Determinantes de los activos líquidos en la banca - un análisis para Bolivia, Colombia, Costa Rica, Ecuador, Perú y Venezuela

Texto completo

(1)UNIVERSIDAD DE LOS ANDES FACULTAD DE ECONOMÍA. DETERMINANTES DE LOS ACTIVOS LÍQUIDOS EN LA BANCA: UN ANÁLISIS PARA BOLIVIA, COLOMBIA, COSTA RICA, ECUADOR, PERÚ Y VENEZUELA. ASESOR: HUMBERTO MORA. PRESESENTADO POR: CAROLINA CAMACHO1 CÓDIGO: 199521203. ENERO DE 2004. 1. Carolina Camacho agradece los comentarios de Carlos Alberto Castro y Roberto Ayala y de los jurados del presente trabajo, Dario Estrada y Juan Carlos Jaramillo..

(2) 1.Introducción. El objetivo de este trabajo es identificar los determinantes de las tenencias de activos líquidos de los bancos en seis países latinoamericanos: Bolivia, Colombia, Costa Rica, Ecuador, Perú y Venezuela. En particular, se busca evaluar si las decisiones de inversión en activos líquidos se ajustan a los modelos de manejo de liquidez, según los cuales el objetivo de invertir en activos líquidos es enfrentar los riesgos de insuficiencia de liquidez derivados de la incertidumbre sobre las variaciones de depósitos y cartera.. Este enfoque permite evaluar empíricamente la incidencia de la normatividad del encaje bancario sobre las tenencias de activos líquidos, estableciendo las diferencias que a este respecto existen entre los sistemas bancarios del grupo de países mencionado.. El modelo teórico que se utiliza es el planteado por Baltensperger (1980) y desarrollado para un tratamiento empírico por Julio y Mora (1990). En este modelo, la decisión de los bancos de invertir en activos líquidos es el resultado de un proceso de optimización en el que se minimizan los costos asociados a las tenencias de liquidez del banco. Estos costos se componen de dos elementos. El primero corresponde al costo de oportunidad de mantener un monto de activos líquidos para cubrir variaciones de depósitos y cartera, en lugar de invertir esos recursos en activos productivos. El segundo es el costo en el que incurre el banco cuando los activos líquidos no son suficientes para cubrir las caídas de depósitos y las expansiones de cartera. Resolviendo este problema de minimización, se encuentra una relación entre el nivel óptimo de activos líquidos y el resto de variables del modelo, susceptible de ser evaluada empíricamente.. Para llevar a cabo el análisis empírico se utilizaron datos mensuales de los balances y estados de resultados publicados por las superintendencias bancarias de cada país desde enero de 1997 hasta diciembre de 2002, excepto en el caso de Bolivia, país para el cual sólo se cuenta con datos desde enero de 1998 hasta diciembre de 2002. Las estimaciones fueron llevadas a cabo a través del método de efectos fijos comúnmente utilizado para el análisis de datos tipo panel..

(3) El estudio permite conocer la incidencia en las tenencias de liquidez de factores adicionales a la normatividad de encaje, tales como la tasa interbancaria, el costo marginal de la cartera y la volatilidad de la tasa de interés de los créditos. De otro lado, las tenencias de activos líquidos constituyen un costo para el banco, que puede incidir en sus niveles de eficiencia. Por lo tanto, conocer qué determina las tenencias de liquidez de los bancos resulta útil para el análisis de la eficiencia bancaria.. El trabajo se divide en cuatro secciones, siendo esta introducción la primera de ellas. En la segunda sección se presenta el problema de liquidez bancaria de acuerdo con el modelo de manejo de portafolio propuesto por Julio y Mora (1990). La tercera sección corresponde al marco empírico y se encuentra subdividido en cuatro partes. En la primera se plantea el modelo de regresión, para luego dar paso a un análisis de los aspectos particulares de la regulación de la liquidez bancaria en el grupo de países estudiados. En la tercera parte se presenta el método econométrico utilizado y en la cuarta parte se presentan los resultados. Finalmente, las conclusiones son presentadas en la cuarta sección.. 2. Marco Teórico. El esquema teórico utilizado en este trabajo consiste en un modelo de manejo de liquidez, en el cual la decisión del banco de invertir en activos líquidos está determinada fundamentalmente por el riesgo de liquidez, derivado de la incertidumbre sobre las variaciones de depósitos y cartera. Esta línea de investigación fue iniciada por Edgeworth (1888) y ha sido desarrollada por varios autores, entre ellos Porter (1961), Morrison (1966) y Baltensperger (1972 a, b y 1980).. El modelo utilizado en este trabajo corresponde a una modificación de la formulación de Baltensperger (1980), realizada por Julio y Mora (1990). En este modelo se suponen dos períodos (t y t+1). Los depósitos Dt y el patrimonio Wt del banco son exógenos. El banco decide cuánto de estos fondos invertirá en activos líquidos Rt y en cartera Ct, lo que implica que la restricción del balance se puede expresar como:. (1). Rt + Ct = Dt + Wt. 3.

(4) Un período después de la decisión de inversión, el banco recibe nuevos depósitos y algunos son retirados, el valor de las caídas de depósitos en el período t+1 se denota como XDt+1: (2). XDt+1 = Dt - Dt+1. si. XDt+1 = 0. en caso contrario. Dt - Dt+1>0. Las caídas de depósitos en t+1 son desconocidas para el banco en el período t. Tal como anota Baltensperger (1980), la única información con la que cuenta el banco en el período t sobre las variaciones de depósitos en el período t+1 es de carácter probabilístico y se basa en el comportamiento observado de los depósitos en el pasado. En consecuencia, el banco está sujeto a un riesgo de liquidez proveniente de los retiros inesperados de depósitos.. De acuerdo con Julio y Mora (1990) las caídas de depósitos no son la única fuente de incertidumbre para los bancos. También deben tenerse en cuenta las expansiones no esperadas de cartera. Una parte importante de la actividad crediticia está conformada por operaciones contingentes2, de manera que la decisión de hacer efectivos este tipo de créditos es una decisión del cliente sobre la cual el banco no tiene certidumbre perfecta. La siguiente expresión corresponde a la expansión de la cartera en t+1, que se denota como XCt+1:. (3). XCt+1 = Ct+1 - Ct. si Ct+1 - Ct>0. XCt+1 = 0. en caso contrario. El valor total de las caídas inesperadas de depósitos y de las expansiones imprevistas de cartera que ocurren a lo largo del período t+1 se denota como Xt+1: (4). Xt+1 = XCt+1 + XDt+1. 2 Las operaciones contingentes comprenden, entre otras, la concesión de cartas de créditos, el otorgamiento de aceptaciones bancarias o de cupos de tarjetas de crédito. Véase Mora (1989) “Operaciones Contingentes de los bancos”, Revista del Banco de la República, mayo de 1989.. 4.

(5) Adicionalmente, en cada período el banco debe cumplir con los requerimientos de encaje impuestos por las autoridades RR como una proporción k de los depósitos:. (5). RR = kD. En vista de este requerimiento de liquidez, al final del período t+1 las reservas R deben ser iguales o mayores a una porción específica de los depósitos de final del período kDt+1. De esta manera, al final del período t+1 la posición de liquidez del banco es equivalente al nivel de activos líquidos Rt, neto de las reducciones en los depósitos XDt+1 y las expansiones de cartera XCt+1, menos los requerimientos de encaje RRt+1:. (6). [ Rt − ( XDt +1 − XC t +1 )] − k ( Dt +1 ) ≡ [ Rt − X t +1 ] − RRt +1. El primer componente de la expresión anterior, en corchetes cuadrados, corresponde a las disponibilidades efectivas de liquidez que mantiene el banco al final del período t+1 y el segundo componente corresponde a las disponibilidades de liquidez requeridas por las autoridades al final del período. Con esta expresión Julio y Mora (1990) muestran cómo al momento t de adoptar la decisión sobre el nivel de activos líquidos existe incertidumbre respecto a las disponibilidades efectivas de liquidez en t+1 debido a que no se conoce el valor de las reducciones de depósitos ni de las expansiones de cartera. De igual manera, hay incertidumbre sobre el valor de los requerimientos de liquidez dado que no se conoce el valor de los depósitos al finalizar el período t+1.. De acuerdo con (6), de cumplirse la desigualdad presentada en (7) el banco incurriría en una deficiencia de liquidez cuya magnitud sería equivalente a la expresión (8)3:. (7). X t +1 > Rt − RRt +1. (8). X t +1 − Rt + RRt +1. 3 Vale la pena anotar que el principal efecto de la reserva requerida es que reduce el valor crítico de Xt+1 a partir del cual el banco incurre en una deficiencia de liquidez. De no existir la reserva requerida, el valor crítico de Xt+1 sería igual al nivel de activos líquidos Rt.. 5.

(6) En este caso el banco debe pagar una sanción impuesta por la autoridad monetaria como una proporción p del valor de la deficiencia de liquidez4. Es decir, el banco pagaría una sanción equivalente a p [Xt+1-Rt+RRt+1]. El valor esperado de la sanción para el banco es: ∞. (9). ∫ p[ X. F ( Rt ) =. t +1. − Rt + RRt +1 ]f ( X t +1 )dX t +1. Rt − RRt +1. Sin embargo, el término Rt - RRt+1 es una combinación lineal de la variable aleatoria RRt+1. En consecuencia, en el período t solo puede tenerse conocimiento sobre la distribución conjunta de Xt+1 y RRt+1, con base en la experiencia pasada (Julio y Mora, 1980). Por tanto, (9) debe escribirse como:. (10). F ( Rt ) =. Ωt. ∞. ∫ ∫ p[ X. t +1. − Rt + RRt +1 ]g ( X t +1 , RRt +1 )dX t +1dRRt +1. 0 Rt − RRt +1. Donde Ωt es el máximo valor que puede tomar RRt+1. Tal como anotan Julio y Mora (1980), la cota superior de RRt+1 es equivalente al valor esperado de los depósitos al final del período t+1, dado que RRt+1 se define como RRt+1=kDt+1 y la tasa promedio de encaje k sólo toma valores en el intervalo [0,1]: ∞. (11). Ω t = Et [ D t +1 ] = ∫ Dt +1h( Dt +1 )d Dt +1 0. El valor esperado del costo de liquidez del banco de mantener reservas es:. (12). L( Rt ) = rRt + F ( Rt ). 4. El costo p de incurrir en una deficiencia de liquidez también puede ser interpretado como la tasa que debe pagar el banco por acceder a recursos líquidos en el mercado interbancario o a través del banco central.. 6.

(7) Donde r es el costo de oportunidad de mantener reservas líquidas, en lugar de otorgar créditos. Reemplazando (10) en (12) se obtiene la siguiente expresión para el valor esperado del costo de liquidez:. (13). L( Rt ) = rRt +. Et Dt +1. ∞. 0. Rt − RRt +1. ∫. ∫ p[ X. t +1. − Rt + RRt +1 ]g ( X t +1 , RRt +1 )dX t +1dRRt +1. El problema del banco consiste en escoger el nivel de reservas en t que minimiza el valor esperado del costo de liquidez en el período t+1 (Ecuación 13). Si se supone que el banco es tomador de precio en el mercado crediticio, es decir, si se supone que el costo de oportunidad r es independiente del volumen de créditos otorgados, entonces la condición de primer orden de este problema de optimización, cuya derivación se presenta en el Anexo 1, es la siguiente:. (14). L' ( Rt ) :. r=p. Et Dt +1. ∞. 0. Rt* − RRt +1. ∫. ∫. g ( X t +1 , RRt +1 )dX t +1 dRRt +1. Esta condición de primer orden muestra que el nivel óptimo de activos líquidos para el banco es aquel en el cual el costo marginal de oportunidad de mantener activos líquidos es igual al costo marginal esperado de incurrir en deficiencias de liquidez. Una manera alternativa de ver este resultado es que el nivel óptimo de reservas es aquel en el cual la relación r / p es equivalente a la probabilidad de incurrir en deficiencias de liquidez:. (15). r = p. Et Dt +1. ∞. 0. Rt* − RRt +1. ∫. ∫. g ( X t +1 , RRt +1 )dX t +1 dRRt +1. La anterior ecuación muestra que el nivel óptimo de activos líquidos R* es decreciente en el costo de oportunidad de las reservas r y creciente en la tasa de sanción p. De otro lado, R* es creciente ante incrementos en la probabilidad de que se presenten deficiencias (es decir, cuando hay mayor probabilidad de que el banco enfrente altas caídas de depósitos y altas expansiones de cartera). Finalmente, se puede apreciar que. 7.

(8) un incremento en la tasa de encaje, que equivale a un aumento en el nivel de reservas requeridas RRt+1, se traduciría en mayores niveles de activos líquidos5. En este modelo no se tiene en cuenta el costo de los recursos asociados a la asignación y mantenimiento de los créditos. Tal como lo advierte Baltensperger (1980), los bancos utilizan de manera intensiva recursos como el trabajo para llevar a cabo su actividad de intermediación. Por esta razón, los costos asociados a estos recursos tienen un efecto importante sobre las decisiones del banco. En consecuencia, Baltensperger (1980) plantea una extensión al modelo de manejo de liquidez, en la cual se incluyen los costos de recursos asociados a la producción y mantenimiento de depósitos y cartera CR(D,C). Teniendo ésto en cuenta, la firma maximiza el valor esperado del beneficio, que se denota de acuerdo con la siguiente ecuación:. (16). E(π) = rC – iD – CR(D,C) – F(R). Donde, se mantiene la misma restricción del balance expresada en la ecuación 1 (R+C=D+W) y donde F(R) es el valor esperado del costo de liquidez del banco de mantener activos líquidos tal como se define en la ecuación (10). Maximizando el valor esperado del beneficio con respecto a R se obtiene la siguiente condición de primer orden. (17). ∂E (π ) = − r + CRC − FR = 0 ∂R r − CRC = − FR. Utilizando el resultado descrito en el Anexo 1, FR se reemplaza en (17) obteniendo la siguiente expresión:. (18). r − CRC = p. Et Dt +1. ∞. 0. Rt* − RRt +1. ∫. ∫. g ( X t +1 , RRt +1 )dX t +1 dRRt +1. 5 Ante un incremento de RR el límite inferior de la integral interior disminuye y por lo tanto aumenta la probabilidad de incurrir en deficiencias. Para conservar la igualdad (15) es necesario que el límite inferior de la integral interior aumente, por lo tanto R debe aumentar.. 8.

(9) Esta condición muestra muestra que el nivel óptimo de activos líquidos para el banco es aquel en el cual el costo marginal de oportunidad de mantener activos líquidos (r-CRC) es igual al costo marginal esperado de incurrir en deficiencias de liquidez. De esta manera, en esta condición se hace explícito que el costo de oportunidad de mantener reservas no sólo depende de la tasa de interés que paga la cartera, también depende del costo marginal de los recursos destinados para la producción de la misma. En particular, el modelo predice que existe una relación positiva entre el nivel óptimo de activos líquidos R* y el costo marginal de la cartera CRC . De otro lado, el modelo de manejo de liquidez de Julio y Mora (1990), supone que los bancos invierten activos líquidos con el único fin de enfrentar los riesgos de liquidez derivados de la incertidumbre sobre las variaciones de depósitos y cartera. Sin embargo, existen otros modelos teóricos que presentan un enfoque diferente para explicar la decisión de inversión en activos líquidos. En particular, Pyle (1971) y Hart y Jaffee (1974) plantean una teoría de manejo de portafolio en la cual la aversión al riesgo juega un papel determinante en el nivel de activos líquidos en la medida en que estos activos se caracterizan por tener bajos niveles de riesgo en comparación con otros de mayor plazo como los créditos.. Siguiendo la síntesis realizada por Freixas y Rochet (1997), a continuación se mostrarán los principales aspectos del enfoque que proponen Pyle (1971) y Hart y Jaffee (1974). En esta aproximación, se supone que el banco administra un portafolio conformado por dos productos financieros riesgosos C y D (que luego serán interpretados como cartera y depósitos). El banco decide el monto que invierte en C y D y el resto de su patrimonio lo invierte en un activo líquido (=W-C-D)6. El banco toma como dados los retornos de dichos activos, ~ rC , ~ rD y r, respectivamente. De esta manera, el beneficio del banco es una variable aleatoria que se denota de la siguiente manera:. (19). π~ = ~ r C+~ rD D + r (W − C − D ) C. π~ = (~ r − r )C + (~ rD − r ) D + rW C. 6. Esta restricción del balance difiere de la presentada en el modelo de Julio y Mora (1990) debido a que en la teoría de Pyle (1971) y Hart y Jaffee (1974) no se hace ningún supuesto a priori sobre si el banco decidirá mantener los productos financieros C y D como pasivos o como activos. Esta decisión hace parte de los resultados del modelo.. 9.

(10) Se supone que el banco es averso al riesgo, su función de utilidad (=U[E(π), var(π)]) es creciente en el valor esperado del beneficio y decreciente en la varianza del mismo. rD < r < ~ rC y Cov(r~D , ~ rC ) > 0 , el resultado del problema de maximización del Cuando ~ la utilidad indica que el nivel óptimo de C es positivo y de D es negativo, es decir que el banco, como administrador de portafolio, decide invertir en créditos y emitir depósitos como instrumentos pasivos.. Las inversiones realizadas en el activo líquido dependen fundamentalmente del nivel de aversión al riesgo del banco y de la varianza del retorno sobre la cartera, el activo líquido (W+D-C) es creciente ante mayores niveles de aversión al riesgo y ante incrementos en Var (~ rC ) . Empíricamente esto implica que cuando la volatilidad de la tasa de interés de la cartera aumenta, el banco debe aumentar sus inversiones en activos líquidos.. 3. Marco Empírico. 3.1. Modelo de regresión. En esta sección se evalúan empíricamente los determinantes de los activos líquidos de los bancos en seis países latinoamericanos: Bolivia, Colombia, Costa Rica, Ecuador, Perú y Venezuela7. Para ello se estima el siguiente modelo de regresión lineal:. (20). Rit = α i + β r rit + β p p t + β k k t + β xd XDite + β xl XLeit. Este modelo empírico toma como base las predicciones derivadas del modelo de Julio y Mora (1990). De acuerdo con este modelo se espera que exista una relación inversa entre los activos líquidos de los bancos y el costo de oportunidad r de mantener activos. 7. Los países incluidos en el análisis fueron escogidos por la disponibilidad de la información. El FLAR realiza un seguimiento periódico de los sistemas bancarios de estos países y por ello dispone de la información. En particular, al incluir todos los países miembros de la Comunidad Andina, los resultados del trabajo resultan especialmente útiles para el análisis de las condiciones para la integración de servicios financieros entre este grupo de países.. 10.

(11) líquidos. Por el contrario se espera que exista una relación positiva entre los activos líquidos, la tasa de sanción por incurrir en deficiencias de encaje p, la tasa de encaje requerido k y las expectativas sobre caídas de depósitos XDe e incrementos de cartera XLe. Además de estas variables se incluyen efectos específicos a cada banco a través de. αi, con el fin de incluir diferencias entre los bancos que no son capturadas por el modelo, tales como las habilidades administrativas con las que cuenta cada banco.. Para llevar a cabo el análisis empírico se utilizaron datos mensuales de los balances y estados de resultados publicados por las superintendencias bancarias de los seis países considerados desde enero de 1997 hasta diciembre de 2002, excepto en el caso de Bolivia, país para el cual solo se cuenta con datos desde enero de 1998 hasta diciembre de 20028. La variable que se incluyó como activos líquidos Rt corresponde a las disponibilidades y otros activos de plazo inferior a 30 días, como proporción de los activos totales del banco. El costo de oportunidad r es equivalente a la tasa de interés implícita de los créditos menos la tasa de interés implícita que pagan los activos líquidos. La tasa de sanción p corresponde a la tasa impuesta por la autoridad por deficiencias de encaje. La tasa de encaje requerido k corresponde al promedio de las tasas de encaje exigidas ponderado por los pasivos sujetos a encaje. Finalmente, las expectativas de caídas de depósitos y expansiones de cartera XDe y XLe corresponden a los pronósticos realizados para cada banco a partir del análisis de las series observadas de depósitos y cartera como proporción de los activos totales del banco. Este análisis se llevó a cabo suponiendo que las expectativas del banco se basan en el comportamiento de los depósitos y la cartera en el pasado.. El primer paso para obtener dichos pronósticos fue aplicar pruebas de raíz unitaria sobre las series de caídas de depósitos y expansiones de cartera de cada banco (Cuadro 2.1. 8. Cabe anotar que como la periodicidad de las variables utilizadas es mensual, los resultados de las estimaciones no reflejan los posibles efectos del período de encaje sobre las tenencias de activos líquidos en los bancos. Tal como lo mencionan Hernández y Tolosa (2001), las diferencias en el período de encaje pueden afectar la volatilidad de la demanda por liquidez en los bancos al interior del período de encaje. Este tipo de fenómenos no son capturados en las estimaciones debido a que no se cuenta con información semanal de los balances y estados de resultados de las entidades bancarias.. 11.

(12) Anexo 2). Tomando las series que mostraron evidencia de ser estacionarias se procedió a buscar la siguiente especificación AR9: k. (21). xt = m + ∑ θ j x t − j + ε t j =1. Donde k es el número de rezagos que son necesarios para hacer los residuales εt ruido blanco. Adicionalmente, se verificó la estabilidad de los modelos usando la prueba de cusum10. La mayoría de las series se ajusta a una especificación AR(1) o AR(2) y de acuerdo con la prueba de Ljung-Box no hay evidencia de autocorrelación en los residuales (Cuadro 2.2 del Anexo 2).. Teniendo la especificación AR de cada una de las series se procedió a estimar los pronósticos de manera recursiva, en donde el primer pronóstico se estimó a partir de los primeros quince datos observados de cada serie. De esta manera, se obtuvo para cada banco una serie de pronósticos de XD y XL desde mayo de 1998 hasta diciembre de 2002.. Además del modelo planteado en la ecuación 20, se decidió estimar un segundo modelo de regresión que incorporara los planteamientos de Baltensperger (1980), respecto al efecto de los costos de recursos de producción de cartera sobre las tenencias de liquidez; así como los resultados de la teoría de Pyle (1971) y Hart y Jaffee (1974), respecto a los efectos de la volatilidad de la tasa de interés de la cartera sobre las tenencia de liquidez. Al incluir las variables de costo marginal de la cartera y volatilidad de la tasa de interés en la ecuación 20 se obtiene la siguiente expresión:. (22). Rit = α i + β r rit + β p p t + β k k t + β xd XDite +1 + β xl XLeit +1 + β v volrit + β cmg cmg it. La volatilidad de la tasa de interés de la cartera se aproxima mediante el cálculo de la desviación estándar sobre las diferencias mensuales de la tasa de interés implícita de los 9. Tal como se muestra en la Tabla 2.1 del Anexo 2, en la mayoría de las series se rechaza la hipótesis nula de raíz unitaria. En los casos en los que no se rechazó esta hipótesis nula se optó por eliminar el banco correspondiente de la estimación. 10 La prueba cusum se basa en la suma acumulativa de los residuales recursivos. Si los coeficientes de la estimación son estables, entonces esta suma debe converger a cero.. 12.

(13) créditos. De acuerdo con la teoría, se espera que los activos líquidos aumenten cuando se presentan incrementos en la volatilidad de la tasa de interés de la cartera. Por su parte, el costo marginal de los recursos asociado a un incremento en los créditos se obtuvo del trabajo de Mora (2003), en el cual el autor estima una función de costos translog en función de los depósitos y la cartera de créditos para los bancos de Bolivia, Colombia, Costa Rica, Ecuador, Perú y Venezuela; a partir de la cual obtiene un estimador para el costos marginal de la cartera y de los depósitos. De acuerdo con la condición expresada en la ecuación 18, es de esperar que a mayor costo marginal de la cartera mayor sea el nivel de activos líquidos que mantiene el banco.. 3.2. Descripción de los datos. 3.2.1 Encaje Requerido. Durante el período de enero 1997 a diciembre de 2002 los países de la muestra que presentaron el menor coeficiente de reserva requerida y pasivo total fueron Colombia, Costa Rica y Ecuador. En estos tres países el coeficiente fue descendente y pasó de un promedio de 7,9% en 1997 a 3,7% en 2002. Perú y Venezuela presentaron el coeficiente de reserva requerida y pasivo total más alto, con niveles superiores a 11,0% durante todo el período considerado (Gráfica 1).. Gráfica 1. Reserva requerida / Pasivo total Comparación entre países, (%) 35 30. Bolivia. Colombia. Costa Rica. Ecuador. Perú. Venezuela. 25 20 15 10 5 Jul-02. Oct-02. Abr-02. Ene-02. Jul-01. Oct-01. Abr-01. Ene-01. Jul-00. Oct-00. Abr-00. Ene-00. Jul-99. Oct-99. Abr-99. Ene-99. Jul-98. Oct-98. Abr-98. Ene-98. Jul-97. Oct-97. Abr-97. Ene-97. 0. Fuente: Superintendencias Bancarias y Bancos Centrales de Bolivia, Colombia, Costa Rica, Ecuador, Perú y Venezuela. 13.

(14) El comportamiento del coeficiente de reserva requerida y pasivo total de los diferentes países se explica principalmente por el promedio ponderado de las tasas de encaje requerido. Como se aprecia en la Gráfica 2 el promedio ponderado de la tasa de encaje requerido presentó el menor nivel en Colombia, Costa Rica y Ecuador descendiendo de un promedio de 13,3% a 5,2% entre 1997 y 2002. Bolivia, Perú y Venezuela presentaron un promedio ponderado de la tasa de encaje superior a 12,0% durante todo el período considerado. En Bolivia descendió de 21,4% a 13,0% entre enero de 1997 y diciembre de 2002, mientras que en Venezuela aumentó de 12,0% a 15,0% en el mismo período. Por último, Perú registró el mayor promedio ponderado de esta tasa descendiendo de 34,9% en enero de 1997 a 24,5% en diciembre de 2002.. Gráfica 2. Tasa de encaje requerido ponderado por los pasivos sujetos a encaje, (%) 40 35 30 25 20 15 10 5. Bolivia. Colombia. Costa Rica. Ecuador. Perú. Venezuela. Jul-02. Oct-02. Abr-02. Ene-02. Jul-01. Oct-01. Abr-01. Ene-01. Jul-00. Oct-00. Abr-00. Ene-00. Jul-99. Oct-99. Abr-99. Ene-99. Jul-98. Oct-98. Abr-98. Ene-98. Jul-97. Oct-97. Abr-97. Ene-97. 0. Fuente: Superintendencias Bancarias y Bancos Centrales de Bolivia, Colombia, Costa Rica, Ecuador, Perú y Venezuela y Sistema Automatizado de Información Financiera, SAIF. La disminución observada en el promedio ponderado de las tasas de encaje requerido fue resultado de los cambios efectuados en la normatividad de encaje. Estos cambios estuvieron enfocados en la reducción y unificación de la tasa de encaje, más que en la disminución del conjunto de pasivos sujetos a encaje, de hecho la participación de los pasivo sujetos a encaje en el pasivo total registró una tendencia creciente entre 1997 y 2002 (Gráfica 3).. 14.

(15) Gráfica 3. Pasivos sujetos a encaje / Pasivo total Comparación entre países, (%) 100 90 80 70 60 50 Jul-02. Bolivia. Colombia. Costa Rica. Ecuador. Perú. Venezuela. Oct-02. Abr-02. Ene-02. Jul-01. Oct-01. Abr-01. Ene-01. Jul-00. Oct-00. Abr-00. Ene-00. Jul-99. Oct-99. Abr-99. Ene-99. Jul-98. Oct-98. Abr-98. Ene-98. Jul-97. Oct-97. Abr-97. Ene-97. 40. Fuente: Superintendencias Bancarias y Bancos Centrales de Bolivia, Colombia, Costa Rica, Ecuador, Perú y Venezuela. Los cambios en la normatividad que mayor efecto tuvieron sobre la reserva requerida fueron llevados a cabo a finales de 1998 en Bolivia, Colombia, Costa Rica, Ecuador y Perú y consistieron en la reducción y unificación de la tasa de encaje requerida, con excepción de Bolivia donde la principal modificación consistió en que se excluyeron algunas cuentas del conjunto de pasivos que encajaba a la tasa más alta (100%). Adicionalmente, Costa Rica continuó reduciendo sus tasas de encaje entre septiembre de 1999 y febrero de 2002, Perú efectuó una reducción importante en septiembre de 2000 y Ecuador en enero de 2001 (Anexo 3).. En la mayoría de países se efectuó una unificación de la tasa de encaje durante el período de estudio (Gráfica 4). Colombia, Costa Rica y Bolivia simplificaron su régimen de encaje durante 1998. En Colombia el número de tasas de encaje aplicadas sobre las diferentes categorías descendió de 8 a 3 y en Costa Rica y Bolivia de 3 y 5 a 2. De esta manera a partir de 1999 el número de tasas fluctuó entre 1 y 4 en los países de considerados.. 15.

(16) Gráfica 4. Número de tasas de encaje 9 8 Bolivia Costa Rica Perú. 7 6. Colombia Ecuador Venezuela. 5 4 3 2 1 Sep-02. May-02. Ene-02. Sep-01. May-01. Ene-01. Sep-00. May-00. Ene-00. Sep-99. May-99. Ene-99. Sep-98. May-98. Ene-98. Sep-97. May-97. Ene-97. 0. Fuente: Superintendencias Bancarias y Bancos Centrales de Bolivia, Colombia, Costa Rica, Ecuador, Perú y Venezuela y Sistema Automatizado de Información Financiera, SAIF. 3.2.2. Tasa mensual de sanción. Entre enero de 1997 y diciembre de 2002, las tasas de sanción fueron descendentes en la mayoría de países, excepto en Colombia en donde la tasa se mantuvo fija en 3,5%. En 1998 se observó una tendencia creciente en las tasas de sanción de Ecuador, Perú y Venezuela, lo que estuvo asociado al incremento que tuvo lugar durante ese año en las tasas de interés activas y pasivas. Venezuela presentó la tasa mensual de sanción más alta entre los países considerados durante todo el período manteniendo niveles cercanos a 4,0% o superiores. En el resto de países la tasa de sanción fluctuó entre 2,0% y 4,0%, excepto por Ecuador cuya tasa registró una caída abrupta a partir de la dolarización (enero de 2000), pasando de 4,0% a 1,0%. Desde entonces es el país con la menor tasa de sanción entre los seis mencionados (Gráfica 5).. 16.

(17) Gráfica 5. Tasa real de sanción mensual, (%). 4.50. 10.0. 4.00. 8.0. 3.50. 6.0. 3.00. 4.0. 2.50. 2.0. 2.00. 0.0. 1.50. -2.0. 1.00 0.50. Bolivia. Colombia. Costa Rica. Perú. Venezuela. Ecuador -4.0. -6.0 Nov-02. Ago-02. Feb-02. May-02. Nov-01. Ago-01. May-01. Feb-01. Nov-00. Ago-00. Feb-00. May-00. Nov-99. Ago-99. May-99. Feb-99. Nov-98. Ago-98. May-98. 0.00. Fuente: Superintendencias Bancarias y Bancos Centrales de Bolivia, Colombia, Costa Rica, Ecuador, Perú y Venezuela y Sistema Automatizado de Información Financiera, SAIF. Además del nivel de la tasa de sanción, existen diversos aspectos que inciden en el monto efectivo que pagan los bancos como sanción por incurrir en deficiencias de encaje. En particular, el período de encaje difiere entre países, en algunos la tasa de sanción aumenta en función del número de veces consecutivas en las que se incurre en deficiencias y en el caso de Ecuador se permite compensar las deficiencias corrientes de encaje con los excesos presentados en períodos anteriores (Cuadro 3.7 del Anexo 3). En consecuencia, los niveles de tasa de sanción presentados en la Gráfica 5 constituyen solo una aproximación a la tasa de sanción efectiva, que no incluye los aspectos mencionados anteriormente.. 3.2.3. Activos líquidos. Para evaluar qué tan estrictas son las exigencias de encaje en cada uno de los países no basta con examinar el nivel de las tasas de encaje requerido. Es necesario tener en cuenta que un mismo nivel de tasa de encaje puede resultar muy exigente para los bancos de un país en el cual la volatilidad de los depósitos y de la cartera es baja, mientras que puede resultar laxa para los bancos de una país con alta volatilidad en los depósitos y la cartera. En consecuencia, se construyó un indicador que permite evaluar el nivel de las tenencias de liquidez de la banca con relación a las expectativas sobre caídas de depósitos y expansiones de cartera, aplicando el siguiente cálculo:. 17.

(18) ALt − (XDte+1 + XLet+1 ) Activo Total. (23). En la Gráfica 6 se puede apreciar que este coeficiente es relativamente estable en todos los países excepto para el caso de Ecuador. En este país, el coeficiente pasa de un nivel promedio de 0,16 entre mayo de 1998 y diciembre de 1999 a un promedio de 0,24 entre enero de 2000 y diciembre de 2002. Este incremento no corresponde con la relajación de los requerimientos de encaje y la disminución en las tasas de sanción que tuvo lugar a partir de enero de 2000. Es posible que el comportamiento de los activos líquidos de los bancos en Ecuador responda a los cambios institucionales asociados a la adopción del esquema de dolarización, en particular a la eliminación de las funciones de prestamista de última instancia del banco central; así como a los efectos de la crisis bancaria de 1999 y 2000, luego de la cual la recuperación de la actividad crediticia se dio muy lentamente lo que se tradujo en excesos de liquidez para los bancos.. Gráfica 6. Activos Líquidos - (Caídas de depósitos + Expansiones de Cartera) / Activo Total* 0.40 0.35. Bolivia. Colombia. Costa Rica. Ecuador. Perú. Venezuela. 0.30 0.25 0.20 0.15 0.10 Nov-02. Ago-02. May-02. Feb-02. Nov-01. Ago-01. May-01. Feb-01. Nov-00. Ago-00. May-00. Feb-00. Nov-99. Ago-99. May-99. Feb-99. Nov-98. Ago-98. May-98. 0.05. *Promedio entre los bancos de cada país Fuente: Superintendencias Bancarias y Bancos Centrales de Bolivia, Colombia, Costa Rica, Ecuador, Perú y Venezuela y Sistema Automatizado de Información Financiera, SAIF. De otro lado, se puede advertir que en Perú y Venezuela, los países que aún tienen las mayores tasas de encaje y de sanción, el exceso de activos líquidos sobre los valores esperados de XD y XL es superior con respecto al resto de países. Mientras que el nivel promedio de este indicador fluctúa entre 0,08 y 0.13 en Bolivia, Colombia y Costa Rica; en Perú y Venezuela el indicador presenta un nivel cercano a 0,24.. 18.

(19) 3.3. Método de estimación. El modelo de regresión básico para el análisis de datos tipo panel (combinación de corte transversal y series de tiempo) es el siguiente:. (24). y it = α i + β ' xit + ε it. En donde i = 1,...n, son los individuos que conforman el corte transversal, t = 1,...T son los períodos comprendidos en la serie de tiempo, xit es un vector de k regresores, β corresponde al vector de coeficientes de cada regresor, εit es el error y αi es el coeficiente que recoge los efectos individuales. Estos efectos se suponen constantes en el tiempo y pueden ser específicos para cada unidad del corte transversal i.. Existen tres métodos de estimación para este modelo de acuerdo con los supuestos que se hagan sobre el comportamiento de los efectos individuales. El primero es un modelo. pool, bajo el cual se supone que αi es el mismo para todos los individuos (αi = αj ∀ i ≠ j). Si, por el contrario, se supone la existencia de efectos diferentes para cada individuo (αi ≠ αj, ∀ i ≠ j) el modelo se puede estimar como uno de efectos fijos o de efectos aleatorios. El modelo de efectos fijos supone que αi es una constante específica a cada individuo y el modelo de efectos aleatorios supone que αi es una perturbación específica a cada individuo.. Para establecer la validez de utilizar el modelo de efectos fijos en lugar de un modelo. pool, debe evaluarse la significancia estadística de los efectos específicos a cada individuo. Para ello se plantea la hipótesis nula de que αi es igual para todos los individuos, bajo la cual el estimador obtenido a través del modelo pool es eficiente. Esta hipótesis se evalúa a través del estadístico F, que compara el R2 del modelo pool ( R p2 ) 2 con el R2 del modelo de efectos fijos ( REF ) de la siguiente manera:. (25). F (n − 1, nT − n − K ) =. (R. − R P2 ) / (n − 1) (1 − R )/(nT − n − k ) 2 EF 2 EF. 19.

(20) En el modelo de efectos aleatorios los coeficientes específicos son variables aleatorias independientes, con media α y varianza σ2u. Este supuesto resulta apropiado si se considera que los bancos estudiados no constituyen la totalidad de la población sino que son una muestra aleatoria de una población mayor. De esta manera, los parámetros estimados representan los parámetros poblacionales:. (26). α i = α + ui. El modelo de efectos aleatorios se expresa de la siguiente manera:. (27). En donde:. y it = α + β ' xit + u i + ε it E[εit] = E[ui] = 0 E[ ε it2 ] = σε2 E[ui2] = σu2 E[uiuj] = 0 E[uiεjt] = 0. para todo i, t y j. E[εisεjt] = 0. si t ≠ s o i ≠ j. E[usut] = 0. si i ≠ j. En este caso, la matriz de covarianza de los residuales compuestos wit = ui + εit es equivalente a:. V = Ω ⊗ In Donde,. Ω = σ ε2 I T + σ u2 iT iT' siendo i un vector de unos.. Dada esta estructura de la matriz de covarianza del modelo de efectos aleatorios, el mejor estimador lineal insesgado es el de mínimos cuadrados generalizados.. De acuerdo con Judge et al. (1982), para escoger el modelo más apropiado entre el de efectos fijos y el de efectos aleatorios, el primer aspecto que se tiene en cuenta es el tamaño relativo de n y T. Para un n dado, a medida que T tiende a infinito los. 20.

(21) ) estimadores del modelo de efectos fijos (b) y efectos aleatorios ( β ) tienden a arrojar. resultados idénticos. El estimador b es consistente y asintóticamente eficiente incluso bajo los supuestos del modelo de efectos aleatorios. De esta manera, cuando se tiene un número grande de períodos T y un número pequeño de individuos n, la diferencia entre los dos estimadores es bastante pequeña y se puede elegir el modelo que computacionalmente resulte más práctico, es decir el modelo de efectos fijos. Por el contrario, si n es grande y T es pequeño los dos estimadores difieren significativamente. En este caso b es consistente bajo los supuestos del modelo de efectos aleatorios pero no es asintóticamente eficiente.. Otro aspecto que debe tenerse en cuenta es que los estimadores obtenidos a través del modelo de efectos aleatorios son consistentes siempre y cuando no exista correlación entre los efectos específicos y los regresores del modelo. De ahí que la prueba de Hausman, que discrimina entre la utilización del modelo de efectos fijos y el modelo de efectos aleatorios, se base en la hipótesis nula de no correlación entre los efectos específicos y los regresores del modelo. Bajo esta hipótesis, los estimadores obtenidos a través de los modelos de efectos fijos y aleatorios son consistentes, pero los estimadores de los modelos de efectos fijos son ineficientes. Bajo la hipótesis alterna, los estimadores del modelo de efectos aleatorios son inconsistentes, mientras que los estimadores del modelo de efectos fijos continúan siendo consistentes. De esta manera, bajo la hipótesis nula los estimadores no deben diferir sistemáticamente. Por esto, la prueba consiste en comparar los estimadores de ambos modelos para verificar si existe una diferencia substancial entre los estimadores.. Intuitivamente la diferencia entre los dos modelos puede verse como la diferencia entre la inferencia condicional y no condicional. El estimador b arroja información ) condicional a los individuos considerados en la regresión, en tanto que el estimador β arroja información sobre la población a partir de una muestra aleatoria de la misma. En los modelos de regresión presentados hasta el momento se supone que E[εit]=0, Var[εit]=σ2, Cov[εit, εjt]=0, si i≠j. Sin embargo, en el análisis de datos de corte transversal es usual que se encuentre heteroscedasticidad, es decir que Var[εit]= σ i2 . En particular, es posible que la variación en la tenencia de activos líquidos difiera entre. 21.

(22) bancos debido a factores específicos de cada banco. Bajo estas condiciones el mejor estimador lineal insesgado para el modelo de efectos fijos no es el de mínimos cuadrados ordinarios y es necesario correr el modelo con el método FGLS (mínimos cuadrados factibles) utilizando los residuales ε) , obtenidos con la estimación del it. modelo pool a través del método de mínimos cuadrados ordinarios, para estimar la varianza de cada individuo:. T. ε)it 2. t =1. T. σ) i2 = ∑. De otro lado, es posible que los factores que afectan a cada banco de manera similar como los factores macroeconómicos o factores que son específicos a la actividad bancaria. En consecuencia, es posible que exista correlación contemporánea de los residuales entre las firmas. En este caso la Cov[εit, εjt]=σij y es necesario correr el modelo con el método FGLS utilizando los residuales ε) , obtenidos con la estimación it. del modelo pool a través del método de mínimos cuadrados ordinarios, para estimar la covarianza de cada individuo:. T. ε)it ε) jt. t =1. T. σ) ij = ∑. Este método permite corregir por heteroscedasticidad en el corte transversal y correlación contemporánea. Al relajar las restricciones sobre la matriz de varianza covarianza se obtiene una mejor aproximación de los errores estándar lo que representa una ganancia en términos de eficiencia.. 3.4. Resultados. La estimación de los modelos planteados en las ecuaciones 20 y 22 se llevó a cabo utilizando los datos mensuales de los bancos con series completas de Colombia, Costa Rica, Ecuador, Perú y Venezuela desde mayo de 1998 hasta diciembre de 2002. En el caso de Bolivia se utilizaron los datos mensuales de los bancos con series completas. 22.

(23) desde mayo de 1999 hasta diciembre de 200211. Se realizaron estimaciones para el modelo pool y para el modelo de efectos fijos corregido por heteroscedasticidad en el corte transversal y correlación contemporánea.. Los resultados de las estimaciones para el primer modelo (ecuación 20) se presentan en el Cuadro 1. La prueba F mostró evidencia de la existencia de efectos específicos para cada banco en todos los países, en consecuencia el modelo más adecuado para el análisis de los datos es el de efectos fijos.. En Bolivia, los resultados indican que, tal como predice el modelo, las decisiones de las tenencias de liquidez de los bancos guardan una relación positiva con la tasa de encaje impuesta por las autoridades. Esto se evidencia en la significancia del coeficiente de k y su signo positivo. Sin embargo, se encuentra que el costo de oportunidad no tiene el efecto esperado, el coeficiente de r es significativo pero su signo es positivo. Finalmente, no se encontró evidencia que indique alguna incidencia sobre las tenencias de liquidez por parte del resto de variables del modelo (tasa de sanción y las variables de pronósticos de caídas de depósitos y de incrementos de cartera).. Los resultados para Colombia indican la existencia de una relación inversa entre el costo de oportunidad y los activos líquidos. En efecto, el coeficiente que acompaña r es significativo y negativo, tal como lo predice el modelo. Por su parte, el coeficiente de la tasa de encaje requerido es significativo y positivo, evidenciando que ante incrementos en esta tasa los bancos reaccionarían con mayores tenencias de activos líquidos, siguiendo así el comportamiento esperado de acuerdo con el modelo. El coeficiente del pronóstico de caídas de depósitos es significativo y positivo, lo que indica que los bancos recurren a mayores tenencias de liquidez cuando esperan que los retiros de. 11. El costo de oportunidad r, la tasa de sanción p, la tasa interbancaria y la tasa de interés de la cartera utilizada para calcular la volatilidad son incluidas en la estimación en términos nominales en la medida en que se considera que la inflación representa un costo para el banco y por tanto puede incidir en la decisiones de liquidez del mismo. No obstante, siguiendo las recomendaciones de los jurados, se decidió descontar el efecto de la inflación con el fin de conocer cuál es la incidencia de estas variables en términos reales sobre las tenencias de liquidez del banco. Los resultados de las estimaciones realizadas con las variables en términos reales se presentan en el Anexo 4 y muestran que los resultados en general no difieren para el caso del costo de oportunidad, la tasa interbancaria y la volatilidad de la tasa de interés de la cartera, mientras que la tasa de sanción pasa de ser significativa y con el signo esperado a ser no significativa en Costa Rica y Venezuela.. 23.

(24) depósitos aumenten. Finalmente, la tasa de sanción y los pronósticos de incrementos de cartera no son significativos.. En Costa Rica, la tasa de sanción y la tasa de encaje son variables significativas y sus coeficientes presentan el signo esperado. El costo de oportunidad es significativo pero su signo es positivo, contrario a lo esperado. De otro lado, los pronósticos de las caídas de depósitos e incrementos de cartera no son significativos.. En Ecuador, la tasa de encaje requerido es significativa y su signo es positivo, de acuerdo con lo esperado. La tasa de sanción y la variable de pronósticos de incrementos de cartera son significativas, pero su signo negativo contradice las predicciones del modelo. El resto de variables, costo de oportunidad y el pronóstico de caídas de cartera, no son significativas. Tal como se mencionó en la Sección 3.2.3, desde enero de 2000 las tenencias de activos líquidos de los bancos ecuatorianos aumentaron marcadamente, lo cual no responde a la evolución de las expectativas sobre caídas de depósitos e incrementos de cartera. Con el fin de capturar los diferentes cambios relativos a la dolarización que pueden afectar el comportamiento bancario, tales como la eliminación del prestamista de última instancia, se introdujo en la estimación una variable cualitativa. Esta resultó significativa y positiva, explicando parte importante del incremento observado en los activos líquidos de los bancos. Sin embargo, tras introducir esta variable, la significancia y el signo del resto de coeficientes no presentó cambios.. Los resultados para Perú indican que el coeficiente de la tasa de sanción es significativo, pero su signo es contrario al esperado. Únicamente el coeficiente del pronóstico de caídas de depósitos es significativo y con el signo positivo esperado. No se encontró evidencia de que el resto de variables del modelo (el costo de oportunidad, la tasa de encaje requerido y los pronósticos de incrementos de cartera) incidan en las tenencias de liquidez de los bancos peruanos.. En Venezuela, los coeficientes de la tasa de sanción y la tasa de encaje son significativos y con el signo esperado, indicando que las decisiones de los bancos sobre sus tenencias de activos líquidos responden a la normatividad de encaje. Así mismo, el pronóstico de caída de depósitos tiene un coeficiente significativo y positivo, indicando que el banco aumenta sus tenencias de activos líquidos para cubrir las caídas esperadas 24.

(25) de depósitos. La variable de costo de oportunidad es significativa pero su signo es contrario al esperado. Finalmente, el pronóstico de incrementos en cartera no es significativo.. De acuerdo con estos resultados, no se encuentra evidencia de que las expectativas sobre incrementos de cartera tengan alguna incidencia sobre las decisiones de inversión en activos líquidos de los bancos. De otro lado, sólo en dos de los países considerados (Colombia y Venezuela) se encontró que los bancos buscan incrementar sus tenencias de activos líquidos cuando esperan que los retiros de depósitos aumenten. Sin embargo, estos resultados están sujetos a la calidad de los pronósticos de las caídas de depósitos y de los incrementos de cartera. En el Anexo 4 se presentan los resultados de una estimación realizada a partir de los datos observados de caídas de depósitos e incrementos de cartera. Estos resultados indican que existe, para todos los países, una relación positiva y estadísticamente significativa entre los activos líquidos y tanto las caídas de depósitos, como las expansiones de cartera. Por lo tanto, es posible que en la medida en que se cuente con mejores pronósticos, se obtenga una evidencia más clara respecto a la relación positiva entre las tenencias de liquidez y las expectativas sobre la variación de los depósitos y de la cartera, razón por la cual existe un amplio espacio para mejorar la calidad de los pronósticos utilizados en el presente trabajo.. Para la estimación del modelo de regresión planteado en la ecuación 22 se siguió la misma metodología aplicada en la estimación del modelo anterior. Los resultados se presentan en el Cuadro 2. La prueba F muestra evidencia de la existencia de efectos específicos para cada banco, de esta manera el modelo más adecuado para el análisis de los datos es el de efectos fijos.. Las variables de costo de oportunidad, tasa de sanción, tasa de encaje requerido y las expectativas sobre caídas de depósitos e incrementos de cartera presentan resultados bastantes similares a los obtenidos con la estimación del primer modelo de regresión. Únicamente se encontraron tres diferencias entre dichos resultados. Cuando se incluyen las variables de volatilidad de la tasa de interés y costo marginal de la cartera, el coeficiente del costo de oportunidad pasa a ser significativo y con el signo esperado en Ecuador, el coeficiente del pronóstico de caídas de depósitos pasa a ser no significativo. 25.

(26) en Perú y el coeficiente del pronóstico de incrementos en cartera pasa a ser significativo y con el signo esperado en Venezuela.. La volatilidad de la tasa de interés de la cartera sólo es significativa y con el signo positivo esperado en Bolivia. En Colombia, Ecuador, Perú y Venezuela esta variable es significativa pero el signo de su coeficiente es negativo, contrario al esperado. En Costa Rica la volatilidad de la tasa de interés no es significativa.. Por su parte, el costo marginal de la cartera tiene una incidencia positiva en el nivel de activos líquidos de los bancos en Costa Rica y Venezuela, tal como lo predice el modelo. En Colombia y Perú, esta variable es significativa pero el signo de su coeficiente es contrario al esperado. Para el resto de países no hay evidencia de que los costos marginales de la cartera tengan incidencia sobre las tenencias de liquidez.. Atendiendo las recomendaciones de los jurados del presente trabajo de tesis y con el fin de mejorar la medición de la variable de la volatilidad de la cartera, se realizaron estimaciones del modelo de regresión planteado en la ecuación 22 utilizando una medida alternativa del riesgo de la cartera que incluye el riesgo asociado al incremento de la cartera vencida. De esta manera, la volatilidad de la tasa de interés de la cartera fue medida como la desviación estándar de las diferencias mensuales de la tasa de interés implícita de la cartera ajustada por la calidad de la cartera12. También en atención a las sugerencias de los jurados, se utilizó la tasa interbancaria como variable que aproxima el costo de incurrir en deficiencias de liquidez en lugar de utilizar la tasa de sanción.. Los resultados de esta última estimación se presentan en el Cuadro 3. La volatilidad de la tasa de interés de los créditos, ajustada por la cartera vencida, resulta significativa y con el signo positivo esperado en Colombia y Venezuela. En el resto de países la variable no es significativa, excepto para el caso de Perú en donde el signo es contrario al esperado. Por su parte la tasa interbancaria solo resultó significativa y con el signo. 12. Para ajustar la tasa de interés de la cartera por el factor de calidad de la cartera, la tasa de interés implícita se calculó como el coeficiente de ingresos por intereses provenientes de los créditos y el saldo de cartera vigente más cartera vencida.. 26.

(27) esperado para el caso de Colombia y Costa Rica, mientras que para Bolivia, Ecuador y Perú la variable es significativa pero con el signo contrario al esperado13.. 4. Conclusiones. En este trabajo se realizó una evaluación empírica de las predicciones derivadas del modelo de manejo de liquidez de Julio y Mora (1980) para los bancos de Bolivia, Colombia, Costa Rica, Ecuador, Perú y Venezuela. Específicamente, se evaluó el efecto que tienen sobre las tenencias de liquidez de los bancos, el costo de oportunidad de mantener reservas, las variables de la normatividad de encaje, los costos de incurrir en deficiencias de liquidez y la incertidumbre sobre caídas de depósitos e incrementos de cartera.. Se encontró evidencia que respalda la hipótesis de que los bancos aumentan sus tenencias de liquidez con el fin de cubrirse de los riesgos derivados de la incertidumbre sobre las variaciones de depósitos y cartera. En particular, en Colombia y Venezuela los resultados muestran que los bancos incrementan sus activos líquidos cuando esperan que los retiros de depósitos aumenten.. Estos resultados están sujetos a la calidad de los pronósticos utilizados para aproximar las expectativas de los bancos respecto al comportamiento de los depósitos y la cartera. De hecho, al estimar el mismo modelo incluyendo las series observadas de caídas de depósitos e incrementos de cartera, se observa que, en todos los países, las tenencias de liquidez guardan una relación positiva con las caídas de depósitos y los incrementos de cartera observadas un período después.. De otro lado, los resultados sugieren que la normatividad de encaje bancario afecta las decisiones de inversión en activos líquidos a través de la tasa de encaje requerido. Esto se evidencia en que los bancos de Bolivia, Colombia, Costa Rica y Venezuela responden ante cambios en la tasa de encaje requerido buscando cumplir con la 13. Teniendo en cuenta que entre los países pueden existir factores comunes que alteren las decisiones de liquidez de los bancos, y siguiendo las recomendaciones de los jurados del presente trabajo, se realizó una estimación del modelo 2, incluyendo los bancos de todos los países. El período para el cual fue posible realizar la estimación comprende desde mayo de 1998 hasta diciembre de 2002. Se impusieron coeficientes iguales entre bancos de un mismo país y diferentes entre países. Los resultados se presentan en el Anexo 4, Cuadros 4.4 y 4.5.. 27.

(28) normatividad. En cuanto a la incidencia de la tasa de sanción sobre las tenencias de liquidez de los bancos, se encontró que únicamente en Costa Rica y Venezuela los activos líquidos aumentan ante incrementos en la tasa de sanción. Este resultado puede estar asociado con el hecho de que la tasa interbancaria puede ser una mejor aproximación del costo que significa para los bancos incurrir en deficiencias de liquidez. Sin embargo, solo para Colombia y Costa Rica se encontró que la tasa interbancaria tiene una incidencia positiva sobre el nivel de tenencias de liquidez del banco.. Respecto a la variable de costos de oportunidad, se encontró que en la mayoría de países (Bolivia, Costa Rica, Perú y Venezuela) esta variable tiene una incidencia positiva sobre las tenencias de activos líquidos. Este resultado es contrario a lo esperado de acuerdo al modelo.. Con el fin de tener una mejor aproximación de los efectos que tiene el costo de oportunidad sobre las decisiones de inversión en liquidez, se estimó un modelo de regresión que incluye el costo marginal de los recursos utilizados en la asignación y mantenimiento de la cartera, siguiendo a Baltensperger (1980). Sin embargo, esta variable no resultó ser significativa y con el signo esperado en la mayoría de los casos.. Tal como se mencionó en el marco teórico, los bancos no solo invierten en activos líquidos para enfrentar los riesgos de liquidez sino que también pueden recurrir a ellos como una opción de inversión de bajo riesgo. Teniendo esto en cuenta, se incluyó la volatilidad de la tasa de interés de la cartera como variable explicativa de las tenencias de liquidez de los bancos, siguiendo las predicciones de la teoría de Pyle (1971) y Hart y Jaffee (1974). Los resultados únicamente muestran evidencia de que los bancos incrementen sus inversiones de activos líquidos ante incrementos en la volatilidad de la tasa de interés de la cartera ajustada por cartera vencida en Colombia y Venezuela.. 28.

(29) Cuadro 1 Modelo de Regresión 1 MCG controlando por Heteroscedasticidad en el corte transversal y correlación contemporánea Bolivia Variable dependiente Número de bancos Método de estimación r. p. k. XD e XLe. Colombia. Costa Rica. Ecuador. Perú. Venezuela. Activos Líquidos ( R ) 8. 19. 12. 18. 10. 14. EF. EF. EF. EF. EF. EF. 2.17. -0.14. 1.64. -0.01. 0.01. 0.61. (3.6)**. (-3.57)**. (9.03)**. (-0.53). (0.29). (6.17)**. 0.19 (0.74). 2.42. 1.83. -1.66. -1.19. 0.51. (1.53). (2.04)**. (-3.96)**. (-3.6)**. (2.97)**. 0.01 (3.68)**. 0.01. 0.01. 0.00. 0.00. 0.01. (10.56)**. (8.14)**. (3.09)**. (1.24). (7.11)**. 0.12. 0.11. 0.03. -0.14. 0.21. 0.23. (1.54). (2.96)**. (1.05). (-1.9)**. (2.37)**. (3.94)**. -0.17 (-1.51). -0.12. 0.02. 0.08. -0.01. 0.08. (-1.61). (0.21). (1.08). (-0.07). (1.3). Dummy dolarización. 0.03. (2.35)** Tests F estadísitco. 42.35. 12.95. 65.07. 52.56. 88.38. 35.36. valor p. 0.00. 0.00. 0.00. 0.00. 0.00. 0.00. EF, corresponde a efectos fijos y EA corresponde a efectos aleatorios t-estadístico en paréntesis; (*) significativo al 90%; (**) significativo al 95%. 29.

(30) Cuadro 2 Modelo de Regresión 2 MCG controlando por Heteroscedasticidad en el corte transversal y correlación contemporánea Bolivia Variable de pendeinte Número de bancos Método de estimación r. Colombia. Costa Rica. Ecuador. Perú. Venezuela. Activos Líquidos ( R ) 8. 18. 12. 18. 10. 14. EF. EF. EF. EF. EF. EF. 1.96. -0.09. 1.51. 0.84. (-2.06)**. (8.1)**. -0.36 (-3.35)**. 0.50. (3.23)**. (3.4)**. (6.45)**. p. 0.20 (0.76). 2.27 (1.56). 1.75 (1.94)**. -0.87 (-1.79)*. -1.31 (-4.15)**. 0.57 (2.59)**. k. 0.01 (3.46)**. 0.01 (10.9)**. 0.01 (8.22)**. 0.00 (2.8)**. 0.00 (0.57). 0.01 (7.82)**. 0.12 (1.6). 0.10. 0.02. 0.23. (0.77). -0.18 (-1.98)**. 0.13. (2.66)**. (1.33). (3.99)**. -0.18 (-1.61). -0.10 (-1.34). 0.08 (0.74). 0.06 (0.6). -0.02 (-0.22). 0.17 (2.48)**. VOL INT. 0.00 (1.88)*. -1.16 (-6.39)**. -0.40 (-1.35). -0.02 (2.83)**. -0.05 (-1.78)*. -1.68 (-2.79)**. CMGC. -0.01 (-0.12). -0.27. 2.84. 0.83. (2.66)**. 0.05 (0.93). -1.30. (-5.26)**. (-3.29)**. (5.07)**. XD e XLe. Dummy dolarización. 0.05 (3.47)**. Tests F estadísitco. 34.77. 14.90. 46.38. 53.66. 89.71. 34.42. valor p. 0.00. 0.00. 0.00. 0.00. 0.00. 0.00. EF, corresponde a efectos fijos y EA corresponde a efectos aleatorios t-estadístico en paréntesis; (*) significativo al 90%; (**) significativo al 95%. 30.

(31) Cuadro 3 Modelo de Regresión 2 MCG controlando por Heteroscedasticidad en el corte transversal y correlación contemporánea Bolivia Variable de pendeinte Número de bancos Método de estimación r. Colombia. Costa Rica. Ecuador. Perú. Venezuela. Activos Líquidos ( R ) 8. 18. 12. 18. 10. 14. EF. EF. EF. EF. EF. EF. 2.44. -0.13. 1.52. 0.91. (-3.29)**. (8.12)**. -0.22 (-3.31)**. 0.53. (4.13)**. (3.72)**. (8.18)**. -2.36 (-2.61)**. 0.47 (3.69)**. 1.69 (3.33)**. -2.19 (-2.43)**. -0.95 (-4.19)**. -0.30 (-1.64). 0.00 (1.79)*. 0.00 (3.7)**. 0.01 (9.31)**. 0.00 (0.95). 0.00 (0.14). 0.01 (7.67)**. XD e. 0.13 (1.64). 0.16 (4.09)**. 0.02 (0.72). -0.25 (-3.23)**. 0.11 (1.19). 0.22 (3.82)**. XL e. -0.15 (-1.33). -0.23 (-2.95)**. 0.03 (0.30). -0.12 (-1.89)*. -0.02 (-0.26). 0.14 (2.08)**. Volatilidad Tasa Interés. 0.31 (0.33). 0.84 (5.45)**. -0.05 (-0.96). 0.04 (0.75). -0.04 (-2.62)**. 0.45 (1.9)*. -0.07 (-0.62). -0.26 (-4.81)**. 2.87 (2.69)**. 0.07 (2.56)**. -1.33 (-3.65)**. 0.77 (4.8)**. Interbancaria. k. ajustada por cartera vencida CMGC. Dummy dolarización. 0.06 (19.65)**. EF, corresponde a efectos fijos y EA corresponde a efectos aleatorios t-estadístico en paréntesis; (*) significativo al 90%; (**) significativo al 95%. 31.

(32) REFERENCIAS. Alger, G. y Alger, I. (1999) “Liquid assets in banks: theory and practice”. Consultado en http://ideas.repec.org/p/boc/bocoec/446.html. Baltensperger, E. (1972a) “Economies of scales, firm size and concentration in banking”. Journal of Money, Credit and Banking, No. 4, Pg. 467-488. Baltensperger, E. (1972b) “Costs of banking activities – Interactions between risk and operating costs”. Journal of Money, Credit and Banking, No. 4, Pg. 595-611. Baltensperger, E. (1980) “Alternative approaches to the theory of the banking firm”.. Journal of Monetary Economics, No. 6, Pg. 1-37. Bhattacharya, S. and Gale, D. (1987) “Preference shocks, liquidity and central bank policy”. New Approaches of Monetary Economics, Cambridge: Cambridge University Press Edgeworth, F.Y. (1888) “The mathematical theory of banking”. Journal of Royal. Statistical Society, No. 51, Pg. 113-127 Freixas, X y Rochet, JC (1997) “Microeconomics of Banking”. MIT Press. Hart, O y Jaffee D (1974) On the application of portfolio theory of depository financial intermediaries. Review of Economic Studies 41(1) Pg.129-147. Hernández, A y Tolosa J (2001) La política monetaria en Colombia en la segunda mitad de los años noventa. Borradores de Economía. Banco de la República Julio, J.M. y Mora, H. (1990) “Costos de liquidez de los bancos”. Ensayos sobre. Política Económica, No. 18, Pg 133-191. 32.

(33) Judge, G. et al (1982) “Introduction to the theory and practice of econometrics”. John Wiley & Sons, Inc. Mora, H. (1989) “Operaciones Contingentes de los bancos” Revista del Banco de la. República. Mora, H. (2003) “Eficiencia de los Sistemas Bancarios en los Países Miembros del FLAR: Bolivia, Colombia, Costa Rica, Ecuador, Perú y Venezuela” Mimeo Porter, R.C. (1961) “A Model of Banking Porfolio selection”. Yale Economic Essays, No. 1, Pg. 323-359 Pyle, D (1971) “On the Theory of Financial Intermediation” Journal of Finance 26(3), Pg 737-747.. 33.

(34) Anexo 1. El problema de optimización del banco se puede expresar de la siguiente manera:. Max L( Rt ) = a + b + c + d s.a. Rt .. (1) b. Donde: a = rRt , y aplicando la definición. ∫ a. a. f ( x)dx = − ∫ f ( x)dx , a > b en b, c y d: b. Ω u ( Rt ). b = − p∫. ∫X. t +1. g ( X t +1 , RRt +1 )dX t +1dRRt +1. (2). ∞. 0. Ω u ( Rt ). c = p∫ 0. ∫ R g(X t. t +1. , RRt +1 )dX t +1 dRRt +1. (3). ∞. Ω u ( Rt ). d = − p∫ 0. ∫ RR. t +1. g ( X t +1 , RRt +1 )dX t +1 dRRt +1. (4). ∞. u ( Rt ) = Rt − RRt +1. (5). De esta manera, la condición de primer orden del problema se puede expresar como: L ' ( Rt ) =. ∂a ∂b ∂c ∂d + + + ∂R t ∂ R t ∂ R t ∂ R t. (6). Utilizando el teorema fundamental del cálculo para derivar b, c y d, se obtiene: ∂a =r ∂Rt. (7) Ω. ∂b = − p ∫ [u ( Rt ) g (u ( Rt ), RRt +1 )u ' ( Rt )]dRRt +1 ∂Rt 0. (8). Reemplazando (5) en (8): Ω. Ω. ∂b = − pRt ∫ g (Rt − RRt +1 , RRt +1 )dRRt +1 + pRRt +1 ∫ g (Rt − RRt +1 , RRt +1 )dRRt +1 ∂Rt 0 0. (9). Ω u ( Rt ). Ω. ∂c = pRt ∫ g (u ( Rt ), RRt +1 )dRRt +1 + p ∫ ∂Rt 0 0. ∫. g ( X t +1 , RRt +1 )dX t +1 dRRt +1. (10). ∞. Ω. ∂d = − pRRt +1 ∫ g (u ( Rt ), RRt +1 )dRRt +1 ∂Rt 0. (11). Remplazando (7), (9), (10) y (11) en (6) se obtiene: Ω. L' ( Rt ) = r − pRRt +1 ∫ g (u ( Rt ), RRt +1 )dRRt +1. (12). 0. 34.

(35) Anexo 2. Cuadro 2.1 Resultados de la Pruba de Dickey-Fuller Bolivia. Colombia Ho=RU. Costa Rica Ho=RU. Ho=RU. Series de XDt+1 = Dt - Dt+1. Series de XDt+1 = Dt - Dt+1. XDB02. xxx. XDCO1. xxx. XDR01. xxx. XDB04. xx. XDCO2. xxx. XDR02. xxx. XDB05. xx. XDCO5. xxx. XDR03. xxx. XDB06. xxx. XDCO6. xxx. XDR04. xxx. XDB07. xxx. XDCO7. xxx. XDR05. xxx. XDB08. xxx. XDCO8. xxx. XDR08. xxx. XDB10. xxx. XDCO9. xxx. XDR10. xxx. XDB12. xxx. XDCO10. xxx. XDR11. xxx. XDB13. xxx. XDCO12. xxx. XDR14. xxx. XDB14. xxx. XDCO13. xxx. XDR18. xxx. XDB15. xxx. XDCO14. xxx. XDR19. xxx. XDB16. xxx. XDCO22. xxx. XDR20. xxx. XDCO23. xxx. XDR23. xxx. XDCO24. xxx. XDR24. xxx. XDR25. xxx. Series de XCt+1 = Ct+1 - Ct XLB02. xx. XDCO29. xxx. XLB04. xxx. XDCO30. xxx. XLB05. Series de XDt+1 = Dt - Dt+1. XDCO34. xxx. Series de XCt+1 = Ct+1 - Ct. XLB06. xxx. XDCO36. xxx. XLR01. xxx. XLB07. xx. XDCO42. xxx. XLR02. xxx. XLB08. xx. XLB10. xx. XLB12 XLB13. XLR03. xxx. Series de XCt+1 = Ct+1 - Ct. XLR04. xxx. xxx. XLCO1. xxx. XLR05. xxx. xxx. XLCO2. x. XLR08. xxx. XLCO5. xxx. XLR10. xxx. XLB15. xxx. XLCO6. xx. XLR11. xxx. XLB16. x. XLCO7. xxx. XLR14. x. XLB14. XLCO8. xxx. XLR18. xxx. XLCO9. xx. XLR19. xxx. XLCO10. xxx. XLR20. xxx. XLCO12. xxx. XLR23. xx. XLCO13. xxx. XLR24. xxx. XLCO14. xxx. XLR25. xxx. XLCO22. xxx. XLCO23. xxx. XLCO24. xxx. XLCO29. xxx. XLCO30. xx. XLCO34. xxx. XLCO36. xxx. XLCO42. xxx. " "=no se rechaza la hipótesis de raiz unitaria x= rechaza la hipótesis de raiz unitaria al 10%. xx=rechaza la hipótesis de raiz unitaria al 5% xxx=rechaza la hipótesis de raiz unitaria al 1%. 35.

(36) Anexo 2. Cuadro 2.1 (Continuación) Resultados de la Pruba de Dickey-Fuller Ecuador. Venezuela. Perú Ho=RU. Ho=RU. Ho=RU. Series de XDt+1 = Dt - Dt+1. Series de XDt+1 = Dt - Dt+1. Series de XDt+1 = Dt - Dt+1. XDE2. xxx. XDP01. xxx. XDVZ2. xxx. XDE4. xxx. XDP02. xxx. XDVZ3. xxx. XDE5. xxx. XDP04. xxx. XDVZ5. xx. XDE6. xxx. XDP05. xxx. XDVZ6. xxx. XDE7. xxx. XDP06. xxx. XDVZ7. xxx. XDE8. xxx. XDP07. xxx. XDVZ10. xxx. XDE9. xxx. XDP08. xx. XDVZ11. xxx. XDE11. xxx. XDP09. xxx. XDVZ12. xxx. XDE12. xxx. XDP10. xxx. XDVZ14. xxx. XDE13. xxx. XDP12. xxx. XDVZ18. xxx. XDE14. xxx. XDP13. xxx. XDVZ19. xxx. XDE15. xxx. XDP14. x. XDVZ20. xxx. XDE16. xxx. XDP15. xxx. XDVZ24. xxx. XDE17. xxx. XDE18. xxx. Series de XCt+1 = Ct+1 - Ct. XDVZ28. xxx. XDVZ30. xxx xxx. XDE19. xxx. XLP01. xxx. XDVZ31. XDE20. xxx. XLP02. xx. XDVZ32. xxx. XDE21. xxx. XLP04. xxx. XDVZ34. xxx. XDVZ35. xxx. XDE22. xxx. XLP05. xxx. XDE23. xxx. XLP06. xxx. XDE24. xx. XLP07. xxx. Series de XCt+1 = Ct+1 - Ct. XLP08. xxx. XLVZ2. xx. Series de XCt+1 = Ct+1 - Ct. XLP09. xxx. XLVZ3. xxx. XLE2. xxx. XLP10. xxx. XLVZ5. xx. XLE4. xx. XLP12. xxx. XLVZ6. xxx. XLE5. xxx. XLP13. xxx. XLVZ7. xxx. XLE6. xx. XLP14. xx. XLVZ10. xxx. XLE7. xxx. XLP15. xxx. XLVZ11. xxx. XLE8. xxx. XLVZ12. xxx. XLE9. xxx. XLVZ14. xxx. XLE11. x. XLVZ18. xx. XLE12. xxx. XLVZ19. xxx. XLE13. x. XLVZ20. xxx. XLE14. xxx. XLVZ24. xxx. XLE15. xxx. XLVZ28. xxx. XLE16. xx. XLVZ30. xxx. XLE17. xx. XLVZ31. xxx. XLE18. xxx. XLVZ32. xxx. XLE19. xxx. XLVZ34. xxx. XLE20. xxx. XLVZ35. xxx. XLE21. xxx. XLE22. xxx. XLE23. xxx. XLE24 " "=no se rechaza la hipótesis de raiz unitaria x= rechaza la hipótesis de raiz unitaria al 10%. xx=rechaza la hipótesis de raiz unitaria al 5% xxx=rechaza la hipótesis de raiz unitaria al 1%. 36.

(37) Anexo 2. Cuadro 2.2. Especificación AR para las caídas de depósitos Orden de la Especificación AR. Valor p del Estadístico Ljung-Box. Bolivia XdB02. 1. 0.4572. XdB04. 1. 0.9959. XdB06. 1. 0.8202. XdB07. 1. 0.9667. XdB08. 1. 0.8563. XdB10. 1. 0.6140. XdB12. 1. 0.7391. XdB13. 1. 0.9984. XdB15. 1. 0.4746. XdB16. 1. 0.6114. XDCO1. 1. 0.0609. XDCO2. 1. 0.4040. XDCO5. 1. 0.9781. XDCO6. 1. 0.7324. XDCO7. 1. 0.9974. XDCO8. 1. 0.8544. XDCO9. 1. 0.5058. XDCO10. 3. 0.7873. XDCO12. 1. 0.9480. XDCO13. 1. 0.0785. XDCO14. 1. 0.5953. XDCO22. 1. 0.7389. XDCO23. 4. 0.2248. XDCO24. 1. 0.9823. XDCO29. 1. 0.4145. XDCO30. 1. 0.0504. XDCO34. 1. 0.7865. XDCO36. 1. 0.9659. XDCO42. 1. 0.8743. XDR01. 1. 0.6428. XDR02. 1. 0.6105. XDR03. 1. 0.6995. XDR04. 1. 0.9986. XDR05. 1. 0.5132. XDR08. 2. 0.2097. XDR10. 1. 0.8312. XDR11. 1. 0.7174. XDR14. 1. 0.9574. XDR18. 1. 0.4818. XDR19. 1. 0.8463. XDR20. 1. 0.0649. XDR23. 1. 0.9994. XDR24. 1. 0.9024. XDR25. 1. 0.9229. Colombia. Costa Rica. Fuente: Calculos propios y Superintendencias Bancarias y Bancos Centrales de Bolivia, Colombia, Costa Rica, Ecuador, Perú y Venezuela y Sistema Automatizado de Información Financiera, SAIF. 37.

(38) Anexo 2. Cuadro 2.2. Especificación AR para las caídas de depósitos (cont.) Orden de la Especificación AR. Valor p del Estadístico Ljung-Box. Ecuador XDE2. 1. 0.1977. XDE4. 1. 0.1313. XDE5. 1. 0.6410. XDE6. 1. 0.4911. XDE7. 1. 0.9985. XDE8. 1. 0.7161. XDE9. 1. 0.1584. XDE11. 1. 0.6958. XDE12. 1. 0.4178. XDE13. 1. 0.9618. XDE14. 1. 0.8690. XDE15. 1. 0.4598. XDE16. 1. 0.6864. XDE17. 1. 0.1888. XDE18. 1. 0.4122. XDE19. 1. 0.5434. XDE20. 1. 0.3393. XDE21. 1. 0.7928. XDE22. 1. 0.4143. XDE23. 1. 0.3673. XDP01. 1. 0.1299. XDP02. 1. 0.2600. XDP04. 1. 0.6254. XDP05. 1. 0.9669. XDP06. 1. 0.2802. XDP07. 1. 0.8809. XDP08. 1. 0.0869. XDP09. 1. 0.9999. XDP10. 1. 0.8358. XDP12. 1. 0.3546. XDP13. 1. 0.9797. XDP14. 2. 0.0814. XDP15. 1. 0.6072. XDVZ2. 1. 0.8385. XDVZ3. 1. 0.9936. XDVZ5. 1. 0.0858. XDVZ6. 1. 0.1540. XDVZ7. 1. 0.2745. XDVZ10. 1. 0.2199. XDVZ11. 1. 0.9035. XDVZ12. 1. 0.9588. XDVZ14. 1. 0.3295. XDVZ18. 1. 0.5169. XDVZ19. 1. 0.8415. XDVZ20. 1. 0.6796. XDVZ24. 1. 0.8979. XDVZ28. 1. 0.7578. XDVZ30. 1. 0.9554. XDVZ31. 1. 0.5007. XDVZ32. 1. 0.1785. XDVZ34. 1. 0.3874. XDVZ35. 1. 0.4543. Perú. Venezuela. Fuente: Calculos propios y Superintendencias Bancarias y Bancos Centrales de Bolivia, Colombia, Costa Rica, Ecuador, Perú y Venezuela y Sistema Automatizado de Información Financiera, SAIF. 38.

(39) Anexo 2. Tabla 2.3. Especificación AR para las caídas de cartera Orden de la Especificación AR. Valor p del Estadístico Ljung-Box. Bolivia XLB02. 1. 0.3569. XLB04. 1. 0.9990. XLB06. 1. 0.4556. XLB07. 1. 0.4141. XLB08. 1. 0.2445. XLB10. 1. 0.2734. XLB12. 1. 0.8785. XLB13. 1. 0.7110. XLB15. 1. 0.5947. XLB16. 1. 0.8124. XLCO1. 1. 0.7914. XLCO2. 1. 0.1086. XLCO5. 1. 0.9183. XLCO6. 1. 0.5298. XLCO7. 1. 0.9988. XLCO8. 1. 0.8865. XLCO9. 1. 0.2225. XLCO10. 1. 0.6206. XLCO12. 1. 0.8636. XLCO13. 1. 0.9424. XLCO14. 1. 0.5704. XLCO22. 1. 0.0538. XLCO23. 1. 0.3313. XLCO24. 1. 0.9888. XLCO29. 1. 0.9267. XLCO30. 1. 0.7139. XLCO34. 1. 0.8621. XLCO36. 1. 0.7720. XLCO42. 1. 0.9956. XLR01. 1. 0.7544. XLR02. 1. 0.2972. XLR03. 1. 0.3912. XLR04. 1. 0.5378. XLR05. 1. 0.8536. XLR08. 1. 0.7088. XLR10. 1. 0.9895. XLR11. 1. 0.2936. XLR14. 1. 0.2294. XLR18. 1. 0.7676. XLR19. 1. 0.0557. XLR20. 1. 0.6853. XLR23. 1. 0.0943. XLR24. 1. 0.8344. XLR25. 1. 0.8850. Colombia. Costa Rica. Fuente: Calculos propios y Superintendencias Bancarias y Bancos Centrales de Bolivia, Colombia, Costa Rica, Ecuador, Perú y Venezuela y Sistema Automatizado de Información Financiera, SAIF. 39.