modelamiento del capital por riesgo operativo en entidades
TRANSCRIPT
Página | 1
MODELAMIENTO DEL CAPITAL POR
RIESGO OPERATIVO EN ENTIDADES
FINANCIERAS DE MERCADOS
EMERGENTES ENTRE 1990 Y 2013
USANDO CÓPULAS MULTIVARIADAS
Autor
Ingeniera Claudia Paola Martín Bernal
Directora
Betty Johanna Garzón Rozo, Ph.D.
Codirector
MSc. Feizar Javier Rueda Velasco
UNIVERSIDAD DISTRITAL FRANCISCO JOSÉ DE CALDAS
Maestría en Ingeniería Industrial
Énfasis en Inteligencia Computacional para los Negocios
Bogotá, Colombia
mayo de 2020
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 2
AGRADECIMIENTOS
A Dios Padre, Hijo y Espíritu Santo por estar siempre cerca y presente en mi formación.
A mis padres, Maria Claudia y Raúl, cuyo apoyo y amor incondicional me sostuvo en
tiempos de flaqueza. A Raúl Camilo, mi hermano, por ser mi verdadero amigo, mi más
grande apoyo y más de lo que siempre soñé. A Cristian, mi novio, por su amor, por su
paciencia y empuje.
A mi directora, Johanna, por compartir todos sus conocimientos conmigo, por involucrarse
de corazón y por su gran dedicación en la elaboración de nuestra investigación. A mi
codirector, Feizar, por toda mi formación como profesional. A los profesores, Laura Marcela
Giraldo y José Ignacio Rodríguez, por sus exigentes revisiones y consejos. Gracias a los
cuatro porque, además de ser excelentes doctores y magísteres, son seres humanos de
admirar.
Y por último, a la prestigiosa Universidad Distrital Francisco José de Caldas, la Facultad de
Ingeniería y a la Maestría en Ingeniería Industrial, por darme la oportunidad de incrementar
mis conocimientos con tan alta calidad.
¡Gracias!
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 3
CONTENIDO
AGRADECIMIENTOS ........................................................................................................ 2
LISTADO DE TABLAS ....................................................................................................... 5
LISTADO DE FIGURAS ..................................................................................................... 7
RESUMEN ......................................................................................................................... 8
ABSTRACT ....................................................................................................................... 9
PALABRAS CLAVE ......................................................................................................... 10
KEYWORDS .................................................................................................................... 10
INTRODUCCIÓN ............................................................................................................. 11
1. FORMULACIÓN DEL PROYECTO DE INVESTIGACIÓN ................................. 18
1.1 PROBLEMA DE INVESTIGACIÓN .................................................................... 18
1.2 OBJETIVOS ...................................................................................................... 24
1.2.1 Objetivo general ................................................................................................ 24
1.2.2 Objetivos específicos ......................................................................................... 24
1.3 HIPÓTESIS ....................................................................................................... 25
1.4 MARCO DE REFERENCIA ............................................................................... 25
1.4.1 Marco conceptual .............................................................................................. 25
1.4.2 Marco teórico ..................................................................................................... 32
1.4.2.1 Cálculo del capital por riesgo operativo ................................................................ 37
1.4.2.2 Modelo de Distribución de Pérdidas Agregadas (LDA) ......................................... 40
1.4.2.3 Funciones cópula multivariadas ........................................................................... 41
1.4.3 Marco espacial .................................................................................................. 42
2. METODOLOGÍA ................................................................................................ 45
2.1 MODELO DE DISTRIBUCIÓN DE PÉRDIDAS AGREGADAS (LDA) ................ 46
2.2 PARÁMETROS DE LAS CÓPULAS MULTIVARIADAS GAUSSIANA Y T ......... 50
2.3 MODELO LDA INCORPORANDO CÓPULAS ................................................... 54
2.3.1 Modelo LDA incorporando cópulas y valores faltantes ....................................... 55
2.4 CÁLCULO DEL OpVaR Y BENEFICIO DE DIVERSIFICACIÓN ........................ 58
2.4.1 Cálculo del capital por riesgo operativo según modelo estándar LDA ................ 58
2.4.2 Cálculo del capital por riesgo operativo incorporando cópulas Gaussiana y t al
modelo LDA ..................................................................................................................... 59
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 4
2.4.3 Cálculo del beneficio de diversificación .............................................................. 60
3. ANÁLISIS ESTADÍSTICO DE LA BASE DE DATOS ......................................... 62
3.1 PRIMERA ETAPA – DEPURACIÓN DE LA BASE DE DATOS .......................... 64
3.2 SEGUNDA ETAPA – ANÁLISIS DESCRIPTIVO ............................................... 66
3.2.1 Análisis descriptivo de frecuencias y severidades.............................................. 66
3.2.2 Matriz tipo de evento y línea de negocio ............................................................ 72
3.2.3 Vectores de frecuencias y severidades .............................................................. 79
4. MODELAMIENTO DE DISTRIBUCIONES DE FRECUENCIAS ......................... 85
5. MODELAMIENTO DE DISTRIBUCIONES DE SEVERIDADES ......................... 89
6. MODELAMIENTO DE LA DISTRIBUCIÓN AGREGADA ................................... 94
7. MODELAMIENTO DE PARÁMETROS DE LAS CÓPULAS GAUSSIANA Y T ... 97
7.1 MATRIZ DE LAS FUNCIONES DE DISTRIBUCIÓN ACUMULADA DE LAS
SEVERIDADES ............................................................................................................... 97
7.2 PARÁMETROS DE LAS CÓPULAS ................................................................ 100
7.2.1 Parámetro de cópula Gaussiana ...................................................................... 100
7.2.2 Parámetro de cópula t ..................................................................................... 101
8. MODELAMIENTO DEL CAPITAL POR RIESGO OPERATIVO ....................... 103
8.1 MODELO ESTÁNDAR LDA ............................................................................. 103
8.2 MODELO LDA INCORPORANDO CÓPULA GAUSSIANA .............................. 107
8.3 MODELO LDA INCORPORANDO CÓPULA T ................................................ 112
8.4 CÁLCULO DEL BENEFICIO DE DIVERSIFICACIÓN ...................................... 115
9. CONCLUSIONES ............................................................................................ 121
10. ALCANCE Y LIMITACIONES .......................................................................... 127
11. REFERENCIAS ............................................................................................... 129
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 5
LISTADO DE TABLAS
Tabla 1. Líneas de negocio (BL) ...................................................................................... 28
Tabla 2. Tipos de eventos (ET) ........................................................................................ 30
Tabla 3. Matriz de celdas de riesgo Basilea ..................................................................... 32
Tabla 4. Revisión bibliográfica ......................................................................................... 33
Tabla 5. Filtros aplicados a la base de datos inicial y su justificación ............................... 64
Tabla 6. Región de domicilio de la entidad financiera ...................................................... 67
Tabla 7. País de origen de la entidad financiera .............................................................. 68
Tabla 8. Frecuencia y severidades de pérdidas operativas por tipo de evento ................ 70
Tabla 9. Frecuencia y severidades de pérdidas operativas por línea de negocio ............. 71
Tabla 10. Matriz de frecuencia (número de eventos) y severidad (valor) de pérdidas por tipo
de evento y línea de negocio ........................................................................................... 74
Tabla 11. Distribución de frecuencia de pérdidas por tipo de evento y línea de negocio .. 77
Tabla 12. Distribución de severidad de pérdidas por tipo de evento y línea de negocio ... 78
Tabla 13. Vectores de frecuencia por línea de negocio .................................................... 81
Tabla 14. Vectores de severidades por línea de negocio ................................................. 82
Tabla 15. Vectores de severidad transformados, 𝑆𝑗 ∗, por línea de negocio ..................... 84
Tabla 16. Pruebas de bondad de ajuste para todas las líneas de negocio ....................... 87
Tabla 17. Distribuciones de frecuencia en líneas de negocio ........................................... 88
Tabla 18. Distribuciones continuas para líneas de negocio - SAS ................................... 90
Tabla 19. Parámetros distribución Gamma para “banca minorista” - SAS ........................ 91
Tabla 20. Distribuciones de severidad en líneas de negocio ............................................ 91
Tabla 21. Matriz 𝐻: Función de distribución acumulada para cada vector de severidad por
línea de negocio .............................................................................................................. 98
Tabla 22. Matriz de correlación rho de la cópula Gaussiana .......................................... 100
Tabla 23. Matriz de correlación rhot de la cópula t ......................................................... 101
Tabla 24. Capital por riesgo operativo OpVaR bajo el modelo estándar ........................ 104
Tabla 25. Matriz de cero pérdidas .................................................................................. 109
Tabla 26. Matriz 𝐻𝑐𝑒𝑟𝑜: Función de distribución acumulada de cero pérdidas ............... 110
Tabla 27. Matriz de correlación rhoZero de la cópula Gaussiana ................................... 111
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 6
Tabla 28. Matriz de correlación rhotZero de la cópula t .................................................. 114
Tabla 29. Capital por riesgo operativo OpVaR estimado bajo los tres modelos ............. 116
Tabla 30. Beneficio de diversificación ............................................................................ 117
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 7
LISTADO DE FIGURAS
Figura 1. Estructura temática de la investigación ............................................................. 17
Figura 2. Fases de la metodología implementada en la presente investigación ............... 46
Figura 3. Componentes esenciales de un LDA ................................................................ 49
Figura 4. Mapa de mercados emergentes ........................................................................ 65
Figura 5. Región de domicilio de la entidad financiera ..................................................... 67
Figura 6. Frecuencias y severidades agregadas anualmente .......................................... 69
Figura 7. Tipos de evento ................................................................................................ 70
Figura 8. Líneas de negocio ............................................................................................. 72
Figura 9. Frecuencia por tipos de evento y líneas de negocio .......................................... 75
Figura 10. Severidades por tipos de evento y líneas de negocio ..................................... 76
Figura 11. Conformación de vectores de frecuencia y severidad para Banca Comercial . 80
Figura 12. Distribuciones discretas para “Administración de activos” - Statfit ................... 85
Figura 13. Pruebas de bondad de ajuste para “Administración de activos” - Statfit .......... 86
Figura 14. Función de probabilidad de masa para “Administración de activos” - Statfit .... 86
Figura 15. Función de probabilidad de masa para todas las líneas de negocio - Matlab .. 92
Figura 16. Distribución de pérdidas simuladas para la línea de negocio “Liquidación y pagos”
obtenidas en la iteración 1 de la SMC - Matlab ................................................................ 95
Figura 17. Distribución agregada de pérdidas para la línea de negocio “Liquidación y pagos”
obtenida a partir de la SMC donde K = 100,000 iteraciones - Matlab ............................... 96
Figura 18. OpVaR con el modelo estándar LDA ............................................................ 104
Figura 19. 100.000 puntos simulados a partir de una cópula Gaussiana usando las
distribuciones Gamma (“Banca minorista”) y Weibull (“Banca Comercial”) - Python ...... 108
Figura 20. 100.000 puntos simulados a partir de una cópula t usando las distribuciones
marginales Gamma (“Banca minorista”) y Weibull (“Banca Comercial”) - Python ........... 113
Figura 21. Comparación de valores de capital por riesgo operativo ............................... 116
Figura 22. Comparación de valores de beneficio de diversificación ............................... 117
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 8
RESUMEN
Esta investigación provee una estimación más eficiente del capital por riesgo operativo en
entidades financieras de mercados emergentes (países o naciones que están
experimentando un rápido crecimiento económico e industrialización (Economy Watch,
2010)), mediante el uso de técnicas sofisticadas para la cuantificación del capital por riesgo
operativo. Para ello, se aplicaron los Métodos de Medición Avanzada (Advanced
Measurement Approach, AMA por sus siglas en inglés) estipulados en el acuerdo de Basilea
II y se modelaron las dependencias entre pérdidas operativas (severidades) usando las
cópulas multivariadas Gaussiana y t. Esta investigación analizó información entre 1990 y
2013 de la base de datos de pérdidas operativas SAS® Operational Risk Global Data (SAS
OpRisk Global Data) para modelar el capital por riesgo operativo mediante la
implementación de tres modelos. El primer modelo estimó el capital por riesgo operativo
utilizando el Modelo Estándar de Distribución de Pérdidas Agregadas (Loss Distribution
Approach, LDA por sus siglas en inglés) establecido en el acuerdo de Basilea II (CSBB,
2004). El segundo modelo incorporó al modelo LDA el análisis multivariado de
dependencias entre las pérdidas operativas (severidades) utilizando la función cópula
elíptica simétrica multivariada Gaussiana. El tercer modelo incorporó al modelo estándar
LDA la cópula elíptica simétrica multivariada t.
Finalmente se compararon los resultados de los tres modelos en términos de sus
estimaciones de capital por riesgo operativo. Los resultados son consistentes con previos
estudios, confirmando que la incorporación del modelamiento multivariado de
dependencias usando cópulas Gaussiana y t produce una asignación más eficiente de
capital por riesgo operativo. Esto se comprobó mediante la existencia del beneficio de
diversificación de hasta 33% en el modelo que usa cópula Gaussiana (modelo 2) y 34%
cuando se usa cópula t (modelo 3), en comparación con la estimación con el modelo
estándar (modelo 1).
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 9
ABSTRACT
This thesis seeks to provide a more efficient estimation of capital requirement for operational
risk in financial institutions across emergent markets by applying the LDA (Loss Distribution
Approach) proposed in Basel II Capital Accord (2004) and modelling multivariate
dependence between severities using Gaussian and t copulas. Three models were built to
draw conclusions. Model (i) estimates capital requirements for operational risk using the
standard model. Model (ii) incorporates into the LDA the multivariate analysis of
dependences between operational losses (severities) using the Gaussian multivariate
symmetric elliptical copula. Model (iii) incorporates the multivariate symmetric elliptical t
copula into the standard model LDA. This research analyses an updated operational loss
data set, SAS OpRisk Global Data, to model operational risk at international financial
institutions from emerging markets between 1990 and 2013.
The impact of models (ii) and (iii) was evaluated on the estimates of the total regulatory
capital for operational risk and compare the resulting estimates with the one predicted by
the standard model LDA. The results confirm the existence of diversification benefit up to
33% with Gaussian copula (model ii) and up to 34% with t copula (model iii). These results
are consistent with previous research and evidence that the incorporation of the multivariate
Gaussian and t copulas provide a more efficient quantification of capital requirement for
operational risk.
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 10
PALABRAS CLAVE
- Cópula Gaussiana
- Cópula t
- Cópulas multivariadas
- Entidades financieras
- Modelo de Distribución de Pérdidas Agregadas (LDA, por su sigla en inglés)
- Mercados emergentes
- Métodos de Medición Avanzada (AMA, por su sigla en inglés)
- Países emergentes
- Riesgo operativo
- Sector financiero
- Simulación Montecarlo
KEYWORDS
- Gaussian Copula
- t Copula
- Multivariate Copulas
- Financial Institutions
- Loss Distribution Approach, LDA
- Emerging Markets
- Advanced Measurement Approach, AMA
- Operational Risk
- Financial sector
- Montecarlo Simulation
Página | 11
INTRODUCCIÓN
La modelación y cuantificación del riesgo operativo ha sido una de las preocupaciones
principales de los investigadores y operadores en finanzas debido a la necesidad de
responder a las normativas generadas por las entidades reguladoras de carácter nacional
e internacional (Murillo Gómez et al., 2016). Para realizar la gestión del riesgo operativo se
han propuesto diferentes referentes con pautas generales buscando disminuir la
probabilidad de pérdidas económicas, entre otras situaciones que ocasionarían el
detrimento de las entidades financieras (Marín Rodríguez, 2017). Uno de los referentes más
importante nace en 2004, el cual fue propuesto por el Comité de Supervisión Bancaria de
Basilea (CSBB) que emitió un conjunto de recomendaciones conocidas como el acuerdo de
Basilea II, consolidándose como el marco regulatorio internacional para entidades
financieras, el cual abarca un enfoque integral para la gestión de riesgos y la supervisión
bancaria (CSBB, 2004). Dentro del acuerdo se establece que, para el cumplimiento de estos
estándares, las entidades financieras están sujetas a la exigencia de capital por riesgo
operativo (CSBB, 2004; McNeil et al., 2015), con el fin de fortalecer en mayor medida la
solidez y estabilidad del sistema bancario internacional (CSBB, 2004).
Según lo establecido en el Acuerdo Basilea II, las pérdidas operativas que sufre una entidad
financiera se clasifican según su línea de negocio y su tipo de riesgo, identificándose así en
una matriz de 56 celdas o unidades de medida conformada por 8 líneas de negocio y 7 tipos
de riesgo o evento 1 . Las pérdidas operativas son conocidas como severidades y
corresponden al monto o valor monetario de la pérdida operativa.
1 Según lo estipuló Basilea II, las pérdidas operativas se categorizan dentro de las siguientes 8 líneas de negocio
(BL): Finanzas corporativas, Negociación y ventas, Banca minorista, Banca comercial, Liquidación y pagos,
Servicios de agencia, Administración de activos e Intermediación minorista. Los 7 tipos de evento son: Fraude
interno; fraude externo; prácticas de los empleados y seguridad en el lugar de trabajo; clientes, productos y
prácticas del negocio; daños a activos físicos; interrupción del negocio y fallas tecnológicas; y ejecución y
administración de procesos.
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 12
Reconociendo la importancia que tiene el acuerdo de Basilea II, esta investigación modeló
de forma multivariada la dependencia entre las pérdidas operativas (severidades) de todas
las líneas de negocio, utilizando las cópulas elípticas simétricas Gaussiana (Normal) y t.
Este modelamiento de dependencias se incorporó en uno de los Métodos de Medición
Avanzada (Advanced Measurement Approach, AMA por sus siglas en inglés) (CSBB, 2004)
conocido como Modelo de Distribución de Pérdidas Agregadas (Loss Distribution Approach,
LDA por sus siglas en inglés) para la estimación del capital por riesgo operativo en entidades
financieras de mercados emergentes. Se hizo uso específicamente del modelo LDA
justificado metodológica y técnicamente por ser uno de los métodos de medición avanzada
AMA más utilizados por la banca internacional (Chavez-Demoulin et al., 2006; Pavel V.
Shevchenko, Gareth W. Peters, Bertrand Hassani, 2009).
La presente investigación apropia la definición de mercado emergente proporcionada por
Antoine van Agtmael, economista del Banco Mundial, refiriéndose a los países o naciones
que están experimentando un rápido crecimiento económico e industrialización (Economy
Watch, 2010). Los mercados emergentes considerados en esta investigación son los
establecidos por The MSCI Global Investable Market Indexes (GIMI) Methodology Country
Classification (MSCI, 2018), es decir: Brasil, Chile, China, Colombia, República Checa,
Egipto, Grecia, Hungría, India, Indonesia, Malasia, México, Pakistán, Perú, Filipinas,
Polonia, Qatar, Rusia, Sudáfrica, Corea del Sur, Taiwán, Tailandia, Turquía y Emiratos
Árabes Unidos. En este sentido, para la presente investigación, los términos “mercados
emergentes” y “países emergentes” se consideran sinónimos y se utilizan indistintamente.
Para esta investigación, se utilizó como referente una base de datos comercial que cataloga
pérdidas operativas, las cuales sobrepasan el umbral de USD 100,000.002, en todos los
2 Pese a que este umbral fue una limitante para esta investigación, este valor se acerca al umbral reportado en
el Ejercicio de Recolección de Datos de Pérdidas (Loss Data Collection Exercise, LDCE por su sigla en inglés)
de 2008 (CSBB, 2009) por los bancos que siguen el enfoque AMA. Por lo tanto, es una limitante que está
alineada con las practicas del sector financiero. Un total de 121 bancos de 17 países participaron en el LDCE
2008. 42 de estos bancos reportaron usar el enfoque AMA y mostraron una frecuencia de pérdidas internas,
superiores a EUR 100,000. El LDCE fue realizado por el Subgrupo de Riesgo Operacional del Grupo de
Implementación de Normas (SIGOR) del CSBB. El objetivo del LDCE consistió en recopilar información sobre
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 13
sectores industriales y de servicios financieros a nivel mundial divulgadas públicamente,
SAS® Operational Risk Global Data. Esta base de datos reporta pérdidas anualizadas. El
periodo de cobertura del análisis comprende pérdidas operativas originadas en entidades
financieras de mercados emergentes entre 1990 y 2013. Cabe aclarar que se modeló a
nivel de mercados emergentes y no de Colombia dada la escasez de información que tiene
la base de datos sobre pérdidas operativas ocurridas en nuestro país (solo se registran 9
pérdidas en total, lo que hace imposible la aplicación de un modelo LDA).
A pesar de contar con una base de datos sustancial, varias celdas en la matriz (dimensión
8 x 7 = 56 celdas) se encontraron vacías. La presencia de valores faltantes en las bases de
datos de pérdidas operativas es una característica usual de las mismas (Baldizzoni, 2014;
Calafati, 2017; Zomeño Breitenstein, 2017). Esto se debe a que el cálculo del capital por
riesgo operativo entró en vigor con Basel II en el 2004 junto con la clasificación específica
de las pérdidas operativas (matriz de celdas), por lo tanto, el registro de estas, bajo dicha
clasificación, no era una práctica común en el sector bancario antes del ingreso de Basel II.
Dado lo anterior, la presente investigación agregó las pérdidas operativas a lo largo de cada
año por cada línea de negocio, a pesar de que se destaca que también es posible
agregarlas a través de los diferentes tipos de riesgo (eventos), ambos métodos son válidos
en la literatura. Por ejemplo tanto Di Clemente & Romano (2004) como Moscadelli (2004)
agruparon las pérdidas por línea de negocio, mientras que El-Gamal, Inanoglu, & Stengel
(2006) y Mittnik, Paterlini, & Yener (2011) lo hicieron a nivel de tipo de riesgo. Dado que
para efectos de gestión y medición resulta más práctico analizar el desempeño por cada
línea de negocio, en lugar de medir el desempeño a lo largo de toda la organización (Mittnik
et al., 2011), esta investigación adoptará el primer método de agregación.
Sobre el modelo LDA aplicado en esta investigación, es importante tener en cuenta que este
consta de tres componentes básicos: 1. Distribución de severidad; 2. Distribución de
frecuencia; 3. Distribución agregada de pérdidas. Como ya se mencionó, las severidades
hacen referencia al monto o valor monetario de la pérdida operativa, la cual está asociada
a una línea de negocio y/o tipo de riesgo (evento). Dado que el monto es una variable
las bases de datos que se utilizan en el Enfoque de medición avanzada (AMA) para el riesgo operativo en el
marco de Basilea II.
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 14
continua, las severidades son variables aleatorias que siguen distribuciones de probabilidad
continua. Por su parte, las frecuencias son el número de eventos reportados por pérdidas
operativas incurridos en un intervalo de tiempo (el cual es normalmente de un año), estas
también son asignadas de acuerdo con la matriz de celdas. Las frecuencias son variables
aleatorias que siguen distribuciones de probabilidad discreta.
Para el modelamiento de las severidades, esta investigación no se restringió al uso de una
sola distribución de probabilidad, sino que utilizó 8 distribuciones paramétricas para modelar
cada línea de negocio, con el fin de encontrar la distribución que mejor se ajustara a los
datos. Las distribuciones que se evaluaron simultáneamente son: Burr, Exponencial,
Gamma, Gaussiana Inversa, Lognormal, Pareto, Distribución Generalizada de Pareto (GPD)
y Weibull. Estas distribuciones son las más utilizadas en la literatura para modelar este tipo
de pérdidas (Cruz, 2002; Ergashev et al., 2016; Garzón Rozo et al., 2016; LI et al., 2009;
Shevchenko, 2007). Este procedimiento permitió obtener múltiples alternativas para cada
distribución de severidad y así, se encontró la distribución que mejor se ajustó a cada vector
de pérdidas.
En relación a las frecuencias se resalta que estas se modelaron utilizando las distribuciones
típicas encontradas en la literatura, tales como la distribución Poisson y Binomial negativa
(Cruz, 2002; Feria-Domínguez et al., 2015).
Por otra parte, es fundamental destacar que dentro de las posibles variantes que pueden
incorporar los métodos AMA, se encuentra el modelo cópula, ampliamente utilizado para
modelar la dependencia (Chavez-Demoulin et al., 2006; Mittnik et al., 2011; Monti et al.,
2010; G. Peters et al., 2009). Sin embargo, es de importancia señalar dos aspectos que
siguen sin resolverse con respecto al modelamiento de dependencia:
- Primero, el análisis de dependencia utilizando modelos cópula se ha limitado, en la
mayoría de los casos, al enfoque bivariado (Brechmann et al., 2014; Breymann et al.,
2003; Christian Brechmann & Czado, 2013). El caso multivariado ha sido tratado solo
por unos pocos autores en artículos académicos más recientes (Brechmann et al., 2014;
Garzón Rozo et al., 2016) debido a su alta complejidad.
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 15
- Segundo, la investigación en el cálculo del capital por riesgo operativo usando cópulas
se ha concentrado principalmente en el análisis de entidades financieras en economías
desarrolladas tales como Estados Unidos, Reino Unido, Alemania, Italia, entre otras (Di
Clemente & Romano, 2004; Mittnik et al., 2011; G. Peters et al., 2009; Rachedi &
Fantazzini, 2011) y muy poca atención se ha prestado al análisis en mercados
emergentes.
La carencia de información encontrada sobre la incorporación del modelamiento
multivariado de dependencias en modelos LDA y en general de métodos AMA en mercados
emergentes motivó el presente estudio. Esta investigación se centró en mercados
emergentes entre 1990 y 2013 debido a que estos mercados están asumiendo una posición
cada vez más prominente en la economía mundial (Bruton et al., 2013; Hoskisson et al.,
2000; Wright et al., 2005; Zhang et al., 2013). En 2002 no solo recibieron cantidades
significativas de entradas de inversión directa extranjera (IED), sino que también
representaron el 12% de las salidas de IED del mundo, aumentando de USD 65 mil millones
en 1980 a USD 849 mil millones en 2002 (Wright et al., 2005). La participación de los
mercados emergentes continúa aumentando a lo largo de la última década. Por ejemplo,
estos mercados han ampliado progresivamente su participación en el comercio mundial de
servicios comerciales, pasando del 24% de las exportaciones mundiales en 2005 al 32%
en 2015 (World Trade Statistical, 2016). En general, mostraron una participación del 29%
en las exportaciones de servicios a nivel mundial en 2017 (UNCTAD, 2018).
Por otro lado, en las últimas tres décadas los mercados emergentes han tenido un
acelerado crecimiento mediante su participación creciente en los mercados mundiales de
capitales, bienes y servicios (Visa Empresarial, 2018). El autor asegura que “esta
globalización ha sido impulsada por la reducción de las barreras a la entrada y salida de
productos, servicios y flujos financieros en la mayoría de países, y por las nuevas
tecnologías que han hecho posible la implementación de un sistema financiero y de
producción integrado internacionalmente” (Visa Empresarial, 2018).
Pese a lo anterior, aún hay un rezago en la incorporación a las dinámicas mundiales en
cuanto la adopción de medidas y normas de capital, es decir, aún existen mercados
emergentes que no se han acogido a las normas establecidas en Basilea II (Eduardo Jara
Buitrago, 2019; Murillo Gómez et al., 2016). Siendo Colombia parte de este grupo, la
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 16
convergencia hacia el marco de medición de requerimientos de capital enmarcados en
Basilea II supondrá un papel crucial para la competitividad, sostenibilidad, expansión y
consolidación de las entidades financieras en el país.
Desde estos planteamientos es fundamental señalar que el propósito de esta investigación
se centró en determinar si para el caso de mercados emergentes, la incorporación de
cópulas en la estimación del requerimiento de capital por riesgo operativo provee una
asignación más eficiente del mismo. El uso de cópulas multivariadas permitió modelar
efectivamente la dependencia entre múltiples, 𝑛 , distribuciones de severidad. Las
conclusiones de esta investigación contribuyen a mejor el entendimiento sobre técnicas
sofisticadas y robustas en el modelamiento de dependencias entre pérdidas operativas y la
estimación del capital por riesgo operativo (Valor en Riesgo Operativo, en adelante, OpVaR)
en entidades financieras de mercados emergentes.
Finalmente, se llevó a cabo una comparación entre los modelos que incorporan el
modelamiento de dependencias vía cópulas y el modelo estándar de Distribución de
Pérdidas Agregadas (LDA) sugerido por Basilea II en términos del requerimiento de capital
por riesgo operativo, a fin de obtener conclusiones de la investigación planteada.
El documento se estructura de la siguiente manera: En el capítulo 1 se presenta la
formulación del proyecto de investigación donde se incluye la formulación del problema,
objetivos, hipótesis a validar y marco de referencia. El capítulo 2 describe la metodología
aplicada en esta investigación. El capítulo 3 presenta el análisis descriptivo de la base de
datos utilizada en el modelamiento. Los capítulos 4 y 5 ilustran el modelamiento de las
distribuciones marginales de frecuencia y de severidad respectivamente. El capítulo 6
describe el modelamiento realizado para obtener la distribución agregada de pérdidas
(simulación Montecarlo). El capítulo 7 presenta las funciones de distribución acumulada de
las severidades y los parámetros de las cópulas. En el capítulo 8 se modelan las
dependencias y se comparan los resultados de los requerimientos de capital por riesgo
operativo de los tres modelos: 8.1. Modelo estándar LDA (propuesto en el acuerdo Basilea
II 2004); 8.2. Modelo LDA incorporando dependencia bajo cópula multivariada Gaussiana
y; 8.3. Modelo LDA incorporando dependencia bajo cópula multivariada t. El capítulo 9
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 17
presenta las conclusiones de esta investigación y finalmente, se concluye con un capítulo
de recomendaciones para futuros estudios.
La Figura 1 resume la estructura temática de la investigación:
Figura 1. Estructura temática de la investigación Fuente: Elaboración propia a partir de la metodología de la investigación
La presente investigación se realizó con el Grupo de Investigación Adquisición y
representación del Conocimiento – Sistemas Expertos y Simulación – ARCO SES, bajo la
línea de investigación Inteligencia del Negocio Organizacional.
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 18
1. FORMULACIÓN DEL PROYECTO DE INVESTIGACIÓN
1.1 PROBLEMA DE INVESTIGACIÓN
El Acuerdo de Basilea II en 2004 introdujo el riesgo operativo como un concepto específico
integrado en la gestión global de los riesgos que enfrenta una entidad financiera, en armonía
con los controles de crédito y mercado. La definición de este nuevo concepto se realizó de
acuerdo con las recomendaciones específicas del Comité de Supervisión Bancaria de
Basilea (CSBB), organización mundial que reúne a las autoridades de supervisión bancaria
para fortalecer la solidez de los sistemas financieros (España, 2018).
Este Acuerdo en la sección ‘V. Riesgo operativo’ definió el mismo como “el riesgo de pérdida
debido a fallos de los procesos, el personal y los sistemas internos o bien a causa de
acontecimientos externos. Esta definición incluye el riesgo legal, pero excluye el riesgo
estratégico y el de reputación" (CSBB, 2004, p.138).
Es importante resaltar que, a pesar de que siempre ha sido esencial para las entidades
financieras prevenir el fraude, mantener la integridad de sus controles internos y reducir los
errores en el procesamiento de transacciones (Rachedi & Fantazzini, 2011), la gestión del
riesgo operativo es una práctica nueva en el sector financiero. Solamente hasta las dos
últimas décadas este tipo de riesgo se ha identificado como una categoría que debe medirse
y gestionarse activamente. En este sentido, el marco introducido en las instituciones
financieras que combina la gestión del riesgo operativo con una medición unificada del
mismo es un campo de estudio relativamente reciente, como se destaca en el texto
compilado por (Gregoriou, 2013).
La razón principal por la cual el riesgo operativo ha jugado un papel decisivo en las últimas
décadas es debido a las significativas pérdidas ocasionadas por las fallas operativas que
ha sufrido el sector financiero. Los colapsos financieros de gran escala, como Barings,
Daiwa, Allied Irish Banks, Orange County y Enron, fueron causados por diferentes tipos de
pérdidas operativas como: operaciones no autorizadas, debilidades en los procesos, fallas
en los controles internos, en los métodos y/o en los sistemas. Por ejemplo, el banco inglés
Barings sufrió una pérdida de USD 1.400 millones (Fort, 2013) debido a actividades no
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 19
autorizadas de inversión, lo que lo llevó a la quiebra en 1995. Por su parte, en California,
Orange County quebró en 1998 con una pérdida estimada de USD 1.700 millones, debido
a la mala ejecución y administración de sus procesos de tesorería (Riveroll Nava, 2004). A
su vez, Allied Irish Banks, uno de los ‘cuatro grandes’ bancos comerciales de Irlanda sufrió
pérdidas por USD 690 millones en 2001, ocasionados por fraude interno y comportamiento
criminal en negociaciones deshonestas (Agencias, 2002). Asimismo, J.P. Morgan Chase
aceptó pagar USD 2.200 millones a los inversionistas de Enron quienes los acusaron de
participar en un escándalo contable que llevó al colapso de Enron en 2001 (EL PAÍS, 2002).
Igualmente, Société Générale sufrió una pérdida por riesgo operativo de USD 7300 millones
en 2008, tras múltiples incumplimientos de control en sus actividades de inversión (El
Mundo, 2008). Un ejemplo reciente es el Banco Popular español, el cual presentó
problemas de solvencia en el año 2015 (La Informacion, 2018) y fue adquirido en un 100%
por el banco Santander, por un precio simbólico de 1 euro, (España Banca, 2017). Este
evento aún se encuentra bajo investigación por posible estafa (Diario 16, 2018; El Mundo,
2017).
Pérdidas cuantiosas desencadenadas por la materialización de riesgo operativo no son solo
características de grandes potencias. Inverlink, uno de los grupos financieros más grandes
de Chile (Jhon Alexis Restrepo, 2017), tuvo pérdidas cercanas a los USD 178 millones en
2003 por el robo de documentos e información privilegiada (H. López, 2018). Por su parte,
Brasil es el país de América Latina de donde provienen más amenazas de ataques
cibernéticos para efectuar fraude externo, con un 17% del total de las 780 amenazas
detectadas al día (Mario Alvarez, 2012). Por otro lado, la Oficina Central de Investigación
de India acusó en marzo 2018 al Banco Nacional de Punjab debido a un fraude interno
equivalente a USD 2.000 millones (Melvecs, 2018). Adicionalmente, en México en 2018 se
presentaron estafas con tarjetas de crédito cinco veces más altas que en Europa,
presentando desfalcos equivalentes a USD 250 millones (ANSA Latina, 2019). En último
lugar, Malasia registró un total de 3,533 casos de fraude externo en línea que involucraron
pérdidas equivalentes a USD 44 millones en 2019 (Lumpur, 2019).
Los anteriores ejemplos de pérdidas operativas evidencian que, tanto las entidades
financieras de mercados emergentes como las de países desarrollados están expuestas a
sufrir pérdidas por riesgo operativo. La gran diferencia entre países desarrollados y
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 20
mercados emergentes radica en la forma en que miden, gestionan y administran el riesgo
operativo. Las entidades financieras de países desarrollados siguen las recomendaciones
y directrices del CSBB en Basilea II / III, mientras que muy pocas entidades financieras de
mercados emergentes realizan el cálculo del capital por riesgo operativo dado que no están
obligadas a seguir estos lineamientos (García-Herrero & Gavilá, 2006).
Cabe mencionar que el acuerdo de Basilea II permite a los bancos y a otras entidades
financieras que se acojan al mismo, estimar los requerimientos mínimos de capital que
cubren su exposición al riesgo operativo anual (OpVaR) utilizando sus propios modelos a
través de los modelos AMA. Dentro del enfoque AMA, el Modelo de Distribución de Pérdidas
Agregadas (LDA por su sigla en inglés Loss Distribution Approach) se ha convertido en uno
de los métodos estadísticos más convenientes para calcular el OpVaR (Böcker &
Klüppelberg, 2008; Franco & Murillo, 2008; LI et al., 2009). El LDA cuantifica las
distribuciones de frecuencia y severidad de las pérdidas para cada celda de riesgo en una
ventana de tiempo. Existe una extensa bibliografía sobre el modelo LDA (Chavez-Demoulin
et al., 2006; Cruz, 2002; King, 2001; McNeil et al., 2015; Moscadelli, 2004; Panjer, 2006) la
cual será abordada en el marco de referencia. Sin embargo, el modelo LDA sugerido por
Basilea II posee varios problemas y cuenta con fuertes supuestos, los cuales son descritos
a continuación.
Dentro de la revisión de la literatura se identificaron tres problemas principales del Modelo
de Distribución de Pérdidas Agregadas (LDA) sugerido por Basilea II en 2004: (1) El OpVaR
se calcula simplemente como la suma de las pérdidas esperadas e inesperadas, a menos
que se disponga de estimaciones de correlación, las cuales tienden a disminuir el capital
por riesgo operativo. Por lo tanto, se interpreta como una sobreestimación del OpVaR
(Böcker & Klüppelberg, 2008); (2) Supone que las severidades son variables aleatorias con
dependencia positiva perfecta, pero dicha dependencia no es positiva perfecta (Breymann
et al., 2003; Chapelle et al., 2008; Chavez-Demoulin et al., 2006; Frachot et al., 2001); (3)
No presenta un análisis de dependencia, por lo cual no solo produce una carga de capital
conservadora sino también un cálculo sobreestimado (Gregoriou, 2013; Rachedi &
Fantazzini, 2011). Sobre este aspecto, Böcker & Klüppelberg (2008) afirman que al modelar
la dependencia se puede reducir el OpVaR total. No obstante, otros estudios sugieren lo
contrario. Tal es el caso de Mittnik et al. (2011) donde modelaron la dependencia mediante
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 21
el uso de cópulas paramétricas usando una base de datos italiana de pérdidas operativas
reales. Observaron que la estimación del riesgo de capital puede aumentar cuando la
dependencia es modelada por una cópula Gaussiana. Sin embargo, su análisis se
concentró solo en dos líneas de negocio, el tamaño de su muestra fue relativamente
pequeño y el período de análisis (2003-2007) no incluyó una recesión significativa, el
alcance de su estudio se estableció de esta forma debido a la disponibilidad de datos que
tenían los autores y el supuesto de que, utilizando las dos líneas de negocio, se podrían
extrapolar los resultados a las demás. Estos supuestos dificultaron la evaluación precisa
del OpVaR y, por lo tanto, concluyeron que se debe utilizar una base de datos más completa
para obtener conclusiones más confiables.
Es por ello que, el modelamiento de dependencias entre pérdidas operativas financieras ha
sido un tema clave de investigación conducido tanto por los entes reguladores como por el
sector financiero en las dos últimas décadas (Breymann et al., 2003; Chavez-Demoulin et
al., 2006; CSBB, 2004, 2011; McNeil et al., 2015). Varios estudios han mostrado que es
posible alcanzar una reducción en el cargo de capital por riesgo operativo, lo que es
conocido como “beneficio de diversificación de portafolio”, cuando se modela dependencia
usando cópulas. (Giacometti et al., 2007) encontraron un beneficio entre 20% y 29%
utilizando cópula asimétrica t y cópula t en tres dimensiones y distribuciones con colas
medianas. Por su parte, (Pavel V. Shevchenko, Gareth W. Peters, Bertrand Hassani, 2009)
y (Rachedi & Fantazzini, 2011) mostraron una reducción del capital por riesgo operativo
entre el 30% y el 50% utilizando la cópula Gaussiana y distribuciones con colas cortas. A
su vez, (Inanoglu, H.; Ulman, 2009) presentaron una reducción del 7% al 11% usando tres
tipos de cópulas Gaussiana, t y Gumbel y distribuciones con colas largas. Asimismo,
(Garzón Rozo et al., 2016) hallaron un beneficio entre el 33% y 56% usando tres tipos de
cópulas Gaussiana, t y asimétrica t y distribuciones con colas medianas y cortas.
Pese a que el modelamiento de dependencias entre pérdidas operativas en el cálculo del
capital por riesgo operativo bajo el enfoque AMA en países desarrollados ha sido
ampliamente investigado en la literatura (Chapelle et al., 2008; Chavez-Demoulin et al.,
2006; Ivell, Jaeggi, & Sekeris, 2016; Pavel V. Shevchenko, Gareth W. Peters, Bertrand
Hassani, 2009), poca investigación se ha encontrado sobre el análisis de dependencias
bajo el enfoque AMA en el contexto de mercados emergentes.
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 22
(García-Herrero & Gavilá, 2006) estudiaron el posible impacto de Basilea II en mercados
emergentes, pero no realizaron ningún modelamiento para la estimación del capital por
riesgo operativo. Por su parte (Ozun & Cifter, 2007) utilizaron la metodología de cópula para
estimar el Valor en Riesgo (VaR3) de un portafolio construido con el mercado de valores de
Brasil y el mercado de valores de México en igual proporción. De forma similar (Torres
Avendaño & Olarte Cadavid, 2009) estimaron el Valor en Riesgo (VaR) usando cópulas y
distribuciones marginales empíricas para modelar los retornos de las acciones
colombianas, pero el modelamiento del OpVaR no fue parte de estos estudios.
(Franco & Murillo, 2008) presentan una aplicación del modelo LDA en Colombia, aunque no
contaron con una base de datos de pérdidas operativas reales. Por lo anterior, recurrieron
a un panel de expertos, y a partir de este, generaron información acerca de la frecuencia y
severidad de eventos de pérdida sobre una sola línea de negocios. Por su lado, (LI et al.,
2009) analizó las implicaciones de los métodos AMA en la estimación del riesgo operativo
en bancos comerciales en China. El estudio únicamente comparó el capital por riesgo
operativo obtenido mediante el modelo LDA y el estimado a partir del modelo de medición
indicador básico (BIA). Para el caso de Chile, en su transición normativa bancaria hacia el
marco regulatorio de Basilea II, López (2009) discute las fortalezas y debilidades de los
métodos de cuantificación de requerimiento de capital tanto para el caso de métodos
básicos y estándar, como para los AMA, pero no presenta ninguna aplicación.
(Mora Valencia, 2010b) estudió la factibilidad de implementar métodos de medición
avanzada para cuantificar riesgo operativo en instituciones financieras en Colombia y de
igual forma (Nikonov et al., 2013) aplicaron el modelo LDA a uno de los más grandes bancos
en Rusia, sin embargo, estos estudios no consideraron el modelamiento de dependencias
entre las pérdidas operativas. Por su parte (Quintero Gil, 2012) diseñó un procedimiento
para la implementación y desarrollo del Sistema de Administración de Riesgo Operativo
(SARO) en la pequeña empresa prestadora de servicios financieros en Colombia. Este
estudio explica cómo identificar, medir, controlar y monitorear el riesgo operativo basado en
3 El Valor en Riesgo (VaR) es una de las medidas importantes más utilizadas en la administración y gestión de
Riesgos Financieros. El VaR se define como la máxima pérdida que puede llegar a tener un portafolio en un
horizonte de tiempo dado y con un nivel de confianza establecido. (Ceballos López, 2015)
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 23
los procesos, pero no aplica métodos AMA ni tiene en cuenta los lineamientos de Basilea II.
Asimismo, (Mora Valencia, 2009) hace una revisión de la literatura relacionada con la
obtención de la distribución de pérdidas para riesgo operativo cuando se emplea el modelo
LDA y dependencia entre las líneas operativas usando cópulas. Este estudio se limita a
conceptualizar, pero no realiza ninguna aplicación del modelo.
Teniendo en cuenta que el modelamiento de dependencias entre pérdidas operativas es
esencial en la estimación del capital por riesgo operativo, y que dicho análisis no ha sido
aplicado en mercados emergentes, el principal problema a resolver con la presente
investigación es el siguiente:
¿En qué medida puede cambiar la estimación del capital por riesgo operativo entre 1990 y
2013 en entidades financieras de mercados emergentes, cuando se incorpora en el modelo
LDA el modelamiento de dependencias entre las pérdidas operativas (severidades) de todas
las líneas de negocio (ocho en total) usando las cópulas elípticas simétricas multivariadas
Gaussiana y t?
Para estimar el capital por riesgo operativo, se empleó la base de datos de pérdidas
operativas SAS® Operational Risk Global Data seleccionando explícitamente entidades
financieras de mercados emergentes y tomando pérdidas operativas comprendidas entre
1990 y 2013. Para medir el cambio en el capital por riesgo operativo se aplicaron tres
modelos, cada uno de los cuales está enmarcado bajo los AMA: (1) Modelo estándar LDA
(propuesto en el acuerdo Basilea II 2004); (2) Modelo LDA incorporando dependencia bajo
cópula Gaussiana y; (3) Modelo LDA incorporando dependencia bajo cópula t. Se evaluaron
los tres métodos en términos de sus estimaciones de requerimientos de capital por riesgo
operativo y se calculó el beneficio de diversificación de los modelos 2 y 3 en comparación
con el modelo estándar, es decir el propuesto en el Acuerdo de Basilea II.
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 24
1.2 OBJETIVOS
1.2.1 Objetivo general
Modelar el capital por riesgo operativo entre 1990 y 2013 en entidades financieras de
mercados emergentes usando cópulas multivariadas.
1.2.2 Objetivos específicos
1. Realizar un análisis descriptivo de la base de datos SAS OpRisk Global Data y garantizar
que las pérdidas incluidas en el análisis ocurrieron en empresas de servicios financieros en
mercados emergentes.
2. Modelar las distribuciones marginales tanto de severidad como de frecuencia asociadas a
cada una de las líneas de negocio (ocho líneas de negocio en total de acuerdo con la matriz
de clasificación de Basilea II) y determinar la distribución de probabilidad que mejor se
ajuste.
3. Modelar explícitamente la dependencia entre todas las líneas de negocio, usando las
pérdidas operativas (severidades), mediante las cópulas multivariadas elípticas simétricas
Gaussiana y t. Dentro de este planteamiento es necesario determinar los parámetros de
cada una de ellas, para lo cual se utilizará la matriz de correlación Tau de Kendall,
comprendiendo que este tipo de matriz no depende de las distribuciones marginales,
característica importante cuando se usan cópulas (McNeil et al., 2015).
4. Modelar el capital por riesgo operativo entre 1990 y 2013 bajo cada uno de los tres modelos:
1. Modelo estándar LDA (propuesto en el acuerdo Basilea II 2004); 2. Modelo LDA
incorporando dependencia bajo cópula multivariada Gaussiana y; 3. Modelo LDA
incorporando dependencia bajo cópula multivariada t.
5. Comparar los resultados de los tres modelos en términos de sus estimaciones de capital
por riesgo operativo para confirmar o rechazar que la incorporación del modelamiento
multivariado de dependencias usando cópulas produce una asignación más eficiente de
capital por riesgo operativo. Esto se podrá determinar mediante la existencia o ausencia
del beneficio de diversificación en los modelos que usan cópula Gaussiana (modelo 2) y
cópula t (modelo 3), en comparación con la estimación con el modelo estándar (modelo 1).
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 25
1.3 HIPÓTESIS
La incorporación del modelamiento de dependencias entre las pérdidas operativas
(severidades) de todas las líneas de negocio (ocho en total) usando las cópulas
multivariadas Gaussiana y t, en el Modelo de Distribución de Pérdidas Agregadas LDA,
proveerá una estimación más eficiente del capital por riesgo operativo entre 1990 y 2013
en entidades financieras de mercados emergentes en comparación con el capital por riesgo
operativo estimado bajo el modelo estándar LDA.
1.4 MARCO DE REFERENCIA
Tres secciones conforman el marco de referencia del presente trabajo: el marco conceptual,
el marco teórico y el marco espacial. En el marco conceptual se presentan las definiciones
de conceptos clave que se utilizarán a lo largo de la investigación. En el marco teórico se
da un acercamiento a las principales teorías y metodologías que se implementarán en la
investigación, por lo tanto, se abordan el cálculo del riesgo operativo, los Métodos de
Medición Avanzada (AMA), el Modelo de Distribución de Pérdidas Agregadas (LDA) y las
funciones cópula Gaussiana y t. Por último, el marco espacial muestra el estado del arte de
la temática en la región geográfica de interés, por lo cual se hace una recopilación de
estudios relacionados con riesgo operativo en mercados emergentes.
1.4.1 Marco conceptual
En el presente estudio se emplearon varios conceptos definidos por la Superintendencia
Financiera Colombiana (Superintendencia Financiera, 2006) y por el Comité de Supervisión
Bancaria de Basilea (CSBB, 2004) con respecto a riesgo operativo en entidades financieras.
De igual forma se introducirán las definiciones de los términos técnicos que se emplearon
a lo largo de esta investigación.
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 26
Riesgo operativo4
El Acuerdo de Basilea II introdujo el riesgo operativo como un concepto específico integrado
en la gestión global de los riesgos que enfrenta una entidad financiera, en armonía con los
controles de riesgo de crédito y mercado. La definición de este nuevo concepto se realizó
de acuerdo con las recomendaciones específicas del Comité de Supervisión Bancaria de
Basilea (CSBB) en el nuevo acuerdo de adecuación de capital (CSBB, 2004). El Acuerdo
de Basilea II en la sección ‘V. Riesgo operativo’ definió el mismo como “el riesgo de pérdida
debido a fallos de los procesos, el personal y los sistemas internos, o bien a causa de
acontecimientos externos. Esta definición incluye el riesgo legal, pero excluye el riesgo
estratégico y el de reputación." (CSBB, 2004).
Por otro lado, el riesgo reputacional es “la posibilidad de pérdida en que incurre una entidad
por desprestigio, mala imagen, publicidad negativa, cierta o no, respecto a la institución y
sus prácticas de negocios, que cause pérdida de clientes, disminución de ingresos o
procesos judiciales” (CSBB, 2004).
A continuación, se presenta la definición de evento, pérdida, eventos de pérdida y factores
de riesgo, como punto de partida para la descripción de conceptos.
Evento5
Incidente o situación que ocurre en un lugar particular durante un intervalo de tiempo
determinado.
Pérdidas6
Cuantificación económica de la ocurrencia de un evento de riesgo operativo, así como los
gastos derivados de su atención.
4 Este concepto se apropia a partir de lo establecido por el Comité de Supervisión Bancaria de Basilea (CSBB,
2004) en el Acuerdo de Basilea II. La referencia CSBB 2004 se encuentra en la sección “Referencias”.
5 Este término se apropia a partir del documento emitido por la Superintendencia Financiera Colombiana de
reglas relativas a la administración del riesgo operativo (Superintendencia Financiera, 2006), sección 2.5.
6 Ibid., sección 2.4.
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 27
Eventos de pérdida7
Son aquellos incidentes que generan pérdidas por riesgo operativo a las entidades.
Factores de riesgo8
Se entiende por factores de riesgo a las fuentes generadoras de eventos en las que se
originan las pérdidas por riesgo operativo. Es decir, el recurso humano, los procesos, la
tecnología, la infraestructura y los acontecimientos externos. Dichos factores se clasifican
en internos o externos, según se indica a continuación:
Internos
Infraestructura9
Es el conjunto de elementos de apoyo para el funcionamiento de una organización. Entre
otros se incluyen: edificios, espacios de trabajo, almacenamiento y transporte.
Procesos10
Es el conjunto interrelacionado de actividades para la transformación de elementos de
entrada en productos o servicios, para satisfacer una necesidad.
Recurso Humano11
Es el conjunto de personas vinculadas directa o indirectamente con la ejecución de los
procesos de la entidad.
Tecnología12
Es el conjunto de herramientas empleadas para soportar los procesos de la entidad.
Incluye hardware, software y telecomunicaciones.
Externos13
Son eventos asociados a la fuerza de la naturaleza u ocasionados por terceros, que
escapan en cuanto a su causa y origen al control de la entidad.
7 Este término se apropia a partir del documento emitido por la Superintendencia Financiera Colombiana de
reglas relativas a la administración del riesgo operativo (Superintendencia Financiera, 2006), sección 2.6.
8 Ibid., sección 2.3.
9 Ibid., sección 2.3.1.4.
10 Ibid., sección 2.3.1.2.
11 Ibid., sección 2.3.1.1.
12 Ibid., sección 2.3.1.3.
13 Ibid., sección 2.3.2.
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 28
Matriz de celdas de riesgo4
Conforme con el Acuerdo de Basilea II (CSBB, 2004), las instituciones financieras deben
clasificar las pérdidas operativas de acuerdo con la matriz de celdas de riesgo. La matriz
consiste en 56 celdas, las cuales están conformadas por 8 líneas de negocio (business line,
BL) y 7 tipos de eventos (event type, ET).
Como resultado, el problema central en el cálculo de riesgo operativo es modelar las
pérdidas por riesgo operativo de forma multivariada, de manera que se abarquen todas las
diferentes líneas de negocio o tipos de eventos. En la Tabla 1, se muestran las líneas de
negocio. De la misma manera, la Tabla 2 muestra los tipos de eventos establecidos por el
Acuerdo de Basilea II. La tabla 3 ilustra detalladamente la matriz de celdas de riesgo
establecida en el Acuerdo de Basilea II. Después de cada tabla, se encuentran sus
definiciones.
Tabla 1. Líneas de negocio (BL)
Líneas de negocio (BL*)
j Línea de negocio, BL*(j)
1 Finanzas corporativas (Corporate finance)
2 Negociación y ventas (Trading and sales)
3 Banca minorista (Retail Banking)
4 Banca comercial (Commercial banking)
5 Liquidación y pagos (Payment and settlement)
6 Servicios de agencia (Agency services)
7 Administración de activos (Asset management)
8 Intermediación minorista (Retail brokerage)
* BL: Línea de negocio (business line, por sus siglas en inglés) y j es un indice, el cual identifica la
línea de negocio, donde j puede tomar valores de 1 hasta 8 (j =1, …, 8)
Fuente: Recuperado de Acuerdo de Basilea II. Anexo 6. Asignación de las líneas de negocio (CSBB,
2004)
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 29
Tipos de líneas de negocio14
Finanzas corporativas
Acuerdos bancarios que se proporcionan a las grandes compañías comerciales,
compañías multinacionales, instituciones financieras no bancarias, departamentos de
gobiernos, entre otras.
Negociación y ventas
Operaciones de tesorería, compra y venta de valores, divisas y materias primas por
cuenta propia y de clientes.
Banca minorista
Acuerdos de financiación para clientes particulares, clientes minoristas, pequeñas
compañías (tales como préstamos, tarjetas de crédito, etc.) así como de otras
facilidades, como fideicomisos y patrimonios, y asesoramiento sobre inversiones.
Banca comercial
Acuerdos de financiación para compañías comerciales, incluida la financiación de
proyectos, propiedades inmobiliarias, comercio exterior, factoring, leasing, garantías,
letras de cambio, etc.
Liquidación y pagos
Actividades relacionadas con pagos y cobros, transferencias interbancarias de fondos,
compensación y liquidación.
Servicios de agencia
Funcionando como agentes de emisión y pago a empresas clientes, proporcionando
servicios de custodia, entre otros.
Administración de activos
Administración de fondos de clientes de manera conjunta, separada, minorista,
institucional, abierta o cerrada, según el mandatario.
Intermediación minorista
Servicios de intermediación que se ofrecen a clientes que son inversores minoristas, más
que inversionistas institucionales.
14 Todos los términos conceptuales de las líneas de negocio se apropian a partir del documento de Riesgo
Operacional: Conceptos y Mediciones de (López, 2009), tabla 5-A.
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 30
Tabla 2. Tipos de eventos (ET)
Tipos de eventos (ET*)
i Tipo de evento, ET(i)
1 Fraude interno (Internal fraud)
2 Fraude externo (External fraud)
3 Prácticas de los empleados y seguridad en el lugar de trabajo (Employment practices and workplace safety)
4 Clientes, productos y prácticas del negocio (Clients, products and business practices)
5 Daños a activos físicos (Damage to physical assets)
6 Interrupción del negocio y fallas tecnológicas (Business disruption and system failures)
7 Ejecución y administración de procesos (Execution, delivery and process management)
* ET: Tipos de eventos (event type, por sus siglas en inglés) ET(i), i es un índice el cual identifica el tipo
de evento, i puede tomar valores de 1 a 7 (i =1, …, 7)
Fuente: Recuperado de Acuerdo de Basilea II. Anexo 7. Clasificación pormenorizada de tipos de eventos
de pérdida (CSBB, 2004)
Tipos de eventos de riesgo operativo
Fraude Interno15
Actos que de forma intencionada buscan defraudar o apropiarse indebidamente de
activos de la entidad o incumplir normas o leyes, en los que está implicado, al menos,
un empleado o administrador de la entidad. Incluye la utilización de información
confidencial.
Fraude Externo16
Actos realizados por una persona externa a la entidad que buscan defraudar, apropiarse
indebidamente de activos de esta o incumplir normas o leyes.
Prácticas de los empleados y seguridad en el lugar de trabajo17
Los eventos de este tipo incluyen solicitudes de indemnizaciones de empleados,
discriminación e infracción a las normas de seguridad e higiene ocupacional.
15 Este término se apropia a partir del documento emitido por la Superintendencia Financiera Colombiana de
reglas relativas a la administración del riesgo operativo (Superintendencia Financiera, 2006), sección 2.6.1.1.
16 Ibid., sección 2.6.1.2.
17 Este término se apropia a partir del documento de Riesgo Operacional: Conceptos y Mediciones de (López,
2009), tabla 3-A.
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 31
Clientes, productos y prácticas del negocio18
Fallas negligentes o involuntarias de las obligaciones frente a los clientes que impiden
satisfacer una obligación profesional frente a éstos. Incluye abuso de información
confidencial, negociación fraudulenta y venta de productos no autorizados.
Daños a activos físicos19
Pérdidas derivadas de daños o perjuicios a activos físicos de la entidad. Incluyen
pérdidas causadas por terrorismo, vandalismo o eventos naturales.
Interrupción del negocio y fallas tecnológicas20
Pérdidas derivadas de incidentes por fallas tecnológicas, problemas de
telecomunicaciones e interrupción en la prestación de servicios.
Ejecución y administración de procesos21
Pérdidas derivadas de errores en la ejecución y administración de los procesos.
Relaciones laborales22
Actos que son incompatibles con la legislación laboral, con los acuerdos internos de
trabajo y, en general, la legislación vigente sobre la materia.
Ejecución y administración de procesos23
Incluye errores en la introducción de datos, documentación jurídica incompleta o acceso
a cuentas de los clientes sin autorización.
18 Este término se apropia a partir del documento emitido por la Superintendencia Financiera Colombiana de
reglas relativas a la administración del riesgo operativo (Superintendencia Financiera, 2006), sección 2.6.1.4.
19 Ibid., sección 2.6.1.5.
20 Ibid., sección 2.6.1.6.
21 Ibid., sección 2.6.1.7.
22 Ibid., sección 2.6.1.3.
23 Este término se apropia a partir del documento de Riesgo Operacional: Conceptos y Mediciones de (López,
2009), tabla 4-A.
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 32
Tabla 3. Matriz de celdas de riesgo Basilea
Matriz de celdas de riesgo Basilea líneas de negocio (BL*) y tipos de evento (ET**)
ET **(1) ET** (2) ET** (3) ET** (4) ET** (5) ET** (6) ET** (7)
BL* (1)
BL* (2)
BL* (3)
BL* (4) BL* (5)
Pérdidas anuales por predecir en un horizonte de un año
BL* (6)
BL* (7)
BL* (8)
* BL: Línea de negocio (business line, por sus siglas en inglés)
** ET: Tipos de eventos (event type, por sus siglas en inglés)
Fuente: Elaboración propia a partir de las directrices establecidas en el Acuerdo de Basilea II
1.4.2 Marco teórico
La Tabla 4 muestra una recopilación de la literatura donde se detalla la información
analizada en cada referencia. En ella se contemplan los siguientes temas: investigaciones
sobre el sector financiero, análisis de riesgo de tipo operativo, métodos AMA, pruebas
estadísticas con test de bondad de ajuste, modelo LDA, simulación Montecarlo, funciones
cópula, beneficio de diversificación y estudios aplicados en mercados emergentes. Esta
tabla corrobora que la presente investigación es la primera en modelar de forma
multivariada la dependencia de pérdidas operativas usando cópulas y estimar el capital por
riesgo operativo en mercados emergentes.
Las fuentes de las referencias bibliográficas analizadas abarcan documentos de grado de
universidades nacionales e internacionales; revistas reconocidas como Journal of
Operational Risk , Strategy & Management Business Review, Journal of Money, Credit, and
Banking, Revista Ingenierías Universidad de Medellín, entre otras; memorias de seminarios
internacionales; borradores de economía del Banco de la República; publicaciones externas
de entidades financieras y entes de control de diferentes países y desde luego, documentos
publicados por el Comité de Supervisión Bancaria de Basilea.
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 33
Tabla 4. Revisión bibliográfica
Revisión bibliográfica
Sector
financiero OpVaR AMA
Test de
bondad
de
ajuste
LDA Simulación
Montecarlo Cópulas
Beneficio de
diversificación
Mercados
emergentes
(Jorion, 2000) X X X X X X X
(Cumming & Hirtle,
2001)
X X X
(Frachot et al.,
2001)
X X X X X X X X
(Johnson, 2001) X X X X
(Cruz, 2002) X X X
(Breymann et al.,
2003)
X X X
(Di Clemente &
Romano, 2004)
X X X X X
(Moscadelli, 2004) X X X X X X X
(Becerra et al.,
2005)
X X X X
(Böcker &
Klüppelberg, 2008)
X X X X X
(Chavez-Demoulin
et al., 2006)
X X X X X X
(P. De Fontnouvelle
et al., 2006)
X X X X X
(García-Herrero &
Gavilá, 2006)
X X X X
(Panjer & John
Wiley & Sons.,
2006)
X X
(Varela &
Rodríguez, 2006)
X X X X X
(Giacometti et al.,
2007)
X X X X X X X X
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 34
Sector
financiero OpVaR AMA
Test de
bondad
de
ajuste
LDA Simulación
Montecarlo Cópulas
Beneficio de
diversificación
Mercados
emergentes
(Ozun & Cifter,
2007)
X X X X X
(Shevchenko,
2007)
X X X X X X X
(Chapelle et al.,
2008)
X X X X X X X
(Franco & Murillo,
2008)
X X X X X X X
(Hu & Kercheval,
2008)
X X X
(Pinto Gaviria &
Leyva Lemarie,
2008)
X X X
(Bedoya, 2009) X X X X X X
(Correa Vilizzio,
Alejandra; Galione
Klot, 2009)
X X X X X
(Gourier et al.,
2009)
X X X X X X
(LI et al., 2009) X X X X X X X
(Lopera et al.,
2009)
X X X
(Murillo Gómez,
2009)
X X X X X
(Otero & Venerio,
2009)
X X X X X
(Pavel V.
Shevchenko,
Gareth W. Peters,
Bertrand Hassani,
2009)
X X X X X X
(Shevchenko &
Temnov, 2009)
X X X X X
(Monti et al., 2010) X X X X X X X
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 35
Sector
financiero OpVaR AMA
Test de
bondad
de
ajuste
LDA Simulación
Montecarlo Cópulas
Beneficio de
diversificación
Mercados
emergentes
(Mora Valencia,
2010b)
X X X X X X X
(S. Peters, 2010) X X
(Mittnik et al., 2011) X X X X X X X
(Rachedi &
Fantazzini, 2011)
X X X
(POSADA
ESPINAL, 2012)
X X X X X X
(Christian
Brechmann &
Czado, 2013)
X X X X X
(Gregoriou, 2013) X X
(Marco Flores,
2013)
X X X
(Martínez-sánchez
& Venegas-
martínez, 2013)
X X X X
(Nikonov et al.,
2013)
X X X X
(Páez Tovar &
Gómez González,
2013)
X X X X X
(Brechmann et al.,
2014)
X X X X X X X
(Chernobai et al.,
2015)
X X X X
(Feria-Domínguez
et al., 2015)
X X X X X X
(Figuet et al., 2015) X X X X
(McNeil et al.,
2015)
X X X X X X X X
(Mitra et al., 2015) X X X X
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 36
Sector
financiero OpVaR AMA
Test de
bondad
de
ajuste
LDA Simulación
Montecarlo Cópulas
Beneficio de
diversificación
Mercados
emergentes
(Garzón Rozo et
al., 2016)
X X X X X X X X
(Ivell et al., 2016) X X X
(Mensi,
Hammoudeh,
Shahzad, &
Shahbaz, 2017)
X X X X
(Mensi,
Hammoudeh,
Shahzad, Al-
Yahyaee, et al.,
2017)
X X X X X
(de Oliveira et al.,
2018)
X X X X
(Internal Model
Industry Forum,
2018)
X X
(Ji et al., 2018) X X X
(Li & Wei, 2018) X X X
Fuente: Elaboración propia a partir de las fuentes referidas en la primera columna de la tabla
La tabla 4 presenta las 58 referencias bibliográficas que se tomaron como base para la
definición del estudio. Se presenta en la primera columna la citación bibliográfica del estudio
cuya información detallada puede ser consultada en la sección 11. Referencias.
Dentro de la revisión de literatura realizada en el presente trabajo, el 88% (52 referencias)
fueron estudios realizados sobre el sector financiero y el 81% (48 referencias) tenía
información del cálculo del OpVaR, es decir, centraban sus estudios en análisis del riesgo
operativo.
Por otro lado, se destaca que el 47% (28 referencias) utilizó Métodos de Medición Avanzada
(AMA) y el 45% (27 referencias) aplicó el Modelo de Distribución de Pérdidas Agregadas
(LDA), es decir que solo un artículo que utilizaba los métodos AMA no aplicó el modelo LDA.
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 37
Con la Tabla 4, se puede constatar que solo el 45% (27 referencias) de los estudios
mostraron pruebas de bondad de ajuste en sus estudios. 29 referencias (49%) utilizaron
simulación Montecarlo en sus cálculos y 25 referencias (42%) aplicaron cópulas. El
beneficio de diversificación fue calculado por el 38% (23 artículos) de los estudios. De los
59 artículos relacionados al tema, tan solo el 38% (23 artículos) se centraron en mercados
emergentes.
Los artículos que más similitudes tienen con el actual proyecto (cantidad de temas en la
tabla en común) fueron el de Frachot et al. (2001), el de Giacometti et al. (2007), el de
McNeil et al. (2015) y el de Garzon Rozo et al. (2016), pero ninguno de ellos abarca el
estudio en mercados emergentes.
En conclusión, podría mencionarse que ningún artículo de los consultados tiene un alcance
equivalente al de la presente investigación, ya que esta abarcó los siguientes temas:
- Estudio del riesgo operativo en entidades financieras de mercados emergentes.
- Aplicación de los modelos AMA mediante la implementación del modelo LDA.
- Análisis estadísticos con test de bondad y ajuste para obtener las distribuciones de
severidades que mejor se ajustan a los datos.
- Aplicación de simulación Montecarlo.
- Aplicación de funciones Cópula.
- Cálculo del beneficio de diversificación.
A continuación, se presenta un breve resumen del estado del arte sobre el modelamiento
del capital por riesgo operativo, mencionando las características principales del modelo LDA
y de las funciones cópula.
1.4.2.1 Cálculo del capital por riesgo operativo
El riesgo se define como la combinación de la probabilidad de ocurrencia de un suceso y
sus consecuencias (Puerto Jiménez, 2011) o como un evento que aún no ha ocurrido pero
que podría ocurrir, sobre cuya ocurrencia existe incertidumbre (Supervisión del Sistema
Financiero en Bolivia, 2008). Se trata de una situación que potencialmente puede generar
pérdidas.
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 38
En la década del 90 se desarrolló una medida del riesgo llamada Valor en Riesgo (Value at
Risk, en adelante, VaR) que provino de la necesidad de cuantificar, con determinado nivel
de certidumbre, el valor máximo probable de pérdida dentro de un período definido de
tiempo (Jorion, 2000; Penza & Bansal, 2001). El manejo o la administración del riesgo
consiste en identificar, medir y controlar el riesgo (Otero & Venerio, 2009).
Su medición tiene fundamentos estadísticos y el estándar del sector es calcular el VaR con
un nivel de significancia mínima del 5%. Esto significa que solamente el 5% de las veces,
o 1 de cada 20 veces (es decir, una vez al mes con datos diarios, o una vez cada cinco
meses con datos semanales) el retorno del portafolio caerá más de lo que señala el VaR
en relación con el retorno esperado (Johnson, 2001). Esto es porque en finanzas el riesgo
se asocia con la variabilidad de los retornos en relación a su valor esperado (Otero &
Venerio, 2009).
De acuerdo con lo anterior, calcular el VaR se vuelve esencial en la medición del riesgo, de
la misma manera que calcular el Valor en Riesgo Operativo (Operational Value at Risk,
OpVaR) es fundamental en la medición del riesgo operativo. En relación con este último se
destaca que fue establecido en el acuerdo de Basilea II bajo tres pilares:
i. Primer Pilar - Requerimiento mínimo de capital: Este pilar se relaciona con el cálculo
del capital mínimo regulatorio asignado para el riesgo operativo que puede ser
calculado utilizando diferentes enfoques (explicados en la siguiente sección). La
presente investigación está enfocada en este pilar.
ii. Segundo Pilar - El proceso de examen supervisor: Este pilar se centra en la
importancia y principios que deben seguir los entes reguladores y supervisores del
sistema financiero.
iii. Tercer Pilar - La disciplina de Mercado: El objetivo de este pilar es establecer una
disciplina de mercado a través de la divulgación pública de medidas de riesgo y otra
información relevante sobre la gestión de riesgos.
El Comité de Supervisión Bancaria de Basilea (CSBB) requiere que las instituciones
financieras adopten uno de los tres métodos propuestos por el Acuerdo de Capital Basilea
II / III (Bank of International Settlements, 2004; CSBB, 2011) para medir el capital requerido
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 39
con el fin de cubrir el riesgo operativo (OpVaR). Clasificando los métodos de menor a mayor
grado de sofisticación y sensibilidad, estos son:
i. El Enfoque del Indicador Básico (BIA - Basic Indicator Approach).
ii. El Enfoque Estandarizado (SA - Standardised Approach).
iii. El Enfoque de Métodos de Medición Avanzada (AMA- Advanced Measurement
Approach).
El Comité en el Acuerdo Basilea II / III también permite a las entidades financieras estimar
el capital por riesgo operativo utilizando sus propios modelos a través del enfoque de los
Métodos Medición Avanzada (AMA). Pese a lo anterior, la metodología AMA ha sido
fuertemente cuestionada debido a sus suposiciones generales y frecuentemente
interpretada como un límite superior para el OpVaR total (Böcker & Klüppelberg, 2008;
Frachot et al., 2001; McNeil et al., 2015; Panjer & John Wiley & Sons., 2006). Las principales
suposiciones del enfoque AMA se pueden resumir en los siguientes puntos:
i. El OpVaR se estima a partir de la suma de un número aleatorio (𝑁, frecuencia) de
pérdidas operativas individuales (X1, … , XN,, severidad) a lo largo de las líneas de
negocios y/o tipos de eventos, a menos que se proporcione un análisis de
correlación (es decir, se estime el beneficio de diversificación). Por lo tanto, el capital
por riesgo operativo se calcula simplemente como la suma de las pérdidas
agregadas esperadas e inesperadas, asumiendo perfecta dependencia positiva.
ii. Las distribuciones de frecuencias (número de eventos reportados por pérdidas
operativas incurridos en un intervalo de tiempo, el cual es normalmente un año) son
variables aleatorias, independientes.
iii. Las distribuciones de severidades (monto de la pérdida asociada a los eventos) son
variables aleatorias, independientes e idénticamente distribuidas (i. i. d).
iv. Las frecuencias son independientes de las severidades.
Varios autores como Chavez-Demoulin et al. (2006), Frachot et al. (2001) y Chapelle et al.
(2008) han demostrado que la suposición de perfecta dependencia positiva entre las celdas
de riesgo es poco realista, y la modelación de dependencia a través de correlaciones puede
obtener una reducción de hasta el 30% en el capital por riesgo operativo.
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 40
Por su parte, Rachedi & Fantazzini (2011) indican que la falta de un análisis de dependencia
no solo produce un requerimiento de capital excesivo sino también un cálculo
sobreestimado. Sobre este aspecto Böcker & Klüppelberg (2008) afirman de manera similar
que modelar la dependencia entre las severidades, esencialmente reduce el valor total del
OpVaR. Sin embargo, su estudio se limita a ejemplos teóricos. Mittnik et al. (2011) realiza
una aplicación del modelo LDA en una base de datos de eventos reales por riesgo operativo
e investiga las posibles consecuencias de adoptar el enfoque LDA tal como lo presenta el
CSBB, en comparación con los modelos que incorporan el modelamiento de dependencias.
Pese a que, en su investigación, el valor del capital por riesgo operativo incrementó al incluir
el modelamiento de dependencias, concluyeron que, para obtener resultados más
confiables, se debe utilizar una estrategia de modelamiento más robusta.
1.4.2.2 Modelo de Distribución de Pérdidas Agregadas (LDA)
La evaluación del riesgo operativo mediante los métodos AMA se basa en una
autoevaluación cuantitativa a través de modelos de medición internos. Aunque el Comité
de Supervisión Bancaria de Basilea no exige el uso de una metodología cuantitativa
particular, define el uso de cuatro elementos principales en la estimación del riesgo
operativo bajo los métodos AMA:
i. Datos internos.
ii. Datos externos.
iii. Análisis de escenarios.
iv. Factores relacionados con el entorno de negocio y con el control interno.
El LDA se ha convertido en uno de los métodos estadísticos más usados para calcular el
capital mínimo regulatorio debido a que contempla los cuatro criterios cuantitativos de los
AMA (A. A. Jobst, 2011) en (Gregoriou, 2013) (Moscadelli, 2004). La mayor parte de la
literatura sobre modelos de riesgo operativo se enfoca en métodos basados en datos de
pérdidas reales, como el LDA (Chavez-Demoulin et al., 2006; Moscadelli, 2004), o en la
aplicación de técnicas bayesianas para combinar modelos basados en pérdidas y análisis
de escenarios (Frachot et al., 2001; G. Peters et al., 2009; Shevchenko, 2011).
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 41
1.4.2.3 Funciones cópula multivariadas
De acuerdo con Basilea II (CSBB, 2004) las entidades financieras pueden utilizar
estimaciones internas sobre las correlaciones por riesgo operativo, “siempre que pueda
demostrar al supervisor nacional que sus sistemas para determinar las correlaciones
resultan adecuados, que se aplican en su totalidad y que tienen en cuenta la incertidumbre
que rodea a dichas estimaciones de correlación, especialmente en periodos de tensión”.
Uno de los métodos más utilizados para abordar el problema de dependencia es modelarla
entre los componentes de un vector aleatorio de factores de riesgo financiero utilizando el
concepto de cópula. Una cópula es una distribución de probabilidad multivariada donde la
distribución de probabilidad marginal de cada variable es uniforme (Novales, 2017). Como
lo afirma McNeil et al. (2015), las cópulas se utilizan para describir la dependencia entre
variables aleatorias y la razón principal de su general aceptación es que las cópulas ayudan
a comprender la dependencia a un nivel más profundo.
Gourier et al. (2009) utilizaron la cópula t para modelar la estructura de dependencia entre
las severidades. En su trabajo se muestra que el capital por riesgo operativo aumenta si las
distribuciones de pérdidas presentan largas colas (pérdidas operativas extremas) y
concluye que el enfoque de cópula en presencia de distribuciones de pérdidas con media
infinita incrementa el valor del capital, lo que contradice el efecto de diversificación.
Adicionalmente, reconocen que la cópula aplicada presenta la limitación teórica de ser
simétrica, por lo tanto, asigna la misma estructura de dependencia tanto en los cuartiles
bajos (por ejemplo 5%) como en los altos (por ejemplo 95%) en la función de distribución
conjunta.
Por otro lado, Christian Brechmann & Czado (2013) introducen un modelo flexible
multivariado de dependencia entre severidades considerando diferentes clases de cópula:
la cópula estándar t, la cópula generalizada t con múltiples grados de libertad, y cópulas
vine. De esta forma, encuentran un beneficio de diversificación de hasta el 38% cuando se
modela la dependencia explícitamente. El valor del efecto de diversificación fue muy similar
a lo largo de los diferentes modelos.
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 42
1.4.3 Marco espacial
El término mercados emergentes fue creado por el economista del Banco Mundial, Antoine
van Agtmael, en la década de 1980, refiriéndose a los países o naciones que están
experimentando un rápido crecimiento económico e industrialización (Economy Watch,
2010). De acuerdo con EAE (2018), “los mercados emergentes suman una importante parte
de la población mundial, lo que los convierte en un gran mercado con un potencial de
consumo alto gracias al rápido desarrollo económico que experimentan”.
Según el informe de Perspectivas de la Economía Mundial emitido por el Fondo Monetario
Internacional en julio de 2018 (FMI, 2018), los mercados emergentes seguirán creciendo
favorablemente pese a los fuertes cambios que han experimentado en los últimos meses,
como el encarecimiento del petróleo, el avance de las rentabilidades en Estados Unidos, la
apreciación del dólar, las tensiones comerciales y los conflictos geopolíticos (factores
críticos en el comportamiento económico de un país).
Uno de los primeros estudios en abordar la adopción de Basilea II en los mercados
emergentes fue el de García-Herrero & Gavilá (2006). En su estudio, los autores concluyen
que la aplicación de Basilea II en mercados emergentes mejorará la medición y gestión del
riesgo en las entidades financieras y los entes reguladores. En el caso específico de
Colombia, la investigación de Varela & Rodríguez (2006) sostiene que en Colombia no se
ha desarrollado una política de supervisión del riesgo operativo que se ajuste a las
recomendaciones hechas por Basilea, pero resalta que es una tarea que la
Superintendencia Financiera (Superintendencia Bancaria, en el momento de su
publicación) debe cumplir en un corto plazo. Esta tesis buscaba determinar las medidas que
se deben abordar en la cuantificación de este tipo de riesgo financiero y en la determinación
de los requerimientos de capital apropiados.
Franco & Murillo (2008) aplicaron la metodología LDA a una entidad financiera colombiana,
encontrando que la ausencia de información es un fenómeno recurrente en la cuantificación
del riesgo operativo y plantean como futura investigación la incorporación de correlaciones
entre eventos y entre líneas de negocio, lo cual podría conducir a un positivo efecto de
diversificación, tal como se plantea en la presente investigación. El riesgo operativo usando
el enfoque AMA en Colombia también es analizado por Mora Valencia (2010a) quien realiza
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 43
su investigación para responder si es posible implementar Métodos de Medición Avanzada
para cuantificar riesgo operativo en instituciones financieras en Colombia. Concluye que,
pese a que varios autores cuestionan el uso de metodologías AMA por ser más costosas y
complejas de aplicar, su utilización es pertinente dado que son más sensibles al riesgo y
permiten medir de manera más confiable el mismo.
Otra tesis encontrada en la revisión corresponde a la de Páez Tovar & Gómez González
(2013), la cual se enfoca en la estimación del capital necesario para mitigar el riesgo
operativo en el sector asegurador colombiano. Este estudio destaca los efectos que el
riesgo operativo ha tenido sobre la economía mundial en las últimas décadas, y
especialmente sobre las empresas aseguradoras que cubren determinados riesgos
económicos de compañías en riesgo de quiebra. Concluye que, una estimación adecuada
de requerimiento de capital es vital para el sector asegurador colombiano ya que el uso de
buffers de capital permite mitigar los efectos del riesgo operativo.
Por otro lado, Mitra et al. (2015) sostiene que la gestión inadecuada del riesgo operativo
desalienta la inversión externa. Encontró que el riesgo operativo es más alto en empresas
de mercados emergentes que en mercados desarrollados y sugiere una mayor inversión en
sistemas de medición como apoyo a la toma de decisiones. Figuet et al. (2015), por su
parte, analiza los efectos del aumento de requisitos de capital y liquidez en los préstamos
bancarios transfronterizos a mercados emergentes, según lo establecido por el Comité de
Supervisión de Basilea. Su investigación concluye que la nueva regulación podría llegar a
disminuir en un 20% en general las reclamaciones transfronterizas, resultado que soporta
la realización de esta investigación.
Finalmente, se encontraron investigaciones que utilizaron cópulas para la estimación de
dependencias en mercados emergentes, pero estas fueron aplicadas a otros tipos de riesgo
financiero, como riesgo de mercado y riesgo sistémico. De Oliveira et al. (2018) realizó su
estudio sobre riesgo de mercado en Brasil utilizando la cópula t. Ji et al. (2018) utilizó un
modelo de cópula que varía en el tiempo con una dependencia cambiante, analizando
riesgos sistémicos en el sector agrícola. Por su parte, Li & Wei (2018) utilizó un método
cópula para analizar riesgos en el sector petrolero y el mercado de valores de China. El
riesgo en el mercado de divisas en el sector petrolero también es trabajado utilizando
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 44
cópulas por Mensi, Hammoudeh, Shahzad, Al-Yahyaee, et al. (2017) y en Mensi,
Hammoudeh, Shahzad, & Shahbaz (2017).
De esta forma, de acuerdo con la literatura consultada, la presente investigación es la
primera en realizar una incorporación del modelamiento multivariado de dependencias
usando funciones cópula, Gaussiana y t, en el cálculo del capital por riesgo operativo
(OpVaR) en entidades financieras de mercados emergentes.
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 45
2. METODOLOGÍA
Dado que el modelamiento matemático del presente proyecto es complejo, su desarrollo se
dividió en cuatro fases metodológicas para facilitar su entendimiento. En la primera fase, se
implementó el Modelo Estándar de Distribución de Pérdidas Agregadas (LDA) (propuesto
en el acuerdo Basilea II 2004); en la segunda fase, se modelaron los parámetros de las
cópulas multivariadas Gaussiana y t; en la tercera fase, se incluyó al modelo estándar LDA,
el modelamiento de dependencias entre severidades a partir de cópulas mencionadas; por
último, en la cuarta fase, se calculó el monto del capital por riesgo operativo para cada
modelo y el beneficio de diversificación. A continuación, se presenta una breve descripción
de cada fase y en las secciones 2.1, 2.2, 2.3 y 2.4 se amplía su explicación respectivamente:
a. Modelo de Distribución de Pérdidas Agregadas (LDA): Este método incluye el
modelamiento de frecuencias y severidades. Una vez se obtengan las distribuciones
marginales de probabilidad, se modela la distribución de pérdidas agregadas
utilizando la simulación Montecarlo.
b. Parámetros de las cópulas multivariadas: Modelamiento de los parámetros de
las cópulas elípticas simétricas: Gaussiana y t.
c. Modelo LDA incorporando cópulas y valores faltantes: Modelamiento de
dependencias entre severidades mediante cópulas elípticas simétricas Gaussiana y
t y modelamiento de cero pérdidas. Incorporación de estos modelos al modelo LDA.
d. Cálculo del OpVaR y beneficio de diversificación: Cálculo del capital por riesgo
operativo bajo los tres modelos: 1. Modelo estándar LDA; 2. Modelo LDA
incorporando la cópula multivariada Gaussiana y; 3. Modelo LDA incorporando la
cópula multivariada t. Se finaliza con el cálculo del beneficio de diversificación.
La Figura 2 resume gráficamente las cuatro fases de la metodología implementada en esta
investigación.
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 46
Figura 2. Fases de la metodología implementada en la presente investigación Fuente: Elaboración propia a partir de la metodología de la investigación
2.1 MODELO DE DISTRIBUCIÓN DE PÉRDIDAS AGREGADAS (LDA)
Esta investigación aplica el Modelo de Distribución de Pérdidas Agregadas (LDA, Loss
Distribution Approach), siendo este el método más conocido y sofisticado de los Métodos
de Medición Avanzada (AMA) (Correa Vilizzio, Alejandra; Galione Klot, 2009; Moscadelli,
2004; Otero & Venerio, 2009) sugeridos por el Comité de Supervisión Bancaria de Basilea
(CSBB, 2004).
De acuerdo con el modelo LDA, las pérdidas operativas se deben categorizar en 8 líneas
de negocio (business lines, BL, por su sigla en inglés) y 7 tipos de evento (event types, ET,
por su sigla en inglés), obteniendo una matriz de 56 combinaciones, es decir la relación
entre la línea de negocio y el tipo de evento (BL / ET), también conocidas como celdas de
riesgo.
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 47
El modelo LDA consiste en el desarrollo de tres componentes esenciales: (i) distribución de
frecuencia (ii) distribución de severidades y (iii) distribución agregada de pérdidas, tal como
se indica en los pasos 1, 2 y 3 de la Figura 2 (página 44). A continuación, se describe cada
uno de ellos:
i. Como primer paso se halla la distribución de frecuencias. La frecuencia de eventos
de pérdida, 𝑁𝑗, es una variable aleatoria que representa el número de eventos de
pérdida en un horizonte de tiempo, el cual es normalmente un año, para la línea de
negocio 𝑗. Aunque el modelo estándar indica que cada combinación BL / ET, es
decir, cada celda de riesgo se debe de modelar, es común agregar las pérdidas ya
sea por línea de negocio o por tipo de evento dada la insuficiencia de datos. Esta
tesis agregó las pérdidas por línea de negocio. Ambos métodos son válidos en la
literatura. Por ejemplo, Di Clemente & Romano (2004) y Moscadelli (2004)
agruparon por línea de negocio, mientras que El-Gamal et al. (2006) y Mittnik et al.
(2011) por tipo de evento. La principal razón por la cual se modeló a lo largo de línea
de negocios es por la facilidad de su administración. Resulta más práctico analizar
las pérdidas por divisiones y medir su desempeño en lugar de hacerlo a lo largo de
toda la organización (Mittnik et al., 2011).
La distribución de frecuencia es ampliamente modelada en la literatura usando
distribuciones discretas como la distribución Poisson o Binomial negativa (Cruz,
2002; Di Clemente & Romano, 2004; Giacometti et al., 2007). En la presente
investigación, estas distribuciones fueron evaluadas para cada línea de negocio,
haciendo uso del software estadístico Statfit, con el fin de elegir la distribución
paramétrica que más se ajustara a los datos.
ii. Como segundo paso, se halla la distribución de severidades. Severidad es una
variable aleatoria 𝑋𝑘𝑗 que representa la pérdida asociada en el 𝑘-ésimo evento de
pérdida por línea de negocio 𝑗 . Para modelar las severidades, se tomó como
supuesto que todas las variables aleatorias 𝑋𝑘𝑗, 𝑘 = 1, … , 𝑁𝑗, son independientes de
la variable aleatoria 𝑁𝑗 , lo cual es una práctica común en la literatura (A. P. De
Fontnouvelle et al., 2007; LI et al., 2009; Murillo Gómez, 2009; Pontificia Universidad
Javeriana. Departamento de Administración de Empresas., 2010). Para modelar
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 48
cada línea de negocio, la presente investigación evaluó las distribuciones de
probabilidad Burr, Exponencial, Gamma, Gaussiana Inversa, Lognormal, Pareto,
Distribución Generalizada de Pareto (GPD) y Weibull para decidir cuál de ellas se
ajustaba más a cada línea de negocio.
iii. Como tercer paso, se necesita modelar la distribución de pérdidas agregadas 𝐺𝑗, la
cual es una función de distribución acumulada, (cdf, por sus siglas en inglés), de la
pérdida aleatoria agregada 𝐿𝑗 con el objetivo de obtener el valor del capital operativo
por línea de negocio 𝑗 . 𝐿𝑗 es la pérdida anual por línea de negocio 𝑗 , 𝑗 =
1, … , 𝑟, 𝑑𝑜𝑛𝑑𝑒 𝑟 = 8 y puede ser modelada como sigue:
𝐿𝑗 = ∑ 𝑋𝑘𝑗
𝑁𝑗
𝑘=1
(1)
La representación analítica de 𝐺𝑗 no es fácil de determinar. En contraste a las ecuaciones
analíticas, los modelos abiertos ofrecen cálculos simples utilizando algoritmos numéricos
como la simulación de Montecarlo (SMC), recursión de Panjer (Panjer & John Wiley &
Sons., 2006), transformación rápida de Fourier (FFT) o integración directa. La SMC es uno
de los métodos más aceptados en la literatura (Mora Valencia, 2010a; Penza & Bansal,
2001; Torres Avendaño & Olarte Cadavid, 2009) para obtener una nueva serie de datos de
pérdidas agregadas dada su fácil implementación (Cruz, 2002; Di Clemente & Romano,
2004; McNeil et al., 2015; Moscadelli, 2004; Shevchenko & Temnov, 2009). Esta
investigación halló la distribución de pérdida agregada 𝐺𝑗, mediante el uso de SMC, la cual
combina las distribuciones de frecuencia y severidad utilizando un método numérico
relativamente sencillo. La representación gráfica del modelo LDA se puede apreciar en la
Figura 3.
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 49
Figura 3. Componentes esenciales de un LDA Fuente: Recuperado de capítulo Literature Review de (Garzón Rozo et al., 2016)
Para desarrollar la simulación Montecarlo, se siguieron los pasos descritos por
(Shevchenko & Temnov, 2009), los cuales se resumen en el Algoritmo 1:
Algoritmo 1. SMC para estimar un modelo LDA estándar
Para k = 1
i. Simular el número aleatorio de eventos anuales 𝑁𝑗 utilizando la distribución de
frecuencia para cada línea de negocio 𝑗.
ii. Simular las severidades independientes 𝑋𝑘𝑗, … , 𝑋𝑁𝑗
utilizando la distribución de
severidad (es decir, usando la respectiva función de distribución acumulada cdf
para cada línea de negocio 𝑗).
iii. Calcular la cantidad total de pérdida (pérdida agregada), 𝐿𝑗, usando la Ecuación 1.
iv. Incrementar k en 1 = 𝑘 + 1) y repetir los pasos del i al iii. Repetir el procedimiento
𝐾 número de veces, por ejemplo, 𝐾 = 100,000.
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 50
2.2 PARÁMETROS DE LAS CÓPULAS MULTIVARIADAS GAUSSIANA Y
T
En la segunda fase metodológica de la investigación, se presenta la construcción de la
matriz de las funciones de distribución acumulada de las severidades (paso 4 de la Figura
2, página 44) que se utiliza para hallar los parámetros de las cópulas Gaussiana (paso 5) y
t (paso 6). Como punto de partida, a continuación, se presenta una explicación general del
modelo de cópulas y su principal diferencia con respecto al coeficiente de correlación.
El coeficiente de correlación lineal juega un papel central en teoría financiera, pero es
importante entender que este concepto es utilizado en el contexto de distribuciones
multivariadas normales o en un sentido más general, cuando se modelan distribuciones
elípticas. Las distribuciones elípticas son descritas en su totalidad por un vector de medias,
una matriz de covarianza y una función generadora (McNeil et al., 2015). Considere un
vector aleatorio general d-dimensional de factores de riesgo 𝑿 = (𝑋1, … , 𝑋𝑑)′, la matriz de
correlación lineal de 𝑿, denotada por 𝜌(𝑿) se puede definir a partir de sus elementos, es
decir, a partir de los coeficientes de correlación lineal entre dos vectores 𝑋𝑖 y 𝑋𝑗:
𝜌𝑖𝑗 = 𝜌(𝑋𝑖 , 𝑋𝑗) =𝑐𝑜𝑣(𝑋𝑖, 𝑋𝑗)
√𝑣𝑎𝑟(𝑋𝑖)𝑣𝑎𝑟(𝑋𝑗)
𝜌𝑖𝑗 es una medida de dependencia lineal, la cual puede tomar valores entre [−1,1]. Es
importante aclarar que el coeficiente de correlación lineal entre dos vectores es invariante
únicamente cuando se aplican transformaciones estrictamente lineales ascendentes, es
decir, suponga que 𝛼 ∈ ℝ y 𝛽𝑖, 𝛽𝑗 > 0, entonces se puede decir que:
𝜌(𝛼𝑖 + 𝛽𝑖𝑋𝑖 , 𝛼𝑗 + 𝛽𝑗𝑋𝑗) = 𝜌(𝑋𝑖 , 𝑋𝑗)
Por el contrario, el coeficiente de correlación lineal es variante si se realizan
transformaciones no lineales, siendo esta una de sus principales limitaciones. Dado que en
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 51
la presente investigación los datos fueron transformados a escala logarítmica24 el uso de
este coeficiente no resulta apropiado. Otra importante limitación es que el coeficiente de
correlación lineal esta únicamente definido cuando las varianzas de 𝑋𝑖 y 𝑋𝑗 son finitas. Esto
supone otra gran limitación en el caso de riesgo operativo, ya que en este tipo de riesgo se
modelan diferentes vectores de pérdidas (por ejemplo, asociados a diferentes líneas de
negocio) los cuales suelen tener distribuciones marginales con varianza infinita dadas las
largas colas. En este caso no es posible describir la dependencia de estos vectores usando
el coeficiente de correlación lineal.
Por lo anterior, el coeficiente de correlación carece de sentido cuando las variables
aleatorias no siguen una distribución multivariada elíptica (Novales, 2017). Por el contrario,
las funciones cópula no imponen ninguna restricción sobre la distribución marginal de las
variables aleatorias (Paul Embrechts et al., 2001) y son invariantes ante cualquier tipo de
transformación que sufran dichas variables aleatorias (McNeil et al., 2015). Estas son una
de las principales razones por las cuales las funciones cópula fueron utilizadas en esta
investigación.
Las cópulas son funciones de distribución de varias variables, al menos dos, que contienen
la norma reguladora de la dependencia entre dichas variables. Es decir, en la cópula reside
la forma en que dependen unas variables de otras (Lloréns, 2017). De esta forma, el
modelamiento de dependencia entre variables depende de la cópula utilizada; ello sugiere
que la utilidad de estas funciones está en servir de modelos de la dependencia entre
variables aleatorias, para nuestro caso, dependencias entre las líneas de negocio.
El modelamiento de dependencias usando cópulas permite descomponer una distribución
de probabilidad conjunta en sus marginales (que, por definición, no tienen correlación) las
cuales son unidas a través de la función cópula) (Wiecki, 2018).
Para obtener la cópula a partir de la función de distribución conjunta de dos o más variables,
se debe de «extraer» de la misma las distribuciones marginales. Lo que queda tras esta
24 La razón por la cual se transformaron los datos a escala logarítmica se presenta en la sección
3.2.3.
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 52
operación, es la cópula (Lloréns, 2018). A continuación, se presenta la descripción
matemática de este procedimiento. Se presenta una cópula bivariada, para su mejor
entendimiento:
Si tenemos una función de distribución de dos variables 𝐹 (𝑥, 𝑦) con funciones de
distribución marginal 𝑢 = 𝑔(𝑥) , 𝑣 = ℎ(𝑦) sabemos que estas funciones 𝑔 y ℎ están
determinando la forma de la función 𝐹 (𝑥, 𝑦) de manera que para «aislar» o dejar sola a la
función cópula se debe «deshacer» el efecto que 𝑔 y ℎ ejercen en 𝐹 (𝑥, 𝑦), de la siguiente
forma:
Primero, obtener las funciones inversas 𝑔−1y ℎ−1, lo que hacemos despejando en ellas 𝑥 e
𝑦 , respectivamente. Obtenemos así 𝑥 = 𝑔−1(𝑢) y 𝑦 = ℎ−1(𝑣) . Observemos que 𝑢 y 𝑣
representan la probabilidad que corresponde a cada valor de 𝑥 e 𝑦, según la función de
distribución marginal 𝑔 y ℎ, es decir que 𝑢 y 𝑣 están uniformemente distribuidas entre [0,1].
Segundo, insertar en 𝐹 (𝑥, 𝑦) las expresiones que acabamos de obtener, 𝑥 = 𝑔−1(𝑢) y 𝑦 =
ℎ−1(𝑣) . Con ello resulta que 𝐹 (𝑥, 𝑦) = 𝐹 (𝑔−1(𝑢), ℎ−1(𝑣)) es decir, una función que
depende de 𝑢 y 𝑣 que suele designarse por 𝐶(𝑢, 𝑣) y a la que llamamos cópula. El teorema
de Sklar (Sklar, 1959) estipula que una función de distribución, 𝐹, con marginales 𝐹1, … , 𝐹𝑟,
puede ser escrita como:
𝐹(𝑥1, … , 𝑥𝑟) = 𝐶(𝐹1(𝑥1), … , 𝐹𝑟(𝑥𝑟))
Cualquier cópula 𝐶 puede ser usada para unir un conjunto de funciones de distribución
univariada 𝐹1(𝑥1), … , 𝐹𝑟(𝑥𝑟) , usando la anterior ecuación y así crear una función de
distribución multivariada 𝐹 con marginales 𝐹1(𝑥1), … , 𝐹𝑟(𝑥𝑟). Por lo tanto, la cópula 𝐶 puede
ser extraída de la ecuación (2) así:
𝐶(𝒖) = 𝐶(𝑢1, … , 𝑢𝑟) = 𝐹(𝐹1−1(𝑢1), … , 𝐹𝑟
−1(𝑢𝑟)),
Las cópulas elípticas multivariadas por trabajar en la presente investigación corresponden
a la cópula Gaussiana y la cópula t.
A continuación, se presentan las razones por las cuales se escogieron estas cópulas. El
modelamiento de la dependencia entre las diferentes celdas que conforman la matriz de
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 53
riesgo (cabe recordar que la matriz consiste en 56 celdas, conformadas por 8 líneas de
negocio y 7 tipos de eventos) es fundamental en el modelamiento de pérdidas por riesgo
operativo. Por lo tanto, la cópula que se escoja debe capturar adecuadamente la
dependencia entre celdas. En la configuración más simple, se supone que las celdas son
independientes o perfectamente dependientes (comonoticidad 25 ). Como este no es
necesariamente el caso, surge la siguiente pregunta: ¿qué propiedades debe tener la
cópula de tal forma que permita modelar la dependencia entre las diferentes celdas de
pérdidas operativas? A continuación, se relacionan las propiedades que Brechmann (2014)
propuso para dar respuesta a esta pregunta:
i. Dependencia de parejas: claramente, la dependencia entre diferentes pares de
celdas debe ser heterogénea. Por lo tanto, la cópula debe ser lo suficientemente
flexible de tal forma que permita asignar diferentes valores de dependencia para
diferentes pares de celdas.
ii. Dependencia en la cola superior de la distribución: la cópula debe permitir el
modelamiento de la dependencia en las colas tanto superior como inferior de las
distribuciones. La presencia de dependencia en la cola superior significa que
grandes pérdidas tienden a ocurrir conjuntamente en lugar de independientemente.
iii. Trazabilidad computacional: para estimar el capital requerido por riesgo operativo
usando cópulas el modelo requiere que la cópula se pueda expandir al caso
multivariado, dado que existen 8 líneas de negocio y 7 tipos de eventos se ve
claramente que es un problema multivariado. En otras palabras, el cálculo de la
distribución multivariada de la cópula debe de ser factible.
Las cópulas Arquimedianas pueden extenderse al caso multivariado (más de 2 variables)
con gran dificultad (Di Clemente & Romano, 2004; Mittnik et al., 2011; G. Peters et al., 2009;
Rachedi & Fantazzini, 2011), mientras que las cópulas elípticas no poseen dicha restricción
en el caso multivariado. Por lo tanto, las cópulas elípticas, como la Gaussiana y la t, se han
25 En teoría de probabilidad, la comonoticidad es entendida como la dependencia positiva perfecta entre
variables aleatorias (Cobas Valdés, 2017). Similar al coeficiente de correlación, existen medidas de
dependencia que toman el valor 1 para la dependencia positiva perfecta (no necesariamente lineal) y de −1
para la dependencia negativa perfecta. (Andrés et al., 2016; Escalante Coterio & Sánchez Zuleta, 2014)
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 54
implementado ampliamente para modelar la dependencia en datos financieros
multivariados. Adicionalmente cumplen con las propiedades arriba descritas y han
demostrado otras propiedades útiles como la simplicidad en términos de simulación y
calibración (Demarta & McNeil, 2007; Paul Embrechts et al., 2001; Fang et al., 2002).
Dado que estas cópulas son elípticas paramétricas, se estimaron los parámetros
correspondientes a cada una utilizando el coeficiente de correlación Tau de Kendall. Se
eligió utilizar este tipo de coeficiente ya que es invariante a las transformaciones marginales,
es decir, sin importar las transformaciones que reciba la distribución marginal, el coeficiente
Tau de Kendall no varía.
La cópula Gaussiana tiene un solo parámetro el cual es la matriz de correlación y la cópula
t cuenta con dos parámetros: la matriz de correlación y los grados de libertad.
Para estimar los parámetros de las cópulas Gaussiana y t se requiere construir la matriz 𝐻
la cual reúne las funciones de distribución acumulada de las severidades, es decir la matriz
𝐻 reúne a 𝑢 y 𝑣 las cuales están uniformemente distribuidas entre [0,1]. En el Capítulo 7
sección 7.1 se presenta la construcción de dicha matriz. La estimación de los parámetros
de la cópula Gaussiana y t se presentarán en las secciones 7.2.1 y 7.2.2 respectivamente.
2.3 MODELO LDA INCORPORANDO CÓPULAS
En los pasos 8 y 10 de la Figura 2 (página 44), se incorpora la modelación de cópulas
Gaussiana y t al modelo estándar LDA. La incorporación de cópulas en el análisis de riesgo
operativo no es una práctica nueva, en especial las cópulas simétricas elípticas como la
Gaussiana y la t. A pesar de ello, en la revisión de la literatura realizada, no se encontraron
estudios que hagan uso de este tipo de cópulas para el cálculo del capital por riesgo
operativo en entidades del sector financiero de mercados emergentes.
Para evaluar el OpVaR incluyendo la modelación de dependencias, esta tesis siguió el
procedimiento establecido por (Di Clemente & Romano, 2004), el cual es estándar en la
literatura (Mora Valencia, 2010a; Torres Avendaño & Olarte Cadavid, 2009). El Algoritmo 2
describe el método implementado:
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 55
Algoritmo 2. Modelo LDA usando cópulas
i. Generar un vector aleatorio uniforme multivariado 𝑼 con marginales uniformemente
distribuidas entre [0,1] para la cópula específica C, la cual tiene una función de
distribución acumulada (cdf, por su sigla en inglés) 𝐹𝐶 y la severidad de la línea de
negocio 𝑗 tiene una función de distribución acumulada (cdf) 𝐹(𝑿𝑗).
Calcular 𝑼𝑗 = 𝐹𝐶 (𝐹(𝑿𝑗)) 𝑝𝑎𝑟𝑎 𝑗 = 1, … , 8.
ii. Obtener un escenario de pérdida para cada línea de negocio, 𝑙𝑠𝑗′ , calculando la
inversa del vector uniformemente distribuido 𝑼𝑗 calculado en el paso (i) con la
función de distribución acumulada 𝐺𝑗 obtenida de la Ecuación 1.
Calcular ��𝑗−1(𝑼𝑗) = 𝑙𝑠𝑗
′ 𝑝𝑎𝑟𝑎 𝑗 = 1, … ,8.
iii. Obtener un escenario para la pérdida total, 𝑙𝑠′ , agregando las pérdidas 𝑙𝑠𝑗
′ para cada
𝑗:
Calcular 𝑙𝑠′ = ∑ 𝑙𝑠𝑗
′8𝑗=1 .
iv. Repetir los anteriores tres pasos 𝐾 número de veces, por ejemplo, 𝐾 = 100,000.
2.3.1 Modelo LDA incorporando cópulas y valores faltantes
Una vez se agregaron las pérdidas de la base de datos por línea de negocio (las cuales
fueron previamente depuradas conforme a los filtros presentados en el Capítulo 3, sección
3.1), se encontraron 77 celdas vacías en la matriz total de datos, especialmente en los
primeros años reportados. Dicha matriz está conformada por 24 filas (las filas corresponden
a 24 años, periodo comprendido entre 1990 a 2013) y 8 columnas (las cuales corresponden
a las 8 líneas de negocio), es decir, aproximadamente un 40% de los datos de la matriz
total no se encuentran registrados. Dada la alta tasa de valores faltantes en los vectores de
frecuencia y severidades, generados en los pasos 1 y 2 de la Figura 2 (página 44), fue
necesario aplicar una metodología que considerara estos datos faltantes para evitar errores
en la modelación de las cópulas multivariadas. La metodología que se aplicó fue la
establecida por Brechmann et al. (2014) en su modelo “Modelo de cópulas para pérdidas
cero”, la cual se describe a continuación:
1. Para los vectores de pérdidas agregadas 𝑋𝑗 se deben crear nuevos vectores de
pérdidas, donde los valores faltantes se reemplazan por 0, de modo que todas las
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 56
observaciones contienen un valor, ya sea 0 o el valor respectivo de la pérdida, estos
nuevos vectores recibirán el nombre de pérdidas positivas 𝑋𝑗+.
2. Crear el vector 𝑾 el cual identifica los componentes de inflación cero, es un vector
multivariado binario, y el cual recibe el nombre de vector de cero pérdidas. Para
cada línea de negocio j, se tiene los siguiente:
𝑊𝑗 = {1 𝑠𝑖 ℎ𝑎𝑦 𝑢𝑛 𝑣𝑎𝑙𝑜𝑟 𝑓𝑎𝑙𝑡𝑎𝑛𝑡𝑒 𝑒𝑛 𝑙𝑎 𝑐𝑒𝑙𝑑𝑎 𝑖𝑗, 𝑝𝑎𝑟𝑎 𝑖 = 1, … 24 𝑦 𝑗 = 1, … ,8
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
Se debe excluir la línea de negocio 𝑗 si no presenta valores faltantes.
3. Estimar la distribución marginal 𝑷𝑊𝑗 a partir del vector 𝑊𝑗.
Siguiendo a Brechmann et al. (2014), el Algoritmo 2 se ve modificado por este modelo, de
tal forma que se convierte en el Algoritmo 3, descrito a continuación:
Algoritmo 3. Modelo LDA incorporando cópulas y valores faltantes o cero pérdidas
i. Generar un vector aleatorio uniforme multivariado 𝑼+ con marginales
uniformemente distribuidas entre [0,1] para la cópula específica C (Gaussiana o t),
la cual tiene una función de distribución acumulada 𝐹𝐶, partiendo de los vectores de
pérdidas positivas 𝑋𝑗+.
Calcular 𝑼𝑗+ = 𝐹𝐶 (𝐹(𝑿𝑗
+)).
ii. Obtener un escenario de pérdida para cada línea de negocio, 𝑙𝑠𝑗′+, calculando la
inversa del vector uniformemente distribuido 𝑼𝑗+ calculado en el paso (i) con la
función de distribución acumulada ��𝑗+. 𝐺𝑗
+ es obtenida a partir de 𝐿𝑗+ (Ecuación 1,
pérdida anual por línea de negocio). 𝐿𝑗+ se calcula usando las pérdidas positivas 𝑋𝑗
+
Calcular ��𝑗+(−1)
(𝑼𝑗+) = 𝑙𝑠𝑗
′+ 𝑝𝑎𝑟𝑎 𝑗 = 1, … ,8.
iii. Obtener 𝑤𝑗, 𝑗 = 1, … ,8 a partir de la cópula específica 𝑪𝑊 (Gaussiana o t) partiendo
de los vectores de cero pérdidas usando las funciones de distribución marginal 𝑷𝑊𝑗.
iv. Establecer el nuevo valor de 𝑙𝑠𝑗′ = (1 − 𝑤𝑗)𝑙𝑠𝑗
′+ ≥ 0 para cada 𝑗 = 1, … ,8
v. Obtener un escenario para la pérdida total, 𝑙𝑠′ , agregando las pérdidas 𝑙𝑠𝑗
′ para cada
𝑗:
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 57
Calcular 𝑙𝑠′ = ∑ 𝑙𝑠𝑗
′8𝑗=1 .
vi. Repetir los anteriores pasos 𝐾 número de veces, por ejemplo, 𝐾 = 100,000.
Características comunes de las bases de datos de riesgo operacional se pueden resumir
en los siguientes puntos: primero, si las pérdidas se modelan semanal o mensualmente,
con frecuencia puede ocurrir que no se observen pérdidas para una línea de negocio (BL)
o tipo de evento (ET) específico. Esto también se ha observado a nivel anual, dado que las
pérdidas operacionales no se registraban conforme a lo estipulado en Basilea II antes del
2004. Un número excesivo de pérdidas faltantes se llama “inflación cero”. En segundo lugar,
las distribuciones de pérdidas operativas por BL o ET pueden presentar largas colas, es
decir, existe una probabilidad de que pérdidas extremas ocurran. En tercer lugar, diferentes
BL y ET no son independientes.
La incorporación de 1 o 0 se hace explícitamente para modelar el fenómeno llamado
“inflación cero”. El modelamiento de “zero-inflated dependence models” se debe de incluir
en el modelamiento de cópulas dado que no se pueden tener valores faltantes en los
vectores de las distribuciones marginales. La presencia de valores faltantes conlleva a que
la matriz de correlación de la cópula no sea positiva definida. Por definición matemática, la
matriz de correlación debe ser simétrica positiva definida (una matriz simétrica con todos
los valores eigenpositivos) (McNeil et al., 2015) de lo contrario la cópula no puede ser
estimada.
En esta investigación se aplicó el modelo de “zero-inflated dependence models” propuesto
por Brechmann et al. (2014) dado que fue el único modelo encontrado el cual modela
explícitamente la presencia de “inflación cero” en las pérdidas agregadas.
El vector 𝑾, el cual identifica los componentes de inflación cero, es un vector multivariado
binario, y el cual recibe el nombre de vector de cero pérdidas. Para cada línea de negocio
j, se tiene los siguiente:
𝑊𝑗 = {1 𝑠𝑖 ℎ𝑎𝑦 𝑢𝑛 𝑣𝑎𝑙𝑜𝑟 𝑓𝑎𝑙𝑡𝑎𝑛𝑡𝑒 𝑒𝑛 𝑙𝑎 𝑐𝑒𝑙𝑑𝑎 𝑖𝑗, 𝑝𝑎𝑟𝑎 𝑖 = 1, … 24 𝑦 𝑗 = 1, … ,8
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
Se debe excluir la línea de negocio 𝑗 si no presenta valores faltantes.
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 58
𝑊𝑗 es un componente, llamado “inflación cero”, del monto de la pérdida agregada por línea
de negocio 𝑗 , es decir de la severidad 𝑋𝑗 , siguiendo a Brechmann 𝑋𝑗 se puede
descomponer así:
𝑋𝑗 = 𝑊𝑗 × 0 + (1 − 𝑊𝑗)𝑋𝑗+ = (1 − 𝑊𝑗)𝑋𝑗
+ ≥ 0
partiendo de los vectores de pérdidas positivas 𝑋𝑗+ > 0.
2.4 CÁLCULO DEL OPVAR Y BENEFICIO DE DIVERSIFICACIÓN
El cálculo del valor del capital por riesgo operativo (OpVaR) bajo los tres modelos: modelo
estándar LDA, modelo LDA incorporando cópula Gaussiana y modelo LDA incorporando
cópula t, corresponde a los pasos 7, 9 y 11 de la Figura 2 (página 44). Los pasos 12 y 13,
corresponden al cálculo del beneficio de diversificación comparando los resultados del
modelo estándar (modelo 1) contra los resultados de los modelos incorporando las cópulas
Gaussiana y t (modelo 2 y 3). A continuación, se explican las ecuaciones para estimar el
capital por riesgo operativo bajo los modelos: estándar LDA y LDA incorporando cópulas
Gaussiana y t. Este capítulo finaliza con el cálculo del beneficio de diversificación.
2.4.1 Cálculo del capital por riesgo operativo según modelo estándar
LDA
El valor total de capital por riesgo operativo (OpVaR) bajo el modelo estándar se calcula
utilizando el resultado del Algoritmo 1, página 47. Así, el valor en riesgo (VaR) se calculó
tomando el percentil de la distribución de pérdida agregada (Aggregate Loss Distribution,
ALD) con un nivel deseado de confianza, por ejemplo 𝛼 = 99,9%, para la línea de negocio
𝑗. Una vez se ha estimado el VaR para cada línea de negocio, la exposición total al riesgo
operativo (OpVaR) es calculada usando la siguiente expresión:
𝑂𝑝𝑉𝑎𝑅 = ∑ 𝑉𝑎𝑅𝛼(𝐿𝑗)
8
𝑗=1
(2)
donde 𝛼= nivel de confianza.
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 59
El OpVaR obtenido con la Ecuación 2 corresponde al modelo estándar sugerido por el
acuerdo de Basilea II bajo el supuesto de perfecta dependencia positiva (comonoticidad25)
entre todas las 56 combinaciones BL / ET o entre todas las líneas de negocios, si este es el
nivel de agregación que se usa. Es decir, para evaluar el capital total a provisionar, el
modelo tradicional únicamente agrega los capitales por cada línea de negocio o tipo de
evento. Este método es una medida muy conservadora y dado que el enfoque estándar
podría calcular una provisión de capital excesiva, se utiliza el Modelo de Cópulas para
integrar las estructuras de dependencias al análisis del problema.
2.4.2 Cálculo del capital por riesgo operativo incorporando cópulas
Gaussiana y t al modelo LDA
El siguiente paso es realizar el cálculo del capital por riesgo operativo de los modelos que
incorporan las cópulas al modelo LDA estándar. El valor total del capital por riesgo operativo
(OpVaR) bajo los modelos que incorporan al LDA el modelamiento de dependencias con
cópulas Gaussiana y t a un nivel de confianza deseado 𝛼, se calcula como sigue:
𝑂𝑝𝑉𝑎𝑅𝛼(𝐿) = 𝑉𝑎𝑅𝛼 (∑ 𝑙𝑠𝑗′
8
𝑗=1
) = 𝑉𝑎𝑅𝛼(𝑙𝑠′ ) (3)
El OpVaR se calcula como el valor en riesgo de las pérdidas totales estimadas 𝑙𝑠′ , es decir,
a partir de la sumatoria de las pérdidas 𝑙𝑠𝑗′ . Una vez se obtiene este vector de pérdidas, el
capital será el valor que se ubica en el percentil (o nivel de confianza) deseado. Los valores
de pérdidas estimadas 𝑙𝑠′ se obtienen implementando el Algoritmo 3, en el nivel de confianza
deseado (por ejemplo, percentil 95%; 99%; 99,9%).
Al implementar el Algoritmo 3 se puede apreciar que la pérdida total estimada 𝑙𝑠′ se calcula
a partir de la siguiente fórmula 𝑙𝑠𝑗′ = (1 − 𝑤𝑗)𝑙𝑠𝑗
′+, es decir, depende del valor del escenario
de pérdida para cada línea de negocio 𝑙𝑠𝑗′+ y del valor de 𝑤𝑗. 𝑤𝑗, 𝑗 = 1, … ,8 se obtiene a partir
de la cópula específica 𝑪𝑊 (Gaussiana o t) partiendo de los vectores de cero pérdidas
usando las funciones de distribución marginal 𝑷𝑊𝑗.
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 60
De la misma forma, el valor de 𝑙𝑠𝑗′+ se calcula a partir del vector uniformemente distribuido
𝑼𝑗+ por la siguiente fórmula 𝑙𝑠𝑗
′+ = 𝐺𝑗+(−1)
(𝑼𝑗+). Adicionalmente, el valor de 𝑼𝑗
+ se calcula a
partir de la fórmula 𝑼𝑗+ = 𝐹𝐶 (𝐹(𝑿𝑗
+)), que significa que depende de la cópula específica 𝐶.
En conclusión, el capital estimado usando la Ecuación 3 se verá afectado por el tipo de
dependencias modeladas entre las líneas de negocio ya que depende de la cópula
específica 𝐶.
2.4.3 Cálculo del beneficio de diversificación
En este paso, se debe hallar el cálculo del beneficio de diversificación para confirmar si al
incorporar la modelación de las cópulas, se obtiene una estimación más eficiente del capital
por riesgo operativo en una entidad financiera de mercados emergentes.
Como parte de los modelos AMA, el Comité de Supervisión Bancaria de Basilea permite a
una entidad financiera disminuir su capital por riesgo operativo mediante la utilización del
beneficio de diversificación, siempre y cuando la entidad provea una análisis de la
correlación entre los tipos de eventos operativos y/o entre las líneas de negocios (A. Jobst,
2007; Kelliher et al., 2020). En el sector financiero, la diversificación hace referencia a la
reducción relativa del riesgo total mediante la agregación de riesgos individuales (Open
Risk, 2019), esto es, el riesgo de las líneas de negocio nunca puede ser superior a la suma
de los riesgos individuales por principio de subaditividad (Galiano Carreño, 2017).
El beneficio de diversificación implica que los altos cuantiles de la distribución total de
pérdida anual (OpVaR de la suma de las pérdidas totales) son menores que la suma de los
cuantiles correspondientes de la distribución de pérdida anual de cada línea de negocio
(suma de VaR de las pérdidas de cada línea de negocio). En otras palabras, existe un
beneficio de diversificación si el OpVaR de la pérdida total obtenido con la Ecuación 3
(capital por riesgo incorporando las cópulas) es menor que la suma de los VaR individuales
usando la Ecuación 2 (capital por riesgo según el modelo estándar LDA). Por lo tanto, para
cuantificar el beneficio de diversificación, 𝐷𝛼, se utiliza la Ecuación 4 propuesta por Chavez-
Demoulin et al.(2006):
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 61
𝐷𝛼 =𝑂𝑝𝑉𝑎𝑅𝛼 (∑ 𝑙𝑠𝑗
′8𝑗=1 ) − ∑ 𝑉𝑎𝑅𝛼(𝐿𝑗)8
𝑗=1
∑ 𝑉𝑎𝑅𝛼(𝐿𝑗)8𝑗=1
(4)
De esta forma, el beneficio de diversificación se calcula utilizando el valor estimado de
capital por riesgo operativo del modelo incorporándole la modelación de las cópulas
𝑂𝑝𝑉𝑎𝑅𝛼 (∑ 𝑙𝑠𝑗′8
𝑗=1 ) , restándole el valor estimado de capital por riesgo operativo con el
modelo estándar LDA ∑ 𝑉𝑎𝑅𝛼(𝐿𝑗)8𝑗=1 y dividiendo todo sobre el mismo valor del capital con
el modelo estándar.
Los valores negativos de 𝐷𝛼 indican que el capital por riesgo total calculado a partir de la
Ecuación 3 es menor que el valor calculado a partir de la ecuación del enfoque estándar
con la Ecuación 2. Si 𝐷𝛼 < 0, hay un beneficio de diversificación. Los valores positivos
indican lo contrario.
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 62
3. ANÁLISIS ESTADÍSTICO DE LA BASE DE DATOS
La presente investigación logró el acceso a la base de datos de SAS® OpRisk Global Data
actualizada a 2013, la cual contiene información de pérdidas operativas para modelar el
riesgo operativo a nivel internacional, proporcionada por la empresa SAS® especializada en
software de inteligencia empresarial.
Esta base de datos es uno de los repositorios más grandes y completos a nivel global, con
información de pérdidas operativas, las cuales son recolectadas a través de diferentes
medios, como las agencias reguladoras, por ejemplo, la Comisión de Valores e Intercambio
de los Estados Unidos (Securities and Exchange Commission - SEC26), los medios de
comunicación; informes de prensa (por ejemplo, The Wall Street Journal), la Asociación
Nacional de Distribuidores de Valores Inc. (National Association of Securities Dealers, Inc.-
NASD27); las decisiones judiciales, y los clientes afectados. Cabe aclarar que las fuentes
de recopilación de dichas pérdidas no provienen directamente de las empresas.
Esta base de datos es reconocida internacionalmente como una base de datos externa para
la modelación de capital regulatorio por riesgo operativo (SAS, 2013) (SAS, 2015). Un equipo
de experimentados analistas de investigación de riesgo operativo de SAS mantiene la base
de datos actualizada de acuerdo con estrictos estándares de calidad de datos y revisiones
periódicas, proporcionando actualizaciones de los eventos de pérdida más antiguos que
cambian con el tiempo, garantizando así la exactitud y la integridad de los datos.
Se realizó una validación manual de los datos para asegurar la validez de estos según lo
expuesto por Inteldig (2019), la cual consistió en los siguientes puntos: validaciones de tipo
numérico en las columnas de monto de pérdidas, validaciones de elección restringida para
seleccionar el tipo de evento y la línea de negocio, validaciones de rango mayores a USD
26 La Comisión de Bolsa y Valores de Estados Unidos (SEC, por sus siglas en inglés) es una agencia federal
que regula el mercado financiero de los Estados Unidos. También realiza la supervisión del sector de valores y
promueve la divulgación masiva, para proteger al público inversionista contra malas prácticas en el Mercado de
Valores (ie Business School, 2018) 27 La Asociación Nacional de Corredores de Valores (NASD, por sus siglas en inglés) es una organización sin
fines de lucro formada que establece la regulación del mercado sobre el mostrador (OTC) (Nasdaq, 2018).
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 63
100,000.00, validación de identificador único y validación de formato para los campos de
fecha.
La base de datos SAS® OpRisk Global Data registra el monto de la pérdida bruta, las fechas
de ocurrencia (fecha de inicio y fecha de terminación), la fecha de liquidación, el país donde
se presentó la pérdida y el código del sector de la industria. Dicho código corresponde al
Sistema de Clasificación de la Industria de América del Norte28 (North American Industry
Classification System, NAICS, por sus siglas en inglés), que es la clasificación estándar
utilizada por los organismos estadísticos federales para clasificar los establecimientos
comerciales con el fin de recopilar, analizar y publicar datos estadísticos relacionados con
la economía empresarial de los Estados Unidos. La base de datos contiene más de 30.000
registros de eventos ocurridos en el lapso comprendido entre 1900 y 2013, registrando
pérdidas mayores a USD 100,000.00. Cada pérdida en la base de datos se clasifica de
acuerdo con su línea de negocio y su tipo de riesgo (evento)29.
El análisis estadístico de la base de datos SAS® OpRisk Global Data se desarrolla en dos
etapas. En la primera etapa, se realiza la depuración de la información, es decir, se aplican
una serie de filtros, los cuales son necesarios para asegurar la idoneidad y pertinencia de
los datos a analizar en la presente tesis. En la segunda etapa, se construye la matriz de
clasificación de Basilea II y se realiza el análisis descriptivo de frecuencias y severidades.
Una vez la matriz de celdas fue construida y analizada, se seleccionaron las líneas de
negocio que contienen datos suficientes para poder aplicar el modelo LDA. Finalmente, una
vez se determinaron las líneas de negocio a usar, se especificaron los vectores de
frecuencias y severidades a modelar. A continuación, se presenta una descripción detallada
para cada una de dichas etapas.
28 El sistema de Clasificación de la Industria de América del Norte (NAICS, por sus siglas en inglés) es la
clasificación estándar usada por agencias estadísticas federales para clasificar establecimientos con el
propósito de recolectar, analizar y publicar datos estadísticos relacionados a la economía estadounidense.
(Classification Development Branch, 2018) Este sistema facilita la comparación de estadísticas de todas las
actividades comerciales en América del Norte (Inversiopedia, 2018). 29 Para más información de las clasificaciones y su definición se puede consultar el marco conceptual del
presente proyecto, Tabla 1. Líneas de negocio (BL) y Tabla 2. Tipos de eventos (ET).
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 64
3.1 PRIMERA ETAPA – DEPURACIÓN DE LA BASE DE DATOS
Dado el alto volumen de información encontrado en la base de datos fue necesario aplicar
varios filtros para asegurar que las pérdidas incluidas en el análisis ocurrieron
exclusivamente al interior de entidades del sector financiero, cuyo domicilio fueron
mercados emergentes. Los filtros aplicados y una breve explicación de estos se presentan
en la Tabla 5.
Tabla 5. Filtros aplicados a la base de datos inicial y su justificación
Filtros aplicados a la base de datos inicial y su justificación
Descripción del filtro Razón
1. Eventos operativos
ocurridos en el sector
financiero
Se utiliza el código de industria NAICS 52 dado que el proyecto se centra
solo en el sector financiero.
2. Eventos operativos
ocurridos después de
1990
Existe relativamente poca información de eventos anteriores a 1990. Los
datos desde 1900 hasta 1989 representan solo el 2.2% del total de
eventos. Los índices de precios pierden relevancia si se toman con
respecto a muchas décadas atrás, debido a los cambios en la naturaleza
del producto o servicio con el que se relacionan. Por lo tanto, no se
incluyeron.
3. Únicamente entidades
financieras de
mercados emergentes
Se consideraron los países catalogados como emergentes en el 2017
de acuerdo a lo establecido por The MSCI Global Investable Market
Indexes (GIMI) Methodology Country Classification (MSCI, 2018), los
cuales se encuentran resaltados en azul en la Figura 4.
4. Excluir la línea de
negocio “Servicios de
agencia” por carencia
de información
El estudio utiliza la matriz propuesta por Basilea II (CSBB, 2004). Por lo
tanto, se analizan exclusivamente las 8 líneas de negocio (BL) y los 7
tipos de evento (ET) definidos en dicha matriz. Debido a que el
porcentaje de eventos de la línea de negocio “Servicios de agencia” con
respecto al total es cercano a cero, se decidió eliminar e incorporar la
línea de negocio “Seguros”.
Fuente: Elaboración propia a partir de la base de datos SAS® OpRisk Global Data
Las pérdidas registradas en la base de datos fueron estandarizadas bajo la misma moneda
internacional, por lo tanto, todos los valores monetarios fueron convertidos a dólares
americanos (USD). Lo anterior debido a que es la moneda de referencia y principal divisa
de reserva del mundo (The Tradingway, 2015).
Página | 65
Figura 4. Mapa de mercados emergentes
Fuente: Elaboración propia a partir de los países considerados como emergentes por MSCI (2018)
Página | 66
La base de datos registra el valor nominal de la pérdida (valor histórico), por lo que se utilizó
la indexación de valores propuesta por (Lefort & Schmidt-Hebbel, 2002), es decir, la acción
financiera de convertir un valor histórico en valor presente, haciendo uso del índice de
precios al consumidor del país, IPC30, aplicando la Ecuación 5:
𝑉𝑎𝑙𝑜𝑟 𝑝𝑟𝑒𝑠𝑒𝑛𝑡𝑒 = 𝑉𝑎𝑙𝑜𝑟 ℎ𝑖𝑠𝑡ó𝑟𝑖𝑐𝑜 ∗ 𝐼𝑃𝐶 𝑓𝑖𝑛𝑎𝑙
𝐼𝑃𝐶 𝑖𝑛𝑖𝑐𝑖𝑎𝑙 (5)
Se tomó como IPC final, el valor correspondiente a marzo de 2018 y como IPC inicial el
valor registrado según el año de ocurrencia del evento.
3.2 SEGUNDA ETAPA – ANÁLISIS DESCRIPTIVO
En esta etapa, se presenta el análisis descriptivo de la base filtrada. El objetivo principal de
esta etapa es la construcción de la matriz de celdas (matriz de clasificación de Basilea II).
Se empieza mostrando el análisis descriptivo tanto de frecuencias como de severidades
agregadas tanto a lo largo del periodo de observación (1990 a 2013) como a partir de
diferentes variables tales como: región de domicilio (corresponde al continente en el cual
se presentó la pérdida por riesgo operativo), país de origen de la entidad financiera, tipo de
evento y línea de negocio. Se continúa con la construcción de la matriz de celdas para
analizar cuáles líneas de negocio contienen datos suficientes para aplicar un modelo LDA
y, por último, se presentan los vectores de frecuencias y severidades que servirán de base
para realizar el modelamiento de distribuciones marginales en los capítulos 4 y 5.
3.2.1 Análisis descriptivo de frecuencias y severidades
Se cuenta con un total de 1320 eventos de riesgo operativo en mercados emergentes a lo
largo del periodo de estudio 1990 a 2013, que corresponden a un monto de pérdida total de
USD 85,863.90 (vale aclarar que los datos de severidades de los eventos se presentan en
millones, es decir, para conocer el monto real ocurrido, se debe multiplicar por USD
1,000,000.00). Las tablas y figuras de la presente sección fueron elaboradas partiendo de
la base de datos SAS® OpRisk Global Data con las depuraciones vistas en la sección 3.1.
30 El índice de precios al consumidor IPC es “un indicador que mide la variación de precios de una canasta de
bienes y servicios representativos del consumo de los hogares del país” (DANE, 2018).
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 67
La frecuencia y severidades de las pérdidas operativas agregadas según la región de
domicilio de las entidades financieras se presentan en la Tabla 6 y Figura 5. En ellas, se
muestra información del lugar donde se presentó el evento de pérdida por riesgo operativo
en las entidades financieras de mercados emergentes, discriminada por la región, o
continente, en la que se presentó. Se evidencia que, del total de datos depurados, la mayor
cantidad de eventos de pérdida por riesgo operativo se registraron en Asia (87% analizando
monto de la pérdida y 83% analizando frecuencia). Una minoría de registros se encuentran
en América, Europa y África.
Tabla 6. Región de domicilio de la entidad financiera
Región de domicilio de la entidad financiera
Región de domicilio Frecuencia Severidad (USD) %
Frecuencia %
Severidad
África 62 2,454 5% 3%
Asia 1,091 74,408 83% 87%
Europa 104 3,014 8% 4%
América 63 5,987 5% 7%
Total 1,320 85,864 100% 100% Fuente: Elaboración propia a partir de la base de datos SAS® OpRisk Global Data
Figura 5. Región de domicilio de la entidad financiera Fuente: Elaboración propia a partir de la base de datos SAS® OpRisk Global Data
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 68
La frecuencia y severidad de las pérdidas operativas según el país de origen de la entidad
financiera junto con su respectiva región de domicilio se presentan en la Tabla 7. Esta
investigación centró su atención en el país donde se presentó efectivamente el evento de
pérdida por riesgo operativo, de esta manera se analizaron únicamente pérdidas operativas
que ocurrieron en países que hacen parte de los mercados emergentes. Como se aprecia
en la Tabla 7, en la columna “País de origen de la entidad”, todas las entidades financieras
analizadas se encuentran en países de mercados emergentes.
Tabla 7. País de origen de la entidad financiera
País de origen de la entidad financiera
Región de domicilio
África Asia Europa América
País de origen de la entidad F S (USD) F S (USD) F S (USD) F S (USD)
Brasil 31 4,537.31
Chile 5 180.53
China 149 29,876.61 Colombia 9 102.91
República Checa 23 1,583.0 Egipto 5 1,408.60 Grecia 49 883.18 Hungría 9 100.29 India 390 1,700.49 Indonesia 47 4,852.71 Malaysia 44 6,308.29 México 15 1,154.14
Pakistán 88 632.08 Perú 3 12.54
Pilipinas 35 871.63 Polonia 23 447.49 Qatar 2 41.41 Rusia 95 6,318.00 Sur África 57 1,045.79 Sur Corea 98 8,204.62 Taiwán 81 2,245.50 Tailandia 29 1,692.79 Turquía 18 10,633.08 Emiratos Árabes Unidos 15 1,030.91
Total general 62 2,454.39 1091 74,408.13 104 3,013.95 63 5,987.44 Fuente: Elaboración propia a partir de la base de datos SAS® OpRisk Global Data
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 69
Se evidencia que, de los 1,320 eventos de riesgo operativo en mercados emergentes, el
país de origen de la entidad financiera con mayor frecuencia es India con 390 casos
(29,55%), seguida de China con 149 (11.29%). De la misma forma, de un total de USD
85,863.90, el país origen de la entidad financiera con mayores valores de pérdida por
eventos de riesgo operativo es China con USD 29,876.61 (34.79%), seguida de Turquía
con 10,633.08 (12.38%). Para el caso de entidades financieras cuyo origen es Colombia,
se registraron 9 casos que representan menos del 1% dentro del total general de pérdidas
consideradas, con pérdidas equivalentes a USD 102.91.
Figura 6. Frecuencias y severidades agregadas anualmente
Fuente: Elaboración propia a partir de la base de datos SAS® OpRisk Global Data
La Figura 6 presenta la frecuencia y severidades de las pérdidas operativas agregadas
anualmente según el año de registro del evento. Se puede apreciar un aumento significativo
de los datos registrados en el 2004, lo cual coincide con la fecha de publicación de las
normativas internacionales que lo requerían (Bank of International Settlements, 2004).
El año con mayor número de registros de eventos de riesgo operativo es el 2009 con 189
casos, correspondiente al 14.3% del total; el 2009 también es el año con mayor valor en los
eventos de riesgo operativo bancario con USD 17,724.38, correspondiente al 20.64% del
total. Lo cual es perfectamente lógico dado que coincide con la crisis financiera Global de
2008.
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 70
Se evidencia un aumento en el monto de las pérdidas desde el 2003 (coincidente con el
mayor número de eventos registrados) y un pico en 1992 correspondiente a un evento de
la entidad financiera Real Estate de Asia, en el que se presentó una pérdida por USD
5,399.00 en banca comercial.
La Tabla 8 y Figura 7 presentan los valores de frecuencias y severidades agregados a lo
largo del periodo de estudio (1990-2013) según los tipos de evento.
Tabla 8. Frecuencia y severidades de pérdidas operativas por tipo de evento
Frecuencia y severidades de pérdidas operativas por tipo de evento
Tipos de eventos Frecuencia Severidad
(USD) %
Frecuencia %
Severidad
Fraude interno 534 45,828 40% 53%
Fraude externo 371 5,173 28% 6%
Prácticas de los empleados y seguridad en el lugar de trabajo
5 272 0% 0%
Clientes, productos y prácticas del negocio 326 32,521 25% 38%
Daños a activos físicos 26 1,854 2% 2%
Interrupción del negocio y fallas tecnológicas
6 147 0% 0%
Ejecución y administración de procesos 52 68 4% 0%
Total 1,320 85,864 100% 100% Fuente: Elaboración propia a partir de la base de datos SAS® OpRisk Global Data
Figura 7. Tipos de evento Fuente: Elaboración propia a partir de la base de datos SAS® OpRisk Global Data
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 71
La Figura 7 muestra la distribución porcentual de las frecuencias y severidades según los
tipos de evento. Se puede apreciar en el anillo interior los porcentajes según su frecuencia
y en el anillo exterior los porcentajes según su monto (severidad). De los 1,320 eventos de
riesgo operativo, la mayor cantidad se centra en “Fraude interno” con 534 eventos,
correspondientes al 40.5% de los casos. “Fraude externo” (371 eventos) y “Clientes,
productos y prácticas de mercado” (326 eventos) también aportan porcentajes significativos
al total de los casos con 28.1% y 24.7% respectivamente.
Analizando la severidad (monto de las pérdidas) del total de USD 85,863.90, la mayor
severidad se centra en fraudes internos con USD 45,828.43, correspondientes al 53.37%
de los casos, seguido de clientes, productos y prácticas de mercado con USD 32,520.95
(37.87%).
La frecuencia y severidades de las pérdidas operativas agregadas según su línea de
negocio a lo largo del periodo de estudio se presenta en la Tabla 9 y Figura 9.
Tabla 9. Frecuencia y severidades de pérdidas operativas por línea de negocio
Frecuencia y severidades de pérdidas operativas por línea de negocio
Líneas de negocio Frecuencia Severidad (USD) %
Frecuencia %
Severidad
Finanzas corporativas 16 718 1% 1%
Negociación y ventas 31 1,755 2% 2%
Banca minorista 670 38,439 51% 45%
Banca comercial 414 40,139 31% 47%
Liquidación y pagos 43 510 3% 1%
Servicios de agencia 5 90 0% 0%
Administración de activos 17 621 1% 1%
Intermediación minorista 34 1,065 3% 1%
Seguros 90 2,528 7% 3%
Total 1,320 85,864 100% 100% Fuente: Elaboración propia a partir de la base de datos SAS® OpRisk Global Data
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 72
Figura 8. Líneas de negocio Fuente: Elaboración propia a partir de la base de datos SAS® OpRisk Global Data
De la misma manera que en la Figura 7, la Figura 8 muestra la distribución porcentual de
los datos por línea de negocio, se puede apreciar en el anillo interior los porcentajes según
su frecuencia y en el anillo exterior los porcentajes según su monto (severidad).
Analizando las líneas de negocio, de los 1,320 datos, la mayor cantidad se centra en “Banca
minorista” con 670 eventos, correspondientes al 50.8% de los casos, seguido de “Banca
comercial” con 414 casos y el 31.4%. Las dos líneas de negocio con mayor participación
en monto corresponden a “Banca comercial” y “Banca minorista”, con USD 41,138.97
(46.75%) y USD 38,439.14 (44.77%) respectivamente.
3.2.2 Matriz tipo de evento y línea de negocio
La matriz de celdas de pérdidas operativas agregadas por tipos de evento y líneas de
negocio (Basel II, ver Capítulo 1 sección 1.4.1) se presenta en la Tabla 10. Las Figuras 9 y
10 muestran la frecuencia y severidad por tipos de evento y líneas de negocio
respectivamente.
La Figura 9 y la Figura 10 son gráficos de áreas 3D los cuales presentan tres ejes: el eje
horizontal muestra la línea de negocio, el eje vertical muestra el número o frecuencia de
eventos en el caso de la Figura 9 y valor de la pérdida en el caso de la Figura 10 y el eje de
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 73
profundidad muestra el tipo de evento. Ambas figuras muestran de forma gráfica las
pérdidas en cada una de las celdas de la matriz (Tabla 10), es decir, muestran la
intersección del número de ocurrencias (Figura 9) y el valor (Figura 10) de las pérdidas
entre tipos de evento y líneas de negocio, donde los registros con mayor número de
ocurrencias (Figura 9) o valor (Figura 10) son representados con las líneas más altas.
A partir de la Tabla 10 y de la Figura 9 se evidencia que la mayor cantidad de eventos de
riesgo operativo en entidades financieras de mercados emergentes se concentran en las
celdas que interceptan la línea de negocio “Banca minorista” con los tipos de evento “Fraude
interno” y “Fraude externo” con 267 (20.23%) y 229 (17.35%) casos respectivamente. Lo
anterior, seguido de la intersección entre la línea de negocio “Banca comercial” y “Fraude
interno” con 203 casos (15.38%). De esta forma, las pérdidas de riesgo operativo ocurridas
en entidades financieras de mercados emergentes clasificadas en la celda: línea de negocio
“Banca minorista” y tipo de evento “Fraude interno”, son las que presentan mayor número
de ocurrencias dentro de la base de datos analizada.
Por otro lado, a partir de la Tabla 10 y de la Figura 10 se observa que el mayor monto de
pérdidas operativas se centra en la intersección de la línea “Banca comercial” y el tipo de
evento “Fraude interno” con USD 27,200.00, seguido por la celda que intercepta la línea
“Banca minorista” y el tipo de evento “Clientes, productos y prácticas del negocio” con USD
21,212.00.
Página | 74
Tabla 10. Matriz de frecuencia (número de eventos) y severidad (valor) de pérdidas por tipo de evento y línea de negocio
Matriz de frecuencia (número de eventos) y severidad (valor) de pérdidas por tipo de evento y línea de negocio
Tipos de evento
Fraude interno Fraude externo
Prácticas de los empleados y
seguridad en el lugar de trabajo
Clientes, productos y prácticas del
negocio
Daños a activos físicos
Interrupción del negocio
y fallas tecnológicas
Ejecución y administración
de procesos Total
Líneas de negocio
F S
(USD) F
S (USD)
F S
(USD) F
S (USD)
F S
(USD) F
S (USD)
F S
(USD) F
S (USD)
Finanzas corporativas
7 404 9 314 16 718
Negociación y ventas
8 708 1 0 21 1,027 1 19 31 1,755
Banca minorista
267 15,409 229 1,269 4 272 108
21,212 19
238 1 0 42 38 670 38,439
Banca comercial
203 27,200 124 3,480 72 7,821 7 1,616 2 20 6 2 414 40,139
Liquidación y pagos
4 369 3 80 34 54 1 0 1 6 43 510
Servicios de agencia
3 24 1 11 1 54 5 90
Administración de activos
8 510 1 5 7 105 1 2 17 621
Intermediación minorista
14 774 1 8 1 0 16 279 1 3 1 0 34 1,065
Seguros 20 430 11 319 58 1,655 1 125 90 2,528
Total 534 45,828 371 5,173 5 272 326 32,521
26 1,854 6 147 52 68
1,320
85,864 Fuente: Elaboración propia a partir de la base de datos SAS® OpRisk Global Data. (F indica la frecuencia y S la severidad).
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre 1990 y 2013 usando Cópulas Multivariadas
Página | 75
Figura 9. Frecuencia por tipos de evento y líneas de negocio Fuente: Elaboración propia a partir de la base de datos SAS® OpRisk Global Data
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre 1990 y 2013 usando Cópulas Multivariadas
Página | 76
Figura 10. Severidades por tipos de evento y líneas de negocio Fuente: Elaboración propia a partir de la base de datos SAS® OpRisk Global Data
Página | 77
A pesar de contar con una base de datos sustancial como se observa en la Tabla 10, varias
celdas en la matriz se encuentran vacías (22 celdas de 56 en total). Dado que esto dificulta
la aplicación del modelo LDA, una práctica común para resolver este problema es agregar
las pérdidas ya sea a lo largo de cada línea de negocio o por cada tipo de evento, ambos
métodos son válidos en la literatura tal como se explicó en el capítulo 2 sección 2.1. Para
decidir el método de agregación, se realizó una evaluación de la distribución porcentual
tanto de frecuencia como de severidad a lo largo de los diferentes tipos de evento y líneas
de negocio para determinar la mayor concentración de estos con respecto al total de
registros.
En la Tabla 11 se presenta la distribución colorimétrica (a manera de mapa de calor31) de
la frecuencia (número de eventos), en la cual se muestra en color más oscuro la mayor
concentración de frecuencias según el porcentaje sobre el número total de eventos. De esta
forma, por ejemplo, para los registros de eventos de pérdida clasificados en la celda: línea
de negocio “Banca minorista” y tipo de evento “Fraude interno” se encuentra en azul oscuro,
mostrando que es una celda con alta frecuencia, mayor al 10% sobre el total por fila y mayor
al 10% sobre el total por columna, dentro de la base de datos.
Tabla 11. Distribución de frecuencia de pérdidas por tipo de evento y línea de negocio
Distribución de frecuencia de pérdidas por tipo de evento y línea de negocio
Líneas de negocio Tipos de eventos
32
FI FE P E y S L T
C, P y P N
D A F I N y F T E y A P Total % of Total
Finanzas corporativas 7 9 16 1% Negociación y ventas 8 1 21 1 31 2% Banca minorista 267 229 4 108 19 1 42 670 51%
Banca comercial 203 124 72 7 2 6 414 31%
Liquidación y pagos 4 3 34 1 1 43 3% Servicios de agencia 3 1 1 5 0% Administración de activos 8 1 7 1 17 1% Intermediación minorista 14 1 1 16 1 1 34 3% Seguros 20 11 58 1 90 7%
Total 534 371 5 326 26 6 52 1,320 100% % of Total 40% 28% 0% 25% 2% 0% 4% 100%
Fuente: Elaboración propia a partir de la base de datos SAS® OpRisk Global Data
31 Un mapa de calor es “una representación gráfica de datos donde los valores individuales contenidos en una
matriz se representan como colores” (QuestionPro, 2018). 32 Tipos de eventos: FI: Fraude interno; FE: Fraude externo; P E y S L T: Prácticas de los empleados y seguridad
en el lugar de trabajo; C, P y P N: Clientes, productos y prácticas del negocio; D A F: Daños a activos físicos; I
N y F T: Interrupción del negocio y fallas tecnológicas; E y A P: Ejecución y administración de procesos.
del valor total de los registros 1% − < 5% 5% − 10% > 10%
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 78
En la Tabla 12 se presenta la distribución colorimétrica de la severidad donde se muestra
en color más oscuro la mayor concentración de severidades según el porcentaje sobre el
valor total de las pérdidas. Por ejemplo, los registros de pérdidas clasificados en las celdas
que interceptan la línea de negocio “Servicios de agencia” se encuentran todos en blanco,
mostrando que son celdas con baja severidad.
Tabla 12. Distribución de severidad de pérdidas por tipo de evento y línea de negocio
Distribución de severidad de pérdidas por tipo de evento y línea de negocio
Líneas de negocio
Tipos de eventos32
FI FE P E y S
L T C, P y P N
D A F I N y F T E y A P Total % of Total
Finanzas corporativas
404 314 718 1%
Negociación y ventas
708 0 1,027 19 1,755 2%
Banca minorista 15,409 1,269 272 21,212 238 0 38 38,439 45%
Banca comercial 27,200 3,480 7,821 1,616 20 2 40,139 47%
Liquidación y pagos 369 80 54 0 6 510 1%
Servicios de agencia 24 11 54 90 0%
Administración de activos
510 5 105 2 621 1%
Intermediación minorista
774 8 0 279 3 0 1,065 1%
Seguros 430 319 1,655 125 2,528 3%
Total 45,828 5,173 272 32,521 1,854 147 68 85,864 100%
% of Total 53% 6% 0% 38% 2% 0% 0% 100%
Fuente: Elaboración propia a partir de la base de datos SAS® OpRisk Global Data
Analizando las Tablas 11 y 12, se evidencia poca concentración de datos tanto de
frecuencia como de severidad en una sola línea de negocio “Servicios de agencia”
(correspondiente a 5 registros por valor de USD 90), mientras que se observa una
concentración casi nula (menor al 1% del total) en la distribución porcentual de severidades
y frecuencias en dos tipos de evento “Interrupción del negocio y fallas tecnológicas” y
“Prácticas de los empleados y seguridad en el lugar de trabajo”. Si se agregan por
frecuencia las tres líneas de negocio con mayor participación, es decir, “Banca minorista”,
“Banca comercial” y “Seguros”, estas tres líneas consolidan el 81% del total de eventos. Al
hacer el mismo ejercicio para los tres mayores tipos de eventos en cuanto a frecuencia,
“Fraude interno”, “Fraude externo” y “Clientes, productos y prácticas del negocio”, se halla
una concentración del 96%.
del valor total de los registros 1% − < 5% 5% − 10% > 10%
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 79
Es decir, si se realiza la agregación por líneas de negocio se deberá excluir la línea de
negocio “Servicios de agencia” quedando disponibles para el estudio USD 85,774.00 y si
se realiza el análisis según los tipos de evento se deberán de excluir “Interrupción del
negocio y fallas tecnológicas” y “Prácticas de los empleados y seguridad en el lugar de
trabajo”, quedando disponibles para el estudio USD 85,445.00. El hecho de excluir ciertos
tipos de líneas de negocio y/o tipos de eventos se realiza con el objetivo de contar con datos
suficientes para conformar los vectores que se analizarán estadísticamente en los
siguientes pasos del estudio.
Según lo anterior y teniendo en cuenta que, para efectos de gestión y medición resulta más
práctico analizar el desempeño por cada línea de negocio, en lugar de medir el desempeño
a lo largo de toda la organización (Mittnik et al., 2011), se concluyó agregar la base de datos
por líneas de negocio, excluyendo del estudio “Servicios de agencia” con lo que se contará
con una nueva distribución porcentual de datos para las 8 restantes líneas de negocio.
3.2.3 Vectores de frecuencias y severidades
Una vez realizada la agregación de los datos tanto de frecuencias como de severidades a
lo largo de cada línea de negocio, se procedió a analizar los vectores resultantes tanto de
frecuencias como de severidades contra el año de registro del evento desde 1990. Para
ilustrar el manejo de los datos se toma como ejemplo la línea de negocio “Banca comercial”,
siendo esta la línea top en la distribución porcentual de severidad. En la Figura 11 se
relacionan la frecuencia y la severidad por año de registro para la línea de negocio en
cuestión, conforme a lo registrado en la base de datos.
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 80
Figura 11. Conformación de vectores de frecuencia y severidad para Banca Comercial Fuente: Elaboración propia a partir de la base de datos SAS® OpRisk Global Data
A partir de la Figura 11 se observa que para esta línea de negocio no hubo registro de
pérdidas en diferentes años, por lo tanto, se formarían los siguientes dos vectores (desde
el año 1990 hasta el año 2013):
𝑉𝑒𝑐𝑡𝑜𝑟 𝑑𝑒 𝑓𝑟𝑒𝑐𝑢𝑒𝑛𝑐𝑖𝑎𝑠𝐵𝑎𝑛𝑐𝑎 𝑐𝑜𝑚𝑒𝑟𝑐𝑖𝑎𝑙 =
{𝐹𝑎𝑙𝑡𝑎𝑛𝑡𝑒; 𝐹𝑎𝑙𝑡𝑎𝑛𝑡𝑒; 2; 𝐹𝑎𝑙𝑡𝑎𝑛𝑡𝑒; 2; 5; 6; 7; 2; 2; 7; 4; 16; 9; 27; 25; 41; 38;
40; 74; 42; 28; 19; 14}
𝑉𝑒𝑐𝑡𝑜𝑟 𝑑𝑒 𝑠𝑒𝑣𝑒𝑟𝑖𝑑𝑎𝑑𝑒𝑠𝐵𝑎𝑛𝑐𝑎 𝑐𝑜𝑚𝑒𝑟𝑐𝑖𝑎𝑙 =
{𝐹𝑎𝑙𝑡𝑎𝑛𝑡𝑒; 𝐹𝑎𝑙𝑡𝑎𝑛𝑡𝑒; 5377.15; 𝐹𝑎𝑙𝑡𝑎𝑛𝑡𝑒; 767.14; 860.68; 427.78; 481.56; 155.39; 2386.64; 528.64; 105.49; 3701.16; 1314.78;
3164.44; 1043.10; 2718.56; 2038.24; 3779.66; 3408.55; 838.72; 5820.88; 789.82; 60.17}
Realizando el mismo procedimiento para todas las líneas de negocio se obtienen los
vectores de frecuencias y severidades, los cuales se presentan en las Tablas 13 y 14
respectivamente. La primera columna (en ambas tablas) presenta el año del registro de la
pérdida.
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 81
Tabla 13. Vectores de frecuencia por línea de negocio
Vectores de frecuencia por línea de negocio
FRECUENCIA
(Valores en unidades)
Año Finanzas
corporativas Negociación
y ventas Banca
minorista Banca
comercial Liquidación
y pagos Administración de activos
Intermediación minorista
Seguros
1990 Faltante Faltante 2 Faltante Faltante Faltante Faltante Faltante
1991 Faltante Faltante 1 Faltante Faltante Faltante 1 Faltante
1992 Faltante Faltante 3 2 Faltante Faltante Faltante Faltante
1993 Faltante Faltante 3 Faltante Faltante Faltante 1 Faltante
1994 Faltante Faltante 4 2 Faltante Faltante Faltante Faltante
1995 Faltante 2 3 5 Faltante Faltante Faltante Faltante
1996 Faltante Faltante 3 6 Faltante Faltante Faltante Faltante
1997 Faltante 1 3 7 Faltante Faltante Faltante 1
1998 1 Faltante 4 2 Faltante Faltante 1 Faltante
1999 Faltante 1 7 2 1 Faltante 3 1
2000 Faltante Faltante 4 7 Faltante Faltante Faltante 1
2001 1 Faltante 6 4 1 1 6 Faltante
2002 Faltante Faltante 7 16 Faltante 1 Faltante
2003 Faltante 1 12 9 2 Faltante 1
2004 2 2 35 27 1 1 3 2
2005 1 2 26 25 Faltante 2 3
2006 2 Faltante 25 41 1 Faltante 2 2
2007 Faltante 2 76 38 3 1 15
2008 2 7 86 40 2 2 1 14
2009 Faltante 9 88 74 2 2 2 12
2010 3 3 81 42 1 2 6
2011 1 1 70 28 6 1 1 19
2012 1 Faltante 46 19 27 3 6 4
2013 2 Faltante 72 14 2 1 1 9
Fuente: Elaboración propia a partir de la base de datos SAS® OpRisk Global
La Tabla 13 muestra la agregación del número de eventos o frecuencias (unidades) por
cada línea de negocio a lo largo de cada año. De esta forma, por ejemplo, en el año 1991
hubo 1 registro, relacionado dentro de la base de datos, clasificado como línea de negocio
“Banca minorista”.
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 82
Tabla 14. Vectores de severidades por línea de negocio
Vectores de severidades por línea de negocio
SEVERIDADES
(Valores en USD 1.000.000,00)
Año Finanzas
corporativas Negociación
y ventas Banca
minorista Banca
comercial Liquidación
y pagos Administración
de activos Intermediación
minorista Seguros
1990 Faltante Faltante 12.60 Faltante Faltante Faltante Faltante Faltante 1991
Faltante Faltante 14.79 Faltante Faltante
Faltante 110.91 Faltante 1992
Faltante Faltante 22.12 5.377.15 Faltante
Faltante Faltante Faltante 1993
Faltante Faltante 7.99 Faltante Faltante
Faltante 2.78 Faltante 1994
Faltante Faltante 159.53 767.14 Faltante
Faltante Faltante Faltante 1995 Faltante 119.50 14.34 860.68 Faltante Faltante Faltante Faltante 1996
Faltante Faltante 26.94 427.78 Faltante
Faltante Faltante Faltante 1997
Faltante 2.34 62.43 481.56 Faltante
Faltante Faltante 10.17 1998
2.34 Faltante 1.161.09 155.39 Faltante
Faltante 92.31 Faltante 1999
Faltante 8.88 259.42 2.386.64 362.99
Faltante 31.88 20.22 2000 Faltante Faltante 108.86 528.64 Faltante Faltante Faltante 37.75 2001
2.12 Faltante 16.60 105.49 10.62
439.06 164.69 Faltante 2002
Faltante Faltante 58.36 3.701.16 Faltante
Faltante 2.09 Faltante 2003
Faltante 61.94 11.375.97 1.314.78 Faltante
28.41 Faltante 1.61 2004
19.63 129.28 1.667.62 3.164.44 1.29
6.42 52.97 876.90 2005 0.37 140.33 16.050.74 1.043.10 Faltante Faltante 261.66 228.16 2006
230.74 Faltante 1.812.64 2.718.56 77.03
Faltante 326.07 42.05 2007
Faltante 46.26 755.65 2.038.24 Faltante
88.76 0.26 124.75 2008
10.27 335.28 748.45 3.779.66 6.01
12.27 1.29 105.10 2009
Faltante 731.27 918.15 3.408.55 6.00
23.95 0.63 459.06 2010 307.49 1.02 1.837.58 838.72 Faltante 0.58 4.61 50.84 2011
55.84 178.68 300.76 5.820.88 37.20
14.04 0.31 343.60 2012
5.89 Faltante 332.73 789.82 7.96
5.64 10.74 136.98 2013
83.54 Faltante 694.98 60.17 0.41
2.21 1.35 90.58
Fuente: Elaboración propia a partir de la base de datos SAS® OpRisk Global
La Tabla 14 muestra la agregación de los valores o severidades en millones de dólares
americanos según la línea de negocio y el año en que se registró. De esta forma, por
ejemplo, en el año 1991 hubo pérdidas por un monto de USD 14,790,000.00, clasificado
como línea de negocio “Banca minorista”.
Dado que el umbral mínimo de la base de datos se encuentra en USD 100,000.00 y los
datos se encuentran en términos de USD 1,000,000.00, resulta necesario transformar las
severidades por la alta dispersión de los datos, por ejemplo, tal como lo muestra la Tabla
14 los vectores de severidades presentan datos entre USD 0.26 y USD 16,050.74. Para
tales efectos, se aplica la metodología propuesta por (P Embrechts et al., 1997) (según
definición 3.4.6, p. 160 y sección 6.5, página. 352), la cual ajustan excesos sobre un alto
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 83
umbral. Si se denota: 𝑆𝑗 como el vector aleatorio monto (en millones de USD) de la pérdida
agregada anual de la línea de negocio 𝑗, y 𝑀 es el umbral mínimo (USD 100,000.00), el
valor del monto de pérdida modificado, 𝑆𝑗∗ se calcula a partir de la Ecuación 6, para mayor
detalles se refiere al lector a (P Embrechts et al., 1997):
𝑆𝑗∗ = 𝐿𝑛(𝑆𝑗) − 𝐿𝑛(𝑀) (6)
𝑆𝑗∗ se conoce como “excess log loss” sobre el umbral 𝑀. Para efectos de notación, se
reemplazará el termino 𝑆𝑗∗ por una notación más simple, la cual será 𝑋𝑗.
El uso de valores logarítmicos, tal como lo muestra la transformación de las severidades
bajo la Ecuación 6, permite un mejor manejo de los datos extremos al reducir el tamaño de
la escala. De esta forma, se evita la presencia de distribuciones asimétricas positivas con
colas extremas (es decir, casos en los que uno o pocos valores son extremadamente
grandes en comparación con la media aritmética). Esta transformación es ampliamente
utilizada en la literatura (Garzón Rozo et al., 2016; McNeil et al., 2015).
La Tabla 15 muestra los vectores de severidades transformados, que servirán de base para
realizar el modelamiento de distribuciones marginales de frecuencia.
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 84
Tabla 15. Vectores de severidad transformados, 𝑆𝑗∗, por línea de negocio
Vectores de severidad transformados, 𝑆𝑗∗, por línea de negocio
SEVERIDADES (USD)
Año Finanzas
corporativas Negociación
y ventas Banca
minorista Banca
comercial Liquidación
y pagos Administración
de activos Intermediación
minorista Seguros
1990 Faltante Faltante 4.84 Faltante
Faltante Faltante Faltante Faltante
1991 Faltante Faltante 5.00 Faltante
Faltante Faltante 7.01 Faltante
1992 Faltante Faltante 5.40 10.89
Faltante Faltante Faltante Faltante
1993 Faltante Faltante 4.38 Faltante
Faltante Faltante 3.33 Faltante
1994 Faltante Faltante 7.37 8.95
Faltante Faltante Faltante Faltante
1995 Faltante 7.09 4.97 9.06
Faltante Faltante Faltante Faltante
1996 Faltante Faltante 5.60 8.36
Faltante Faltante Faltante Faltante
1997 Faltante 3.15 6.44 8.48
Faltante Faltante Faltante 4.62
1998 3.15 Faltante 9.36 7.35
Faltante Faltante 6.83 Faltante
1999 Faltante 4.49 7.86 10.08
8.20 Faltante 5.76 5.31
2000 Faltante Faltante 6.99 8.57
Faltante Faltante Faltante 5.93
2001 3.05 Faltante 5.11 6.96
4.67 8.39 7.41 Faltante
2002 Faltante Faltante 6.37 10.52
Faltante Faltante 3.04 Faltante
2003 Faltante 6.43 11.64 9.48
Faltante 5.65 Faltante 2.78
2004 5.28 7.16 9.72 10.36
2.56 4.16 6.27 9.08
2005 1.31 7.25 11.99 9.25
Faltante Faltante 7.87 7.73
2006 7.74 Faltante 9.81 10.21
6.65 Faltante 8.09 6.04
2007 Faltante 6.14 8.93 9.92
Faltante 6.79 0.96 7.13
2008 4.63 8.12 8.92 10.54
4.10 4.81 2.56 6.96
2009 Faltante 8.90 9.12 10.44
4.09 5.48 1.84 8.43
2010 8.03 2.32 9.82 9.03
Faltante 1.76 3.83 6.23
2011 6.33 7.49 8.01 10.97
5.92 4.94 1.13 8.14
2012 4.08 Faltante 8.11 8.97
4.38 4.03 4.68 7.22
2013 6.73 Faltante 8.85 6.40
1.41 3.10 2.60 6.81
Fuente: Elaboración propia a partir de la base de datos SAS® OpRisk Global
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 85
4. MODELAMIENTO DE DISTRIBUCIONES DE FRECUENCIAS
El primer paso del modelo LDA estándar, tal como se establece en la Figura 2 (página 44);
es realizar el modelamiento de las distribuciones de frecuencias. El modelamiento de
frecuencias es el primero de los tres componentes esenciales del LDA (distribución de
frecuencias, distribución de severidades y distribución agregada de pérdidas).
Dado que la frecuencia 𝑁𝑗 es una variable que representa el número de eventos de pérdida
ocurridos en un periodo de tiempo, normalmente un año, en la línea de negocio 𝑗 , la
distribución marginal de frecuencias es una distribución de probabilidad discreta.
Para realizar el modelamiento de frecuencias, se parte de los vectores relacionados en la
Tabla 13, página 78 y se evalúan, para cada línea de negocio las distribuciones discretas
Poisson y Binomial negativa, con el fin de elegir cuál de ellas se ajusta más a los datos y
conocer los parámetros que las caracterizan.
Para elegir la distribución de probabilidad discreta que mejor se ajustara a los vectores, se
utilizó el programa estadístico Statfit.
A continuación, se presentan los resultados obtenidos. Para ilustrar el procedimiento
utilizado, las Figuras 12, 13 y 14 muestran los resultados arrojados solo para la línea de
negocio “Administración de activos”. La Tabla 16 resume los resultados para todas las
líneas de negocio.
Figura 12. Distribuciones discretas para “Administración de activos” - Statfit Fuente: Elaboración propia a partir de la base de datos SAS® OpRisk Global Data
En la Figura 12 se presentan los parámetros de las dos distribuciones, el criterio de
aceptación o rechazo y la decisión tomada (reject o do not reject). Para este caso, la línea
de negocio “Administración de activos” acepta los tipos de distribución discreta “Poisson” y
“Binomial”.
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 86
Figura 13. Pruebas de bondad de ajuste para “Administración de activos” - Statfit Fuente: Elaboración propia a partir de la base de datos SAS® OpRisk Global Data
La Figura 13 muestra las pruebas de bondad de ajuste que se pueden obtener a partir del
modelamiento con el software Statfit.
Figura 14. Función de probabilidad de masa para “Administración de activos” - Statfit Fuente: Elaboración propia a partir de la base de datos SAS® OpRisk Global Data
La Figura 14 muestra las funciones de masa de probabilidad33 (pmf, probability mass
function, por su sigla en inglés) de las distribuciones Poisson (en rojo) y Binomial (en verde)
para la línea de negocio “Administración de activos”.
33 Una función de probabilidad de masa (pmf) es una función que da la probabilidad de que una variable aleatoria
discreta tenga diferentes valores numéricos (Gloria & Alvarez, 2008)
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 87
Tabla 16. Pruebas de bondad de ajuste para todas las líneas de negocio
Pruebas de bondad de ajuste para todas las líneas de negocio
Línea de negocio
Poisson Binomial Negativa
Converge
Pruebas de bondad de ajuste
Converge
Pruebas de bondad de ajuste
AICc Kolmogorov
Smirnov AICc
Kolmogorov Smirnov
Finanzas corporativas Sí 0.55 0.117 Sí 1 0.52493
Negociación y ventas Sí 1 0.262 No No fit No fit
Banca minorista No No fit No fit Sí 1 0.58269
Banca comercial No No fit No fit Sí 1 0.16399
Liquidación y pagos No No fit No fit Sí 1 0.63312
Administración de activos Sí 0.743 0.0932 Sí 1 0.0994
Intermediación minorista Sí 1 0.127 No No fit 0.32676
Seguros No No fit No fit Sí 1 0.32676
Fuente: Elaboración propia a partir de la base de datos SAS® OpRisk Global
La Tabla 16 presenta un resumen de los resultados comparando las dos distribuciones,
Poisson y Binomial Negativa, en cuanto a pruebas de bondad de ajuste para todas las líneas
de negocio.
Por lo tanto, a partir de la Tabla 16 se determina para cada línea de negocio la distribución
que mejor ajusta a los datos. Para elegir dicha distribución se tomaron los valores más bajos
de las pruebas de bondad de ajuste, dando prioridad a las distribuciones con menor valor
según el criterio de información de Akaike (AICc), dado que entre menor sea el valor del
AICc, mejor se considera el ajuste a la distribución. Se decide elegir las distribuciones según
el valor del AICc dado que mejora la selección de las distribuciones adecuadas en tamaños
muestrales pequeños (Caballero Díaz, 2011).
Los resultados finales de las distribuciones discretas para todas las líneas de negocio que
mejor ajustan a los vectores del estudio se presentan en la Tabla 17 junto con los valores
de los parámetros respectivos. Para la distribución Poisson se presenta el parámetro
Lambda que representa número de veces en un intervalo de tiempo y para la distribución
binomial negativa se presentan los parámetros R y P que representan los p número de
experimentos hasta obtener el r-ésimo éxito.
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 88
Tabla 17. Distribuciones de frecuencia en líneas de negocio
Distribuciones de frecuencia en líneas de negocio
Líneas de negocio Distribución
discreta
Parámetros
Lambda R P
Finanzas corporativas Distribución Poisson 1.6 [0.914538.
2.5983]
Negociación y ventas Distribución Poisson 2.81818
[1.91482. 4.00018]
Banca minorista Distribución
Binomial Negativa
R = 0.694916
[0.342227. 1.0476]
P = 0.0243945
[0.00767256.
0.0411164]
Banca comercial Distribución
Binomial Negativa
R = 1.12012
[0.458701. 1.78154]
R = 0.0542591
[0.0172071.
0.0913112]
Liquidación y pagos Distribución
Binomial Negativa
R = 0.802699
[0.0379283. 1.56747]
P = 0.143841 [0.
0.29611]
Administración de
activos Distribución Poisson
1.7 [0.990313.
2.72186]
Intermediación
minorista Distribución Poisson
2.125 [1.47162.
2.96947]
Seguros Distribución
Binomial Negativa R = 1.29418
[0.182657. 2.4057]
P = 0.16758
[0.0286179. 0.306542]
Fuente: Elaboración propia a partir de la base de datos SAS® OpRisk Global
La Tabla 17 presenta en la primera columna las líneas de negocio, seguidas de la
distribución discreta que mejor ajustó a los vectores de estudio y los parámetros de estas.
Por ejemplo, para la línea de negocio “Negociación y ventas” la distribución Poisson, con
parámetro Lambda = 2.81818, fue la distribución que mejor ajustó a los datos. En
conclusión, las líneas de negocio: “Finanzas corporativas”, “Negociación y ventas”,
“Administración de activos”, e “Intermediación minorista”, siguen una distribución Poisson y
las otras cuatro líneas de negocio restantes siguen una distribución Binomial negativa.
Estas distribuciones son el punto de partida para el modelo LDA que se explicará en el
capítulo 6.
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 89
5. MODELAMIENTO DE DISTRIBUCIONES DE SEVERIDADES
El segundo paso del modelo LDA estándar, tal como se establece en la Figura 2 (página
44), consiste en realizar el modelamiento de las distribuciones de severidades. El
modelamiento de severidades es el segundo de los tres componentes esenciales del LDA
(distribución de frecuencias, distribución de severidades y distribución agregada de
pérdidas).
Dado que la severidad es una variable aleatoria 𝑋𝑘𝑗 que representa la pérdida asociada en
el 𝑘-ésimo evento de pérdida por línea de negocio 𝑗, la distribución marginal de severidades
es una distribución de probabilidad continua del vector 𝑋𝑗, denotada como 𝑓(𝑋𝑗), siendo 𝑓
la distribución de probabilidad (probability distribution function, pdf por su sigla en inglés).
Para realizar el modelamiento de severidades, se parte de los vectores relacionados en la
Tabla 15 (página 81) y se evalúan, para cada línea de negocio, las distribuciones de
probabilidad: Burr, Exponencial, Gamma, Gaussiana Inversa, Lognormal, Pareto,
Distribución Generalizada de Pareto (GPD) y Weibull, 8 distribuciones en total, con el fin de
elegir cuál de ellas se ajusta más a los datos y conocer los parámetros que las caracterizan.
Para modelar dichas distribuciones se utilizó el programa estadístico SAS.
Para elegir la distribución de probabilidad continua que mejor se ajusta a los vectores de
severidad SAS utiliza diferentes pruebas de bondad de ajuste tales como log likelihood,
Akaike’s information criterion (AIC), corrected Akaike’s information criterion (AICc), Schwarz
Bayesian information criterion (BIC), Kolmogorov-Smirnov statistic (KS), Anderson-Darling
statistic (AD), y Cramér-von Mises statistic (CvM) (SAS, 2020). Esta investigación utilizo el
test Akaike (AICc) por su característica de selección de distribuciones adecuadas en
tamaños muestrales pequeños (Caballero Díaz, 2011).
Página | 90
Tabla 18. Distribuciones continuas para líneas de negocio - SAS
Distribuciones continuas para líneas de negocio - SAS
Administración de activos Banca comercial Finanzas corporativas Seguros Distribución Converged AICC Selected Conv. AICC Selected Conv. AICC Selected Conv. AICC Selected
Burr Yes 49.5421 No Maybe 73.86973 No Maybe 52.8505 No Maybe 60.1175 No
Exp Yes 54.3296 No Yes 137.7613 No Yes 54.8203 No Yes 83.1743 No
Gamma Yes 45.7616 No Yes 75.06029 No Yes 49.747 No Yes 60.1606 No
Igauss Yes 46.8511 No Yes 75.97439 No Yes 51.5375 No Yes 62.2398 No
Logn Yes 46.6813 No Yes 75.95707 No Yes 51.1989 No Yes 61.9475 No
Pareto Yes 57.5735 No Yes 140.2661 No Yes 58.0629 No Yes 85.9637 No
Gpd Yes 57.5438 No Yes 140.2175 No Yes 58.0346 No Yes 85.9319 No
Weibull Yes 45.2587 Yes Yes 71.11851 Yes Yes 48.5626 Yes Yes 56.805 Yes
Liquidación y pagos Banca minorista Intermediación minorista Negociación y ventas
Distribución Converged AICC Selected Conv. AICC Selected Conv. AICC Selected Conv. AICC Selected
Burr Maybe 47.9336 No Maybe 111.7516 No Maybe 80.0697 No Maybe 55.0435 No
Exp Yes 48.2909 No Yes 148.111 No Yes 82.9495 No Yes 64.6939 No
Gamma Yes 43.7603 No Yes 108.8569 Yes Yes 78.0161 No Yes 53.8738 No
Igauss Yes 44.9561 No Yes 109.0614 No Yes 80.0988 No Yes 55.6293 No
Logn Yes 44.77 No Yes 109.2245 No Yes 79.8782 No Yes 55.4695 No
Pareto Yes 51.745 No Yes 150.5563 No Yes 85.6141 No Yes 67.7806 No
Gpd Yes 51.7194 No Yes 150.5006 No Yes 85.5869 No Yes 67.7495 No
Weibull Yes 43.1323 Yes Yes 109.1219 No Yes 76.9899 Yes Yes 51.1116 Yes
Fuente: Elaboración propia a partir de la base de datos SAS® OpRisk Global
Página | 91
La Tabla 18 resume los resultados del modelamiento de las distribuciones marginales de
las severidades (variables aleatorias continuas) realizado en el software SAS. En la Tabla
19 se presentan las 8 diferentes distribuciones paramétricas utilizadas, con su respectivo
valor AICC (prueba de bondad de ajuste) para cada línea de negocio. También se presentan
dos columnas “Converged” and “Selected” las cuales indican si la distribución convergió y
si la distribución de probabilidad fue seleccionada o no (Yes/No). La distribución con el
menor valor en la columna AICc (criterio de selección) es la seleccionada, ya que es la
distribución que mejor se ajusta a los datos. Por ejemplo, para la línea de negocio “Banca
Minorita” la distribución Gamma presentó el menor valor AICc (108.85) en comparación con
las demás distribuciones, por lo tanto, se seleccionó como la distribución que mejor se
ajusta para esta línea de negocio.
Tabla 19. Parámetros distribución Gamma para “banca minorista” - SAS
Parámetros distribución Gamma para “banca minorista” - SAS
Estimación de parámetros
Parámetro Estimado Standard t Value Approx Error Pr > |t|
Theta 0.62002 0.18826 3.29 0.0033
Alpha 12.40628 3.69143 3.36 0.0028
Fuente: Elaboración propia a partir de la base de datos SAS® OpRisk Global
La Tabla 19 muestra a manera de ejemplo los parámetros de la distribución Gamma para
la línea de negocio “Banca minorista”.
Tabla 20. Distribuciones de severidad en líneas de negocio
Distribuciones de severidad en líneas de negocio
Severidades Distribución continua Theta Tau
Finanzas corporativas Weibull 5.66539 2.65956
Negociación y ventas Weibull 6.90889 3.86966
Banca minorista Gamma 0.62002 12.40628
Banca comercial Weibull 9.79786 9.45488
Liquidación y pagos Weibull 5.25432 2.61307
Administración de activos Weibull 5.49748 3.03618
Intermediación minorista Weibull 5.16663 2.00892
Seguros Weibull 7.19216 5.07609
Fuente: Elaboración propia a partir de la base de datos SAS® OpRisk Global
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 92
La Tabla 20 presenta los resultados finales de las distribuciones continuas que mejor
ajustan a cada uno los vectores de severidad junto con sus respectivos parámetros. La
primera columna corresponde a la línea de negocio, la segunda indica la distribución
paramétrica que mejor ajusto los datos y la tercera y cuarta columna presentan los valores
de los parámetros Theta y Tau. Para la línea de negocio “Finanzas corporativas”, por
ejemplo, se eligió la distribución “Weibull” con parámetros Theta = 5.66539 y Tau = 2.65956.
A partir de la Tabla 20 se puede concluir que las severidades de la mayoría de las líneas
de negocio siguen la distribución Weibull, excepto por la línea de negocio “Banca Minorista”
cuya distribución es Gamma. Siendo Weibull y Gamma distribuciones con colas medianas,
se puede inferir que las distribuciones marginales de las severidades analizadas no
presentan distribuciones con colas largas.
Figura 15. Función de probabilidad de masa para todas las líneas de negocio - Matlab
Fuente: Elaboración propia a partir de la base de datos SAS® OpRisk Global Data
La Figura 15 muestra gráficamente las distribuciones de probabilidad de las severidades
para cada línea de negocio, según la distribución y los parámetros presentados en la Tabla
20. La Figura 15 confirma que las distribuciones marginales de las severidades presentan
colas medianas en cada línea de negocio. Este resultado es importante ya que se confirma
que los datos analizados siguen el comportamiento típico de las distribuciones de pérdidas
por riesgo operativo caracterizado por: alta frecuencia - baja severidad y baja frecuencia–
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 93
alta severidad o alto impacto monetario cuando se presentan colas largas y medianas
(Moscadelli, 2004).
Una vez obtenidas las distribuciones marginales que mejor se ajustan tanto a las
frecuencias (variables aleatorias discretas) como a las severidades (variables aleatorias
continuas) se puede modelar la distribución agregada de pérdidas usando Simulación
Montecarlo la cual se presenta en el siguiente capítulo (Capítulo 6).
Página | 94
6. MODELAMIENTO DE LA DISTRIBUCIÓN AGREGADA
El tercer paso del modelo LDA estándar, tal como se establece en la Figura 2 (página 44),
es realizar el modelamiento de distribución agregada, a partir del modelamiento de las
distribuciones marginales de frecuencias y severidades. El modelamiento de severidades
es el tercer y último componente esencial del LDA (distribución de frecuencias, distribución
de severidades y distribución agregada de pérdidas).
El modelamiento de la distribución agregada sirve para hallar el capital por riesgo operativo
dentro del modelo estándar establecido por Basilea II. Posteriormente va a ser comparado
con los valores obtenidos cuando se incorporan las cópulas con el fin de demostrar o refutar
el beneficio de diversificación.
Para realizar el modelamiento de distribución agregada, se parte de las distribuciones de
probabilidad halladas en los capítulos anteriores, es decir, los parámetros de las
distribuciones de frecuencia relacionados en la Tabla 17, capítulo 4, página 85 y de las
distribuciones de severidades de la Tabla 20, capítulo 5, página 88.
Se busca modelar la distribución de pérdidas agregadas 𝐺𝑗, para cada línea de negocio 𝑗,
a partir del vector aleatorio de pérdida agregada 𝑳𝑗, es decir, de la pérdida anual por línea
de negocio 𝑗. Para esto, se deben combinar las distribuciones discretas de frecuencia y las
distribuciones continuas de severidad. La presente investigación utiliza la Simulación
Montecarlo (SMC) para combinar las distribuciones, siguiendo los pasos detallados en el
Algoritmo 1, página 47. La simulación se realizó utilizando las herramientas y funciones
proporcionadas por el software Matlab.
Con el fin de ejemplificar la SMC, a continuación se presenta una descripción detallada de
los pasos desarrollados para la línea de negocio “Liquidación y pagos”, 𝑗 = 5:
i. Se generó un número aleatorio 𝑁𝑗, el cual representa el número de eventos anuales,
a partir de la distribución de frecuencia de la línea de negocio “Liquidación y pagos”.
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 95
Es decir, utilizando los parámetros respectivos de la línea de negocio 𝑗 = 5 ,
(distribución binomial negativa, con parámetros r=0.802699 y p=0.143841) se
generó el número aleatorio. Para la primera iteración, el número aleatorio obtenido
fue 𝑁5 = 11.
ii. Se simularon 𝑁5 valores de severidad, es decir, se generaron 11 números aleatorios
los cuales representan los valores de severidad del vector 𝑋15 (recuerde que la
severidad es una variable aleatoria 𝑋𝑘𝑗, en este caso 𝑘 = 1 ya que es la iteración 1)
utilizando los parámetros de la distribución Weibull correspondientes para la línea
de negocio 𝑗 = 5 , (Theta=5.25432; Tau=2.61307). Los valores obtenidos fueron
𝑋15 = [45.33; 6.38; 13.17; 38.23; 0; 58.75; 0; 48.92; 8.47; 4.15; 0].
Figura 16. Distribución de pérdidas simuladas para la línea de negocio “Liquidación y pagos” obtenidas en la iteración 1 de la SMC - Matlab
Fuente: Elaboración propia a partir del modelamiento LDA en Matlab
La Figura 16 presenta a manera de ejemplo, la distribución de los valores obtenidos
para el vector 𝑋15 (los coeficientes 1 se refieren a la primera iteración y 5 corresponde
a la línea de negocio número 5, es decir, “Liquidación y pagos”) en la primera iteración
de la simulación.
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 96
Con una iteración, se pueden encontrar puntos en la gráfica de pérdida de USD
63.00 con una probabilidad de 0.1098; pérdida de USD 64.46 con probabilidad de
0.3944 o pérdida de USD 67.00 con probabilidad de 0.02272.
iii. Se calculó el valor de la pérdida agregada 𝐿5 usando la Ecuación 1 (página 46),
cuyo valor en la primera iteración es:
𝐿5 = ∑ 𝑋𝑘5 = ∑ 𝑋𝑘5 = 𝑈𝑆𝐷 223,44
11
𝑘=1
𝑁5
𝑘=1
iv. Los pasos 𝑖 al 𝑖𝑖𝑖 se repitieron 𝐾 = 100,000 veces.
Repitiendo el algoritmo 100.000 veces se obtiene el vector 𝑳5. La gráfica de la distribución
agregada para la línea de negocio 𝑗 = 5, 𝐺5 se muestra en la Figura 17.
Figura 17. Distribución agregada de pérdidas para la línea de negocio “Liquidación y pagos” obtenida a partir de la SMC donde K = 100,000 iteraciones - Matlab Fuente: Elaboración propia a partir del modelamiento LDA en Matlab
En la Figura 17 se observan valores de pérdida de USD 55.39 con probabilidad de 0,003969
y pérdidas de USD 130.60 con probabilidad de 0.0002398. Se evidencia gráficamente
valores de severidad bajos con altas probabilidades y valores de severidad altos con muy
bajas probabilidades, lo cual es el típico comportamiento para este tipo de pérdidas
operativas. Los resultados obtenidos concuerdan con la literatura consultada.
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 97
7. MODELAMIENTO DE PARÁMETROS DE LAS CÓPULAS
GAUSSIANA Y T
La metodología utilizada en esta investigación se dividió en cuatro fases, las cuales se
resumieron en la Figura 2 (página 44). La primera fase, Modelo LDA estándar se desarrolló
en los capítulos 4, 5 y 6. Este capítulo presenta la construcción y los resultados de la
segunda fase: modelamiento de los parámetros de las cópulas Gaussiana y t.
Para estimar los parámetros de las cópulas Gaussiana y t se requiere construir la matriz 𝐻
la cual consiste en valores escalares en el rango (0, 1). La sección 7.1 presenta la
construcción de dicha matriz. Este punto corresponde al cuarto paso de la Figura 2 (página
44). La sección 7.2 presenta la estimación de los parámetros de las cópulas Gaussiana y t.
La cópula Gaussiana tiene un solo parámetro el cual es la matriz de correlación y la cópula
t cuenta con dos parámetros, la matriz de correlación y los grados de libertad.
7.1 MATRIZ DE LAS FUNCIONES DE DISTRIBUCIÓN ACUMULADA DE
LAS SEVERIDADES
Como se presentó en el capítulo 2, sección 2.2, una cópula, en el caso bivariado, es una
función de distribución bivariante definida sobre el cuadrado [0; 1] [0; 1] con distribuciones
marginales que son Uniformes: 𝑈(0; 1) , es decir con valores entre 0 y 1 (McNeil et.
al.,2015). Para realizar la modelación de las cópulas paramétricas Gaussiana y t se requiere
primero transformar los montos de las pérdidas en cada línea de negocio 𝑗 a la escala de
la cópula, es decir, los valores de las distribuciones marginales deben de estar
comprendidos entre 0 y 1. Dicha transformación se obtiene a partir de la estimación de la
función de distribución acumulada (cdf) para cada uno de los vectores de severidad
incluyendo los valores faltantes (ver sección 2.3.1), es decir, se estima 𝐹(𝑿𝑗+) para cada
línea de negocio 𝑗. La estimación de las funciones de distribución acumulada se realiza a
partir de los parámetros de cada marginal, para ello se sigue el mismo procedimiento
descrito en el capítulo 5, cabe aclarar que los resultados de dicho capítulo obedecen a las
distribuciones de 𝑓(𝑋𝑗) no 𝑓(𝑿𝑗+).
Página | 98
Tabla 21. Matriz 𝐻: Función de distribución acumulada para cada vector de severidad por línea de negocio
Matriz 𝐻: Función de distribución acumulada para cada vector de severidad por línea de negocio
Año Finanzas
corporativas Negociación
y ventas Banca
minorista Banca
comercial Liquidación
y pagos Administración
de activos Intermediación
minorista Seguros
1990 0 0 0.5399 0 0 0 0 0
1991 0 0 0.5485 0 0 0 0.8421 0
1992 0 0 0.5689 0.9339 0 0 0 0
1993 0 0 0.5142 0 0 0 0.3389 0
1994 0 0 0.6538 0.3462 0 0 0 0
1995 0 0.6689 0.5469 0.3793 0 0 0 0
1996 0 0 0.5787 0.1999 0 0 0 0
1997 0 0.0467 0.6167 0.2252 0 0 0 0.1004
1998 0.1893 0 0.7198 0.0639 0 0 0.8266 0
1999 0 0.172 0.6717 0.7296 0.9592 0 0.7118 0.1929
2000 0 0 0.6392 0.2457 0 0 0 0.313
2001 0.1752 0 0.5542 0.0387 0.5204 0.9729 0.873 0
2002 0 0 0.6137 0.859 0 0 0.2915 0
2003 0 0.5311 0.7781 0.5191 0 0.6627 0 0.008
2004 0.5636 0.6828 0.7301 0.8163 0.1417 0.3488 0.7713 0.9618
2005 0.0201 0.7003 0.7858 0.4403 0 0 0.9026 0.7636
2006 0.899 0 0.7326 0.7715 0.8429 0 0.9147 0.3378
2007 0 0.4692 0.7069 0.6751 0 0.8502 0.0334 0.6159
2008 0.4427 0.8456 0.7066 0.8639 0.4072 0.4865 0.2165 0.5711
2009 0 0.9304 0.7127 0.8384 0.4053 0.6286 0.1181 0.8935
2010 0.9202 0.0146 0.7328 0.3701 0 0.031 0.4219 0.3827
2011 0.739 0.7451 0.6769 0.9456 0.7448 0.5146 0.0461 0.8466
2012 0.3414 0 0.6803 0.3521 0.4629 0.3226 0.5595 0.6393
2013 0.7942 0 0.7044 0.0177 0.0316 0.1611 0.2225 0.5314
Fuente: Elaboración propia a partir del modelamiento de cópulas en Matlab
Página | 99
La Tabla 21 muestra la matriz 𝐻 que contiene los vectores respectivos de la función de
distribución acumulada (cdf) de la severidad para cada línea de negocio, 𝐹(𝑿𝑗+). Es decir,
la matriz 𝐻 contiene las distribuciones marginales en el rango (0; 1).
Para obtener la función de distribución acumulada (cdf) de cada vector 𝑿𝑗+ se utilizaron las
funciones de Matlab wblcdf y gamcdf, ya que las distribuciones marginales de 𝑿𝑗+ son las
mismas a las halladas en el capítulo 5 pero los parámetros cambian ligeramente.
La matriz 𝐻, es el punto de partida para hallar los parámetros de las cópulas Gaussiana y
t. La Tabla 21 muestra la matriz conformada con las funciones de distribución acumulada
para cada línea de negocio. En la primera columna se presenta el año respectivo (el cual
está dentro del periodo de estudio) y los valores representan las funciones de distribución
acumulada para cada línea de negocio, es decir, se presentan los montos de las pérdidas
transformados en escala de la cópula entre 0 y 1 (esto es, que son uniformemente
distribuidos). La transformación de los valores a números uniformemente distribuidos
obtiene un valor más cercano a 1 cuando el valor inicial de la severidad fue alto y un valor
cercano a 0 cuando la severidad inicial fue baja. Así, por ejemplo, el valor de la severidad
de la línea de negocio “Liquidación y pagos” fue mayor en el año 2006, que en el año 2004,
dado que la severidad fue más alta, pasando de USD 6.65 a USD 2.56 (ver Tabla 15).
Página | 100
7.2 PARÁMETROS DE LAS CÓPULAS
De la misma forma como se obtienen los parámetros de una distribución marginal para
modelar la distribución, se deben obtener los parámetros de las cópulas para modelar las
cópulas. Para la cópula Gaussiana, el único parámetro que se requiere es la matriz de
correlación (denotado como rho). Para la cópula t, se requiere el parámetro de la matriz de
correlación (como rho t) y los grados de libertad (como nu).
7.2.1 Parámetro de cópula Gaussiana
Para llevar a cabo el quinto paso de la Figura 2 (página 44), se debe hallar el parámetro de
la cópula Gaussiana, es decir, la matriz de correlación rho. Este parámetro se obtiene con
la función de Matlab copulafit y como valor de entrada se utiliza la matriz de funciones de
distribución acumulada H.
Tabla 22. Matriz de correlación rho de la cópula Gaussiana
Matriz de correlación rho de la cópula Gaussiana
Negociación y ventas
Banca minorista
Banca comercial
Liquidación y pagos
Administración de activos
Intermediación minorista
Seguros
Finanzas corporativas 0.06 0.49 0.22 0.53 0.42 0.59 0.49
Negociación y ventas 0.50 0.51 0.24 0.44 0.03 0.60
Banca minorista 0.54 0.26 0.39 0.33 0.72
Banca comercial 0.37 0.30 -0.02 0.50
Liquidación y pagos 0.47 0.51 0.53
Administración de activos 0.24 0.51
Intermediación minorista 0.32
Fuente: Elaboración propia a partir del modelamiento de cópulas en Matlab
La Tabla 22 muestra el parámetro de la cópula Gaussiana (no se muestra la matriz
triangular inferior dado que 𝐻 es una matriz simétrica), y se presenta como un mapa
colorimétrico de la medida de correlación rho entre líneas de negocio. Los valores absolutos
de rho mayores a 0,5 implican una alta correlación y los valores de rho menores a 0,3
implican una baja correlación entre las líneas de negocio. Por ejemplo, la línea “Banca
Comercial” presenta alta correlación con las líneas Negociación y Ventas (0.51) y con
0 < |𝑟ℎ𝑜| < 0.3% 0.3 < |𝑟ℎ𝑜| < 0.5 0.5 < |𝑟ℎ𝑜| < 1.0
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 101
Banca Minorista (0.54). De las 28 parejas de correlaciones, 10 presentan correlación alta
(rho>0.5), 10 parejas tienen una correlación media (0.3 <rho<0.5) y 8 parejas presentan
una correlación baja (rho<0.3). Entre más se acerque a 1 el valor de la correlación se puede
interpretar que las dos variables están muy relacionadas y dependen entre sí. En este
sentido, la modificación de una variable ocasiona un cambio en la otra variable. Cuando el
valor es muy cercano a 0, se interpreta que las dos variables no dependen la una de la otra.
De la misma forma, los valores positivos de rho implican una correlación directa y los
valores negativos, una correlación inversa. A partir de la tabla 22 se observa que existen
correlaciones altas entre 10 parejas de líneas de negocios, lo que evidencia que el supuesto
de perfecta dependencia positiva (comonoticidad25) no es sostenible.
7.2.2 Parámetro de cópula t
Con el fin de desarrollar el sexto paso de la Figura 2 (página 44), se deben hallar los
parámetros de la cópula t, es decir, la matriz de correlación rho t y los grados de libertad
nu. Estos parámetros, tal como los parámetros de la anterior cópula, se obtienen con la
función de Matlab llamada copulafit y como valor de entrada se utiliza la matriz de
funciones de distribución acumulada H hallada previamente.
Tabla 23. Matriz de correlación rhot de la cópula t
Matriz de correlación rhot de la cópula t
Negociación y ventas
Banca minorista
Banca comercial
Liquidación y pagos
Administración de activos
Intermediación minorista
Seguros
Finanzas corporativas 0.25 0.04 0.13 0.53 0.47 0.47 0.38
Negociación y ventas 0.03 0.21 0.34 0.43 0.14 0.45
Banca minorista 0.68 -0.10 0.00 0.10 0.31
Banca comercial 0.08 0.08 -0.11 0.37
Liquidación y pagos 0.54 0.38 0.35
Administración de activos 0.29 0.37
Intermediación minorista 0.24
Fuente: Elaboración propia a partir del modelamiento de cópulas en Matlab
0 < |𝑟ℎ𝑜| < 0.3% 0.3 < |𝑟ℎ𝑜| < 0.5 0.5 < |𝑟ℎ𝑜| < 1.0
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 102
La Tabla 23 muestra la matriz de correlación rho t. En este caso, 2 de las 28 parejas
presentan correlaciones inversas y solo 3 presentan alta correlación, la línea de negocio
“Liquidación y pagos” presenta alta correlación tanto con la línea “Administración de activos”
como con la línea “Finanzas corporativas”, las líneas de negocio “Banca minorista” y “Banca
comercial” también muestran alta correlación (0.68). De las 28 parejas de correlaciones, 3
presentan correlación alta (rho>0.5), 11 parejas tienen una correlación media (0.3 <rho<0.5)
y 14 parejas presentan una correlación baja (rho<0.3). Para esta cópula, por ejemplo, la
línea de negocio “Banca minorista” no depende de la línea de negocio “Administración de
activos”, dado que su correlación es cero. En el caso hipotético de que todos los valores de
la tabla tuvieran un valor igual a cero, se podría concluir que el valor del capital por riesgo
operativo utilizando el modelo LDA estándar sería muy diferente al obtenido cuando se
modela dependencia con cópulas, ya que el modelo estándar LDA asume perfecta
correlación (correlación=1). Cabe recordar que este es precisamente uno de los principales
problemas del modelo estándar LDA, el cual fue abordado en la sección 1.1 (página 16): el
modelo estándar LDA supone que las severidades son variables aleatorias con dependencia
positiva perfecta, pero dicha dependencia no es positiva perfecta (Breymann et al., 2003;
Chapelle et al., 2008; Chavez-Demoulin et al., 2006; Frachot et al., 2001). Los resultados
de esta investigación confirman que el supuesto de dependencia positiva perfecta no es
sostenible y adicionalmente están alineados con la literatura consultada.
Por último, se obtuvo un valor de 10.75 para el parámetro grados de libertad (nu).
Los parámetros de las cópulas presentados en este capítulo se tomaron como base para el
modelamiento de dependencias incorporando las cópulas presentado en el capítulo 8,
específicamente para los pasos séptimo y octavo de la Figura 2 (página 44).
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 103
8. MODELAMIENTO DEL CAPITAL POR RIESGO OPERATIVO
El presente capítulo presenta las estimaciones del valor total de capital por riesgo operativo
(OpVaR) utilizando los siguientes modelos: (1) Modelo estándar LDA (propuesto en el
acuerdo Basilea II 2004), (2) Modelo LDA incorporando dependencia bajo cópula
multivariada Gaussiana y (3) Modelo LDA incorporando dependencia bajo cópula
multivariada t. Por último, se presenta un análisis comparativo entre los resultados
obtenidos a partir de los tres modelos y se concluye con la estimación del beneficio de
diversificación.
8.1 MODELO ESTÁNDAR LDA
El valor del capital por riesgo operativo bajo el modelo estándar LDA, propuesto por el
acuerdo Basilea II (CSBB, 2004) es el séptimo paso de la Figura 2 (página 44) y se calcula
a partir de las distribuciones agregadas de pérdidas, 𝐺𝑗 , las cuales se abordaron en el
capítulo 6.
Tal como se indicó en la sección 2.4.1 de la página 48, el valor total de capital por riesgo
operativo (OpVaR) bajo el modelo estándar se calcula utilizando los resultados del
Algoritmo 1, página 56. De igual forma, el valor en riesgo (VaR) se calcula tomando el
percentil de la distribución de pérdida agregada (Aggregate Loss Distribution, ALD) con un
nivel deseado de confianza 𝛼. La presente investigación analizará los valores de capital por
riesgo operativo bajo los niveles de confianza 𝛼 = 90.0% , 𝛼 = 95.0% , 𝛼 = 99.0% , 𝛼 =
99.5% y 𝛼 = 99,9%.
Una vez se ha estimado el VaR para cada línea de negocio 𝑗, la exposición total al riesgo
operativo (OpVaR) es calculada usando la Ecuación 2, página 56. La Tabla 24 y la Figura
18 presentan el valor total de capital por riesgo operativo (OpVaR) bajo el modelo estándar,
donde se presentan los VaR modelados para cada línea de negocio, 𝑗, para cada nivel de
confianza, 𝛼.
Página | 104
Tabla 24. Capital por riesgo operativo OpVaR bajo el modelo estándar
Capital por riesgo operativo OpVaR bajo el modelo estándar
Fuente: Elaboración propia a partir del modelamiento LDA en Matlab
Figura 18. OpVaR con el modelo estándar LDA
Fuente: Elaboración propia a partir del modelamiento LDA en Matlab
Administración
de activos Banca
comercial Finanzas
corporativas Seguros
Liquidación y pagos
Banca minorista
Intermediación minorista
Negociación y ventas 𝑶𝒑𝑽𝒂𝑹 ∆𝑶𝒑𝑽𝒂𝑹
90.0% 17.63 412.73 17.44 96.72 57.03 545.81 20.01 32.40 1,199.76
95.0% 21.14 531.13 21.11 123.44 76.67 742.28 23.85 37.49 1,577.11 31%
99.0% 28.11 806.80 28.34 184.41 122.75 1,228.9 31.50 48.03 2,478.84 107%
99.5% 30.98 922.31 31.24 211.13 142.93 1,428.7 34.61 52.22 2,854.11 138%
99.9% 36.31 1.192.9 38.15 270.66 189.60 1,877.1 41.10 60.39 3,706.22 209%
Página | 105
La Tabla 24 presenta el valor total del capital por riesgo operativo para cada nivel de
confianza, 𝛼, en la última columna y la Figura 18 presenta gráficamente dicha columna.
Cabe mencionar que los VaR presentados se encuentran en una escala logarítmica (ver
sección 3.2.3).
Si los datos analizados en esta tesis provinieran de una sola entidad los valores de la Tabla
24 se interpretarían como la cantidad de capital por riesgo operativo que dicha entidad
financiera de mercados emergentes debe provisionar para cubrir posibles pérdidas por
riesgo operativo, con cierto nivel de confianza. Dado que los datos analizados provienen de
una base de datos externa (es decir, se agregaron pérdidas de varias entidades de
mercados emergentes) su interpretación deber ser tomada como un ejemplo genérico. Así,
suponiendo un nivel de confianza del 90%, para cubrir pérdidas en la línea de negocios
“Seguros”, una entidad financiera debería provisionar USD 96.72 y para cubrir las pérdidas
en la línea de negocio “Banca minorista”, USD 545.81. El modelo estándar LDA estipula
que el capital a provisionar es la sumatoria de cada uno de los OpVaR de las líneas de
negocio en el percentil deseado, en este caso 90%, por lo que, para el ejemplo, la entidad
financiera debería provisionar en total un monto de USD 1,199.76 (cabe aclarar que este
valor se encuentra en escala logarítmica) con el fin de poder cubrir pérdidas ocasionadas
por cualquier tipo de evento de riesgo operativo.
Si se analizan los resultados de la Tabla 24 por líneas de negocio se evidencia que las
líneas “Banca comercial” y “Banca Minorista” tienen la mayor participación porcentual sobre
la pérdida agregada (cuando se habla de pérdida agregada se refiere a la convolución de
las frecuencias y de las severidades usando la simulación Montecarlo). Lo anterior se
observa para todos los niveles de confianza, por ejemplo si tomamos 𝛼 = 90% , el
porcentaje de participación del capital de la línea “Banca Minorista” sobre el valor total es
igual a 45.5% (545.81 / 1,199.76) y si se toma 𝛼 = 99.9%, el porcentaje de participación
sube al 50.6% (1,877.10 / 3,706.22), dichos porcentajes guardan proporciones muy
similares a las presentadas en la Tabla 9 “Frecuencias y severidades de las pérdidas
operativas agregadas según la línea de negocio” en el Capítulo 3 seccion 3.2.1, en donde
se evidenció que la línea “Banca Minorista” presentó los mayores porcentajes de
participación tanto con respecto al total del número de pérdidas (frecuencia), 51%, como
con el valor total de pérdidas (severidades), 45%. Cabe aclarar que mientras que los
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 106
resultados de la Tabla 9 se limitan a un análisis descriptivo donde cada uno de los vectores
Frecuencia y Severidad se analizan por separado, los resultados de la Tabla 24 involucran
una agregación (convolución) de los mismos.
De manera similar, si se analiza la línea de negocio “Finanzas corporativas”, se evidencia
que tiene la menor participación porcentual sobre la pérdida agregada. Partiendo de un 𝛼 =
90%, el porcentaje de participación del capital sobre el valor total es igual a 1.4% (17.44 /
1,199.76) y si se toma 𝛼 = 99.9%, el porcentaje de participación es de 1.02% (38.15 /
3,706.22). Los valores de esta línea de negocio, pese a ser de menor participación, también
guardan proporciones muy similares a las presentadas en la Tabla 9 “Frecuencias y
severidades de las pérdidas operativas agregadas según la línea de negocio” en el Capítulo
3 seccion 3.2.1, en donde se evidenció que la línea “Finanzas corporativas” presentó el
menor porcentaje de participación tanto con respecto al total del número de pérdidas
(frecuencia), 1%, como con el valor total de pérdidas (severidades), 1%. De igual forma, los
resultados presentados en la Tabla 24 incluyen la agregación de los mismos utilizando la
solumación Montecarlo.
Se puede extraer de la Tabla 24 y de la Figura 18 que, a mayor nivel de confianza 𝛼, se
requiere un mayor valor de capital por riesgo operativo. A partir de la Figura 18 se puede
evidenciar la forma de la función en la que se destaca su aumento progresivo en cuanto se
acerca al nivel de confianza 99,9%, resulta evidente la necesidad de mantener un capital
extra para cubrir las pérdidas extremas que se presentan en los percentiles más altos 99%
y 99.9%. Es claro el crecimiento substancial en el valor del requerimiento de capital al
compararse los percentiles 95% y 99%, por ejemplo, si se toma como base el capital en el
percentil 𝛼 = 90%, el requerimiento de capital tiene un incremento porcentual ∆𝑂𝑝𝑉𝑎𝑅 de
31% y 107% para 𝛼 = 95% y 𝛼 = 99%. respectivamente. La situación es más notoria si se
comparan los OpVaR de los percentiles 95% y 99.9%, donde se evidencia que el capital
necesario según el modelo estándar LDA es 2.35 veces más alto para el nivel de confianza
𝛼 = 99.9% (USD 3,706.22) en comparación con el necesario en 𝛼 = 95% (USD 1,577.11).
Estos resultados reflejan lo discutido en el problema de investigación, es decir, el modelo
estándar LDA demanda un capital excesivo para cubrir las pérdidas extremas.
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 107
8.2 MODELO LDA INCORPORANDO CÓPULA GAUSSIANA
Calcular el valor del capital por riesgo operativo incorporando la cópula Gaussiana es el
octavo y noveno paso de la Figura 2 (página 44). A continuación, se presentan los
resultados del modelo LDA incorporando la modelación de dependencia mediante la cópula
Gaussiana e incluyendo la modelación de pérdidas faltantes. Dicho modelo se obtiene a
partir de la implementación del Algoritmo 3, presentado en el capítulo 2 sección 2.3. Para
poder realizar la simulación Montecarlo (SMC) siguiendo el Algoritmo 3 (página 54) se
requieren dos elementos esenciales: el parámetro de la cópula Gaussiana, es decir la matriz
rho la cual se presentó en el capítulo 7 sección 7.2.1 Tabla 22 (página 97), y el vector
aleatorio 𝑾 el cual identifica los componentes de inflación cero.
A continuación, se presentan el procedimiento realizado:
i. Se generó un vector aleatorio uniforme multivariado 𝑼+ usando una distribución
multivariada cópula Gaussiana, 𝐹𝐶𝐺 , con parámetro rho, (hallado en el capítulo 7
sección 7.2.1 página 97), y la matriz de cdf 𝐻 (hallada en el capítulo 7 seccion 7.1),
es decir, se generó:
𝑼𝑗+ = 𝐹𝐶𝐺 (𝐹(𝑿𝑗
+)) = 𝐹𝐶𝐺(𝐻)
Este paso genera un vector multivariado aleatorio dependiente que sigue una
distribución multivariada cópula Gaussiana. Se generaron 100,000 muestras, por lo
tanto se obtiene un vector de dimensión 𝑘 × 𝑗 = (100.000 𝑓𝑖𝑙𝑎𝑠 × 8 𝑐𝑜𝑙𝑢𝑚𝑛𝑎𝑠).
La Figura 19 muestra 100.000 puntos simulados de los vectores aleatorios
uniformes bivariados dependientes de las líneas de negocio “Banca minorista” y
“Banca comercial” (𝑈3+, 𝑈4
+) a partir de una Cópula Gaussiana con parámetro 𝑟ℎ𝑜 =
0.54.
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 108
Figura 19. 100.000 puntos simulados a partir de una cópula Gaussiana usando las distribuciones Gamma (“Banca minorista”) y Weibull (“Banca Comercial”) - Python
Fuente: Elaboración propia a partir del modelamiento de cópulas en Matlab
En la Figura 19 se aprecia que todos los valores se encuentran contenidos en el
intervalo de 0 a 1 debido a que siguen una distribución uniforme y la mayor
concentración se puede ver resaltada en color azul oscuro. Tal como es
característico en la cópula Gaussiana, se puede apreciar su naturaleza simétrica y
elíptica al tener mayor concentración en las esquinas superior derecha e inferior
izquierda de la gráfica y menor concentración en las otras dos esquinas.
ii. Se obtuvo un escenario de pérdida 𝑙𝑠𝑗′+, para cada línea de negocio, calculando la
inversa del vector uniformemente distribuido 𝑈𝑗+ usando la función de distribución
acumulada 𝐺𝑗+ . 𝐺𝑗
+ es obtenida a partir de 𝐿𝑗+ (Ecuación 1, vector aleatorio de
pérdida agregada por línea de negocio). 𝐿𝑗+ se calcula usando las pérdidas positivas
𝑋𝑗+ de igual forma como se presentó en el capítulo 6.
Calcular 𝐺𝑗+(−1)
(𝑈𝑗+) = 𝑙𝑠𝑗
′+ 𝑝𝑎𝑟𝑎 𝑗 = 1, … ,8.
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 109
Para obtener 𝐺𝑗+(−1)
se utilizó la función de Matlab quantile. Este paso genera un
vector de dimensión 𝑘 × 1 = (100,000 𝑓𝑖𝑙𝑎𝑠 × 1 𝑐𝑜𝑙𝑢𝑚𝑛𝑎). El proceso se repite para
cada línea de negocio.
iii. Se obtuvo 𝑤𝑗, 𝑗 = 1, … ,8 a partir de la cópula específica 𝑪𝑊 (Gaussiana o t) para los
vectores de cero pérdidas usando las funciones de distribución marginal 𝑷𝑊𝑗. Las
distribuciones marginales 𝑷𝑊𝑗 de cero pérdidas se modelan con la distribución
binomial, dado que la matriz 𝑊𝑗 contienen valores de 0 (cuando no existe valor
faltante) o 1 (cuando hay un valor faltante). Se debe tener en cuenta que la línea de
negocio “Banca minorista” no contiene ningún valor faltante, por lo que no es
necesario aplicar el procedimiento de cero pérdidas (pasos iii e iv) para dicha línea
de negocio.
Tabla 25. Matriz de cero pérdidas
Matriz de cero pérdidas
Año Finanzas
corporativas Negociación
y ventas Banca
comercial Liquidación
y pagos Administración
de activos Intermediación
minorista Seguros
1990 1 1 1 1 1 1 1
1991 1 1 1 1 1 0 1
1992 1 1 0 1 1 1 1
1993 1 1 1 1 1 0 1
1994 1 1 0 1 1 1 1
1995 1 0 0 1 1 1 1
1996 1 1 0 1 1 1 1
1997 1 0 0 1 1 1 0
1998 0 1 0 1 1 0 1
1999 1 0 0 0 1 0 0
2000 1 1 0 1 1 1 0
2001 0 1 0 0 0 0 1
2002 1 1 0 1 1 0 1
2003 1 0 0 1 0 1 0
2004 0 0 0 0 0 0 0
2005 0 0 0 1 1 0 0
2006 0 1 0 0 1 0 0
2007 1 0 0 1 0 0 0
2008 0 0 0 0 0 0 0
2009 1 0 0 0 0 0 0
2010 0 0 0 1 0 0 0
2011 0 0 0 0 0 0 0
2012 0 1 0 0 0 0 0
2013 0 1 0 0 0 0 0
Fuente: Elaboración propia a partir del modelamiento de cópulas en Matlab
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 110
La Tabla 25 muestra la matriz de cero pérdidas la cual se construye tomando la Tabla 14
Vectores de severidades por línea de negocio donde los valores faltantes de las severidades
se representan con el valor 1 de lo contrario el vector toma valor 0. Cada vector en la Tabla
25 se llama vector de cero pérdidas. Se interpreta que cuando el valor en la matriz es 0, no
existe un valor faltante y cuando el valor es 1 sí hay un valor faltante. Para obtener el vector
aleatorio 𝑤𝑗 a partir de la cópula Gaussiana, 𝐶𝑊𝐺, se requiere transformar los datos a la
escala cópula (unidad cuadrada) utilizando la función de distribución acumulada binomial
(ver sección 2.3.1).
Tabla 26. Matriz 𝐻𝑐𝑒𝑟𝑜: Función de distribución acumulada de cero pérdidas
Matriz 𝐻𝑐𝑒𝑟𝑜: Función de distribución acumulada de cero pérdidas
Año Finanzas
corporativas Negociación
y ventas Banca
comercial Liquidación
y pagos Administración
de activos Intermediación
minorista Seguros
1990 1 1 1 1 1 1 1
1991 1 1 1 1 1 0.6667 1
1992 1 1 0.875 1 1 1 1
1993 1 1 1 1 1 0.6667 1
1994 1 1 0.875 1 1 1 1
1995 1 0.4583 0.875 1 1 1 1
1996 1 1 0.875 1 1 1 1
1997 1 0.4583 0.875 1 1 1 0.5833
1998 0.4167 1 0.875 1 1 0.6667 1
1999 1 0.4583 0.875 0.375 1 0.6667 0.5833
2000 1 1 0.875 1 1 1 0.5833
2001 0.4167 1 0.875 0.375 0.4167 0.6667 1
2002 1 1 0.875 1 1 0.6667 1
2003 1 0.4583 0.875 1 0.4167 1 0.5833
2004 0.4167 0.4583 0.875 0.375 0.4167 0.6667 0.5833
2005 0.4167 0.4583 0.875 1 1 0.6667 0.5833
2006 0.4167 1 0.875 0.375 1 0.6667 0.5833
2007 1 0.4583 0.875 1 0.4167 0.6667 0.5833
2008 0.4167 0.4583 0.875 0.375 0.4167 0.6667 0.5833
2009 1 0.4583 0.875 0.375 0.4167 0.6667 0.5833
2010 0.4167 0.4583 0.875 1 0.4167 0.6667 0.5833
2011 0.4167 0.4583 0.875 0.375 0.4167 0.6667 0.5833
2012 0.4167 1 0.875 0.375 0.4167 0.6667 0.5833
2013 0.4167 1 0.875 0.375 0.4167 0.6667 0.5833
Fuente: Elaboración propia a partir del modelamiento de cópulas en Matlab
La Tabla 26 presenta la transformación de los datos a escala de cópula para obtener el
vector aleatorio 𝑤𝑗 a partir de la cópula Gaussiana, 𝐶𝑊𝐺. Al igual que la Tabla 21, los valores
representan los mismos valores de la matriz de cero pérdidas convertidos con una
transformación a escala uniforme de 0 a 1.
Página | 111
Así mismo, se requiere estimar el parámetro de la cópula CWG usando como input la
matriz Hcero . De esta forma se obtiene el parámetro que llamaremos rhoZero,
presentado en la Tabla 27.
Tabla 27. Matriz de correlación rhoZero de la cópula Gaussiana
Matriz de correlación rhoZero de la cópula Gaussiana
Negociación y ventas
Banca comercial
Liquidación y pagos
Administración de activos
Intermediación minorista
Seguros
Finanzas corporativas 0.07 0.32 0.57 0.49 0.60 0.37
Negociación y ventas
0.35 0.15 0.41 0.12 0.61
Banca comercial 0.29 0.32 0.00 0.45
Liquidación y pagos 0.57 0.55 0.48
Administración de activos 0.42 0.54
Intermediación minorista 0.30
Fuente: Elaboración propia a partir del modelamiento de cópulas en Matlab
La Tabla 27 presenta la matriz de correlación rhoZero que permitirá modelar la
cópula CWG. Dado que esta matriz hace alusión a la correlación entre los vectores
de cero pérdidas, su interpretación carece de sentido.
iv. Se estableció un nuevo valor de 𝑙𝑠𝑗′ = (1 − 𝑤𝑗)𝑙𝑠𝑗
′+ ≥ 0 para cada 𝑗 = 1, … ,8 . Para
este paso se utilizan los valores hallados en el paso ii y se multiplica por (1 − 𝑤𝑗) .
El escenario para el vector de la pérdida total de la línea de negocio “Banca
comercial”, 𝑙𝑠3′ , permanece igual.
v. Se obtuvo un escenario para la pérdida total, 𝑙𝑠′ , agregando las pérdidas para cada
línea de negocio.
𝑙𝑠′ = (∑ 𝑙𝑠𝑗
′
8
𝑗=1
)
0 < |𝑟ℎ𝑜| < 0.3% 0.3 < |𝑟ℎ𝑜| < 0.5 0.5 < |𝑟ℎ𝑜| < 1.0
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 112
Finalmente, como noveno paso de la Figura 2 (página 44) el VaR es calculado a partir de
la distribución de pérdida total estimada 𝑙𝑠′ siguiendo la ecuación 3, capítulo 2 sección 2.4.1:
𝑂𝑝𝑉𝑎𝑅𝛼(𝐿) = 𝑉𝑎𝑅𝛼(𝑙𝑠′ )
en el nivel de confianza 𝛼 deseado, valores típicos son 𝛼 = 90.0%, 𝛼 = 95.0%, 𝛼 = 99.0%,
𝛼 = 99.5% y 𝛼 = 99,9%.
El algoritmo presentado en esta sección permite calcular el valor del capital por riesgo
operativo incorporando la cópula Gaussiana al modelo LDA, que va a servir de base para
establecer si se obtiene o no beneficio de diversificación y si es mejor para las entidades
financieras de mercados emergentes aplicar este tipo de cópula y si provee o no una
estimación más eficiente del capital.
Los valores del capital por riesgo operativo del modelo LDA incorporándole el modelamiento
de la cópula Gaussiana bajo diferentes niveles de confianza se presentan en la sección 8.4.
En dicha sección se presenta un análisis comparativo entre los OpVaR obtenidos usando
los tres modelos: modelo LDA estándar, modelo LDA modelando dependencias con una
cópula Gaussiana multivariada y modelo LDA modelando dependencias con una cópula t
multivariada.
8.3 MODELO LDA INCORPORANDO CÓPULA T
El cálculo del valor del capital por riesgo operativo incorporando la cópula t sigue el mismo
procedimiento al presentado para la cópula Gaussiana. A continuación, se presentan los
resultados del modelo LDA incorporando la modelación de dependencia mediante la cópula
t e incluyendo la modelación de pérdidas faltantes, correspondiente al paso 10 de la Figura
2 (página 44).
Siguiendo el Algoritmo 3 los resultados obtenidos son los siguientes:
i. Se generó un vector aleatorio multivariado 𝑼+ usando una distribución multivariada
cópula t, 𝐹𝐶𝑡 con parámetros rhot y nu (ver capítulo 7 sección 7.2.2), y la matriz de las
cdf 𝐻 (hallada en el capítulo 7 seccion 7.1), es decir, se generó:
𝑼𝑗+ = 𝐹𝐶𝑡 (𝐹(𝑿𝑗
+)) = 𝐹𝐶𝑡(𝐻)
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 113
Figura 20. 100.000 puntos simulados a partir de una cópula t usando las distribuciones marginales Gamma (“Banca minorista”) y Weibull (“Banca Comercial”) - Python
Fuente: Elaboración propia a partir del modelamiento de cópulas en Matlab
La Figura 20 muestra 100.000 puntos simulados de los vectores aleatorios uniformes
bivariados dependientes de las líneas de negocio Banca minorista y Banca comercial
(𝑈3+, 𝑈4
+) a partir de una cópula t con parámetro 𝑟ℎ𝑜𝑡 = 0.68 y 𝑛𝑢 = 10.75. Al igual que
en la Figura 19, la Figura 20 muestra valores uniformes en el intervalo de 0 a 1 y la
mayor concentración se aprecia en las esquinas superior derecha e inferior izquierda
resaltadas en color azul oscuro. Al igual que la cópula Gaussiana, la cópula t es una
cópula simétrica y elíptica donde se aprecia de igual forma una mayor concentración
en las esquinas de la gráfica.
ii. Se obtuvo un escenario de pérdida 𝑙𝑠𝑗′+ para cada línea de negocio.
Se obtuvo 𝑤𝑗, 𝑗 = 1, … ,8 a partir de la cópula t, 𝐶𝑊𝑡, para los vectores de cero pérdidas
usando las funciones de distribución marginal 𝑷𝑊𝑗. Para obtener el vector aleatorio 𝑤𝑗
a partir de la cópula 𝐶𝑊𝑡 se requiere transformar los datos a la escala cópula (unidad
cuadrada) utilizando la función de distribución acumulada binomial, dicha
transformación se presentó en la matriz 𝐻𝑐𝑒𝑟𝑜 (ver Tabla 28). Así mismo se requiere
estimar los parámetros de la cópula 𝐶𝑊𝑡 usando como input la matriz 𝐻𝑐𝑒𝑟𝑜. De esta
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 114
forma se obtiene el parámetro que llamaremos rhotZero, presentado en la Tabla 28 y
los grados de libertad nutZero igual a 9.64.
Tabla 28. Matriz de correlación rhotZero de la cópula t
Matriz de correlación rhotZero de la cópula t
Negociación y ventas
Banca comercial
Liquidación y pagos
Administración de activos
Intermediación minorista
Seguros
Finanzas corporativas 0.30 0.21 0.57 0.51 0.48 0.37
Negociación y ventas 0.22 0.34 0.45 0.21 0.51
Banca comercial 0.18 0.18 0.03 0.33
Liquidación y pagos 0.58 0.44 0.43
Administración de activos 0.36 0.46
Intermediación minorista 0.26
Fuente: Elaboración propia a partir del modelamiento de cópulas en Matlab
La Tabla 28 presenta uno de los dos parámetros que permitirán modelar la cópula t.
iii. Se estableció un nuevo valor de 𝑙𝑠𝑗′ = (1 − 𝑤𝑗)𝑙𝑠𝑗
′+ ≥ 0 para cada 𝑗 = 1, … ,8.
iv. Se obtuvo un escenario para la pérdida total, 𝑙𝑠′ , agregando las pérdidas 𝑙𝑠𝑗
′ .
Finalmente, el VaR es calculado a partir de la distribución de pérdida total estimada 𝑙𝑠′ en el
nivel de confianza deseado (𝛼 = 90.0%, 𝛼 = 95.0%, 𝛼 = 99.0%, 𝛼 = 99.5% y 𝛼 = 99,9%).
Este paso corresponde al undécimo de la Figura 2 (página 44). El algoritmo presentado en
esta sección permite calcular el valor del capital por riesgo operativo incorporando la cópula
t al modelo LDA, que va a servir de base para establecer si se obtiene o no beneficio de
diversificación y si es mejor para las entidades financieras de mercados emergentes aplicar
este tipo de cópula y si provee o no una estimación más eficiente del capital.
Los resultados finales de este modelo se presentan en la siguiente sección.
0 < |𝑟ℎ𝑜| < 0.3% 0.3 < |𝑟ℎ𝑜| < 0.5 0.5 < |𝑟ℎ𝑜| < 1.0
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 115
8.4 CÁLCULO DEL BENEFICIO DE DIVERSIFICACIÓN
En esta sección se verifica la existencia o ausencia del beneficio de diversificación
siguiendo la Ecuación 4 (capítulo 2, sección 2.4.2). Se busca confirmar si el capital por
riesgo operativo, OpVaR, obtenido con el modelo estándar LDA es mayor al obtenido bajo
los modelos que incorporan el modelamiento de dependencias usando las cópulas
Gaussiana (duodécimo paso de la Figura 2, página 42) y t (décimo tercer paso de la Figura
2, página 42).
Toda vez que el cálculo del beneficio de diversificación parte de los montos estimados del
OpVaR bajo cada uno de los modelos discutidos en esta investigación, primero se
presentan los diferentes OpVaR obtenidos y después se presentan los resultados del
beneficio de diversificación para los modelos LDA vs LDA + cópula Gaussiana (modelo 1
vs 2) y LDA vs LDA + cópula t (modelo 1 vs 3).
La Tabla 29 resume los valores estimados de capital por riesgo operativo (OpVaR) bajo
cada uno de los tres modelos: (1) modelo estándar LDA; (2) modelo que incorpora al
modelo LDA el análisis multivariado de dependencias entre las pérdidas operativas
(severidades) utilizando la función cópula elíptica simétrica multivariada Gaussiana y (3)
modelo que incorpora al modelo estándar LDA la cópula elíptica simétrica multivariada t.
Aunque el percentil sugerido por Basel II en el cálculo del capital por riesgo operativo bajo
el modelo estándar LDA es 99.9%, los resultados se presentan para cinco niveles de
confianza 𝛼, a decir: 𝛼 = 90.0%, 𝛼 = 95.0%, 𝛼 = 99.0%, 𝛼 = 99.5% y 𝛼 = 99,9%. De igual
manera, en la Tabla 29 se presenta el incremento porcentual de capital bajo cada modelo
con respecto al capital estimado en 𝛼 = 90.0%, es decir, se presenta el cálculo del ∆𝑂𝑝𝑉𝑎𝑅.
Cabe aclarar que el análisis ∆𝑂𝑝𝑉𝑎𝑅 es un análisis comparativo de capital dentro de cada
modelo, y no una comparación entre modelos.
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 116
Tabla 29. Capital por riesgo operativo OpVaR estimado bajo los tres modelos
Capital por riesgo operativo OpVaR estimado bajo los tres modelos
OpVaR ∆𝑶𝒑𝑽𝒂𝑹
LDA
estándar LDA + Cópula
Gaussiana LDA +
Cópula t LDA
estándar
LDA + Cópula
Gaussiana
LDA + Cópula t
90.0% 1,199.80 805.98 784.02
95.0% 1,577.10 1,049.80 1,026.50 31% 30% 31%
99.0% 2,478.80 1,635.80 1,616.40 107% 103% 106%
99.5% 2,854.10 1,888.70 1,856.40 138% 134% 136%
99.9% 3,706.10 2,479.70 2,441.20 209% 208% 211%
Fuente: Elaboración propia a partir de los resultados de los tres modelos
La Tabla 29 compila los resultados presentados en la Tabla 24 “Capital por riesgo operativo
OpVaR bajo el modelo estándar” y revela los resultados finales de las secciones 8.2 y 8.3.
Figura 21. Comparación de valores de capital por riesgo operativo Fuente: Elaboración propia a partir de los resultados de los tres modelos
La Figura 21 presenta una comparación gráfica de los valores de capital por riesgo operativo
obtenidos con los tres modelos.
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 117
Tabla 30. Beneficio de diversificación
Beneficio de diversificación
LDA + Cópula
Gaussiana
LDA + Cópula t
90.0% 32.8% 34.7%
95.0% 33.4% 34.9%
99.0% 34.0% 34.8%
99.5% 33.8% 35.0%
99.9% 33.1% 34.1%
Fuente: Elaboración propia a partir de los resultados de los tres modelos
Finalmente, la Tabla 30 muestra los valores estimados del beneficio de diversificación
alcanzado por los modelos 2 y 3 (pasos 12 y 13 de la Figura 2 página 42) en cada uno de
los cinco niveles de confianza 𝛼 y la Figura 22 presenta de forma gráfica dichos resultados.
Figura 22. Comparación de valores de beneficio de diversificación
Fuente: Elaboración propia a partir de los resultados de los modelos
En términos generales, a partir de la Tabla 29 y la Figura 22 se puede apreciar que, a mayor
nivel de confianza, se requiere mayor cargo de capital por riesgo operativo para cubrir las
posibles pérdidas operativas y esto se observa para todos los modelos. También se
visualiza que los modelos que incorporan el análisis multivariado de dependencias entre las
pérdidas operativas (severidades), utilizando las funciones cópula elípticas simétricas
multivariadas Gaussiana y t, presentan valores de capital por riesgo operativo menores a
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 118
los obtenidos bajo el modelo estándar LDA propuesto por Basilea II. Adicionalmente, es
claro que el modelamiento de la dependencia entre las severidades a lo largo de las ocho
líneas de negocio usando la cópula multivariada t provee los valores de OpVaR más bajos
a través de los diferentes niveles de confianza 𝛼, mientras que el modelo que incorpora la
cópula Gaussiana presenta valores ligeramente más altos. A continuación, se profundizan
estas apreciaciones generales.
Dado que los datos no provienen de una sola entidad financiera, la Tabla 29 muestra valores
globales del valor del capital por riesgo operativo que las entidades financieras de mercados
emergentes deberían provisionar para cubrir las posibles pérdidas por riesgo operativo a
un nivel de confianza determinado. Por ejemplo, con un nivel de confianza del 90% y 99.9%
la pérdida máxima por riesgo operativo para el sector financiero de mercados emergentes
en millones es de USD 1,199.80 y USD 3,706.10 respectivamente, calculado mediante el
modelo estándar LDA. Lo anterior evidencia un aumento, ∆𝑂𝑝𝑉𝑎𝑅 , del 209% entre el
percentil 90% y el 99.9%, lo que indica claramente un aumento masivo de capital, casi el
doble, cuando se sube el nivel de confianza y cuando se utiliza el modelo estándar. Para el
caso del modelo que incorpora cópula Gaussiana, la pérdida máxima por riesgo operativo
con un nivel de confianza del 90% y 99.9% es de USD 805.98 y USD 2,479.70
respectivamente, evidenciando un aumento, ∆𝑂𝑝𝑉𝑎𝑅, del 208% y para el caso del modelo
que incorporan cópula t, la pérdida máxima por riesgo operativo aumenta un 210%,
pasando de USD 784.02 a USD 2,441.20. Tal como con el modelo estándar, el capital por
riesgo operativo a provisionar con los modelos que incorporan cópulas sufre un aumento
excesivo y se requiere más del doble de capital, para aumentar solo un 9.9% el nivel de
confianza.
En general, los valores ∆𝑂𝑝𝑉𝑎𝑅 bajo cada modelo evidencian incrementos porcentuales
sustanciales de capital a medida que el nivel de confianza se incrementa, esto se debe a
las pérdidas extremas en las colas de la distribución de pérdida agregada que se
caracterizan por su baja frecuencia y alta severidad y sus efectos pueden ser devastadores
económicamente (Murillo Gómez, 2009). Aumentar el nivel de confianza puede suponer un
consumo excesivo de capital para cubrir un riesgo muy poco probable (González, 2004).
Estos incrementos ∆𝑂𝑝𝑉𝑎𝑅 se evidencian en la Figura 22 donde el incremento de capital
entre los percentiles 99.5% y 99.9% es más notorio en los tres modelos. Esto indica que
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 119
cuando el nivel de probabilidad es más alto, por ejemplo, el 99.9% percentil, las diferencias
de capital OpVaR para las cópulas Gaussiana y t son más prominentes si se comparan con
el modelo estándar LDA.
Por otro lado, al comparar los 𝑂𝑝𝑉𝑎𝑅 obtenidos con los tres modelos en cada nivel de
confianza 𝛼 (Tabla 30 y Figura 22) se evidencia que el capital por riesgo operativo obtenido
con los modelos que incorporan las cópulas es menor al capital obtenido con el modelo
estándar LDA propuesto por Basilea II. Por ejemplo, el 𝑂𝑝𝑉𝑎𝑅 al 99.9% nivel de confianza
para el modelo estándar LDA es de USD 3,706.10, para el modelo que incorpora cópula
Gaussiana es de USD 2,479.70 y para el modelo que incorpora cópula t es de USD
2,441.20. Utilizando estas cifras se puede estimar el beneficio de diversificación entre el
modelo estándar LDA y los modelos que incorporan el modelamiento de dependencias bajo
la cópula Gaussiana y t. Por ejemplo, para 𝛼 = 99.9% el beneficio de diversificación para la
cópula Gaussiana es:
𝐷99,9% =2,479.70 − 3,706.10
3,706.10= −33.09%
Y para el caso de la cópula t el beneficio de diversificación es:
𝐷99,9% =2,441.20 − 3,706.10
3,706.10= −34.13%
Dado que 𝐷99,9% < 0, se confirma que existe un beneficio de diversificación y que se
alcanzó un beneficio de diversificación del 33.09% y 34.13% respectivamente.
En este sentido, para un nivel de confianza de 99.9%, el capital por riesgo operativo
obtenido con el modelo estándar LDA fue de USD 3,706.10 y el capital por riesgo operativo
obtenido con la incorporación de la cópula Gaussiana fue de USD 2,479.70, logrando un
beneficio de diversificación de 33.09%, es decir, se obtiene una reducción del 33.09% en el
capital por riesgo operativo que las entidades financieras de mercado emergente deben
provisionar al modelar la dependencia multivariada entre líneas de negocio con una cópula
Gaussiana.
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 120
En el caso de la cópula t y tomando un nivel de confianza del 99.9% se logró disminuir un
34.13% el valor del capital por riesgo operativo que las entidades financieras de mercado
emergente deben provisionar, pasando de provisionar USD 3,706.10 a provisionar USD
2,441.20 si se modela la dependencia con una cópula t multivariada.
Dado que todos los valores presentados en la Tabla 30 son valores negativos tanto para el
modelo 1 vs 2 como para el modelo 1 vs 3, se corrobora la existencia del beneficio de
diversificación para los modelos 2 y 3 en todos los percentiles o niveles de confianza 𝛼.
Adicionalmente, es claro que el modelo que incorpora el análisis de dependencias mediante
la cópula t (modelo 3) presenta la reducción más sustancial en cuanto al nivel de capital
requerido. Por ejemplo, al nivel 𝛼 = 99.5% existe un beneficio de diversificación de hasta
35% para la cópula t y de casi 34% (33.8%) para la cópula Gaussiana. Estos hallazgos
resultan muy similares a los resultados reportados en otros estudios, como por ejemplo
Mittnik et al. (2011) reportó una reducción del 30% usando una cópula Gaussiana, o
Brechmann et al. (2014) presentó un beneficio de diversificación en el intervalo 38% y 35%
para los modelos cópula: Gaussiana, t, t con múltiples grados de libertad y vine; cabe aclarar
que estos estudios analizaron pérdidas operativas de entidades financieras de países
desarrollados.
De esta forma, se comprueba que la incorporación del modelamiento de dependencias
usando las cópulas multivariadas Gaussiana y t, en el Modelo de Distribución de Pérdidas
Agregadas LDA, provee una estimación más eficiente del capital por riesgo operativo entre
1990 y 2013 en entidades financieras de mercados emergentes en comparación con el
capital por riesgo operativo estimado bajo el modelo estándar LDA.
Bajo los estándares establecidos por Basel II utilizando AMA como medida de riesgo
operativo, una entidad financiera puede ajustar su cargo de capital por riesgo operativo en
máximo un 20% mediante el uso de tres métodos (A. Jobst, 2007): (1) la cantidad de
pérdidas esperadas; (2) beneficios por diversificación de la correlación entre riesgos
operativos entre y en las líneas operativas (3) el impacto de mitigación de riesgo. Por lo
tanto, los resultados presentados en este capítulo permiten utilizar el segundo de los tres
métodos establecidos por el Comité de Supervisión Bancaria de Basilea para realizar el
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 121
ajuste del capital por riesgo operativo en el máximo establecido, sin afectar su exposición
al riesgo operativo.
9. CONCLUSIONES
El principal aporte de la presente investigación es la incorporación del modelamiento
multivariado de dependencias entre pérdidas operativas (severidades) usando las
funciones cópula Gaussiana y t en el cálculo del capital por riesgo operativo OpVaR bajo el
enfoque de Métodos de Medición Avanzada (AMA), usando específicamente el modelo LDA
en entidades financieras de mercados emergentes.
La presente investigación analizó 3 modelos para medir el cambio en el capital por riesgo
operativo, cada uno de los cuales está enmarcado bajo los AMA: (1) Modelo estándar LDA
(propuesto en el acuerdo Basilea II 2004); (2) Modelo LDA incorporando dependencia bajo
cópula Gaussiana y; (3) Modelo LDA incorporando dependencia bajo cópula t.
Con un nivel de confianza del 99,9%, el capital a provisionar pasó de USD 3,706.10 hallado
con el modelo estándar LDA propuesto por Basel 2, a USD 2,479.70 incorporando la cópula
Gaussiana y a USD 2,441.20 incorporando la cópula t, esto significa que se obtuvo una
reducción en el capital a provisionar por riesgo operativo del 34% al modelar dependencias
usando una cópula Gaussiana multivariada y 35% con la cópula t. Claramente el capital
estimado bajo el modelo estándar LDA es excesivamente alto cuando se compara con los
otros dos modelos. Estos resultados respaldan la literatura consultada sobre los problemas
que presenta el modelo LDA, como lo es la sobreestimación del OpVaR (Böcker &
Klüppelberg, 2008).
Con la presente investigación se confirmó que los datos analizados siguen el
comportamiento típico de las distribuciones de pérdidas por riesgo operativo caracterizado
por: alta frecuencia-baja severidad, y baja frecuencia-alta severidad o alto impacto
monetario cuando se presentan colas largas y medianas.
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 122
A partir de la Tabla 20 se puede concluir que las severidades de la mayoría de las líneas
de negocio siguen la distribución Weibull, excepto por la línea de negocio “Banca Minorista”
cuya distribución es Gamma. Siendo Weibull y Gamma distribuciones con colas medianas,
se puede inferir que las distribuciones marginales de las severidades analizadas no
presentan distribuciones con colas largas.
Con esta investigación, se socializa académicamente el entendimiento de técnicas más
sofisticadas y robustas para la medición del capital por riesgo operativo, y así, se
proporcionan herramientas para la toma de decisiones (Bedoya, 2009) y para la gestión del
riesgo operativo en entidades financieras de mercados emergentes.
Dadas las altas pérdidas por riesgo operativo registradas en entidades financieras de
mercados emergentes, tal como la reciente pérdida que tuvo el Banco Nacional de Punjab
en India equivalente a 2.000 millones de dólares americanos (USD), resulta necesaria la
implementación de modelos robustos que estimen el capital por riesgo operativo en las
entidades financieras de mercados emergentes. De esta forma, esta investigación se puede
ver como una guía para las entidades financieras colombianas y de mercados emergentes
de tal forma que les permita prepararse mejor para cumplir con sus obligaciones
regulatorias y prevenir altas pérdidas por riesgo operativo.
El presente estudio se centró en mercados emergentes debido al importante crecimiento
mundial que han experimentado en los últimos años (García-Herrero et al., 2011; Lesley
Wroughton, 2018; S. Peters, 2010). Estos mercados, que tiempo atrás fueron consideradas
como periféricos, se han convertido en el eje de la expansión económica a nivel global, y
su papel es cada vez más relevante (García-Herrero et al., 2011).
Pese a la importancia que han ganado los mercados emergentes, de las 58 referencias
bibliográficas analizadas en esta investigación, solo el 37% (22 estudios) se centraron en
entidades financieras de mercados emergentes, de estas 22 referencias bibliográficas solo
se encontraron 6 investigaciones que utilizaron cópulas para la estimación de dependencias
en mercados emergentes, pero estas fueron aplicadas a otros tipos de riesgo financiero,
como riesgo de mercado y riesgo sistémico. Por lo tanto, de acuerdo con la literatura
consultada, la presente investigación llena el vacío metodológico existente al no encontrar
en la literatura estudios para mercados emergentes utilizando cópulas en el modelamiento
de dependencias entre pérdidas operativas bajo métodos AMA y que incorporaran dicha
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 123
dependencia en la estimación del capital por riesgo operativo Basilea II (CSBB, 2004) y
Basilea III (CSBB, 2011)(CSBB, 2004, 2011).
Gestionar el riesgo operativo de acuerdo con lo establecido en Basilea II / III expone
múltiples ventajas como el progreso de la solidez y estabilidad del sistema financiero a nivel
internacional, el mejoramiento de asignación de recursos y la promoción de la transferencia
de la información (Superintendencia de Banca seguros, 2006). Aunque la regulación del
capital por riesgo operativo por parte del CSBB aplica únicamente para países desarrollados
(CSBB, 2004, 2011), un número significativo de mercados emergentes ya ha declarado
tener intención de introducir el marco de Basilea II prontamente (Eduardo Jara Buitrago,
2019; García-Herrero & Gavilá, 2006).
Para el caso puntual de Colombia, en el año 2019 el Fondo Monetario Internacional y
Moody’s Analytics, la reconocida calificadora de riesgos, publicaron artículos en los cuales
se asegura que los estándares propuestos por el Comité de Supervisión Bancaria de
Basilea serán implementados en el país en el lapso de 2020 a 2024 (Analytics Moody’s,
2019; FMI, 2019). Por lo tanto, la presente investigación resulta relevante dadas las nuevas
implementaciones de políticas de gestión de riesgo operativo en mercados emergentes
encaminadas a aumentar la solidez del sistema financiero, reforzar mecanismos de
supervisión de las entidades de control y asegurar que los países cuenten con resiliencia a
factores externos.
Por otra parte, es fundamental tener en cuenta que, para realizar una gestión de riesgo
operativo apropiada, resulta indispensable mantener niveles mínimos de capital por riesgo
operativo, con los cuales se puedan cubrir las pérdidas ocasionadas por riesgos operativos
(Breymann et al., 2003; Chavez-Demoulin et al., 2006). Por lo tanto, el uso de las
metodologías y técnicas abordadas en esta investigación pueden ser vistas como un aporte
en la transición hacia la aplicación de los nuevos estándares para la convergencia
internacional de medidas y normas de capital (CSBB, 2004) por parte de los mercados
emergentes.
Esta investigación hace uso de una metodología que previamente ha obtenido reducciones
en el capital por riesgo operativo de hasta 50% en entidades financieras de economías
desarrolladas, como Estados Unidos, Reino Unido, Alemania, Italia, entre otras, tal como lo
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 124
muestran los estudios de Frachot et al. (2001); Garzón Rozo et al. (2016); Giacometti et al.
(2007); McNeil et al. (2015); Moscadelli (2004); Panjer (2006); Pavel V. Shevchenko, Gareth
W. Peters, Bertrand Hassani (2009); Rachedi & Fantazzini (2011) y Shevchenk, (2007).
Al incorporar el modelamiento multivariado de la dependencia en el cálculo del OpVaR en
entidades financieras de mercados emergentes, se obtuvo una reducción en el cargo del
capital por riesgo operativo para las entidades modeladas de hasta 34% en el modelo que
usa cópula Gaussiana (modelo 2) y 35% cuando se usa cópula t (modelo 3). Por
consiguiente, esto es un resultado importante en términos de capital requerido por la
institución financiera que adopte este enfoque.
Se realizó la modelación de dependencias entre líneas de negocio utilizando las cópulas
multivariadas elípticas simétricas Gaussiana y t. Se observaron diferentes niveles de
dependencias entre líneas de negocio (bajo con correlación de 0 a 0.3%, medio con
correlación de 0.3% a 0.5% y alto con correlación de 0.5% a 1%) de acuerdo con los valores
hallados en las matrices de correlación Gaussiana y t.
Para la modelación de dependencias con la cópula Gaussiana, los resultados sugieren que
hay una alta correlación entre las líneas de negocio “Finanzas corporativas” y “Liquidación
y pagos”, entre las líneas “Finanzas corporativas” e “Intermediación minorista”, entre las
líneas “Negociación y ventas” y “Seguros”, entre las líneas “Liquidación y pagos” y
“Administración de activos”, entre las líneas de negocio “Liquidación y pagos” e
“Intermediación minorista” y entre las líneas de negocio “Administración de activos” y
“Seguros”.
Para la modelación de dependencias con la cópula t, los valores de alta correlación se
presentaron entre las líneas de negocio “Finanzas corporativas” y “Liquidación y pagos”,
entre las líneas “Finanzas corporativas” y “Administración de activos”, entre las líneas
“Negociación y ventas” y “Seguros” y entre las líneas de negocio “Liquidación y pagos” y
“Administración de activos”. Tomando la matriz de correlación de la Cópula t, de las 28
parejas de correlaciones, 3 presentan correlación alta (rho>0.5), 11 parejas tienen una
correlación media (0.3 <rho<0.5) y 14 parejas presentan una correlación baja (rho<0.3).
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 125
Los resultados obtenidos confirman que el supuesto del modelo estándar LDA sobre
“dependencia positiva perfecta, comonoticidad (es decir correlación=1)” entre las
severidades de las diferentes líneas de negocio no es sostenible. Cabe mencionar que
estos resultados están alineados con la literatura consultada: las severidades son variables
aleatorias que presentan dependencia entre líneas de negocio, pero dicha dependencia no
es positiva perfecta (Breymann et al., 2003; Chapelle et al., 2008; Chavez-Demoulin et al.,
2006; Frachot et al., 2001). Al comprobarse que el supuesto de comonoticidad no es
sostenible se comprueba que el modelo estándar LDA sobre estima el capital requerido
para cubrir riesgo operativo.
Al comparar los resultados obtenidos en esta investigación con estudios similares, se
observa que esta investigación logró una mayor reducción del capital por riesgo operativo
que (Giacometti et al., 2007) dado que ellos lograron en su estudio un beneficio entre 20%
y 29% utilizando cópula asimétrica t y cópula t. De igual manera, se logró un mejor resultado
que (Inanoglu, H.; Ulman, 2009) quienes presentaron una reducción del 7% al 11% usando
tres tipos de cópulas Gaussiana, t y Gumbel y distribuciones con colas largas. Por otra
parte, nuestro estudio va en línea con los resultados hallados por (Pavel V. Shevchenko,
Gareth W. Peters, Bertrand Hassani, 2009) y (Rachedi & Fantazzini, 2011), los cuales
obtuvieron un beneficio de diversificación entre el 30% y el 50% al utilizar la cópula
Gaussiana y distribuciones con colas cortas, al igual que (Garzón Rozo et al., 2016),
quienes hallaron un beneficio entre el 33% y 56% usando tres tipos de cópulas Gaussiana,
t y asimétrica t y distribuciones con colas medianas y cortas.
Dado que se confirmó la existencia del beneficio de diversificación de los modelos 2 y 3:
Modelo LDA incorporando dependencia bajo cópula multivariada Gaussiana y Modelo LDA
incorporando dependencia bajo cópula multivariada t en comparación con el modelo 1:
Modelo estándar LDA (propuesto en el acuerdo Basilea II 2004), se acepta la hipótesis
preestablecida, es decir, se verifica que la incorporación del modelamiento de
dependencias entre las pérdidas operativas (severidades) de todas las líneas de negocio
(ocho en total) usando las cópulas multivariadas Gaussiana y t, en el Modelo de Distribución
de Pérdidas Agregadas LDA, provee una estimación más eficiente del capital por riesgo
operativo entre 1990 y 2013 en entidades financieras de mercados emergentes en
comparación con el capital por riesgo operativo estimado bajo el modelo estándar LDA.
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 126
Los resultados de esta investigación son un aporte importante no solo para la comunidad
académica e investigadores al aplicar Métodos de Medición Avanzada (AMA) en la
estimación del capital por riesgo operativo y los Modelos Cópula para modelar
dependencias, sino también para las entidades financieras de mercados emergentes al
requerir menos capital para cubrir la exposición al riesgo operativo, los entes supervisores
gubernamentales al facilitar herramientas para avanzar hacia el cumplimiento de
estándares internacionales, las empresas de consultoría financiera, los profesionales de
riesgos y los operadores en finanzas.
En la academia, investigadores podrán utilizar estos resultados como punto de comparación
o marco de referencia. Las instituciones del sector financiero podrán aplicar la metodología
implementada en este estudio usando bases de datos internas para mejorar el
entendimiento del riesgo operativo en sus organizaciones.
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 127
10. ALCANCE Y LIMITACIONES
El alcance de la presente investigación abarcó la información de pérdidas operativas desde
el año 1990 hasta el 2013 reportadas en la base de datos SAS® Operational Risk Global
Data ocurridas en los mercados emergentes: Brasil, Chile, China, Colombia, República
Checa, Egipto, Grecia, Hungría, India, Indonesia, Malasia, México, Pakistán, Perú, Filipinas,
Polonia, Qatar, Rusia, Sudáfrica, Corea del Sur, Taiwán, Tailandia, Turquía y Emiratos
Árabes Unidos.
La principal limitación de la presente investigación fue la no disponibilidad de bases de
datos de pérdidas operativas internas registradas directamente por entidades financieras,
debido a la sensibilidad y confidencialidad de la información requerida. Inicialmente se
buscó tener acceso a bases de datos de pérdidas operativas que provinieran directamente
de entidades financieras colombianas, sin embargo, el acceso restringido a las mismas
motivó la búsqueda de fuentes alternas. Adicionalmente, varias de las instituciones
contactadas expresaron tener bases de datos, pero con información incompleta, dado que
categorizar las pérdidas operativas de acuerdo con las líneas de negocio y tipo de eventos
estipulados en Basilea II es una práctica reciente para estas.
Pese a la dificultad para acceder a este tipo de información, esta investigación consideró
una base de datos comercial que cataloga las pérdidas operativas, divulgadas públicamente
en todos los sectores industriales y financieros a nivel mundial, SAS® Operational Risk
Global Data (SAS OpRisk Global Data). Es una base de datos de pérdidas externas que
enriquece la muestra estadística, la cual es ampliamente utilizada en el modelamiento de
riesgo operativo. Aunque esta base documenta más de 30.000 eventos, el umbral de
notificación es de 100.000 USD, es decir, pérdidas por debajo de este umbral no son
registradas. Esto limitó el estudio al contemplar únicamente pérdidas que superan dicho
monto.
A pesar de la anterior dificultad, la presente investigación aplicó una metodología
matemática robusta, como lo es la incorporación del modelamiento de dependencias al
modelo estándar LDA a través de cópulas, para estimar el capital por riesgo operativo a la
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 128
base de datos de pérdidas externas obtenida, evidenciando la existencia de diversificación
de capital por riesgo operativo en las entidades financieras de mercados emergentes.
Por otro lado, esta investigación se centró en estudiar el modelo más utilizado y robusto
dentro del enfoque AMA, el modelo LDA. Por lo tanto, los modelos de medición indicador
básico (BIA) o estandarizado (SA) no fueron parte del alcance de esta tesis. Para
implementar estos modelos se requiere información específica de entidades financieras,
por lo que se decidió descartar el análisis de dichos modelos. Para futuros estudios, se
podría realizar análisis de capital por riesgo operativo utilizando los modelos BIA y SA de
tal forma que se obtenga una comparación más completa y detallada.
El estudio analizó las dependencias entre las distribuciones de probabilidad de las pérdidas
operativas, es decir, entre las severidades, por lo que no se incluyó el análisis de
dependencias entre frecuencias, debido a que las funciones cópulas para distribuciones
discretas requieren cálculos complementarios más avanzados y demandarían mayor
disponibilidad de tiempo. La aplicación de funciones cópulas sobre distribuciones discretas
podría ser factor clave de estudio en futuras investigaciones. Los algoritmos de la presente
investigación pueden ser punto de partida para el éxito de futuros estudios de modelamiento
de dependencias de frecuencias entre líneas de negocio.
La presente investigación estudió el modelamiento multivariado de dependencias entre
severidades utilizando funciones cópula elípticas simétricas, específicamente la cópula
Gaussiana y la cópula t; otros tipos de cópulas más sofisticadas, por ejemplo, cópulas Vine
y cópulas elípticas asimétricas podrán ser objeto de investigación en futuros proyectos.
Por último, este estudio no aplicó distribuciones mixtas, tal como la distribución Lognormal-
distribución generalizada de Pareto (LognGPD). Este tipo de distribuciones han sido
aplicadas en la literatura (Cruz, 2002; Garzón Rozo et al., 2016) ya que permiten modelar
por separado el cuerpo y la cola de las distribuciones de probabilidad de severidades de las
pérdidas operativas. Este tipo de distribuciones mixtas demandan una programación
matemática adicional, tanto para su implementación en el modelo estándar LDA, como en
la aplicación de las funciones cópulas. También podrían ser investigadas en futuros
estudios aplicándose a mercados emergentes.
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 129
11. REFERENCIAS
Agencias. (2002, February 21). El fraude del banco AIB duró cinco años _ Edición impresa _ EL PAÍS. El País, 1. http://elpais.com/diario/2002/02/21/economia/1014246007_850215.html
Analytics Moody’s, . (2019). IMF Report States Colombia to Introduce Basel Standards from 2020-24. https://www.moodysanalytics.com/regulatory-news/may-22-19-imf-report-states-colombia-to-introduce-basel-standards-from-2020-24
Andrés, J., Hernández, M., Distrital, U., José, F., José, J., Caldas, D. E., De Ciencias, F., Educaci´on, Y., & Educaci´on, E. (2016). UNA FALACIA SOBRE DEPENDENCIA ENTRE VARIABLES ALEATORIAS ILUSTRADA CON TEORÍA DE CÓPULAS. http://repository.udistrital.edu.co/bitstream/11349/3664/1/Principal.pdf
ANSA Latina. (2019). México, líder mundial en fraudes bancarios - México - ANSA Latina. Agencia Italiana de Noticias. http://www.ansalatina.com/americalatina/noticia/mexico/2019/06/28/lider-mundial-en-fraudes-financieros_ee6b87a2-7dab-4399-a102-e7fb17500930.html
Baldizzoni, E. (2014). Propuesta de Proceso de Transformación de Datos para Proyectos de Explotación de Información. Revista Latinoamericana de Ingenieria de Software, 1(2), 56. https://doi.org/10.18294/relais.2013.56-70
Bank of International Settlements. (2004). Basel II: Revised international capital framework. https://www.bis.org/publ/bcbsca.htm
Becerra, G., Guzmán, A., & Trujillo, M. A. (2005). La importancia de la administración del riesgo operativo en las entidades crediticias. In Revista universidad & empresa. Universidad del Rosario (Bogota) (Vol. 8, Issue 10). https://revistas.urosario.edu.co/index.php/empresa/article/view/937
Bedoya, D. (2009). Propuesta para el modelamiento del riesgo operativo en una entidad financiera. Universidad Nacional de Colombia, 01–130.
Böcker, K., & Klüppelberg, C. (2008). Operational VaR: a Closed-Form Approximation. http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.178.5006&rep=rep1&type=pdf
Brechmann, E., Czado, C., & Paterlini, S. (2014). Flexible dependence modeling of operational risk losses and its impact on total capital requirements. Journal of Banking & Finance, 40, 271–285. https://doi.org/10.1016/J.JBANKFIN.2013.11.040
Breymann, W., Dias, A., & Embrechts, P. (2003). Dependence Structures for Multivariate High-Frequency Data in Finance. www.math.ethz.ch/finance
Bruton, G. D., Filatotchev, I., Si, S., & Wright, M. (2013). ENTREPRENEURSHIP AND STRATEGY IN EMERGING ECONOMIES. https://doi.org/10.1002/sej.1159
Caballero Díaz, F. (2011). Selección de modelos mediante criterios de información en
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 130
análisis factorial.
Calafati, R. O. (2017). Estrategias para el tratamiento de datos faltantes (“missing data”).
Ceballos López, Á. M. (2015). Implementacion De Cópulas Para La Estimación Del Valor En Riesgo. 1–23.
Chapelle, A., Crama, Y., Hübner, G., & Peters, J.-P. (2008). Practical methods for measuring and managing operational risk in the financial sector: A clinical study. Journal of Banking & Finance, 32(6), 1049–1061. https://doi.org/10.1016/j.jbankfin.2007.09.017
Chavez-Demoulin, V., Embrechts, P., & Nešlehová, J. (2006). Quantitative models for operational risk: Extremes, dependence and aggregation. Journal of Banking and Finance, 30(10), 2635–2658. https://doi.org/10.1016/j.jbankfin.2005.11.008
Chernobai, A., Rachev, S. T., & Fabozzi, F. J. (2015). Composite goodness-of-fit tests for left-truncated loss samples. Handbook of Financial Econometrics and Statistics, 1(805), 575–596. https://doi.org/10.1007/978-1-4614-7750-1_20
Christian Brechmann, E., & Czado, C. (2013). Risk management with high-dimensional vine copulas: An analysis of the Euro Stoxx 50. https://mediatum.ub.tum.de/doc/1079276/1079276.pdf
Cobas Valdés, A. (2017). La emigración cubana a Estados Unidos desde una perspectiva econométrica (Vol. 2017, Issue c).
Correa Vilizzio, Alejandra; Galione Klot, G. (2009). “ Requerimiento de Capital por Riesgo Operativo . Referencia al caso Uruguayo .” Universidad de La República Oriental Del Uruguay Facultad de Ciencias Económicas y Administración.
Cruz, M. G. (2002). Modeling, measuring and hedging operational risk. John Wiley & Sons. https://www.wiley.com/en-us/Modeling%2C+Measuring+and+Hedging+Operational+Risk-p-9780471515609
CSBB. (2004). Basilea II. Convergencia internacional de medidas y normas de capital. In Banco de Pagos Internacionales, Basilea. https://doi.org/10.1017/S0250569X00016873
CSBB. (2009). Basel Committee on Banking Supervision Results from the 2008 Loss Data Collection Exercise for Operational Risk. https://www.bis.org/publ/bcbs160.pdf
CSBB. (2011). Basilea III: Marco regulatorio internacional para bancos. https://www.bis.org/bcbs/basel3.htm
Cumming, C. M., & Hirtle, B. J. (2001). The Challenges of Risk Management in Diversified Financial Companies. FRBNY Economic Policy Review, March, 1–17.
DANE. (2018). Índice de Precios al Consumidor (IPC). https://www.dane.gov.co/index.php/estadisticas-por-tema/precios-y-costos/indice-de-precios-al-consumidor-ipc
de Oliveira, F. A., Maia, S. F., de Jesus, D. P., & Besarria, C. da N. (2018). Which information matters to market risk spreading in Brazil? Volatility transmission modelling using MGARCH-BEKK, DCC, t-Copulas. The North American Journal of Economics and
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 131
Finance, 45, 83–100. https://doi.org/10.1016/J.NAJEF.2018.02.003
Demarta, S., & McNeil, A. J. (2007). The t Copula and Related Copulas. International Statistical Review, 73(1), 111–129. https://doi.org/10.1111/j.1751-5823.2005.tb00254.x
Di Clemente, A., & Romano, C. (2004). Measuring and Optimizing Portfolio Credit Risk: A Copula-based Approach*. Economic Notes, 33(3), 325–357. https://doi.org/10.1111/j.0391-5026.2004.00135.x
Diario 16. (2018). Las claves de la «presunta» estafa del Caso Banco Popular. https://diario16.com/las-claves-la-presunta-estafa-del-caso-banco-popular/
EAE. (2018). ¿Qué son los mercados emergentes? -. https://www.eaeprogramas.es/internacionalizacion/que-son-los-mercados-emergentes
Economy Watch. (2010). Emerging Markets | Economy Watch. http://www.economywatch.com/world_economy/emerging-markets
Eduardo Jara Buitrago. (2019). Seminario 549: Basilea IV y las reformas poscrisis | Banco de la República (banco central de Colombia). http://www.banrep.gov.co/es/eventos/seminario-semanal-economia-bogota-549
El-Gamal, M., Inanoglu, H., & Stengel, M. (2006). Multivariate Estimation for Operational Risk With Judicious Use of Extreme Value Theory. Journal of Operational Risk. https://www.researchgate.net/publication/228680332_Multivariate_Estimation_for_Operational_Risk_With_Judicious_Use_of_Extreme_Value_Theory
El Mundo. (2008). Société Générale reconoce que el fraude llegó a elevarse a 50.000 millones de euros | elmundo.es. https://www.elmundo.es/mundodinero/2008/01/27/economia/1201440920.html
El Mundo. (2017). Anticorrupción ve delito de estafa en el caso del Popular y considera manipulación del mercado. https://www.elmundo.es/economia/2017/09/26/59c94cbb268e3edf398b46ec.html
EL PAÍS. (2002). Once aseguradoras demandan a JP Morgan por el “caso Enron” | Edición impresa | EL PAÍS. https://elpais.com/diario/2002/02/26/economia/1014678010_850215.html
Embrechts, P, Kll, C., Mikosch, T., Berlin, S.-V., London, H. N., Tokyo, P., Kong, H., & Budapest, B. (1997). Modelling Extremal Events for Insurance and Finance. http://web.math.ku.dk/~mogens/springerchap6.pdf
Embrechts, Paul, Lindskog, F., & Mcneil, A. (2001). Modelling Dependence with Copulas and Applications to Risk Management. www.math.ethz.ch/finance
Ergashev, B., Pavlikov, K., Uryasev, S., & Sekeris, E. (2016). Estimation of Truncated Data Samples in Operational Risk Modeling. Journal of Risk and Insurance, 83(3), 613–640. https://doi.org/10.1111/jori.12062
Escalante Coterio, C. E., & Sánchez Zuleta, C. C. (2014). Prima de la suma de dos riesgos dependientes PQD o NQD. Aplicación de algunas cópulas arquimedianas *.
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 132
http://www.scielo.org.co/pdf/rium/v13n25/v13n25a11.pdf
España Banca. (2017). El Santander compra el Banco Popular español al precio simbólico de un euro. https://www.efe.com/efe/america/economia/el-santander-compra-banco-popular-espanol-al-precio-simbolico-de-un-euro/20000011-3289506
España, B. de. (2018). Comité de Supervisión de Basilea. https://web.archive.org/web/20091107221847/http://www.bde.es/webbde/es/secciones/prensa/faqs/super2.html
Fang, H.-B., Fang, K.-T., & Kotz, S. (2002). The Meta-elliptical Distributions with Given Marginals 1. Journal of Multivariate Analysis, 82, 1–16. https://doi.org/10.1006/jmva.2001.2017
Feria-Domínguez, J. M., Jiménez-Rodríguez, E., & Sholarin, O. (2015). Tackling the over-dispersion of operational risk: Implications on capital adequacy requirements. The North American Journal of Economics and Finance, 31, 206–221. https://doi.org/10.1016/J.NAJEF.2014.11.004
Figuet, J.-M., Humblot, T., & Lahet, D. (2015). Cross-border banking claims on emerging countries: The Basel III Banking Reforms in a push and pull framework. Journal of International Financial Markets, Institutions and Money, 34, 294–310. https://doi.org/10.1016/J.INTFIN.2014.11.016
FMI. (2018). Actualización de Perspectivas de la Economía Mundial, Julio de 2018: Expansión menos uniforme, crecientes tensiones comerciales. https://www.imf.org/es/Publications/WEO/Issues/2018/07/02/world-economic-outlook-update-july-2018
FMI. (2019). Colombia : Review Under the Flexible Credit Line Arrangement-Press Release; and Staff Report. https://www.imf.org/en/Publications/CR/Issues/2019/05/21/Colombia-Review-Under-the-Flexible-Credit-Line-Arrangement-Press-Release-and-Staff-Report-46917
Fontnouvelle, A. P. De, Rosengren, E., Jordan, J., Fontnouvelle, P. De, Rosengren, E. S., & Jordan, J. S. (2007). Operational Risk. In The Risks of Financial Institutions (Issue January).
Fontnouvelle, P. De, Dejesus-Rueff, V., Jordan, J. S., & Rosengreen, E. S. (2006). Capital and Risk : New Evidence on Implications of. Journal of Money, Credit, and Banking, 38(7), 1819–1846.
Fort, M. (2013). Nick Leeson “El principal delito de la banca es su estupidez.” La Vanguardia, 1. http://www.lavanguardia.com/economia/20130218/54365423401/nick-leeson-principal-delito-banca-estupidez.html
Frachot, a, Georges, P., & Roncalli, T. (2001). Loss distribution approach for operational risk. Available at SSRN 1032523, 1–43. https://doi.org/10.2139/ssrn.1032523
Franco, L. C., & Murillo, J. G. (2008). Loss distribution aproach (LDA): Metodología actuarial aplicada al riesgo operacional. Revista Ingenierías Universidad de Medellín, 7(13), 143–156.
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 133
Galiano Carreño, R. (2017). ESTIMACIÓN DEL RIESGO DE PÉRDIDA EN UNA CARTERA DE ACCIONES EN EL MERCADO CONTINUO.
García-Herrero, A., & Gavilá, S. (2006). Posible impacto de Basilea II en los países emergentes. Occasional Papers. https://ideas.repec.org/p/bde/opaper/0606.html
García-Herrero, A., Navia, D., & Ospina Nigrinis, M. (2011). LAS ECONOMÍAS EMERGENTES QUE LIDERARÁN EL CRECIMIENTO. EAGLEs. La Nueva Geografia de La Internacionalización, 859(Marzo-Abril), 7–20.
Garzón Rozo, B. J., Crook, J., & Moreira, F. (2016). Modelling Operational Risk Using Extreme Value Theory and Skew t-Copulas via Bayesian Inference. https://ethos.bl.uk/OrderDetails.do;jsessionid=26F7E9C7B6ACB81E112F156DF417F0B8?uin=uk.bl.ethos.735624
Giacometti, R., Rachev, S., Chernobai, A., Bertocchi, M., & Consigli, G. (2007). Heavy-tailed distributional model. Journal of Operational Risk, 2(1), 55–90.
Gloria, I., & Alvarez, V. (2008). Bases Formales de la Computación: Sesión 1. Probabilidad Discreta.
González, M. (2004). Análisis del nuevo acuerdo de capitales de Basilea (BIS-II): PYME-risk, country-risk y operational-risk. National Distance Education University. https://www.researchgate.net/publication/4831273_Analisis_del_nuevo_acuerdo_de_capitales_de_Basilea_BIS-II_PYME-risk_country-risk_y_operational-risk
Gourier, E. ;, Abbate, D. ;, & Farkas, W. (2009). Operational risk quantification using extreme value theory and copulas: from theory to practice. https://doi.org/10.5167/uzh-99902
Gregoriou, G. N. (2013). Operational risk toward basel iii : best practices and issues in modeling, management, and regulation. Wiley. https://www.wiley.com/en-us/Operational+Risk+Toward+Basel+III%3A+Best+Practices+and+Issues+in+Modeling%2C+Management%2C+and+Regulation-p-9780470451892
H. López, M. V. (2018). 15 años del caso Inverlink: los $30 mil millones que faltan para recuperar el “jarrón perdido” - PULSO. http://www.pulso.cl/internacional/15-anos-del-caso-inverlink-los-30-mil-millones-faltan-recuperar-jarron-perdido/
Hoskisson, R. E., Eden, L., Lau, C. M., & Wright, M. (2000). STRATEGY IN EMERGING ECONOMIES. Academy of Management Journal, 43(3), 249–267. https://doi.org/10.2307/1556394
Hu, W., & Kercheval, A. N. (2008). The skewed t distribution for portfolio credit risk. Advances in Econometrics, 22, 55–83. https://doi.org/10.1016/S0731-9053(08)22003-7
ie Business School. (2018). Securities & Exchange Commission (SEC) Definition - NASDAQ.com. https://www.nasdaq.com/investing/glossary/s/securities-and-exchange-commission#ixzz41I2Fd2JV
Inanoglu, H.; Ulman, S. (2009). Revisiting Copula Dependency Modeling: A Case for Conservatism, Federal Deposit Insurance Corporation. https://www.fdic.gov/bank/analytical/cfr/2009/seminar2009/seminar_series_2009.html
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 134
Inteldig. (2019). Validación de Datos: Definición, elementos y métodos. https://www.tecnologias-informacion.com/validacion.html
Internal Model Industry Forum. (2018). Aligning Operational Risk and Insurance. https://www.theirm.org/media/3524205/IMIF_Aligning-Operational-Risk-and-Insurance_v5.pdf
Ivell, T., Jaeggi, T., & Sekeris, E. (2016). Principal BEYOND AMA PUTTING OPERATIONAL RISK MODELS TO GOOD USE. https://www.oliverwyman.com/content/dam/oliver-wyman/global/en/2016/mar/Oliver-Wyman-Beyond-AMA.PDF
Jhon Alexis Restrepo. (2017). 5 fraudes financieros que han afectado la economía de América Latina. https://www.riesgoscero.com/blog/5-fraudes-financieros-que-han-afectado-la-economia-de-america-latina
Ji, Q., Bouri, E., Roubaud, D., & Shahzad, S. J. H. (2018). Risk spillover between energy and agricultural commodity markets: A dependence-switching CoVaR-copula model. Energy Economics, 75, 14–27. https://doi.org/10.1016/J.ENECO.2018.08.015
Jobst, A. (2007). The Treatment of Operational Risk Under the New Basel Framework - Critical Issues by Andreas (Andy) Jobst :: SSRN. SSRN Electronic Journal. https://papers.ssrn.com/sol3/papers.cfm?abstract_id=980750
Jobst, A. A. (2011). Consistent Quantitative Operational Risk Measurement. In Operational Risk toward Basel III (pp. 23–68). John Wiley & Sons, Inc. https://doi.org/10.1002/9781118267066.ch2
Johnson, C. A. (2001). VALUE AT RISK: TEORIA Y APLICACIONES*. In Estudios de Economía (Vol. 28). http://econ.uchile.cl/uploads/publicacion/d21e154f-3899-428d-9a68-255c3a876963.pdf
Jorion, P. (2000). VALUE AT RISK: The New Benchmark for Managing Financial Risk. https://merage.uci.edu/~jorion/Answer.pdf
Kelliher, P. O. J., Acharyya, M., Couper, A., Maguire, E., Nicholas, P., Pang, N., Smerald, C., Stevenson, D., Sullivan, J., Teggin, P., & Kelliher, P. (2020). Operational risk dependencies Paper by the Institute and Faculty of Actuaries’ Operational Risk Working Party.
King, J. L. (Jack L. (2001). Operational risk : measurement and modelling. Wiley. https://www.wiley.com/en-us/Operational+Risk%3A+Measurement+and+Modelling-p-9780471852094
La Informacion. (2018). El BCE intentó evitar la quiebra del Banco Popular con un plan de rescate hasta 2018. https://www.lainformacion.com/espana/popular-quiebra-bce-santander/6434988/
Lefort, F., & Schmidt-Hebbel, K. (2002). Indexation, Inflation and Monetary Policy: An Overview. Central Banking, Analysis, and Economic Policies Book Series, 2, 001–018. https://ideas.repec.org/h/chb/bcchsb/v02c01pp001-018.html
Lesley Wroughton. (2018). Mercados emergentes conducirán el crecimiento mundial en
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 135
2018: Banco Mundial | Reuters. https://lta.reuters.com/article/businessNews/idLTAKBN1EY2S6-OUSLB
LI, J., FENG, J., & CHEN, J. (2009). A PIECEWISE-DEFINED SEVERITY DISTRIBUTION-BASED LOSS DISTRIBUTION APPROACH TO ESTIMATE OPERATIONAL RISK: EVIDENCE FROM CHINESE NATIONAL COMMERCIAL BANKS. International Journal of Information Technology & Decision Making, 08(04), 727–747. https://doi.org/10.1142/S0219622009003727
Li, X., & Wei, Y. (2018). The dependence and risk spillover between crude oil market and China stock market: New evidence from a variational mode decomposition-based copula method. Energy Economics, 74, 565–581. https://doi.org/10.1016/J.ENECO.2018.07.011
Lloréns, L. L. (2017). Teoría de cópulas. Introducción y aplicaciones a Solvencia II.
Lloréns, L. L. (2018). Cópulas: su concepto y utilidad en la medición de riesgos - Revista del servicio de estudios MAPFRE. https://www.economiayseguromapfre.com/numero-1/copulas-su-concepto-y-utilidad-en-la-medicion-de-riesgos/
Lopera, C. M., Jaramillo, M. C., & Arcila, L. D. (2009). Selection of a Copula Model to Fit Bivariate Dependent Data. Dyna-Colombia, 76(158), 253–264.
López, D. P. (2009). Riesgo Operacional : Conceptos y Mediciones.
Lumpur, K. (2019). Registran más de 3,500 casos de fraude en línea en Malasia. Bernama.Com. https://www.bernama.com/es/otras.php?id=1787073
Marco Flores. (2013). Cuantificación del riesgo operacional mediante modelos de pérdidas agregadas y simulación Monte Carlo Operational Risk Quanti. https://webcache.googleusercontent.com/search?q=cache:wn_vcN7RXWgJ:https://dialnet.unirioja.es/descarga/articulo/4647633.pdf+&cd=2&hl=es&ct=clnk&gl=co
Marín Rodríguez, N. J. (2017). Finanzas, modelación y riesgos. Sello Editorial. https://www.amazon.com/Finanzas-modelación-riesgos-Johana-Rodríguez/dp/9588992915
Mario Alvarez. (2012). Pérdidas de los bancos latinoamericanos por fraudes informáticos llegan a US$93 mil millones en 2011 - PULSO. http://www.pulso.cl/tech/perdidas-de-los-bancos-latinoamericanos-por-fraudes-informaticos-llegan-a-us93-mil-millones-en-2011/
Martínez-sánchez, J. F., & Venegas-martínez, F. (2013). Riesgo operacional en la banca trasnacional : un enfoque bayesiano. 1, 31–72.
McNeil, A. J., Frey, R., & Embrechts, P. (2015). Quantitative risk management : concepts, techniques and tools. https://press.princeton.edu/titles/10496.html
Melvecs. (2018). Banco estatal indio atrapado en fraude de $ 2 mil millones de dólares | La Verdad Nos Espera. https://melvecsblog.wordpress.com/2018/03/05/banco-estatal-indio-atrapado-en-fraude-de-2-mil-millones-de-dolares/
Mensi, W., Hammoudeh, S., Shahzad, S. J. H., Al-Yahyaee, K. H., & Shahbaz, M. (2017). Oil and foreign exchange market tail dependence and risk spillovers for MENA,
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 136
emerging and developed countries: VMD decomposition based copulas. Energy Economics, 67, 476–495. https://doi.org/10.1016/J.ENECO.2017.08.036
Mensi, W., Hammoudeh, S., Shahzad, S. J. H., & Shahbaz, M. (2017). Modeling systemic risk and dependence structure between oil and stock markets using a variational mode decomposition-based copula method. Journal of Banking & Finance, 75, 258–279. https://doi.org/10.1016/J.JBANKFIN.2016.11.017
Mitra, S., Karathanasopoulos, A., Sermpinis, G., Dunis, C., & Hood, J. (2015). Operational risk: Emerging markets, sectors and measurement. European Journal of Operational Research, 241(1), 122–132. https://doi.org/10.1016/J.EJOR.2014.08.021
Mittnik, S., Paterlini, S., & Yener, T. (2011). Operational-Risk Dependencies and the Determination of Risk Capital. SSRN Electronic Journal. https://doi.org/10.2139/ssrn.1905600
Monti, F., Brunner, M., Piacenza, F., & Bazzarello, D. (2010). Diversification effects in operational risk: A robust approach. https://www.ingentaconnect.com/content/hsp/jrmfi/2010/00000003/00000003/art00004
Mora Valencia, A. (2009). Una recomendación para cuantificar el riesgo operativo en entidades financieras en Colombia. CESA, 01–30.
Mora Valencia, A. (2010a). Cuantificación del riesgo financieras en Colombia. Banrep, 23(41), 185–211.
Mora Valencia, A. (2010b). Una comparación de algunos métodos para cuantificar riesgo operativo. http://repository.cesa.edu.co/bitstream/10726/243/6/39.Una comparacion de algunos metodos.pdf
Moscadelli, M. (2004). The Modeling of Operational Risk: Experience with the analysis of the data collected by the Basel Committee. Bank of Italy, Banking Supervision Department., 517. https://doi.org/10.2139/ssrn.557214
MSCI. (2018). Index methodology - MSCI. https://www.msci.com/index-methodology
Murillo Gómez, J. G. (2009). EXTREME VALUE THEORY AND OPERATIONAL RISK: AN APPLICATION TO A FINANCIAL INSTITUTION. http://www.scielo.org.co/pdf/rium/v8n15s1/v8n15s1a07.pdf
Murillo Gómez, J. G., Arias Serna, M. A., & Franco Arbeláez, L. C. (2016). Riesgo operativo: técnicas de modelación cuantitativa. https://repository.udem.edu.co/handle/11407/2527
Nasdaq. (2018). National Association of Securities Dealers (NASD) Definition - NASDAQ.com. https://www.nasdaq.com/investing/glossary/n/national-association-of-securities-dealers
Nikonov, O. I., Vlasov, V. E., & Medvedeva, M. A. (2013). Operational risk economic capital allocation. 1550–1553. https://doi.org/10.1063/1.4825820
Novales, A. (2017). Cópulas. 1–40.
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 137
Open Risk, M. (2019). Diversification Benefit - Open Risk Manual. https://www.openriskmanual.org/wiki/Diversification_Benefit
Otero, P., & Venerio, O. (2009). Determinación del requerimiento de capital por riesgo operacional. Quantum, IV(No1).
Ozun, A., & Cifter, A. (2007). Portfolio Value-at-Risk with Time-Varying Copula: Evidence from Latin America. Journal of Applied Sciences, 7(14), 1916–1923. https://doi.org/10.3923/jas.2007.1916.1923
Páez Tovar, F. M., & Gómez González, J. E. (2013). Estimación del capital necesario para mitigar el riesgo operativo en el mercado asegurador colombiano.
Panjer, H. H. (2006). Operational Risk. John Wiley & Sons, Inc. https://doi.org/10.1002/0470051310
Panjer, H. H., & John Wiley & Sons. (2006). Operational risk : modeling analytics. Wiley Interscience.
Pavel V. Shevchenko, Gareth W. Peters, Bertrand Hassani, A. C. (2009). Consistent Quantitative Operational Risk Measurement. Operational Risk Towards Basel III, Best Practices and Issues in Modeling, Management and Regulation. New York: John Wiley & Sons., To appear in chapter 2. https://doi.org/10.21314/JOP.2016.177
Penza, P., & Bansal, V. K. (2001). Measuring market risk with value at risk. John Wiley.
Peters, G., Shevchenko, P. V., & Wuthrich, M. V. (2009). Dynamic Operational Risk: Modeling Dependence and Combining Different Sources of Information. https://papers.ssrn.com/sol3/papers.cfm?abstract_id=2529590
Peters, S. (2010). Riegos y oportunidades de los mercados emergentes: Los casos de India y China. https://www.raco.cat/index.php/revistacidob/article/viewFile/191569/257478
Pinto Gaviria, L. M., & Leyva Lemarie, A. (2008). Administración del Riesgo Operacional Comité de Basilea sobre Supervisión Bancaria Administración del Riesgo Operacional. AD MINISTER Universidad EAFIT, 12, 89–106.
Pontificia Universidad Javeriana. Departamento de Administración de Empresas., A. (2010). Cuadernos de administración. In Cuadernos de Administración (Vol. 23, Issue 41). Departamento de Administración, Facultad de Ciencias Económicas y Administrativas, Pontificia Universidad Javeriana. http://www.scielo.org.co/scielo.php?script=sci_arttext&pid=S0120-35922010000200009
POSADA ESPINAL, F. E. (2012). IDENTIFICACIÓN DE UNA METODOLOGÍA DE MEDICIÓN DEL RIESGO OPERACIONAL UTILIZANDO REDES BAYESIANAS.
Puerto Jiménez, D. N. (2011). LA GESTIÓN DEL RIESGO EN SALUD EN COLOMBIA. http://www.bdigital.unal.edu.co/7023/1/940622.2011.pdf
QuestionPro. (2018). Análisis del mapa de calor / Tipo de pregunta | QuestionPro Help Document. https://www.questionpro.com/es/help/672.html
Quintero Gil, A. (2012). MODELO PARA LA ADMINISTRACIÓN DE RIESGO OPERATIVO
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 138
EN LOS PROCESOS DE LA PEQUEÑA EMPRESA PRESTADORA DE SERVICIOS FINANCIEROS.
Rachedi, O., & Fantazzini, D. (2011). Multivariate Models for Operational Risk: A Copula Approach Using Extreme Value Theory and Poisson Shock Models. In Operational Risk toward Basel III (pp. 197–218). John Wiley & Sons, Inc. https://doi.org/10.1002/9781118267066.ch10
Riveroll Nava, E. (2004). Lecciones del pasado en administración de riegsos. http://www.imef.org.mx/publicaciones/boletinestecnicosorig/BOL_50_04_CTN_AR.PDF
SAS. (2013). OpRisk VaR Customer Product Page. Www.Sas.Com. http://support.sas.com/software/products/opriskvar/index.html#s1=1
SAS. (2015). OpRisk Global Data. https://www.sas.com/content/dam/SAS/en_us/doc/productbrief/sas-oprisk-global-data-101187.pdf
SAS. (2020). SAS Help Center: Overview: HPSEVERITY Procedure. SAS/ETS User’s Guide: High-Performance Procedures. https://documentation.sas.com/?docsetId=etshpug&docsetTarget=etshpug_hpseverity_overview.htm%3Flocale&docsetVersion=14.2&locale=en
Shevchenko, P., & Temnov, G. (2009). Modeling operational risk data reported above a time-varying threshold. The Journal of Operational Risk, 4(2), 19–42. https://doi.org/10.21314/JOP.2009.060
Shevchenko, P. V. (2007). Implementing loss distribution approach for operational risk. Applied Stochastic Models in Business and Industry, 23(January), 157–164. https://doi.org/10.1002/asmb
Shevchenko, P. V. (2011). Modelling Operational Risk Using Bayesian Inference - Chapter 2. In Springer-Verlag Berlin Heidelberg. https://doi.org/10.1007/978-3-642-15923-7
Sklar, A. (1959). Fonctions de Répartition à n Dimensions et Leurs Marges. Publications de l’Institut Statistique de l’Université de Paris, 8, 229-231. - References - Scientific Research Publishing. https://www.scirp.org/(S(351jmbntvnsjt1aadkposzje))/reference/ReferencesPapers.aspx?ReferenceID=1834923
Superintendencia de Banca seguros, A. (2006). Basilea II: El Nuevo Acuerdo de Capital. http://www.sbs.gob.pe/Portals/0/jer/REGUL_PROYIMP_BASIL_FUNSBS/BasileaII-Introduccion-JPoggi-MLuy.pdf
Superintendencia Financiera, O. (2006). Superfinanciera - CAPITULO XXII REGLAS RELATIVAS A LA ADMINISTRACIÓN DEL RIESGO OPERATIVO.
Supervisión del Sistema Financiero en Bolivia, A. de. (2008). Boletín de Gestión de Riesgos: 1. ¿Qué es el Riesgo? 2008. http://gestionriesgosbolivia.blogspot.com/2008/02/qu-es-el-riesgo-dimensiones-ontolgicas.html
The Tradingway. (2015). Las principales divisas. https://www.thetradingway.com/las-
Modelamiento del Capital por Riesgo Operativo en Entidades Financieras de Mercados Emergentes entre
1990 y 2013 usando Cópulas Multivariadas
Página | 139
principales-divisas/
Torres Avendaño, G. I., & Olarte Cadavid, A. M. (2009). Valor en riesgo desde Value at risk from the viewpoint of copulas.
UNCTAD. (2018). Handbook of Statistics.
Varela, R., & Rodríguez, S. (2006). Impacto de las metodologías propuestas por el Comité de Basilea para el cálculo de los requerimientos de capital por riesgo operativo en el sector bancario colombiano.
Visa Empresarial. (2018). El impacto de los mercados emergentes. https://visaempresarial.com/ec/noticias/el-impacto-de-los-mercados-emergentes_1535
Wiecki, T. (2018). An intuitive, visual guide to copulas. https://twiecki.io/blog/2018/05/03/copulas/
World Trade Statistical, R. (2016). Developing economies’ participation in world trade Developing economies Merchandise trade Spotlight on Africa: Trade in fuels and export diversification Trade in commercial services. World Trade Statistical Review, 52–63. https://www.wto.org/english/res_e/statis_e/wts2016_e/wto_chapter_06_e.pdf
Wright, M., Filatotchev, I., Hoskisson, R. E., & Peng, M. (2005). Strategic research in emerging markets: challenging the conventional wisdom. Journal of Management Studies, 42(1), 1–33.
Zhang, Y., Yang, J., Tang, J., Au, K., & Xue, H. (2013). Prior Experience and Social Class as Moderators of the Planning-Performance Relationship in China’s Emerging Economy. Strategic Entrepreneurship Journal, 7(3), 214–229. https://doi.org/10.1002/sej.1155
Zomeño Breitenstein, F. (2017). ¿Qué hacer cuando tenemos valores faltantes? – Universo Machine Learning. Wordpress. https://conocemachinelearning.wordpress.com/2017/06/30/valoresfaltantes/