Autor del artículo: Sebastián Arias. Financial Analyst en Histamai Advisory
La Comisión para el Mercado Financiero publicó en diciembre de 2022, un documento de trabajo titulado “Modelamiento y determinantes de la tasa de prepago de los créditos hipotecarios para la vivienda de las instituciones bancarias en Chile.” (Beas & Pulgar, 2022). La finalidad de este documento de trabajo es aportar con evidencia empírica el desempeño que poseen diferentes metodologías teóricas y estadísticas en el modelamiento de la tasa de prepagos, para así generar lineamientos generales que permitan el desarrollo de herramientas que permitan cuantificarlo.
El prepago de un crédito “corresponde al evento donde un deudor paga de manera anticipada parte o el total del monto del capital adeudado.” (Beas & Pulgar, 2022). Junto con lo anterior, también son considerados prepagos los refinanciamientos de los créditos debido al cambio existente en el plazo y la tasa de interés. Estos eventos generalmente ocurren en escenarios de baja tasa de interés. El análisis se enfoca en la explicación de los prepagos que se producen en los créditos hipotecarios para la vivienda (esto es, préstamos hipotecarios con mutuos endosables, mutuos no endosables e hipotecarios financiados con letras hipotecarias), los cuales componen el 31,4% de los créditos otorgados por los bancos a mayo de 2022.
Dentro de los factores considerados en el modelamiento de los prepagos, se encuentra la madurez de los créditos, el diferencial de tasas (diferencia entre la tasa contractual versus la tasa de mercado), el efecto burnout [ver nota 1], el riesgo de default. A partir de estos factores, se utilizan cinco modelos estadísticos que permiten modelar la tasa condicional de prepago (CPR por sus siglas en inglés), estos son:
(1) Modelo Public Securities Association (PSA) Calibrado;
(2) Modelo Public Securities Association (PSA) Alternativo;
(3) Modelo de Regresión Lineal;
(4) Modelo de Richard and Roll (R&R);
(5) Modelo de tres factores (M3F).
Los modelos consideran los estados de pago que pueden tomar los créditos, donde se asigna una probabilidad si existe un prepago o no del crédito, junto con la cantidad prepagada en caso de existir un prepago (total o parcial), y la cantidad prepagada en caso se corresponder a un prepago parcial. (Ver Ilustración 1)
Ilustración 1 Estados que pueden tomar los créditos
Junto con los modelos antes mencionados, se consideran metodologías tradicionales y de machine learning para cada función, estas son: (1) Regresión lineal; (2) Árbol de decisión; (3) Gradient boosting machines (GBM); (4) redes neuronales; y se evalúa el Error Absoluto Medio (EAM) para comparar el desempeño de los modelos estadísticos.
Debido a que el modelo de prepago se debe realizar sobre carteras homogéneas, fueron consideradas las posiciones que poseen tasa de interés fija, en aquellas con tasa de interés variable, se considera la porción fija.
A partir de la estimación del CPR, se destaca la baja frecuencia de los prepagos (0,46% del stock de operaciones en promedio), otro hecho a destacar es que, de los prepagos realizados en cada mes, en promedio el 89% de dichos prepagos corresponde a un prepago total (es decir, se realiza el pago de la totalidad de la deuda), de estos, el 17 corresponde a un prepago por refinanciamiento.
El informe identifica un conjunto de drivers muy interesantes que ayudan a explicar el comportamiento de los prepagos. Los resultados indican que los créditos de mayor proporción son más proclives al prepago, al igual que el efecto de la tasa de interés de los refinanciamientos, el valor de la vivienda y el diferencial de tasas aumentan la probabilidad de prepago, así como también poseer más de un crédito y tener entre 40 y 50 años. Por su parte, el burnout afecta negativamente la probabilidad de prepago. La tabla 1 muestra los tipos de impacto (positivo o negativo) que posee cada factor.
Tabla 1 tipo de impacto
Ilustración 2 predicción de la CPR para cada modelo vs valor real
Entrando en el terreno técnico de la modelización estadística, se pone de manifiesto que el modelo de tres factores (M3F) es la técnica que presenta un mejor rendimiento, además es la metodología que presenta valores más cercanos a los reales, seguido por la regresión lineal y el modelo R&R. Si bien actualmente no existe un marco claro sobre que metodología deberían utilizar los bancos, se recomienda el método de M3F debido a la similitud que presenta con los valores reales y una mejor precisión en la estimación (Ilustración 2). A pesar de que el M3F presenta buenos resultados, presenta además desafíos a futuro como: asegurar una buena calidad de datos, no generar problemas éticos (a través de la discriminación de grupos de personas), una labor de auditoría robusta y un capital humano con experiencia y recursos suficientes que puedan desarrollar e implementar el modelo.
Ilustración 3 variación en valor económico según modelo de prepago
Además, el uso de un modelo preciso y confiable en la estimación del CPR es importante debido a que este CPR afecta al valor económico del banco (EVE) el cual es requerido en el archivo normativo R14, enfocado en el Riesgo de Mercado del Libro de Banca, la cual varía entre un impacto del 3% a un impacto del 11,6% a nivel sistema dependiendo del modelo utilizado (Ilustración 3).
Notas del Artículo
[1] Efecto que se da cuando el diferencial de tasas es positivo, al principio existe una alta cantidad de esta variable que se va “quemando” (perdiendo) en el tiempo.
Para leer el documento completo, haz click en el siguiente link:
En Histamai Advisory ayudamos a entidades financieras en la validación de modelos estadísticos y calidad de datos, además de asesorías en el proceso de auditoría y de generación de archivos normativos bajo estándares de Basilea. Para más detallas, haz click en Servicios.
Comments