIÓN, J.P. MORGAN BANK VENEZUELA, LARA, LATINO, MERCANTIL, MONAGAS, NACIONAL DE CRÉDITO, NOROCO, NUEVO MUNDO, OCCIDENTAL DE DESCUENTO, OCCIDENTE, ORINOCO, PLAZA, POPULAR, POPULAR Y DE LOS ANDES, PROVINCIAL, PUEBLO SOBERANO, REPUBLICA, SANTIAGO DE LEÓN, SOFITASA, STANDARD CHARTERD, TEQUENDAMA, TOTALBANK, UNION, VENEZOLANO DE CREDITO y VENEZUELA)

•

Para el ejercicio inicial se procedió a seleccionar 6 bancos, de los cuales se disponían las razones financieras para todo el período de estudio, esto con el objeto de: 1) superar los problemas de datos faltantes, debido a que para la fecha aun no se posee un procesamiento completo de los datos y 2) para definir una metodología de estimación de los modelos. Los bancos seleccionados fueron: Federal, Bancoro, Banfoandes, Guayana, Industrial de Venezuela y Plaza.

3.- Datos faltantes.

Los datos faltantes corresponden al período 1992-1995, debido a que los mismos no pueden ser estimados con la información disponible (no se poseen los balances de publicación nI los estados de resultado para cada banco durante este período). Sin embargo, hasta la fecha se ha considerado que pueden ser completados considerando como variables proxy algunas de las razones publicadas en los boletines trimestrales durante el período mencionado. 4.- Razones financieras seleccionadas.

Las razones hasta ahora estimadas son las asociadas con el Balance de Publicación (ya que el procesamiento de datos del Estado de Resultados aun no se ha concluido), específicamente:

33

• • • •

Patrimonio/ Activo Total (Patrimonio + Gestión Operativa) / Activo Total Otros Activos / Patrimonio Activos Improductivos Brutos / (Patrimonio operativa)

+

gestión

Definiéndose los activos improductivos como: Activos improductivos=Disponibilidades + Rendimiento por cobrar en inversiones temporales+ Créditos vencidos + Créditos en litigio + Cánones de Arrendamiento Financiero Devengados y no cobrados+Rendimiento por cobrar por cartera de crédito+ otras cuentas por cobrar +bienes realizables+rendimientos por cobrar por inversiones permanentes+ bienes en uso + otros activos. • • • • • • •

• • • •

Provisión de cartera de crédito / Cartera inmovilizada bruta Provisión de cartera de crédito / Cartera crédito bruta Otros activos / Activo total Activo improductivo / activo total Cartera inmovilizada bruta / cartera de crédito bruta (Disponibilidades – Rendimiento por cobrar por disponibilidades) / (Captaciones del publico – gastos por pagar) (Disponibilidades – Rendimiento por cobrar por disponibilidades +inversiones temporales (títulos valores) –rendimiento por cobrar por inversiones temporales) / (Captaciones del publico – gastos por pagar) Cartera de crédito neta / (Captaciones del publico – gastos por pagar) Cartera vigente bruta / Captaciones totales Cartera crédito neta / Captaciones totales Cartera de inversión (en títulos valores y en sucursales)/ captaciones totales

5.- Criterio para la selección de razones financieras:

Básicamente se seleccionaron razones que pudieran ser estimadas con la información disponible en electrónico y que respondieran a los aspectos analizados por el método CAMEL, a saber: Estado del Capital, Activos, Manejo del Negocio, Rentabilidad y Liquidez.

34

GENERACIÓN Y SELECCIÓN DE LAS VARIABLES DE ENTRADA 1. Selección de las variables originales

Para la creación de las variables que incidirán en los modelos que se experimentarán, se han considerado dos bloques fundamentales. Una selección reducida de las razones financieras, después de haber sido transformadas en un régimen de total independencia y de una aceptable concentración de la información original contenida en las razones financieras. Por otro lado, una selección de variables macroeconómicas que afecten de manera integral al comportamiento de la banca. Tal como se indica en el punto anterior, las variables (razones financieras hasta ahora consideradas) son las siguientes: a) Razones financierasm: • Patrimonio/ Activo Total • (Patrimonio + Gestión Operativa) / Activo Total • Otros Activos / Patrimonio • Activos Improductivos Brutos / (Patrimonio + gestión operativa) • Provisión de cartera de crédito / Cartera inmovilizada bruta • Provisión de cartera de crédito / Cartera crédito bruta • Otros activos / Activo total • Activo improductivo / activo total • Cartera inmovilizada bruta / cartera de crédito bruta • (Disponibilidades – Rendimiento por cobrar por disponibilidades) / (Captaciones del publico – gastos por pagar) • (Disponibilidades – Rendimiento por cobrar por disponibilidades +inversiones temporales (títulos valores) –rendimiento por cobrar por inversiones temporales) / (Captaciones del publico – gastos por pagar) • Cartera de crédito neta / (Captaciones del publico – gastos por pagar) • Cartera vigente bruta / Captaciones totales • Cartera crédito neta / Captaciones totales • Cartera de inversión (en títulos valores y en sucursales)/ captaciones totales

m

A estas razones hay que agregarle las razones financieras calculadas a partir del Estado de Resultados. Su procesamiento aun se está realizando.

35

b) Variables Macroeconómicas distinguidas por los siguientes componentes: • Tasa de interés • Tipo de cambio • Reservas internacionales • Índice Bursátil • Inflación • Riesgo país • Base monetaria • Producto interno bruto (Para un modelo por semestres o anual). • Formación bruta de capital fijo (Para un modelo por semestres o anual). • Balanza de pagos (Para un modelo por semestres o anual). Cada una de estas variables ha sido considerada debido a que las mismas han sido señaladas como termómetros o indicadores de alerta en situaciones de riesgo y crisis bancarias. Así por ejemplo, encontramosn:

dentro

de

las

causas

de

las

crisis

bancarias

a) Las crisis bancarias surgen debido a que la actividad bancaria depende de los altibajos del ciclo económico: En este sentido, los estudios realizados han encontrado evidencia empírica de que: a. el crecimiento económico está negativamente relacionado con la probabilidad de una crisis bancaria (Demirguc-Kunt y Detragiache -1997); b. las caídas de los términos de intercambio son frecuentes en períodos previos a las crisis bancarias (Caprio y Klingebiel -1996); c. las tasas de cambio real suelen estar más apreciadas de lo que es usual que en periodos de tranquilidad financiera (Kaminsky y Reinhart -1998). b) Las crisis bancarias se presentan debido a problemas del nivel monetario. Las altas tasas de interés puede ser una señal de alerta de crisis financiera; pues pueden: a. causar problemas de cartera traduciéndose en problemas bancarios, b. ser consecuencia de mayores expectativas de inflación o n

Ver Guillén, Ruth (2005). Consideraciones preliminares de la gestión del riesgo en el sistema bancario-el caso de las crisis bancarias en Venezuela

36

devaluación asociadas con síntomas de desorden monetario. o, c. ser un efecto de una política monetaria contractiva. c) Las crisis bancarias surgen porque hay una fase de expansión del crédito que no puede sostenerse en el tiempo, así parecen evidenciarlo para América Latina los estudios de Gavin y Hausmann (1996) y Caprio y Klingebiel (1996) los cuales indican que la relación entre los pasivos líquidos (M2) y algunas variables proxys de los activos igualmente líquidos, por ejemplo las reservas internacionales, son variables potencialmente útiles para estudiar el desajuste bancario. La idea detrás de tal afirmación “es que los tenedores del M2 pueden liquidar estos recursos en cualquier momento y convertirlos a dólares a la tasa de cambio vigente. Así, cuando la relación entre el stock de reservas internacionales y el M2 es demasiado grande, y volátil, hay un síntoma de que se van a presentar problemas en el sistemao bancario. 2. Selección de las nuevas variables

El grueso de las razones financieras, tratadas como variables explicativas, fue estudiado de manera independiente mediante la técnica de Análisis de Componentes Principales (ACPL). La utilidad del procedimiento fue simplemente la de obtener un nuevo grupo de variables totalmente independientes y a su vez, que represente al conjunto original pero de manera reducida y consistente. Sin embargo, un análisis previo demuestra lo ya estudiado por Ayesterán, Orlandoni y Ramoni en 1996p. De acuerdo a ese estudio, la fortaleza de la información suministrada por los balances trimestrales para ese año permitió establecer un pronóstico de comportamiento de la banca analizada y así, a priori, se definió un comportamiento de quiebra, basado en cuatro características fundamentalmente: Otros Activos a Patrimonio como caso favorable de exposición al riesgo y por el contrario, como característica de no exposición al riesgo, Inversiones en Valores, Depósitos a la Vista a Depósitos Totales y Colocaciones. En el estudio, bajo la disposición de los datos que se señala en el punto siguiente, durante nueve años, la primera aproximación de reducción fue de cuatro variables transformadas con un alto porcentaje de explicación (alrededor del 85%) del contenido original o p

Ver Carrasquilla, Alberto (1998). Causas y efectos de las crisis bancarias en América Latina. Revista Economía Nº 11 Nueva Etapa, 1996. FACES-ULA, pp. 7-35.

37

de la información en las quince razones en estudio mostrando una tendencia de definición de los componentes muy similar al estudio citado en el párrafo anterior. En esta consideración general, se puede presumir que con la disponibilidad de mayor volumen de datos y con la incorporación de una mayor representación de la banca en este conjunto, se estaría en condiciones de poder tener un mejor escenario para mejorar la capacidad de pronóstico y en consecuencia, un mejor desempeño de sus modelos. 3. Disposición de los datos.

La presentación tanto del Balance de Publicación como del Estado de Resultado siguió un mismo formato. Las observaciones están dispuestas linealmente, de tal modo que cada una de ellas tiene igual importancia numéricamente, pero en condiciones de repetitividad. Esta característica de presentación de los datos originó dos enfoques de utilización de los datos originales. El primero que se corresponde con el mostrado en la figura de abajo, donde el conjunto de observaciones se consideran independientemente sin perjudicar el sentido de reducción que sufrirían las variables originales (razones); del mismo modo, en esta disposición de las observaciones se hace la formulación de una variable dependiente calificativa del riesgo (categórica) a la que se le denominó riesgo global, asumiendo que la serie disponible para cada banco en el estudio perjudique este tipo de resultado.

38

RAZONES FINANCIERAS AÑO MES R1 R2 R3 R4 R5 R6 R7 R8 R9 R10 R11 R12 R13 R14 R15 Banco1 Banco2 Banco3 Banco4 Banco5 . . . . AÑO MES R1 R2 R3 R4 R5 R6 R7 R8 R9 R10 R11 R12 R13 R14 R15 Banco1 Banco2 Banco3 Banco4 Banco5 . . . . . . . .

. . . . . . . . AÑO MES R1 R2 R3 R4 R5 R6 R7 R8 R9 R10 R11 R12 R13 R14 R15

Banco1 Banco2 Banco3 Banco4 Banco5 . . . .

Disposición de las observaciones con igual importancia para cada uno de ellos Por otro lado, la disposición de los mismos datos agrupados adyacentemente, tal como series conformadas en matrices de datos, configura otra característica de análisis que está siendo estudiada en la construcción de otros modelos de pronóstico. De este modo, para un análisis espacio-temporal, esta nueva disposición de los datos en un modo secuencial, se corresponde a una serie caracterizada por estructura de datos con una cantidad de observaciones y variables constante (razones financieras y cantidad de bancos). Esta disposición determina un enfoque totalmente diferente de exploración y análisis de los datos. Tres propuestas de investigación se están iniciando utilizando la fuente de datos bajo esta modalidad, aplicando técnicas de reducción a cada panel tanto en columnas como en filas y de ese modo depurando la serie. Esta etapa de preproceamiento se realizaría antes de iniciar la construcción de modelos de predicción.

39

La nueva estructura sería de la siguiente manera:

RAZONES FINANCIERAS

R1 R2

…..

RAZONES FINANCIERAS

R14 R15 R1 R2

…..

RAZONES FINANCIERAS

R14 R15 R1 R2

…..

RAZONES FINANCIERAS

R14 R15 R1 R2

…..

RAZONES FINANCIERAS

R14 R15 R1 R2

…..

R14 R15

Banco1 Banco2 Banco3 Banco4 Banco5 . . . . MES 1 AÑO t

MES 2 AÑO t

…………

MES 11 AÑO t

MES 12 AÑO t

t= 1999,2000,…,2004

Disposición de las observaciones como datos longitudinales Las nuevas propuestas están orientadas hacia: a) Identificación de alerta temprana mediante los patrones de comportamiento seguidos por la banca en el tiempo. En esta propuesta se seguiría un modelo lineal que explique los cambios de comportamiento de los bancos en el tiempo de manera gráfica y estadística. b) Identificación de las razones financieras que determinen los cambios en el riesgo global, bien sea a favor o en contra. Ya previamente se tiene un ensayo realizado mediante ACPL en el que se identificaron las razones esenciales (involucradas en el estudio) y será un recurso para analizar el nivel de pronóstico de riesgo usando tan sólo estas razones previamente identificadas y modelos no lineales. c) Evaluación comparativa de la calidad de la medición del riesgo pronosticado mediante ACPL conjuntamente con redes y neuronales y los modelos de redes autoasociativas con componentes principales no lineales. d) El análisis de Datos de Panel (DP) o Datos Longitudinales. En este sentido se conforman conjuntos de DP mediante el seguimiento de las unidades bancarias a lo largo del tiempo. Estos datos están más orientados hacia el análisis de la información transversal (son anchos pero cortos). Un aspecto fundamental es la heterogeneidad entre las unidades analizadas. Los efectos temporales se interpretan como transiciones o cambios de estado discretos. La ventaja que ofrecen los DP está en la mayor flexibilidad para modelizar las diferencias de comportamiento entre unidades bancarias.

40

4. Construcción de los valores de las variables de entrada y salida.

El procedimiento paso a paso que se empleará en el diseño experimental es el siguiente: Ejemplos de entrada del modelo. a) Reducción de las variables a cuatro componentes principales. b) Construcción de las cuatro nuevas variables caracterizadas por ser totalmente independientes y normalizadas. Ejemplos de salida del modelo. a) Cambio del tipo de variable, de cuantitativa a cualitativa categórica, aplicando un criterio de partición (se seleccionaron cuatro para garantizar valores extremos y moderados) constante a cada una de las variables tal que sean considerados desde los casos mas pesimistas hasta los más optimistas. Los valores umbrales definitivos para cada variable serán analizados individualmente a fin de categorizar correctamente en los rangos las variables de entrada. b) Reducción a un solo componente mediante CACPL para la creación de la nueva variable categórica que identificará el componente de salida que será considerado en cada uno de los modelos no lineales usados tanto en el híbrido ACPL-BP como en ADL-RBF. 5. Construcción del Modelo No Lineal.

a) Selección de las muestras de entrenamiento-prueba y de generalización. Muestreo estratificado donde cada bloque de datos para cada año, representa un estrato. La selección se hace proporcionalmente a su tamaño y al de la muestra de manera aleatoria y sin repetición. b) Separación de los conjuntos en la muestra para la construcción del modelo y el conjunto complementario para la evaluación de la capacidad de generalización del modelo. c) Construcción del modelo de redes neuronales usando el algoritmo de retro-propagación del error y como ejemplos de entrada la muestra seleccionada de las variables transformadas y como ejemplos de salida la variable categórica correspondiente a cada observación de la muestra seleccionada.

41

d) Verificación de la capacidad de generalización usando ejemplos del conjunto complementario. e) Medición del nivel de desempeño individual. f) Repetir los pasos desde el (b) hasta el (e) para medir el nivel de desempeño del diseño asumido, y en consecuencia la consistencia alcanzada en el entrenamiento y en la generalización.

42

ESTATUS DEL PROYECTO MODELO DE IDENTIFICACIÓN DE INDICADORES DE GESTIÓN DE RIESGO FINANCIERO MEDIANTE LA REDUCCIÓN DE VARIABLES (RAZONES FINANCIERAS) (Al 7/11/2006) Ruth Guillén.

Objetivo:

Construir un modelo de pronóstico (híbrido) para indicadores de gestión de riesgo financiero de la banca comercial y universal venezolana empleando el análisis de componentes principales y redes neuronales. AVANCE DE ACTIVIDADES: I.- PREPROCESAMIENTO DE DATOS: I.1. CONSTRUCCIÓN DE BASE DE DATOS: (EJECUTADO 100% por Ruth Guillén). Variables microeconómicas (relacionadas con las instituciones bancarias) Dada la poca disponibilidad de datos por parte del grupo banca para la ejecución de los diferentes proyectos enmarcados en el convenio IIESBCV, y por ser este un proyecto base para el desarrollo de los mimos, fue necesario construir un sistema de información financiera de todos los bancos comerciales y universales que operaron en el país desde el año 1996 hasta el año 2004.

Para la elaboración de este sistema se requirió: • •

Identificar las instituciones financieras que operaron en el país durante cada mes el período en estudio, así como su clasificación dentro del sistema bancario nacional (SBN). Compilación, sistematización y consolidación en medio electrónico de información financiera para la banca comercial y universal que operó en el SBN durante 1996-2004 (se compiló información de 55 bancos con periodicidad mensual): Específicamente, la información consolidada correspondió a los Balances de Publicación y Estados de Resultados de las instituciones bancarias. Para ello fue necesario superar las dificultades derivadas del cambio en la composición (o partidas) de los informes financieros, identificándose dos estructuras para los balances de publicación y tres estructuras para los estados de resultados.

43

•

Cálculo de Razones Financieras (a partir de la información financiera consolidada). Para ello, además fue necesario hacer una revisión exhaustiva de las metodologías de cálculo de indicadores financieros de la banca (se revisaron 73 indicadores, empleados por diversas instituciones: SUDEBAN, BCV, Bancos Extranjeros o investigadores, se determinó su posibilidad de cálculo para el SBN).

La base de datos final, que se desarrolló con la intensión de que fuera un panel balanceado, incluye 23 indicadores financieros (correspondientes a los aspectos de Calidad del Activo, Patrimonio, Manejo del Negocio, Rentabilidad y Liquidez) y 19 bancos. No obstante a luego de realizar un análisis exploratorio de los datos se decidió incluir en el modelo solo a 16 instituciones (Banesco, Canarias de Venezuela, Caribe, Caroní, Citibank, Confederado, Exterior, Federal, Guayana, Indutrial de Venezuela, Mercantil, Occidental de Descuento, Plaza, Provincial, Sofitasa, Venezolano de Crédito y Venezuela). Esta base de datos, se ha suministrado a otros miembros del grupo para el desarrollo de sus investigaciones, a saber: 1. Análisis de Supervivencia Aplicado a la Banca Comercial Venezolana. 1996 – 2004 (María Alejandra Ayala, Tesista de Postgrado en Economía) 2. Clasificación Bancaria: Análisis Discriminante y Redes Neuronales. (Alexis Melo) 3. Uso De Las Técnicas De Preprocesamiento De Datos E Inteligencia Artificial (Lógica Difusa) En La Clasificación Del Riesgo Bancario. Caso De Estudio: La Banca Comercial Y Universal.(Carlos Martínez –Tesista de Pregrado, Ingeniería de Sistemas) 4. Indicadores de Riesgo Bancario determinados mediante el Modelado con Ecuaciones Estructurales. Caso: La Banca Venezolana entre 1997-2004. (Zuleima A. Durán, Tesista de Pregrado, Estadística). 5. Estudio, Implementación Y Evaluación De Herramientas De Análisis De Datos Para Imputación De Datos Faltantes Y Detección De Valores Atípicos Aplicado A La Banca Universal Y Comercial (Daniel Paredes, Tesista de Pregrado Estadística) Variables macroeconómicas Se elaboró la matriz de indicadores macroeconómicos para el período 1996-2004 con periodicidad mensual y trimestral. Esta matriz incluye variables tales como: Producto Interno Bruto, Tasas de Interés, Tipo de Cambio, Reservas Internacionales, Balanza de Pagos e Índice Bursátil y

44

se pretende con su construcción ampliar el análisis del modelo mediante la incorporación de variables macroeconómicas en el análisis del riesgo financiero. I.2 REDUCCIÓN DE VARIABLES MICROECONOMICAS (100% Ejecutado).

Se desarrolló un análisis de componentes principales con el objeto de reducir las variables macroeconómicas (razones financieras) las cuales constituirán parte de las variables de entrada del modelo. El ACP es recomendado debido a que permite reducir el efecto de redundancia o dispersión de las variables (muy característico de las razones financieras) y debido a que disminuye en los modelos de pronóstico el trabajo de cómputo. Resultados obtenidos: 1) El ACP permitió reducir el número de variables originales (Razones Financieras) en un 74%, logrando explicar alrededor del 80% de su varianza. 2) En la evaluación del riesgo las variables más relevantes están constituidas por los indicadores de liquidez y gestión administrativa, seguidos de los indicadores de calidad del patrimonio y solvencia y calidad de los activos. Los indicadores de rentabilidad parecieran no ser tan relevantes. I.3.- CONSTRUCCIÓN DE LA VARIABLE DE SALIDA o INDICADOR DE RIESGO (En revisión).

Se elaboró una categorización de las razones financieras por aspecto (siguiendo la metodología CAMEL) que permite asociar una calificación a cada banco por período. Adicionalmente, se estimó, el indicador CAMEL por mes, para cada una de las instituciones incluidas en el modelo. Los valores obtenidos para este indicador obtenidos fueron chequeados posteriormente mediante cálculos independientes por el Tesista Carlos Martínez). II.- ESTIMACIÓN DE LA RED II.1- EXTRACCIÓN DE LA MUESTRA DE ENTRENAMIENTO (En ejecución).

La determinación y composición de la muestra de entrenamiento para la red fue elaborada por Alexis Melo siguiendo un diseño de muestra estatificada con probabilidad proporcional al tamaño de cada estrato y luego se desarrolló un programa para la extracción de la misma.

45

Actividades pendientes del proyecto:

Extracción de la muestra de entrenamiento de la red (Ruth Guillén). Desarrollo de programa para extracción de observaciones para generalización de la red (Gerardo Colmenares). Entrenamiento de la red y generalización (Gerardo Colmenares y Ruth Guillén). Reporte de resultados. Elaboración de informe. Actividades e investigaciones conexas a la investigación o al grupo:

Actualmente lRuth Guillén está desarrollando su Tesis de Maestría en la temática de las Fusiones Bancarias y sus efectos sobre la Concentración y Eficiencia del Sistema Bancario Venezolano (SBV) . De esta investigación de podrían derivar una serie de investigaciones asociadas con las siguientes temáticas: a) Estimación de la concentración del SBV a través de metodologías alternativas. (Análisis comparativo de los resultados). b) Comparación de los estándares de costos de la banca nacional con los estándares de costos de la banca internacional. c) Evolución de la eficiencia social de la banca venezolana. d) Estimación de la eficiencia (en costos, beneficios o ingreso) de la banca a través de metodologías alternativas.

46