M ™ P : R - riskcalc.moodysrms.com · • Optimización de los procesos de crédito: mientras que...

Moody’s

Ris

kcalc

™ P

ara

Em

pre

sas N

o C

otiza

das: R

iskcalc

España

Julio 2001

Contactos Numero de Teléfono

Nueva York

Roger M. Stein 1.212.553.1653

Londres

Monica Lozano 44.20.7772.5454Lea Carty

Madrid

Juan Soriano 34.91.310.14.54

MOODY’S RISKCALC™ PARA EMPRESAS

NO COTIZADAS: RISKCALC ESPAÑA

Metodología de Rating

Metodología de Rating

continuado en la paginación 3

Meto

dolo

gía

de R

atin

g

Perspectiva GeneralEn reconocimiento de la creciente necesidad de benchmarks y referencias para realizar el ratingde PYMES, Moody’s está creando modelos para estimar probabilidades de mora de empresasbasándose únicamente en información financiera. Tras el lanzamiento de los modelos RiskCalcen Estados Unidos, Canadá y Australia, España es uno de los primeros modelos europeos cread-os en cooperación con Oliver Wyman & Company, compañía líder en consultoría estratégicadedicada a la industria de los servicios financieros. Estos modelos nos permiten asignar probabil-idades de mora a empresas en todo el mundo de manera consistente. La extensa informaciónsobre corporaciones españolas contenida en la base de datos creada por Equifax, líder en eldesarrollo de comercio global a través de la gestión de información y procesos de transacción,nos ha permitido estimar y validar el citado modelo. Al ser un modelo con alto poder predictivoy objetivo, sirve igualmente al interés de instituciones, prestatarios e inversores.

Este informe incluye:

• Descripción de la base de datos de informes financieros utilizada para el desarrollo deRiskCalc España, comparada con datos de Estados Unidos y Australia

• Descripción de la metodología usada para desarrollar el modelo• Una comparación de la relación de diversos ratios financieros con la morosidad, así como• Pruebas empíricas del modelo

Aunque este documento es una descripción completa de la evolución y validación del modeloespañol de prediccion de morosidad, algunos detalles pueden haber sido omitidos. Un folletomás detallado sobre la metodología empleada puede encontrarse en el documento (en inglés):RiskCalcTM for Private Companies: Moody’s Default Model.

2 Moody’s Metodología de Rating

© Copyright 2001 de Moody´s Investors Service, Inc., 99 Church Street, New York, New York 10007. Se reservan todos los derechos. TODA LA INFORMACION CONTENIDAEN EL PRESENTE ES DERECHO DE PROPIEDAD A NOMBRE DE MOODY´S INVESTORS SERVICE, INC. ("MOODY´S"), Y NADIE PUEDE COPIAR NI DE OTRO MODOREPRODUCIR, REEMPAQUETAR O TRANSMITIR, TRANSFERIR, DIVULGAR, REDISTRIBUIR O REVENDER, ALMACENAR PARA SU POSTERIOR USO O CUALQUIER OTROFIN ESTA INFORMACION, TOTAL O PARCIAL, EN NINGUNA FORMA O MANERA O POR NINGUN MEDIO CUALQUIERA QUE SEA, SIN EL PREVIO CONSENTIMIENTOPOR ESCRITO DE MOODY´S. Toda la información contenida en el presente la ha obtenido MOODY´S de fuentes fidedignas. No obstante, y debido a la posibilidad de errorhumano o mecánico además de otros factores, esta información se suministra "tal cual" sin garantía de ningún tipo y MOODY´S en particular no hace ninguna manifestación nigarantía, expresa o implícita, en cuanto a la exactitud, puntualidad, totalidad, comerciabilidad o aptitud para cualquier fin en particular de dicha información. MOODY´S no sehará responsable, bajo ninguna circunstancia ni ante ninguna persona o entidad (a) de ninguna pérdida o perjuicio total o parcial causado por, que resulte de, o que estérelacionado con, cualquier error (negligencia o de otro modo) u otra circunstancia o contingencia dentro o fuera del control de MOODY´S o cualquiera de sus consejeros,ejecutivos, empleados o agentes en relación con la obtención, reunión, compilación, análisis, interpretación, comunicación, publicación o entrega de dicha información, o (b) decualquier daño directo, indirecto, especial, consecuente, compensatorio o incidental cualquiera que sea (incluido sin límite, pérdida de beneficios), incluso si se comunica aMOODY´S con antelación de la posibilidad de dichos daños, resultantes del uso o imposibilidad de uso, de dicha información. Las calificaciones de crédito, si proceden, queconstituyan parte de la información contenida en el presente son, y sólo se deberán interpretar como, declaraciones de opinión y no declaraciones de hecho o recomendacionesde compra, venta o tenencia de ningún valor. MOODY´S NO DA NI HACE NINGUNA GARANTIA EXPRESA O IMPLICITA, EN CUANTO A LA EXACTITUD, PUNTUALIDAD,TOTALIDAD, COMERCIABILIDAD O APTITUD PARA CUALQUIER FIN EN PARTICULAR DE CUALQUIER CLASIFICACION U OTRA OPINION O INFORMACION ENNINGUNA FORMA O MANERA CUALQUIERA QUE SEA. Cada calificación u opinión se deberá ponderar únicamente como un factor en cualquier decisión de inversiónrealizada por o en nombre de cualquier usuario de la información contenida en el presente, y cada usuario debe hacer su propio estudio y evaluación al respecto de cadaseguridad y de cada emisor y aval de, y cada proveedor de aval de crédito para, cada valor que pueda considerar comprar, tener o vender. Conforme a la Sección 17(b) de la Leyde Valores de 1933, MOODY´S por el presente declara que la mayoría de emisores de valores de deuda (incluidos los bonos corporativos y municipales, obligaciones, pagarés einstrumentos comerciales) y acciones preferentes clasificadas por MOODY´S han acordado pagar, antes de la asignación de cualquier calificación, a MOODY´S por los serviciosprestados de evaluación y calificación mediante los honorarios que van desde $1.000 a $1.500.000. IMPRESO EN EE.UU.

Autores

Phil EscottAhmet E. KocagilPedro RapalloMiguel Yague

Asociados Mayor De la Producción

Mark A. LeeJohn Tzanos

Moody’s Metodología de Rating 3

IntroducciónLa experiencia demuestra que un factor determinante de la rentabilidad de una cartera crediticia es lacapacidad de monitorear correctamente su riesgo. Los modelos de predicción de la morosidad, entre elloslos modelos cuantitativos objetivos, son cada vez más usados en la gestión de riesgo. Aunque el lectorinteresado puede dirigirse a la documentación mencionada al final del documento, a continuaciónincluimos una lista de algunas de las aplicaciones de este tipo de herramientas:

• Asignación de Capital: en el esfuerzo para asegurar la solvencia del sistema financiero así como paraalentar el correcto comportamiento de las instituciones financieras, los reguladores buscan cada vezmás medidas de riesgo para la asignación de capital que sean a la vez objetivas y difíciles de manipular.

• Optimización de los procesos de crédito: mientras que en algunos casos un simple número puedeser un juicio de menor calidad que el realizado por un experto de crédito, el modelo puede ser útil paraque el experto pueda centrarse en esos casos en los que su experiencia y conocimiento añade más valor.

• Fijación de precios: sin una medida precisa de los riesgos inherentes en la concesión de préstamos aempresas de tamaño medio, el valor creado para el accionista puede ser destruido como consecuen-cia de una sub-óptima fijación de precios.

• Titulización: cada vez más los bancos buscan ofrecer a sus clientes un amplio abanico de servicios,sin tener que asignar el capital requerido. Al mismo tiempo, los inversores buscan nuevos tipos deriesgo que requieren ratings estándares transparentes y objetivos.

Todas estas aplicaciones requieren una herramienta suficientemente potente y eficiente que permita lacomparación de igual a igual entre distintas empresas y préstamos; ademas, una precisa fijación de preciosy negociación del riesgo de crédito también exige que la herramienta de rating esté calibrada a probabili-dades de morosidad. RiskCalc ha sido diseñado para servir de referencia independiente para la mayoría dedecisiones de crédito. Nosotros creemos que para que una herramienta de rating sea utilizada como refer-encia o benchmark debe cumplir los siguientes requisitos:

1. Tiene que ser comprensible,Los clientes afirman que es más importante para ellos entender porque el modelo funciona que propor-cionar mejoras marginales de precisión.

2. Potente, Un modelo que no pueda diferenciar entre empresas buenas y malas es claramente poco útil para deci-siones de crédito. Una consecuencia del uso de una herramienta potente es la buena disposición del per-sonal con experiencia a utilizarla en los procesos de fijación de precios y la toma de decisiones.

3. Calibrado a probabilidades de morosidad, Aunque un modelo no calibrado puede ser útil para aceptar o declinar préstamos, es de poca utilidad a lahora de asegurar que al riesgo asumido se le asigna el precio adecuado y el capital necesario. Además, unmodelo no calibrado será de poca utilidad para la negociación de la deuda.

4. Validado empíricamente,Un modelo cuya validez no haya sido suficientemente contrastada sobre una base de datos externa repre-sentativa puede inducir al escepticismo a personas ajenas a su desarrollo. Este tipo de pruebas tambiénreaseguran que el modelo es estable y que no ha sido sobredimensionado.

Si un modelo no satisface estos cuatro criterios, puede aun asi resultar útil para ciertos propósitos, perono puede considerarse una referencia basica de mercado. Los participantes no pueden utilizar con plenaseguridad una herramienta que, aún siendo muy potente, no se ha validado empíricamente. Aunque ten-emos la seguridad de que el modelo desarrollado en España es muy potente, no descartamos la posibilidadde que puedan existir modelos con mayor poder discriminatorio. Sin embargo, los productos que confor-man RiskCalc son susceptibles de ser verdaderas referencias de mercado: son fáciles de usar, intuitivos,potentes y se han validado empíricamente.

Habiendo lanzado y desarrollado modelos para Estados Unidos, Canadá y Australia, Europa era unaextensión obvia para la red de productos RiskCalc. RiskCalc™ España ha sido desarrollado en cooperacióncon Oliver, Wyman & Company, la consultora lider especializada en servicios financieros, la cual cuentacon una extensa experiencia en el desarrollo de este tipo de herramientas para gran parte de los principalesbancos europeos. Equifax España tuvo un papel fundamental como proveedora de datos de crédito y deestados finacieros sobre la cual se pudo basar el análisis para la creación y validación de la herramienta.

Descripción De La InformaciónLa base de datos desarrollada por Equifax en España es extremadamente amplia -contiene estadosfinancieros de más de 300.000 empresas españolas de diferentes industrias y formas legales-. El uso de unsolo modelo para cubrir todos los tipos de empresas y industrias resulta a veces inapropiado, dada la difer-ente naturaleza de algunas empresas, por la heterogeneidad existente. Por tanto, en vez de utilizar la totali-dad de la base de datos para nuestros análisis, procedimos a eliminar de la misma las siguientes empresas:

• Compañías cotizadas - tal y como se discute en otra documentación de RiskCalc, creemos que elvalor de mercado es un elemento importante en el cálculo de la probabilidad de mora de una empre-sa que cotiza1.

• Empresas pequeñas - el éxito futuro de las empresas pequeñas depende a menudo tanto de lasfinanzas de los fundadores como de las de la empresa. Por éste motivo, procedimos a excluir lasempresas que de facturación inferior a 0.5m Euros.

• Compañías de nueva creación - nuestra experiencia demuestra que los estados financieros de unaempresa durante sus dos primeros años de vida son extremadamente volátiles y, a la vez, un pobrereflejo de su valor crediticio. La naturaleza especial de estas empresas se refleja por el hecho de quela mayoría de bancos disponen de departamentos especializados en el trato de este tipo de iniciativas.

• Instituciones Financieras - la propia naturaleza de las instituciones financieras lleva a que sus esta-dos contables tiendan a exhibir características significativamente diferentes a las del resto de empre-sas privadas (por ejemplo, un alto grado de apalancamiento). Además, el sector financiero mantienenormalmente niveles mínimos de capital exigido por los entes reguladores, lo cual sugiere la idonei-dad de considerarlas de forma separada.

• Promotores immobiliarios - el éxito o fracaso de los promotores depende con frecuencia de unapromoción concreta, de forma que las cuentas anuales raramente capturan la verdadera probabilidadde mora2. Por este motivo, excluimos promotores immobiliarios de la muestra usada en el desarrollo.

• Instituciones del sector público - realizar el rating de compañías públicas resulta complicado por el hechode que el estado o los municipios se han considerado históricamente como no susceptibles de impago.

• Subsidiarias de firmas no españolas - nuestra experiencia demuestra que la morosidad de una sub-sidiaria en un país extranjero está normalmente más relacionada con la solvencia de la compañíamatriz que con las propias cuentas de la subsidiaria. Además esta situación se agrava por la transfer-encia de beneficios a efectos de optimización fiscal.

• Joint Ventures temporales - al igual que las promotoras immobiliarias, estas tienden a depender deproyectos, siendo su éxito altamente vinculado al éxito de un proyecto concreto. Esto se complicapor la estructura de la propiedad de este tipo de iniciativas.

• Compañías inactivas - hemos excluido aquellas empresas clasificadas como inactivas.

Es un hecho ampliamente aceptado en los análisis tanto financieros como contables que los estados financierosde las empresas pequeñas son como norma general menos precisos y de menor calidad que los estados financierosde empresas de mayor tamaño. Así pues, llevamos a cabo un amplio análisis de consistencia y, para la creación delos modelos, procedimos a excluir aquellos estados financieros que no cumplían los siguientes requisitos:

• Incluir un año entero• Cuadrar • Valores válidos (p. ej. activos superiores a cero)• Existencia de todas las partidas• Fecha de los estados financieros correcta

La Tabla 1 resume la información existente en la base de datos después de llevar a cabo los filtros y testsde consistencia sobre la base de datos de partida. Esto constituye la ‘base de datos limpia’. La mayor parte dela diferencia en el número de empresas se debe principalmente a la exclusión de la empresas pequeñas y delas de nueva creacion. Comparando la cantidad de información utilizada en el desarrollo de éste y otros mod-elos de RiskCalc, queda patente que en este caso se ha tenido una base de datos considerablemente mayor.


1. Recomendamos el uso de RiskCalc Public Firm Europe Model para el rating de compañias cotizadas2. Este es también el caso de muchas firmas de "Project Finance" como por ejemplo compañías navieras. En estos casos

recomendamos el uso de modelos separados.

La Figura 1 muestra que, mientras que los estados financieros en España se distribuyen de una formamás estable a lo largo de los años que los utilizados para construir los modelos para los EE.UU., Australiay Canadá, la mayoría de la información española es de 1994 en adelante. Esto implica que prácticamenteomitimos el periodo de recesión más reciente que ha tenido lugar en España3. Tal y como sucedió en eldesarrollo de otros modelos de RiskCalc, esto se debe a la dificultad de obtener información historica, unproblema que desaparecerá a medida que nuestra iniciativa crezca. Este hecho podría suscitar dudas sobrela validez y robustez de nuestro modelo, puesto que no seria muy útil si, aún resultando bueno para prede-cir la morosidad en tiempos de bonanza económica, no lo es en tiempos de recesión.

Sin embargo, existen dos motivos por los que confiamos plenamente en la capacidad predictiva de nue-stro modelo en tiempos de recesión. En primer lugar, porque nuestra asignación de probabilidades demorosidad está basada en estimaciones de la probabilidad de morosidad de la población, tal y como seexplica en el apartado de calibración de este documento. Estas son estimaciones de probabilidades de moraa través del ciclo, lo que supone no considerar si se está en período de recesión o no. En segundo lugar,porque creemos que las ponderaciones relativas de factores de riesgo, tales como rentabilidad o apalan-camiento, son predictores estables a lo largo del ciclo económico.

La Figura 2 muestra la distribución de tamaño de los estados financieros en la base de datos (donde eltamaño es estimado en base a la facturación anual y expresado en millones de Euros). Alrededor del 85%de los estados financieros de nuestra base de datos tiene una cifra de ventas inferior a 5 millones de Euros,mientras que más del 44% de la base de datos tiene ventas de entre 1 y 5 millones de Euros.

La Figura 3 muestra la distribución sectorial en la base de datos española. También incluye, para per-mitir comparaciones, los gráficos de distribución por industria en los modelos para EE.UU. y Australia.La distribución sectorial de la muestra de EE.UU. y España es muy similar. La diferencia principal estribaen el hecho de que la base de datos española no distingue entre ‘mayorista’ y ‘minorista’ en el sector ‘com-ercio’. Tanto el sector ‘comercio’ como ‘productor’ representan un porcentaje mayor en España, mientrasque en EE.UU esta diferencia va a para a la categoría de ‘Otros’.


Tabla 1

Resumen De La Base De DatosPais Periodo Empresas Empresas Morosas Estados Financieros

España 1992-99 140,790 2,265 569,181Estados Unidos 1989-99 33,964 1,393 139,060Australia 1990-99 27,712 1,447 79,877Canada 1991-99 4,472 271 18,538

Distribución De la Fecha Financieros De Estados

0%

5%

10%

15%

20%

25%

30%

1989 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999

AñosEstados Unidos Canada Australia España

Figura 1

3. El último periodo oficial de recesión en España tuvo lugar en 1992-1993

Distribución Temporal De Estados Financieros

Nuestra intención en la construcción de una herramienta de rating, así como en la construcción de otros mod-elos RiskCalc, es proporcionar asistencia a bancos y a otras instituciones financieras e inversores en la determi-nación del riesgo de incurrir en pérdidas como resultado de la morosidad de empresas, suspensión de pagos uotros eventos de crédito. Idealmente, podríamos construir un modelo que capturara las diferentes definiciones demorosidad especificadas en la definición de referencia de morosidad facilitada como parte del BIS II. Sin embargo,dado que este modelo se desarrolló sólo utilizando información pública disponible, no pudimos capturar algunasde las distintas definiciones de morosidad y, por tanto, nos basamos en los dos casos que se citan a continuación:

• Suspensión de pagos

• Quiebra (necesaria o voluntaria)


Distribución De Talla Financieros De Estados

0.0%

5.0%

10.0%

15.0%

20.0%

25.0%

30.0%

35.0%

40.0%

45.0%

50.0%

<0.5 0.5-1 1-5 5-25 25-100 100+

Ventas (Millones de Euros)

% M

uest

ra

Figura 2

Mayorista14%

Manufactura24%

Construcción13%

Otros11%

Servicio17%

Minorista21%

Estados Unidos

Minorista4%

Mayorista 1%

Construcción0%

Otros9%

Manufactura4%

Servicio11%

Desconocido 71%

Australia

Agricultura1%

Otros1% Construcción

13%

Manufactura30%

Comercio38%

Servicio17%

EspañaFigura 3a

Figura 3b Figura 3c

Distribución Por Tamaño

Los eventos de quiebra e suspensión de pagos tienden a suceder después de que la cartera de créditosse encuentra en situación irregular por tanto, puede parecer que estamos prediciendo una morosidad muytardía. En efecto, nuestra experiencia indica que los bancos generalmente incurren en pérdidas de crédito6-12 meses antes de que la empresa se declare en quiebra o suspensión de pagos. Por ello una herramientaque pueda estimar con precisión la probabilidad de suspensión de pagos o quiebra con una antelación de18 a 24 meses será un buen predictor de cualquier otro evento crediticio con un año de antelación. En eldesarrollo de nuestro modelo hemos seleccionado los factores para la estimación de morosidad basán-donos en su habilidad para predecir quiebra / suspensión de pagos en un horizonte temporal de 2 a 3 años.

Asunciones De Probabilidad De Morosidad AgregadaLa estimación de las probabilidades de morosidad agregadas de un periodo largo (tasa de morosidad abso-luta en España para empresas de este tipo, o Tendencia Central) es importante puesto que sirve como unpunto de anclaje para el modelo. Un aumento de la misma aumentará todas las probabilidades de entradaen mora y vice versa. En esta sección se describe las fuentes de información consultadas para estimar laTendencia Central. Idealmente, se podría utilizar la experiencia real de la entidad financiera en morosidadaunque, si no se dispone de dicha información, es necesario tomar otras referencias (a largo plazo los req-uisitos de información recomendados por el BIS II conducirán a estimaciones mucho más precisas).

Un manera indirecta para determinar la tasa de morosidad anticipada de la población, o la TendenciaCentral de la misma, es utilizar las provisiones para pérdidas de los bancos, que a largo plazo tienden aigualar las pérdidas reales y por tanto reflejar la tasa de morosidad subyacente. Las tasas de pérdida y demorosidad están relacionadas por la tasa de pérdida en el caso de morosidad (severidad) utilizando la sigu-iente fórmula:

Volumen de pérdidas = Volumen crediticio * T.M.A * Severidad=> T.M.A. = Volumen de Pérdidas / (Volumen crediticio * Severidad)

El enfoque básico para el cálculo de capital tal y como se describe en el BIS II, utiliza una tasa de pér-dida en caso de morosidad del 50%. En España, en ausencia de evidencias significativas en contra, hemosutilizado esta tasa para estimar la tasa de morosidad. Por ello, una provisión para pérdidas media del 1%resultaría en una tasa de morosidad estimada ponderada por el volumen del 2%.

El Banco de España4 ha publicado recientemente que el nivel medio del total de provisiones para pérdi-das respecto del total de préstamos para las instituciones financieras españolas si situa entre 0,8%-0,9% parael período 1986-1998. Esto nos ofrece una tasa de morosidad media estimada del 1,6%-1,8%. En esta pub-licación, el Banco de España argumenta que la tasa media de pérdida en el futuro será probablemente infe-rior a lo observado entre los años 1986 y 1998 debido a que la economía española atravesó una desacel-eración al comienzo de los años noventa. Esto se refleja en las figuras publicadas por la OECD5 que mues-tran que las provisiones para pérdidas fueron en media 0,9% entre 1986-1999 y 0,6% entre 1994-1999.

Estas estimaciones se apoyan en bases de datos de disponibilidad pública tales como la base BankScopepublicada por Bureau Van Dijk/Thomson Financial, que ofrece informes financieros estandarizados parainstituciones financieras no cotizadas en España. Utilizando esta fuente, entre 1992 y 1999 el ratio mediode provisiones para pérdidas alcanza el 0,9% para todos los bancos y el 1,1% para los 10 bancos másgrandes. Esto se corresponde con una tasa de morosidad media entre 1,8% y 2,1%. Por tanto, las difer-entes fuentes indican tasas de morosidad entre 1,2% y 2,1%. Esto está claramente en línea con nuestrasexpectativas por lo que hemos elegido una estimación de probabilidad de mora del 1,6% en un horizontetemporal de un año.


4. "La Reforma Del Sistema de Provisiones de Insolvencia (Boletín Económico, Jan 2000, p. 86)"5. Varias ediciones de "OECD: Bank Profitability - Financial Statements Banks"

El modelo ha sido también calibrado a un horizonte temporal de cinco años, aunque existen muy pocasfuentes para dichos datos, especialmente de disponibilidad pública. Por ello hemos utilizado la experienciade Moody’s que sugiere que, en media, la tasa de morosidad acumulada de cinco años es aproximadamentecuatro veces la tasa de un año, es decir, de 6.4%.

Descripción De Los Ratios FinancierosEn esta sección se exponen las distribuciones de los diferentes ratios que se usan en RiskCalc España6. Estonos permite subrayar varias características claves de los datos, proporcionando una visión amplia de los estadosfinancieros y de las características de las medianas empresas españolas, así como describir la interpretación delos ratios utilizados. Del mismo modo que sucede con los modelos RiskCalc previos, los ratios utilizadosproceden de categorías bien documentadas, como cobertura de deuda, rentabilidad y apalancamiento.

Ratios De ApalancamientoRiskCalc España utiliza dos medidas diferentes para el cálculo del apalancamiento de una compañía: unomide el nivel de beneficios no distribuidos con respecto a la deuda total y el otro compara el nivel dedeuda con los activos.

Los beneficios no distribuidos capturan el historial de los ingresos y de la política de dividendos, asícomo el colchón contra la mora subyacente. Está claro intuitivamente que, ceteris paribus, un mayor nivelde beneficios no distribuidos resultará en una menor probabilidad de mora. El histograma muestra que laspequeñas y medianas empresas españolas tienden a tener un bajo nivel de beneficios no distribuidos encomparación a los activos totales. En concreto, más de la mitad de los balances de nuestra base de datostiene este ratio debajo del 20%. Esto es cierto especialmente en el caso de las compañías morosas dondeaproximadamente el 40% de los balances tienen beneficios no distribuidos negativos.

Una de las medidas más populares de cálculo del apalancamiento es el ratio de deudas entre activo. Esintuitivo que un valor alto de este ratio, es decir, mayor apalancamiento, está conectado a una mayor prob-abilidad de mora. Hemos ajustado este ratio para reflejar los niveles de efectivo dentro de una empresa.Para ello se han restado los dos activos7 más líquidos a la deuda total. Este ajuste refleja el hecho de quealguna parte de la deuda se podría pagar inmediatamente con efectivo, resultando un nivel inferior dedeuda. Este ratio ajustado ha demostrado ser considerablemente más efectivo en la identificación de com-pañías morosas que el ratio sin ajustar.


Provisiones Por Perdidas De Credito Sobre Prestamos

0.0%

0.5%

1.0%

1.5%

2.0%

2.5%

3.0%

1983 1985 1987 1989 1991 1993 1995 1997 1999

Año

Figura 4

6. Las distribuciones que se muestran son para el desarrollo de las muestras utilizadas7. El ratio utilizado es (Deuda Total - (Efectivo + Inversiones Financieras Temporales)) / Activo

Provisiones Por Pérdidas De Crédito Sobre Prestamos

En la Figura 5 se observa que las compañías morosas tienden a tener ratios con valores más altos. El50% de los balances muestran un nivel de deuda no soportada por efectivo e inversiones financieras querepresenta más de un 60% de sus activos totales. En el caso de compañías morosas, este porcentajeasciende a más del 80%.


Fondos Propios / Obligaciones

0%

5%

10%

15%

20%

25%

30%

35%

40%

45%

50%

< 0 0 - 0.2 0.2 - 0.4 0.4 - 0.6 0.6 - 0.8 0.8 - 1 > 1

% muestra

Balances Insolventes Total Balances

Obligaciones / Activo

0%

5%

10%

15%

20%

25%

30%

35%

40%

45%

< 0 0 - 0.2 0.2 - 0.4 0.4 - 0.6 0.6 - 0.8 0.8 - 1 > 1

% muestra


Figura 5a

Figura 5b

LiquidezEn los textos de análisis financiero se describen gran variedad de ratios de liquidez que, al fin y al cabo, miden lamisma cosa. Sin embargo, la gente toma diversas opiniones sobre el valor que se debe dar a las diversastipologías de circulante. La versión utilizada en RiskCalc compara solamente la parte más líquida del activo(efectivo e inversiones financieras temporales), bajo el supuesto de que son cangeables no sólo a su valor con-table (a diferencia de, por ejemplo, inventarios), sino que son tambien cangeables en poco tiempo y bajo la may-oría de situaciones económicas (lo que no se puede decir de los acreedores comerciales). La Figura 6 demuestraque las compañías que posteriormente entraron en mora tenían generalmente niveles más bajos de efectivo einversiones financieras temporales con respecto a pasivo circulante que las compañias que no entraron en mora.

RentabilidadNo sorprenderá a nadie que el nivel de beneficios generados por una compañía esté altamente correla-cionado a su probabilidad de mora. Por ello, se ha discutido mucho sobre cual es la mejor medida derentabilidad. Sin embargo, dado el semejante poder discriminatorio de las diversas medidas y nuestrodeseo de utilizar medidas levemente diferentes a través de los diversos ratios8, elegimos los beneficios ordi-narios/activos. En la Figura 7 se observa claramente que, mientras que más de 75% de las compañías gen-eran beneficios, más de la mitad de las compañías morosas registraron pérdidas.


Res. Acti. Ord. / Activo

0%

5%

10%

15%

20%

25%

30%

35%

40%

45%

< -0.05 -0.05 - 0 0 - 0.05 0.05 - 0.1 0.1 - 0.15 0.15 - 0.2 > 0.2

% muestra


Ratio de Liquidez

0%

10%

20%

30%

40%

50%

60%

70%

< 0 0 - 0.1 0.1 - 0.2 0.2 - 0.3 0.3 - 0.4 0.4 - 0.5 >0.5

% muestra


Figura 6

Figura 7

8. Nuestra experiencia demuestra que utilizando información similar, aunque ligeramente diferente , para el cálculo de los ratios,reducimos la correlación entre esos ratios y mejoramos la cantidad de información capturada

Cobertura De DeudaDada la capacidad predictiva de las medidas de rentabilidad y apalancamiento, no sorprende el hecho deque la combinación de ambas resulte en índices de poder elevados. Se puede medir el nivel de apalan-camiento financiero ya sea analizando el nivel absoluto de sus obligaciones futuras, o mediante el costefinanciero asociado a la deuda. Existen varias medidas para controlar los flujos de caja generados por unaempresa: se puede utilizar ventas, beneficio operativo, beneficio por actividad ordinaria, etc.

Dada la multitud de medidas existentes y puesto que cada una de ellas aporta matices diferentes, hemosdecidido combinar varios ratios de apalancamiento financiero. Está claro que, procediendo de esta manera,capturamos una mayor proporción de las diferencias existentes entre empresas que si nos restringiéramos aun único ratio y, por tanto, retenemos mayor cantidad de información.

Indudablemente, el uso de variables con alta correlación entre sí es susceptible de afectar la estabilidaddel modelo9. Aunque no negamos esto, no nos hemos basado en un cálculo puramente mecánico de lasponderaciones. Nuestro método determina el peso del parámetro más significativo, el cual es luego repar-tido entre las variables altamente correlacionadas. El reparto se hace de manera cualitativa, teniendo encuenta la ponderación objetiva de cada uno de los ratios individuales.

El primer ratio de cobertura de deuda utilizado en el modelo compara el flujo de caja (gastos tras servi-cio de deuda, reincorporando amortizaciones) con el volumen total de deuda. La Figura 8a muestra clara-mente que a mayor valor para este ratio, se observa un menor número de morosos. El inverso de este ratiomide de manera efectiva los años necesarios para amortizar la deuda existente dado el flujo de caja actual.Resulta significativo que mientras la media se sitúa en 10 años, la mayoría de empresas morosas tienen unflujo de caja negativo o necesitan períodos considerablemente más largos para amortizar la deuda.

Nuestro segundo ratio compara el flujo de caja (resultante del cálculo anterior) con deuda a cortoplazo. Pese a tener una alta correlación con el ratio flujo de caja sobre la deuda total, aporta una perspecti-va a corto plazo que no refleja adecuadamente el otro ratio. En algunos aspectos, este ratio recuerda vaga-mente a medidas de liquidez, debido a que cualquier deuda a corto plazo no cubierta por activos circu-lantes habrá de ser necesariamente cubierta por el flujo de caja del siguiente ejercicio (o renovado). Es evi-dente, como se muestra en la Figura 8b, que las compañías morosas tienen generalmente menor capacidadpara afrontar sus obligaciones a corto plazo con sus flujos de caja.


Cash Flow / Obligaciones

0%

5%

10%

15%

20%

25%

30%

35%

40%

45%

< -0.1 -0.1 - 0 0 - 0.1 0.1 - 0.2 0.2 - 0.3 0.3 - 0.4 > 0.4

% muestra


Figura 8a

9. Aunque la multicolinealidad tiene algunos inconvenientes que conviene evitar, afecta más a la estabilidad de las estimaciones delos parámetros del modelo (es decir, aumenta el error de los coeficientes o pesos) que al funcionamiento del modelo (laestimación del parámetro permanece sin sesgo y, dependiendo de la técnica de estimación, consistente y eficiente).

Nuestro último ratio de cobertura de deuda compara el flujo de caja con los costes financieros.Nuestro cálculo de flujo de caja incluye tanto las amortizaciones vistas en los ratios anteriores como lasprovisiones por suspensión de pagos (que no se crearían en circunstancias adversas).

Nuestra experiencia al diseñar esta herramienta sugiere que los ratios basados en el coste de la deuda tien-den a alcanzar mayores índices de poder que los que usan el volumen de deuda. Este hecho podría reflejar lasiniciativas de algunos de los grandes bancos españoles destinadas a trabajar en un entorno de rentabilidad ajus-tada al riesgo: en este caso, el coste del servicio de la deuda reflejará no sólo el volumen total de deuda, sinotambién la valoración que el mercado efectúa sobre la fiabilidad crediticia de la empresa en cuestión.

ProductividadLos ratios de productividad, también denominados ratios de actividad, miden el volumen de ventas gener-adas a partir de los recursos de producción. Como recursos de producción se pueden entender los recursospropios, número de empleados, activos o pasivos. A priori, se podría esperar que empresas mejor gestion-adas fuesen más eficientes en el uso de los recursos, de manera que las medidas de productividad cap-turasen al menos parte de este fenómeno.

Hemos elegido el ratio de ventas sobre activo total para medir la productividad de una empresa. LaFigura 9 muestra que la capacidad discriminatoria de este ratio no es tan alta como la de otros ratios. Sinembargo, ha sido incluido porque además de medir la productividad de la empresa corrige distorsionessectoriales no filtradas en otros ratios10 y, por tanto, aumenta el poder predictivo del modelo.

Un problema que aparece al intentar categorizar diferentes ratios financieros es que muchos de ellospodrían ser incluídos razonablemente en varias categorías. La relación entre los gastos financieros de unaempresa y las ventas que genera es un ejemplo de esta ambigüedad. Nosotros lo consideramos un ratio deproductividad, por cuanto mide el volumen de ventas generado a partir de un determinado nivel de endeu-damiento. Sin embargo, también contiene un elemento de cobertura de deuda, amén de ratios decoste/ventas que miden el volumen de ventas requeridas para mantener el servicio de la deuda.

Independientemente de cómo se categorice este ratio, partíamos de la base de que, ceteris paribus, cuantomayores los costes de financiación de la empresa, mayor la probabilidad de entrada en mora. Similarmente,manteniendo todos los factores constantes, una empresa con más ventas tendería a ser más solvente. Estahipótesis inicial se confirmó durante el desarrollo del modelo, siendo el ratio altamente predictivo.


Cash Flow / Obligaciones A Corto Plazo

0%

5%

10%

15%

20%

25%

30%

35%

40%

< -0.1 -0.1 - 0 0 - 0.1 0.1 - 0.2 0.2 - 0.3 0.3 - 0.4 > 0.4

% muestra


Figura 8b

10. Por ejemplo, empresas distribuidoras generalmente generan ventas más elevadas dado un mismo nivel de activos, con lo quepueden ser penalizadas de forma injusta con ratios que utilicen las ventas en el denominador

CrecimientoLa relación entre las tasas de crecimiento de las empresas y su morosidad no es tan obvia como la observa-da en otros ratios. La razón es que, pese a que generalmente es mejor crecer que menguar, empresas quecrecen excesivamente rápido se muestran a menudo incapaces de responder a las dificultades de gestiónque implica un crecimiento rápido (siendo este fenómeno más acentuado en empresas pequeñas). Además,raramente se consigue financiar este crecimiento a partir de beneficios, resultando en un crecimiento de ladeuda y el riesgo asociado a la misma.


Ventas / Activos

0%

5%

10%

15%

20%

25%

30%

< 0.5 0.5 - 1 1 - 1.5 1.5 - 2 2 - 2.5 2.5 - 3 3 - 3.5 > 3.5

% muestras


Gastos Financieros / Ventas

0%

5%

10%

15%

20%

25%

30%

35%

40%

< 0.01 0.01 - 0.02 0.02 - 0.03 0.03 - 0.04 0.04 - 0.05 0.05 - 0.06 0.06 - 0.07 >0.07

% muestras


Figura 9

Figura 10

Descripción Del ModeloEl uso de factores exclusivamente financieros para crear modelos de morosidad puede parecer contraintuitivo,por la razón de que, independientemente de la calidad de la información, los ratios nunca indican fallidosprobables, entendiendose “probable” como probabilidad superior al 50%. Por ejemplo, la tasa anticipada demorosidad para el total de empresas insolventes y en pérdidas es relativamente baja, pese a ser tres veces mayorque la de empresas que no responden a estas características. Esto se refleja en el comportamiento del modeloen el sentido de que incluso para ratios con valores malos las tasas predichas siguen siendo menores al 20%.

Nuestro método se puede resumir brevemente en los siguientes tres pasos:

• Análisis de factores individuales: el objetivo de este análisis es encontrar la relación individual conla morosidad de una serie de factores potencialmente relevantes. Estos factores podrían ser consider-ados a priori como factores independientes en el modelo final. En este paso, también mini-mod-elizamos los factores.

• Especificación y Estimación del Modelo: una vez analizados los factores individuales, el siguientepaso consiste en especificar el modelo, usando combinaciones de los factores más significativos.Después se optimizan las respectivas ponderaciones en un modelo logístico.

• Calibración: Finalmente, una vez especificado el modelo y estimadas las ponderaciones de los fac-tores, es necesario encontrar la equivalencia entre los puntos que otorga el modelo y la tasa demorosidad anticipada equivalente.

RiskCalctm es modelo no-estructural en el sentido de que no usa una especificación basada en concep-tos teóricos, aunque la experiencia conjunta de Moody’s y Oliver, Wyman & Company garantiza surobustez. Como en cualquier intento de creación de modelos, hay que encontrar el equilibrio entre pre-cisión para la muestra y validez general para todo tipo de muestras. Nuestro método busca encontrar laforma funcional más simple que requiera el menor número de datos. Tratamos de construir modelos sim-ples que eviten sesgos por variables omitidas, pero rechazamos incluir factores cuya aportación marginal alpoder de predicion no esté justificada desde una perspectiva econométrica. En las siguientes seccionesdescribimos con mayor detalle los tres pasos de nuestro enfoque para la creación de modelos.

Análisis De Factores IndividualesUna característica específica de los modelos de rating basados en información financiera es la gran cantidadde variables que pueden ser utilizadas para predecir la morosidad. Es muy fácil definir varios cientos deratios financieros, combinando toda la información útil que se obtiene de los estados financieros de unacompañía de diferentes maneras, para evaluar la calidad crediticia. La forma en que se utiliza esta informa-ción para construir el modelo es crucial en la determinación de la capacidad y robustez del modelo finalpara la predicción de la morosidad. En particular, algunos de los ratios financieros que pueden ser calcula-dos serán útiles para la predicción de la morosidad, pero otros pueden tener una relación menor con lamora. Es más, algunos de los ratios pueden tomar valores extremadamente altos o bajos para algunas com-pañías, sin añadir información para la predicción de la morosidad. Estos dos hechos resaltan la importanciadel proceso de selección y transformación de variables que se realiza durante la fase de análisis univarible.

Dada la cantidad de ratios candidatos, es importante reducir la lista de los que se consideran en la fasede selección final. El proceso de eliminación se guía en base a los siguientes criterios:

• Han de ser intuitivos. Un modelo intuitivo ha de ser construido a partir de factores cuya lógica seafácilmente inteligible.

• Han de ser individualmente significativos. Han de aportar poder discriminatorio al modelo de manerasignificativa.

• La muestra ha de ser suficientemente grande. Para mantener la confianza en los resultados del análisisunivariante para cada factor particular, la muestra ha de componerse de un número significativo deobservaciones. Además, repetidas omisiones para alguno de los factores sugieren dificultad en laobtención, lo cual hace desaconsejable su inclusión en el modelo.

Al considerar que ratios incluir en el modelo, es necesario haberse formado expectativas previas sobre surelación con la entrada en mora, desechando aquellos que no responden a lo esperado. En caso contrario, secorre el riesgo de seleccionar un ratio basado en peculiaridades de la muestra. Por ejemplo, el ratio de fondospropios / activos, donde se anticiparía que un valor alto corresponde a poca probabilidad de morosidad. Encaso de que el análisis no confirmase esta conjetura inicial desecharíamos este factor para un análisis posterior.


La eficacia predictiva de cada ratio se comprueba utililizando el ratio de precisión11, que mide lacapacidad de una magnitud para discriminar entre empresas que entraron en mora posteriormente y aque-llas que no lo hicieron. Los factores con poca capacidad predictiva, es decir un ratio de precisión bajo, sonexcluídos del análisis adicional. De forma gráfica, un ratio de poca capacidad predictiva mostraría pocapendiente en un análisis gráfico.


Fondos Propios / Obligaciones

0% 25.0% 50.0% 75.0% 100.0%

Obligaciones / Activo

0% 25.0% 50.0% 75.0% 100.0%

Ratio De Liquidez

0% 25.0% 50.0% 75.0% 100.0%

Resultados Act. Ordinarias / Ventas

0% 25.0% 50.0% 75.0% 100.0%

Cash Flow 1 / Obligaciones

0% 25.0% 50.0% 75.0% 100.0%

Cash Flow 1 / Obligaciones A Corto Plazo

0% 25.0% 50.0% 75.0% 100.0%

Cash Flow 2 / Gastos Financieros

0% 25.0% 50.0% 75.0% 100.0%

Ventas / Activos

0% 25.0% 50.0% 75.0% 100.0%

Gastos Financieros / Ventas

0% 25.0% 50.0% 75.0% 100.0%

Crecimiento En Ventas

0% 25.0% 50.0% 75.0% 100.0%

Figura 11

11. Para más detalles, ver la sección Pruebas Empíricas del presente documento.

Habiendo excluído aquellos factores que no cumplen los requisitos descritos anteriormente, modelizamoslos factores restantes para capturar su relación con la morosidad. Los gráficos en la Figura 11 demuestran quela relación con la morosidad es de carácter monótonico; el signo del coeficiente estimado para cada factorsiempre es el mismo (un valor alto de Coste/ Ventas indica mayor probabilidad de morosidad), o siempre neg-ativo, de manera que un ratio bajo indica mayor probabilidad (p. ej. fondos propios/ activo total)12. Utilizandoesta monotonicidad, parametrizamos una curva con forma de S que suaviza la relación e imponemos untecho/suelo que limita valores extremos. Este techo no sólo elimina el impacto de los valores extremos en laestimación de los parámetros del modelo final, sino que además asegura que los ratings finales otorgados a unaempresa no están distorsionados por singularidades estadísticas. Además, refleja el hecho de que por encima deun nivel determinado, la mayoría de los ratios aportan poca información adicional sobre la morosidad.

Finalmente, los ratios transformados se normalizan para asegurar que tienen la misma media ydesviación estándar. Esto hace comparables los valores de los diferentes ratios y permite una definiciónmuy intuitiva del modelo final simplemente asignando pesos a cada factor.

Especificación Y Estimación Del ModeloEl segundo paso conlleva el uso de valores transformados dentro de un modelo multivariante de tal modoque los pesos asignados al modelo multivariante están ajustados de manera apropiada no sólo por el poderunivariante, sino por su poder en la presencia de otra información normalmente correlacionada.

Incluso después de haber aplicado los criterios arriba descritos teníamos alrededor de 40 ratios suscepti-bles de ser incluidos en el modelo final. Tratar de probar todas las posibles combinaciones de dichos ratioshubiera sido imposible dadas las posibilidades informáticas actuales, por lo que era necesario reducir estalista. Esta reducción se realizó en un contexto multivariante observando las correlaciones de los factores yutilizando procedimientos de selección estadística (tales como “Forward regression” y regresión secuencial).

La especificación del modelo final es una mezcla de ciencia y arte. Como ya se ha explicado, el objetivo esconstruir un modelo de valoración que, además de ser estadísticamente poderoso, sea fácil de comprender parael usuario final y tenga sentido económico para aquellas personas dedicadas a actividades diarias de riesgo decrédito, tal como gestores de créditos, analistas de riesgos, etc. Si simplemente se atendiese a la estadística, esmás que probable que se desarrollase un modelo con mayor número de ratios, con pesos ajustados de maneraprecisa al conjunto de datos sobre el que se creó el modelo, con algunos factores incluidos sólo debido a unvalor extremo y con otros factores incluidos con pesos negativos que conducirían a resultados contraintuitivos.

Esta es una de las razones fundamentales por la que los creadores de modelos con experiencia utilizanel principio de la “parsimonia”, que dice que el objetivo en la especificación de un modelo debería seralcanzar el mayor poder explicativo utilizando el menor número posible de variables. Esto se ve reforzadopor el hecho de que un modelo que requiere la introducción de muchos datos detallados es probable quedé dificultades de uso, además de que suele darse el caso de que funciona peor sobre datos de la vida realdonde no siempre está disponible tal detalle de información.

Una diferencia del modelo español frente a los modelos previos de RiskCalc es que los niveles deinventario mantenidos por las empresas es un indicador débil de la probabilidad de morosidad. Es más, eltamaño no ha sido incluido como uno de los ratios que determinan la puntuación de cada empresa en estenivel. Sin embargo, nuestra experiencia indica que hay una diferencia entre la tasa de morosidad entre lasempresas pequeñas y grandes, una diferencia debida a los beneficios de la diversificación que suele carac-terizar a las grandes firmas. Este beneficio se incorpora en la calibración.


Cobertura de deuda34%

Liquidez4%

Productividad25%

Rentabilidad5%

Apalancamiento28%Crecimiento

4%

RiskCalc : Pesos Relativos De España De Factores De RiesgoFigura 12

12. La categoría de ratios no-monotónicos mejor documentada son los ratios de crecimiento que una forma de U en relación con la mora.

CalibraciónLa parte final de la creación de modelos consiste en relacionar el resultado del modelo logit a la probabili-dad de entrada en morosidad. Este ejercicio puede dividirse conceptualmente en dos partes. La primeraasegura que la tasa media de morosidad predicha por el modelo es igual a nuestra mejor estimación de latasa de morosidad de la población a lo largo del ciclo. La segunda parte consiste en relacionar el scoreresultante del modelo con una probabilidad de mora, tal y como se describe más abajo.

La metodología básica para generar la curva de calibración de un año fue la misma que la utilizada porRiskCalc Australia, donde se creó y usó la curva de poder para generar la curva de calibración13. Esta curva decalibración se ajusta después de tal modo que la tasa de morosidad de la población concuerda con nuestromejor estimador de morosidad agregada a largo plazo. Para evitar anomalías debidas a los datos, la curva de cal-ibración también necesita ser “suavizada” por lo que decidimos ajustar una función exponencial a los datos14.

Los datos nos permitieron adoptar un enfoque basado en cohortes a la hora de calibrar al horizonte decinco años, usando tres cohortes comenzando en 1993, 1994 y 1995. La curva de poder global se calculócomo media de las curvas de poder para cada uno de los tres cohortes. Luego ajustamos la curva de cali-bración a nuestra tasa de morosidad acumulada de cinco años y de nuevo la ajustamos a una curva expo-nencial. Debe observarse que no se ha construido un modelo específico de cinco años, sino que la cali-bración se ha basado en nuestro modelo, el cual fue desarrollado usando una mezcla de estados financierosde entre uno y tres años antes de la entrada en mora.

Un problema que se ha encontrado con muchos conjuntos de datos es que existe un sesgo en la selec-ción de la muestra que conlleva mayores tasas de morosidad entre las compañías más grandes, lo cual no seajusta bien a la experiencia de la mayoría de nuestros clientes. Parte de este sesgo se corrige por el hecho deque las grandes empresas tienen normalmente mejores estados financieros, con lo que sus ratios general-mente indican mejor calidad crediticia. Sin embargo, los estados financieros no logran capturar los benefi-cios de la diversificación y de la mejor gestión de la que suelen disfrutar las grandes compañías, con lo quese decidió ajustar la calibración final para las compañías más grandes. Este ajuste se aplica gradualmente alas grandes empresas, resultando en una mejora de uno o dos grados para las empresas más grandes.

En definitiva, la transformación y normalización de los ratios constituye un vía transparente para cap-turar la información que cada ratio conlleva de la probabilidad de morosidad. El modelo probabilísticobinario es un método eficiente para determinar los pesos óptimos para la combinación de los ratios ini-ciales. Finalmente, se transforma el scoring en probabilidades de morosidad fácilmente interpretables, queposteriormente se relacionan con los grados de una escala maestra .

Pruebas Empíricas Como hemos explicado anteriormente cuando hablábamos de la selección de variables independientes, lasherramientas primarias de prueba que utilizábamos para evaluar el estadístico de poder, es decir, la habili-dad para ordenar los morosos y no morosos, eran curvas de poder y ratios de precisión . Las curvas de poderilustran gráficamente la habilidad para excluir morosos en puntos de corte aleatorios y pueden ser agregadasen una magnitud individual, el ratio de precisión, que permite comparaciones numéricas entre los modelos.

La curva de poder se puede definir de la manera siguiente: representa una relación unívoca entre lasempresas en el grupo con peor puntuación (en las abscisas) y el subgrupo de aquellas que entraron enmora (ordenadas). Si la muestra contuviese un 10% de morosos, entonces un modelo perfecto asignaría laspeores calificaciones a esas mismas empresas. La Figura 13 ilustra las diferencias entre un modelo perfec-tamente discriminante y uno meramente aleatorio.

En la práctica, los fallidos no son diferenciados perfectamente y se crea una función curvilinear,excluyendo un 10% de la muestra se excluirían un 30% de los morosos. Excluyendo el 20% el porcentajede morosos sería del 50%, etc. Esto crea una curva cóncava al eje superior izquierdo (Noroeste) en el grá-fico. Cuanto más tienda a dicho eje, más preciso es el modelo.

También existe una correspondencia estricta entre las curvas de tasas de morosidad, como en la Figura11, y las curvas de poder. Los gráficos que muestran la relación entre la tasa de morosidad y la valoraciónde una empresa, corresponden a curvas de poder y también a cualquier estadístico derivado de las curvasde poder. Por ello, cuando se observa un gráfico que muestra las tasa de morosidad por cualquier medida,hay que recordar que esta información implica unas curvas de poder determinadas.


13. Ver en el Apéndice C una descripción más detallada.14. En el modelo RiskCalc para Australia, los datos fueron suavizados usando el filtro Hodrick-Prescott, a pesar de que cualquier

método que mantenga la naturaleza exponencial de los extremos es suficiente.15. Ver en el Apéndice una descripción de la relación entre la escala de rating ".PD" utilizada en los modelos RiskCalc y la

prestigiosa escala de ratings de Moody’s Investor Services.16. Esta medida es equivalente al "cumulative accuracy ratio" descrito en la documentación previa de RiskCalc. Ver en el Apéndice

B una descripción detallada de estas medidas de prueba.

Como se ha discutido anteriormente en el documento, cuando se evalúa el poder de una herramientaque pretende llegar a ser un estándar de mercado es importante que los resultados obtenidos con dichaherramienta sean lo más objetivos posible. La situación ideal sería tener resultados atemporales, fuera deluniverso muestral, con los que comparar el poder de prediccion de la heramienta. En la práctica es pocohabitual disponer de tales datos. Un enfoque más realista, que pensamos que asegura que los resultados delmodelo sean estables, es usar una muestra de validación suficientemente grande no utilizada en ningunaotra parte del proceso de desarrollo.

Dada la riqueza de datos aportada por Equifax, fuimos capaces de construir una muestra de validacióncon la cual probar nuestra herramienta final. La muestra aportada por Equifax se componía de 18.000empresas, incluyendo 400 fallidas17. También comparamos el funcionamiento de nuestra herramienta conel del Z-score - una referencia elegida por su popularidad en los textos de contabilidad y de CFA18. Comopuede ser observado en la Figura 9, la herramienta que hemos desarrollado mejora significativamente elZ-score.

Como se ha mencionado anteriormente, este funcionamiento entre todas las compañías puede ser resum-ido por el índice de poder, que mide el funcionamiento de la herramienta frente al funcionamiento de unaherramienta perfecta. La Tabla 2 presenta el estadístico de poder de RiskCalc España en la muestra de vali-dación, usando de nuevo el Z-score como referencia.


Una Ilustración De La Curva De La Potencia La Potencia Reflejada Por Percent De Morosos Excluidos Como Tamaño De Muestra Se Excluye

0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100%0.000

0.200

0.400

0.600

0.800

1.000

Los Por Ciento De La Muestra Excluyeron

Los

Por C

ient

o De

Mor

osos

Exc

luye

ron

Mejor Perfecto

Figura 13

B

A

Relación De Transformación De La Exactitud = B/[A+B]

Perfecto Modelo

Real Modelo

Al Azar Modelo

Al Azar

17. Esto no parece ser una muestra muy grande si se tiene en cuenta que la mayoría de modelos conocidos han sido desarrollados utilizando menos de 100 morosos

18. Z-Score = 6.56*[Capital trabajo/Activos] + 3.26*[Beneficios no distribuidos/Activos] + 6.72*[Beneficio operativo/Activos] +1.05*[Fondos propios/Deuda total]

Algunos mensajes claros pueden extraerse de la Tabla 2. En primer lugar, RiskCalc España tiene uníndice de precisión significantemente superior, que pensamos que se debe a la amplitud y profundidad delconjunto de datos aportados por Equifax. En segundo lugar, y esta es una característica general para elconjunto de modelos de RiskCalc, RiskCalc esuna mejora significativa del Z-score. Hemosincluido el estadístico de poder de la muestra dedesarrollo para España para que se pueda ver elefecto en el estadístico de poder cuando nosmovemos de la muestra de desarrollo a la devalidación.

La Tabla 3 muestra los resultados de la validación del modelo en submuestras por industrias, tamaño yfecha relativa a la mora de los estados financieros. Como se muestra, el modelo es bastante estable en lasdiferentes clasificaciones. Además de reafirmar la estabilidad de RiskCalc para diferentes sectores ytamaños, estos gráficos ilustran el hecho de que el poder de las herramientas de rating mejora a medidaque se aproxima el momento de mora.


RiskCalc Curva De La Potencia De España

0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

100%

0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100%% Sample

% Muestra

RiskCalc Spain Z-Score Modelo Aleatorio

Figura 14

Tabla 2:

Índice De Precisión De RiskCalctm EspañaPais Modelo Estadistico

España RiskCalc SP Muestra de desarrollo 69.3%España RiskCalc SP Muestra de Validación 64.3%España Z-score 42.0%

Tabla 3:

Índices De Poder Por SubsectorSplit Sector Accuracy Ratio

Industry Construction 59.2%Industry Manufacturing 66.9%Industry Services 67.1%Industry Trade 59.8%Date 1 year before default 70.9%Date 2 years before default 63.9%Date 3 years before default 61.3%

Consejos Para La ImplementaciónHay algunos aspectos a tener en cuenta a la hora de utilizar el modelo RiskCalc España. Al igual que en otrosmodelos RiskCalc, no hemos incluido todos los elementos que creemos afectan a la probabilidad de mora deuna empresa. Por ejemplo, aunque reconocemos que ciertas industrias tienen tasas de morosidad más altas queotras, no disponemos de la información necesaria para realizar este tipo de ajustes al calibrar el modelo. Sinembargo, sí conseguimos retener cierta información sectorial dentro de los ratios elegidos, de manera que, porejemplo, se predicen tasas de morosidad mayores para el sector de construcción que para el sector servicios.

Nuestra intención al desarrollar la familia de productos RiskCalc era la de crear herramientas muypotentes pero que a la vez no impusiesen demasiadas necesidades de información a los usuarios. Por estemotivo hemos elegido utilizar información fiable y fácilmente accesible. RiskCalc España produce resulta-dos muy potentes basandose únicamente en información relativa a los estados financieros de las empresas.Esto no significa que se deba desdeñar cualquier tipo de información adicional de que se disponga: porejemplo si se tienen ecos de que una empresa que se está valorando está inmersa en una disputa legal,deberíamos tener esta circunstancia en cuenta a la hora de tomar decisiones en cuánto a concesión o pre-cio. Cómo se refleja en el nuevo acuerdo de capital de Basilea, el éxito no sólo radica en disponer de lamejor información y los mejores modelos, sino en cómo se usan.

Además, un modelo que aspira ser el estándar del mercado no puede capturar fácilmente las evaluacionesde factores cualitativos como por ejemplo la calidad del equipo gestor, factor utilizado en muchas institu-ciones financieras. Generar evaluaciones de este tipo utilizando el conocimiento obtenido en interaccionescon empresas requeriría un esfuerzo grandísimo — si cada evaluación llevara 2 horas (incluyendo los prepar-ativos y el estar presente en las reuniones), se necesitaría un equipo de más de 125 personas al año para evalu-ar cada empresa de nuestra base de datos-. Este es un problema al que también se enfrentan muchas institu-ciones financieras y, por tanto, no sorprende que los bancos más sofisticados utilicen herramientas comoRiskCalc para determinar qué empresas o peticiones de préstamos requieren más atención19.

Otro resultado poco intuitivo del modelo es el hecho de que las probabilidades de morosidad sean“demasiado bajas”. Muchos usuarios están acostumbrados a probabilidades más altas. Una probabilidad demora media para empresas de tamaño medio del 1.6% por año parece sensata hasta que se ve a qué empre-sas se aplica y se tiene en cuenta que es consistente con probabilidad de mora del grado de la escala Ba2 (amenudo se considera se considera el crédito a compañías no cotizadas en el intervalo B2-B1 como media,no en el rango Ba2). Aunque se haya utilizado una cifra del 1.6%, debemos reconocer que no queremos unmodelo sesgado. Sin embargo, esto representa nuestra mejor estimación estadística de la futura probabili-dad de entrada en mora. En cambio, la posición normal del prestador tiende a ser pesimista, ya que elcoste de ser demasiado optimista es más elevado. En la práctica podría preferirse ajustar los resultadosmultiplicando la probabilidad de mora por un porcentaje constante, por ejemplo 1.5, con el objetivo detomar una posición más prudente, ajustarse a las reglas del juego, o simplemente porque la antigua escalalleva implícita una probabilidad media de entrada mora a un año de por ejemplo el 3%, con lo que sepuede preferir modificar la nueva escala de forma gradual.

No hace falta decir que es muy importante que una herramienta como RiskCalc no se utilice ciega-mente. Por ejemplo, introducir de forma irreflexiva la información de una empresa que acaba de aban-donar gran parte de su negocio puede llevar a conclusiones engañosas. Si se utilizaran las cifras de ventasde esa empresa en el año anterior y el año posterior a la fusión, el nivel de ventas cambiaría dramática-mente hacia un crecimiento negativo de ventas y un rating muy pobre. En un caso como este, se deberíanutilizar cifras disponibles que fueran comparables entre sí.

Objetivo Para RiskCalc EspañaTambién es importante tener en cuenta que, mientras que hemos intentado construir una herramientarobusta que pueda ser utilizada con la mayoría de las empresas, sería inapropiado utilizarla con todas lasempresas. Claramente, cuando la información disponible es poca o errónea, la herramienta tendrá másdificultad en diferenciar el riesgo de una empresa, sin embargo se puede utilizar.

El tipo de empresas donde no creemos que la herramienta sea apropiada son: instituciones financieras;empresas del sector público; empresas cotizadas; empresas cuyo rendimiento dependa demasiado deproyectos específicos (ej. Empresas inmobiliarias); y las empresas de reciente creación donde la poca infor-mación disponible raramente es estable o refleja fielmente la situación de la empresa. La inexactitud en losratings de estas empresas aumentará, no sólo porque sus estados financieros no reflejan la realidad, sinotambién porque la probabilidad de mora agregada para este tipo de empresas puede ser significativamentedistinta de la norma de la población.


19. Un ajuste del 1.5, conllevaría una probabilidad de mora de la cartera del 2.4% (1.5*1.6%), comparado a la estimación interna del,por ejemplo, 3% y al 1.6% del modelo RiskCalc. Las diferencias con la cartera del usuario deberían tomarse en consideración enajustes adicionales.

ConclusionesLa metodología RiskCalc es ciertamente la esencia de la econometría aplicada: basada en una teoría sóliday años de experiencia práctica. El modelo es “no estructurado”, bien entendido y sofisticadamente simple,confiando en factores de riesgo bien establecidos. Mediante la transformación, o “mini-modelización”, delos ratios iniciales y la combinación de estos en un modelo multivariante, estamos capturando e integrandoun problema no lineal, al mismo tiempo que mantenemos la transparencia. El proceso final de proyeccióna una escala maestra tiene en cuenta nuestra perspectiva “top-down” de las probabilidades de mora.

Vemos la modelización de la morosidad como un problema hacia el futuro y, por ello, prestamos espe-cial atención a la comprobación de la robustez mediante los métodos de validación cruzada y externa,poniendo énfasis especial en la simplicidad. Para nuestro modelo español, se ha prestado especial atención acomo pueden diferir los ratios financieros entre España y otros países occidentales considerando las pecu-liaridades de la economía española desde una perspectiva tanto micro como macroeconómica, como estosratios se relacionan con la morosidad y cual sería la forma más parsimoniosa de integrarlos en un modelopotente. El resultado final es un modelo bien ajustado que predice la morosidad futura, no sólo la pasada.

Al utilizar RiskCalc España se debería mejorar la rentabilidad a lo largo de todo el ciclo de crédito,desde la toma de decisión a la fijación de precios, la monitorización y la titulización. RiskCalc no está con-cebido como una medida suficiente del riesgo; se debería ver más bien como un agregador muy potente dela información incluida en los estados financieros en un número validado y con sentido que permite lacomparación sistemática de los riesgos de la cartera.


Apéndice A: Regresión LogísticaPara analizar el poder explicativo de cada factor en un modelo multivariante, combinamos los factores enun modelo logístico. La ventaja principal de este modelo es que mediante el uso de la función logística seasigna probabilidades continuas entre 0 y 1 a cada puntuacion (procedente de factores dicotómicos, en estecaso, fallido o no fallido)

De forma más detallada, el modelo estima la relación entre las variables transformadas y las observa-ciones de mora mediante una transformación de una combinación lineal de factores independientes. Elmodelo parte de la siguiente forma funcional:

Y es la variable dependiente (en este caso, la observación de mora/no mora). El valor observado para Y es,obviamente, 0 (no fallido) o 1 (fallido), mientras que el valor que otorga el modelo es entre 0 y 1. Xi sonlas variables independientes, es decir, los factores financieros transformados. El modelo tiene forma de S,como se muestra a continuación:

Al optimizar la elección de los pesos, los parámetros (δi) son ajustados para minimizar la función depérdida, que en este caso es la suma de todos los ln(Yestimado) para los clientes fallidos menos la suma deln(1-Yestimado) para clientes solventes, es decir


( )nn3322110 X+....+X+X+Xexp1

1

ααααα ++=Y

ΣαX

Observed/estimated Y Model

1

o o o

o o oo

δi

data

0.1

( ))1ln()1()ln()(= predictedobservedpredictedobserved YYYYLoss −−−∑ 0.2

Apéndice B: Magnitudes De EvaluaciónÍndice De PoderUn índice de poder se construye asignando a cada intervalo la proporción de fallidos excluídos según losdiferentes niveles de exclusión en la muestra. Las ordenadas miden el porcentaje de fallidos excluídos paradiferentes porcentajes de exclusión de la muestra. Por ejemplo, si se usa una calificación que excluye el50% del total de la muestra, y este 50% contiene el 80% de los fallidos, el índice de poder pasaría por unalínea con coordenadas x=0.5 e y=0.8. La eficacia del sistema se obtiene de forma más exacta midiendo elárea incluída bajo la curva, y cómo aumenta con la inclinación de la curva.

En este caso B es el número total de intervalos (10 por lo general para ejemplos ilustrativos), y b es unintervalo particular. El índice de poder en b representa la suma de todos los fallidos en la “peor” fracciónb/B de las calificicaciones, en el orden que indica la magnitud M.

El gráfico inferior muestra la probabilidad de entrada en mora para un nivel de M, un índice de poderdado, que se refiere a la muestra hasta el nivel de M. En este caso, ordenamos las empresas por su riesgo(en orden descendiente de izquierda a derecha), de manera que P(M) y Poder(M) se corresponden. Losgráficos muestran un ejemplo concreto. Este tipo de modelo hubiese excluído rápidamente la mayoría delos fallidos : excluyendo el 20% de empresas con peor calificación M hubiese excluído al 70% de empresasque acabaron entrando en mora.

Existe una relación unívoca entre índice de poder y probabilidad de entrada en mora según el ordenreflejado, para cada punto t a lo largo de la medida de morosidad:

donde p es la probilidad media de mora.


total**defaultsdefaults**excluded**at** b

p(t)power *(b)** =

B

b

t=1 (0.3)

** * *

Σp(t)

t=1Σ

=

Figura 15Curva De Poder Y Curva PD

0.00

0.03

0.06

0.09

0.12

M

Prob

abili

dad

Del V

alor

Por

Def

ecto

0

0.2

0.4

0.6

0.8

1 Los Por Ciento De Bads Excluyeron

Prob of Default-p(M) Percent Bads Excluded-power(M)

** * ** *

∂t∂*power(t)p(t)**=**p*** (0.4),

Índice De PrecisiónMientras que el gráfico o tabla muestra el poder del modelo de forma descriptiva, y tiene la ventaja de quepermite evaluar el índice de poder para varios niveles de exclusión, resulta también útil para agregar todala información reflejada en la curva de poder en una única magnitud que permita comparar inequívoca-mente diferentes modelos entre sí. La medida que utilizamos, llamada índice de precisión o de poder,compara el área bajo la curva de poder con el área que obtendrían (1) modelos totalmente aleatorios y (2)modelos perfectamente discriminantes. Un modelo tiende a ser mejor más cóncava - hacia el eje superiorizquierdo- sea su curva, capturándose un área mayor. Ésto se refleja en un índice de precisión mayor.

El índice de precisión se define como el ratio resultante de dividir el área del modelo sometido a evalu-ación y un modelo aleatorio. De esta manera, un modelo perfecto obtendría un índice de poder del 100%mientras que un modelo aleatorio lo obtendría del 0%.

El uso de las áreas como método comparativo implica que, a diferentes niveles, modelos con un áreatotal inferior pueden superar puntualmente a otros con mayor área. Es decir, el índice de precisión no esuna medida que indique superioridad de un modelo frente a otro para todos los intervalos, sino más bienmide lo que podríamos llamar precisión media.

Para poder comparar modelos correctamente, no sólo se necesita una medida agregada de poder, sinouna desviación estándar sobre esta magnitud. La desviación estándar del área se puede aproximar con bas-tante exactitud con la siguiente función:

Donde D representa el número de fallidos en la muestra.


B

b=1power(b)

BArea*= 1 (0.5),Σ

Area p(b)***(1*-*p(b))BD1 (0.6),

B

b=1Σσ =

Apéndice C: Detalles Para La Elaboración De La Curva De CalibraciónEl modelo ha sido calibrado a un horizonte temporal de un año y un horizonte acumulativo de 5 años.Para el horizonte de un año usamos cada una de las empresas morosas y registramos su calificación 18meses antes de su entrada en mora. Nos remontamos tanto en el tiempo porque, pese a que queríamosanticipar la entrada en mora (definida como morosidad superior a 90 días sobre deuda bancaria), los datosque utilizamos para calibrar el modelo contenían empresas quebradas e insolventes. Nuestra experienciasugiere que los estados de quiebra e suspensión de pagos se declaran con posterioridad al período demorosidad de 90 días. Calibrando el modelo de esta forma hemos asegurado que no se nutría de estadosfinancieros demasiado próximos a la declaración de quiebra.

Por ejemplo, para una curva de poder a un año, tomaríamos una empresa fallida en 10-98 y nosremontaríamos a 4/97 para encontrar el percentil sobre la calificación de RiskCalc utilizada en ese mes. Enla mayoría de los casos los estados financieros no datarán de ese mismo mes, con lo cual habría queremontarse hasta llegar al último estado financiero disponible antes de esa fecha.

La curva de morosidad a 5 años fue construída utilizando la media de las curvas de poder de trescohortes empezados en los años 1993, 1994 y 1995. Calificamos como morosa cualquier empresa queentró en mora entre 12 y 71 meses después del último informe financiero disponible. Tomamos esta pre-caución para tener en cuenta los lapsos de tiempo entre la elaboración y la publicación de los estadosfinancieros y para adoptar una definición conservadora de mora.


power(b)*=J

b

B|

11

1| jbB

jφ

φj=1

J

j=1

J

Σ <

<en el que B es el número total de bins y es una función con valor igual a 1 para aquellas empresas j en un percentil inferior a b/B.

En caso de que 18 meses antes de la quiebra no existiese una calificación, nos remontábamos a 41 meses en lugar de 18. Aquellas observaciones para las que no existía calificación para este período fueron excluídas. Para aquellas en las que existía, a cada observación le asignamos un percentil, que a su vez forma la base para la curva de poder utilizada en la calibración. En concreto, dado un conjunto de percentiles de empresas fallidas , en la que J es el número total de empresas fallidas ΦjΣ , el índice de “poder” para cada bin (b) viene dado por:

{ }{ }

j=1J

Apéndice D: Correspondencia Entre RiskCalc PDs (Probabilidades De Mora) Y LasCalificaciones “.PD” De Moody´s Investor Services Para Bonos A Largo Plazo

Las calificaciones otorgadas por RiskCalc PDs y las calificaciones de Moody´s para emisiones de deuda alargo no se corresponden directamente. Son dos medidas de solvencia relacionadas, aunque diferentes. LaTabla 1 compara diversas características de los dos sistemas, haciendo énfasis en similitudes y diferencias.

Pese a las significativas diferencias entre ambos sistemas, a algunos usuarios les resulta útil compararsus resultados. Un análisis de insolvencia en emisiones de Moody’s permite este tipo de comparaciones. Elanálisis investiga las correlaciones entre las calificaciones de deuda a largo de Moody’s frecuencia dequiebras ex-post. Ésto posibilita el cómputo de medias históricas de solvencia sobre emisiones para cadacategoría valorada. Asignando el PD de cada empresa a los datos históricos de insolvencia se crean duplosde valores (por ejemplo, Aaa.pd, Aa1.pd, Aa2.pd, …, Caa2.pd, Caa3.pd, Ca.pd, C.pd) que facilitan la com-paración con calificaciones de deuda a largo. El estudio de emisiones insolventes está disponible en laspaginas de internet de Moody’s. Los detalles de nuestra asignación de PD a tasas de insolvencia fueronexpuestos en nuestro documento especial de mayo de 2000, Moody’s Default Model for Private Firms:RiskCalc for Private Firms, también disponible en nuestra página web [enter web address here].

Los duplos de Ratings y PD no añaden información adicional a los PDs y no constituyen calificacionesde deuda a largo plazo cómo ya se ha mencionado en la tabla 1. Constituyen más bien una reformulaciónde los PDs que contiene una formulación abreviada para tasas de morosidad anticipada. Nuestros clientesson de la opinión de que reflejar niveles de riesgo en códigos alfanuméricos puede resultar más inteligibleque en probabilidades. Por ejemplo, la diferencia entre una probabilidad de mora de 0.0075 y 0.0131 no estan fácilmente internalizable como la diferencia entre dos empresas calificadas como A3.pd y Baa1.pd.

Pese a tratarse de conceptos diferentes, existe una correlación entre los duplos y las calificaciones dedeuda a largo. La correlación, por construcción, no es exacta. Las calificaciones son función de PD, perotambién de la severidad en caso de quiebra (que incluye diferencias estructurales clave, como la diferenciaentre deuda subordinada y preferente, con o sin garantía, avales) y de los riesgos de pérdidas bruscas en lasolvencia de un deudor. El estudio de Moody’s sólo tiene en cuenta una de estas dimensiones -PD- mante-niendo constante la severidad en caso de mora e ignorando riesgos de transición. Estos elementos resultanen una correlación inexacta.

Por ejemplo, el peso de una persona es función de su estatura y de su complexión. Existe una cor-relación lo suficientemente fuerte entre peso y estatura como para permitirnos mantener que las personasaltas tienden a pesar más que las bajas. Sin embargo, podríamos afinar nuestras predicciones si tuviesemosen cuenta la complexión al hacer nuestro análisis. De manera análoga, podríamos predecir con menormargen de error las calificaciones de deuda de Moody’s si dispusiésemos de severidad, riesgo de transicióny los otros parámetros descritos en la Tabla 1, además de la probabilidad de morosidad.

El objetivo de los modelos RiskCalc no es predecir calificaciones de deuda de Moody’s, sino calcularprobabilidades de morosidad para horizontes temporales delimitados. Desarrollos posteriores de los mod-elos permitirán calcular pérdidad en caso de morosidad. Los resultados de estos modelos, junto con esti-maciones de correlación nos permitirán cuantificar el riesgo al nivel de deudor y de cartera.


Tabla 1

Similitudes Y Diferencias Entre Probabilidad De Mora Y Calificaciones De Moody’s ParaEmisiones A LargoCaracterística RiskCalc PDs Moody’s Long-Term Bond Ratings

Unidad de Análisis Deudor Deudor y DeudaHorizonte Temporal Específico, un año o cinco años Indeterminado, largo plazoDimensión de Riesgo Unidimensional: probabilidad de mora Multidimensional: probabilidad de mora,

severidad riesgo de transiciónInformación Necesaria Bases de datos amplias y fiables Resistente a datos de mala calidad y

ausencia de datosVolatilidad Alta Baja - mantenida a lo largo del cicloCoste Bajo AltoSoporte Técnico Técnico + Contacto y Valoración por el analistaEscala Continua/Absoluta 21 Grupos de Riesgo / RelativaEstructura Simple, análisis estructurado de pocas variables Flexible en función de los requerimientos

A diferencia de las PDs, que se obtienen a partir de ciertas ratios financieros y la evolución de las coti-zaciones, las calificaciones de Moody’s se basan en una evaluación de factores cualitativos y cuantitativospor parte de analistas con conocimientos sobre la situación competitiva y la estrategia de las empresas ensus respectivos sectores.

Pese a las fundamentales diferencias que existen entre las PDs y las calificaciones de deuda a largo,muchos de nuestros clientes consideran ambos sistemas como elementos complementarios de una her-ramienta de gestión del riesgo.


Moody's

Ris

kCalc

™ P

ara

Em

pre

sas N

o

Coti

zadas: R

iskcalc

Espana

Para ordenar copias de este documento (mínimo 100), por favor comunicarse 1.212.553.1658.Documento Número: 68679

Meto

dolo

gía

de R

ati

ng

M ™ P : R - riskcalc.moodysrms.com · • Optimización de los procesos de crédito: mientras que...

Documents

Transcript of M ™ P : R - riskcalc.moodysrms.com · • Optimización de los procesos de crédito: mientras que...