Castro Torres Cesar David Medidas

Pontificia Universidad Católica del Perú
Escuela de Posgrado
“Medidas dinámicas de riesgo sistémico: Una

aplicación al sistema financiero peruano”
Tesis para optar el grado de Magíster en Economía
AUTOR
Cesar David Castro Torres
ASESOR
Guillermo Moloche Velarde
JURADOS
Paúl Castillo Bardalez
Marco A. Vega De la Cruz
LIMA - PERÚ
2013
Resumen
La investigación aplica el Valor en Riesgo (VaR) y Expected Shortfall (ES) a la medición

de riesgo sistémico bajo un enfoque macroprudencial para el sistema financiero peruano
(1995-2012), siendo considerados en el estudio los principales bancos (BCP, BBVA,
Scotiabank e Interbank). La metodología VaR es volcado a la medición de riesgo sistémico
mediante la estimación del VaR del mercado condicional al VaR de cada institución
financiera (CoVaR); mientras tanto, el ES, mediante la estimación de la pérdida esperada
de cada institución financiera condicional a un escenario de estrés en el mercado (Marginal
Expected Shortfall-MES).Estas medidas de riesgo sistémico – sin asociar a montos
monetarios de la hoja de balance de las firmas – muestran que los precios de las acciones de
Scotiabank y BBVA son más sensibles a movimientos en los mercados internacionales.
Adicionalmente, se construye dos indicadores de riesgo sistémico usando el Marginal
Expected Shortfall. El primer indicador consiste en el cálculo de los ratios de
apalancamiento introduciendo las pérdidas esperadas. Mientras que el segundo, consiste en
el cálculo de las pérdidas esperadas individuales como proporción de las pérdidas esperadas
totales del sistema. Los principales hallazgos muestran que a finales de los 90, el banco
predecesor de Scotiabank mostraba ratios esperados de apalancamiento por debajo del 8%;
mientras tanto, durante la crisis de 2008, en términos esperados, BBVA pudo haber
conseguido ratios de apalancamiento alrededor de 5%. Por otro lado, en cuanto a la
proporción de pérdidas esperadas, se muestra que BCP mantuvo niveles altos de pérdidas
como proporción del total en casi toda la muestra; no obstante, esta proporción ha caído en
los últimos años, convergiendo a niveles similares de Scotiabank y BBVA; entretanto,
Interbank ha mantenido bajos niveles de participación en las pérdidas esperadas totales
durante toda la muestra.
Contenido
1. Introducción .............................................................................................................................4
2. Hechos estilizados .....................................................................................................................6
3. Planteamiento del problema ....................................................................................................9
3.1. Definiendo riesgo sistémico ...............................................................................................9
3.2. Planteamiento del problema ...............................................................................................9
4. Marco teórico ..........................................................................................................................10
4.1. Riesgo sistémico y bancos ................................................................................................10
4.2. Riesgo sistémico y efecto contagio ...................................................................................11
4.3. Fuentes de riesgo sistémico ..............................................................................................12
4.4. Riesgo sistémico y riesgo moral .......................................................................................12
4.5. Medición de riesgo sistémico ...........................................................................................13
4.5.1. Características de una buena medida de Riesgo............................................................13
4.5.2. Revisión de literatura teórica relevante .........................................................................13
4.5.2.1. Valor en Riesgo (VaR) ..............................................................................................13
4.5.2.2. Regresión cuantílica .................................................................................................14
4.5.2.3. Expected Shortfall (ES).............................................................................................15
4.5.2.4. Threshold Autoregressive Conditional Heteroscedasticity - TARCH ......................15
4.5.2.5. Dynamic Conditional Correlation - DCC .................................................................16
4.5.3. Revisión de literatura empírica .....................................................................................16
5. Relevancia empírica ...............................................................................................................19
6. Hipótesis ..................................................................................................................................21
7. Lineamientos metodológicos. .................................................................................................23
7.1. Especificación de las medidas de riesgo. ..........................................................................23
7.2. Los datos ..........................................................................................................................26
8. Resultados ...............................................................................................................................26
8.1. Resultados del análisis Valor en Riesgo (VaR) ................................................................27
8.2. Resultados del análisis “Marginal Expected Shortfall (MES)” ........................................32
8.3. Implementación de indicadores de riesgo sistémico .........................................................36
8.3.1. Apalancamiento bajo estrés ..........................................................................................36
8.3.2. Riesgo agregado ...........................................................................................................39
9. Conclusión...............................................................................................................................41
10. Bibliografía .........................................................................................................................42
1. Introducción
A raíz de la crisis financiera del 2007/2009, los hacedores de política de estabilización
financiera han resaltado la importancia sistémica de las instituciones financieras en el sector
financiero y en la economía en general. Instituciones cuya situación de estrés o quiebra
podría tener impactos negativos significativos en el sistema financiero y/o en el sector real,
empujando a la economía hacia una recesión profunda y prolongada.
En tal sentido, las políticas macroprudenciales, son diseñadas para velar por la estabilidad
de la economía como un todo, en contraste al enfoque microprudencial enfocado sobre la
estabilidad individual de cada institución financiera.
De acuerdo a Borio (2011), el enfoque microprudencial trata al riesgo como elemento

exógeno respecto al comportamiento de cada institución y del sistema en general; mientras
que el enfoque macroprudencial toma al riesgo como elemento endógeno respecto al
comportamiento colectivo de todas las instituciones financieras. En esta línea, este
documento realiza una aplicación de métodos conocidos de medición de riesgo enfocados a
capturar las externalidades dentro del sistema financiero generados por fenómenos de
interconexión, tamaño y apalancamiento.
La bibliografía contempla cuatro conceptos de consenso creciente que están presentes

dentro del análisis de crisis financieras; estos son, Apalancamiento, Liquidez, Interconexión
y Pérdidas1. Aspectos que sirven como punto de inicio para estudiar el riesgo generalizado
en la economía o riesgo sistémico.
En líneas generales, no hay consenso para definir riesgo sistémico; sin embargo, algunas
definiciones son las siguientes: i) Billio y otros (2011) lo definen como “cualquier conjunto
de circunstancias que amenaza la estabilidad o confianza del público en el sistema
financiero”, ii) El Banco Central Europeo(2010) lo define como “riesgo de inestabilidad
financiera tan extendida que afecta el funcionamiento de un sistema financiero hasta el
punto donde el crecimiento económico y bienestar material sufre”, iii) Schwarcz (2008) lo
define como “cualquier evento tales como shocks económicos o quiebras institucionales
que generan quiebras generalizadas, o consecuencias económicas malas”, iv) Roengpitya
y Rungcharoenkitkul (2008) lo define como “la probabilidad que, si una institución está en
peligro, ello posiblemente desencadenen que las otras instituciones también estén en
peligro que consecuentemente puede conducir a una corrida bancaria y al colapso
financiero cuando un número suficientes de instituciones son afectadas”.
1 Ver Billio y otros (2011).

La metodología usada en este trabajo ataca dos puntos claves sobre la forma de medición
de riesgo sistémico bajo el enfoque macroprudencial. Por un lado, las medidas responden al
análisis de asignación del riesgo en un punto en el tiempo y por otro lado, permiten el
manejo dinámico del riesgo con datos relativamente fácil de obtener.
Primeramente se hace un análisis de Valor en Riesgo (VaR) del mercado variante en el

tiempo, condicional al VaR individual de cada institución bajo el enfoque de regresión por
cuantiles de Adrian y Brunnermeier (2011); en segundo lugar se analiza el “Marginal
Expected Shortfall (MES)”, definido como la pérdida que enfrenta un institución cuando el
mercado ha superado su VaR (calculado en el proceso anterior). Asimismo, usando esta
medida planteamos indicadores de riesgo sistémico a nivel individual y agregado 2.
En adelante, el trabajo está organizado como sigue. La sección 2 comprende una breve
revisión de algunos hechos estilizados. En la sección 3 se plantea el problema de estudio.
La sección 4 presenta un marco teórico y empírico. La sección 5 explica la relevancia
empírica del estudio. La sección 6 comprende el planteamiento de la hipótesis. La sección 7
describe los lineamientos metodológicos. En la sección 8 se muestra los resultados y en la
sección 9 se presenta las conclusiones de la investigación.
2 Apalancamiento (individual) y proporción de las pérdidas totales que corresponde a cada institución (agregado).
2. Hechos estilizados
Durante el periodo de estudio (1995-2012)3 hubo dos crisis importantes, siendo la crisis de
finales de los 90, desatada por la crisis Asiática (ver Paredes, 1999), la que afectó
severamente al sistema financiero peruano.
El cuadro 1 muestra el resumen de los recursos del Estado comprometidos a diciembre del
2005 como resultado de los programas efectuados para salvar al sistema del colapso. El
total del monto comprometido ascendía a 2285.31 millones de dólares, de los cuales 737.93
millones de dólares comprendía el monto sin saldo por recuperar, que a la vez representó el
1.37% del PBI.
Cuadro 1: Crisis Bancaria Peruana 1998-2000
Recursos comprometidos del Estado en el Sistema Financiero al 31/12/2005

(en millones de dólares)
Monto sin
Monto Monto Monto sin
Programas del Gobierno Saldo por
Comprometido Recuperado riesgo
Recuperar
Banco Wiese 310.8 281.1 29.7

Banco Latino 441.42 109.07 332.35
Primer y Segundo Programa de Canje de Bonos
292.95 292.95 0
por Cartera
Programa de Reestructuración FOPE y RFA 79.03 79.03
Programa de Financiamiento COFIDE 633.7 633.67 0.03
NBK Bank (DU 108-2000) 153.8 1.45 152.35
Fondo de Seguro de Depósito (DU 108-2000) 129.75 71.16 58.59 0
SUB TOTAL 2041.45 1108.3 339.69 593.46
Banco en Liquidación 243.86 92.9 6.49 144.47
TOTAL 2285.31 1201.2 346.18 737.93
Porcentaje del PBI 1.37%
PBI a diciembre de 2000, USD 53 902
Fuente: SBS (2006)
Por otro lado, actualmente en el mercado financiero existen un total de 15 bancos; sin
embargo, más del 85 % del total del activo del sector está concentrado en cuatro (BCP,
BBVA, Scotiabank e Interbank). El gráfico 1 muestra la participación de todos los bancos
del sistema bancario peruano.
3 Acotado a este periodo por disponibilidad de datos.

Asimismo, en el gráfico 2 incluimos un análisis de la rentabilidad sobre el patrimonio
(ROE)4 para estos principales bancos; lo cual muestra que, luego de la tensión financiera
que se vivió a raíz de la crisis asiática del 97 y de manera más significativa con la crisis
rusa del 98, el ROE cayó de manera generalizada hasta ubicarse prácticamente en cero
durante la segunda mitad del 2000 y la primera mitad del 2001.
En los años siguientes el ROE del BCP, BBVA e Interbank comenzaron a crecer
sostenidamente, mientras que el ROE de Scotiabank mantuvo niveles bajos hasta inicios del
2006, lo que estaría explicado por el complicado proceso de fusión del Banco Wiese con
Lima Sudameris en 1999 (ver Informe de la comisión “Wiese” del congreso, 2002) y
posterior adquisición de la firma Banco Wiese Sudameris por Scotiabank en 2007.
Adicionalmente, cabe resaltar que el crecimiento de la rentabilidad sobre el patrimonio del
sector financiero representado por los cuatro principales bancos, se desaceleró luego de la
crisis subprime en el 2008.
Gráfico 1: División de los activos totales en el Sistema Financiero 5

45%
40% 38.18%
35%
30%
25% 22.55%
20% 16.17%
15% 12.43%
10.67%
10%
5%
0%
BCP BBVA Scotiabank Interbank Otros
BCP BBVA Scotiabank Interbank Otros
Fuente: SBS.
Elaboración propia
4 Utilidad neta mensual anualizada sobre patrimonio anual promedio.

5 Los valores corresponden al promedio de los últimos 5 años para el sector baca múltiple.
Gráfico 2: Rentabilidad sobre patrimonio ROE de principales bancos
0.25
0.2
0.15
0.1
0.05
0
may-01
jul-95
feb-96
abr-97
ene-99
jul-02
feb-03
abr-04
ene-06
jul-09
may-08
feb-10
abr-11
jun-05
nov-97
jun-98
nov-04
nov-11
dic-94
mar-00
dic-01
mar-07
dic-08
sep-10
sep-96
ago-99
oct-00
sep-03
ago-06
oct-07
-0.05
BCP BBVA Interbank Scotiabank
Fuente: SBS
Elaboración propia
Gráfico 3: Evolución del precio de las acciones de principales bancos6

Precio de acciones-BCP
8
Precio de mercado
6
4
2
0
enero-95 enero-97 enero-99 enero-01 enero-03 enero-05 enero-07 enero-09 enero-11 julio-12
Precio de acciones-BBVA
8
Precio de mercado
6
4
2
0
Precio de acciones-Scotiabank
8
Precio de mercado
2
Precio de acciones-Interbank
8
Precio de mercado
6
4
2
0
Fuente: Bloomberg
Elaboración propia.
6
El precio de las acciones de Scotiabank está en logaritmos.
Girando hacia el análisis de la evolución de los precios de las acciones de los cuatro bancos
considerados en este estudio, el gráfico 3 evidencia que, los precios han tenido una relativa
desaceleración después de la crisis asiática y rusa; mostrándose en mayor grado para el caso
del precio de las acciones de Scotiabank, que cayó abruptamente en relación a las otras.
Esto se debió en gran medida al hecho de que en ese entonces, Banco Wiese mostrara
síntomas severos de debilidad frente a les efectos de la crisis rusa, cuya posterior mejora
estuvo impulsado por el proceso de salvataje que culminó en la integración con el Banco
Lima Sudameris; sin embargo, esto no revirtió la tendencia bajista del precio hasta finales
de 2004.
A partir de principios de 2005, los precios comenzaron a subir de manera conjunta y

siguieron una tendencia creciente significativa que duró un corto periodo hasta finales de
2007. Posteriormente, hubo un retroceso, llegando a su punto más bajo en el tercer
trimestre del 2008 coincidentemente con la quiebra de “Lehman Brothers”; a partir de este
punto las condiciones se revierten al alza7.
3. Planteamiento del problema

3.1. Definiendo riesgo sistémico
Para efectos de la investigación, se define riesgo sistémico como la probabilidad de

ocurrencia de consecuencias adversas en el sistema financiero y en toda la economía
cuando una institución financiera enfrenta pérdidas no esperadas8.
3.2. Planteamiento del problema
La política de estabilidad financiera en el periodo pre-crisis estuvo fuertemente sesgado

hacia el enfoque microprudencial, bajo el lema: “el sistema financiero es sólido si y solo si
cada institución es sólida” (ver Borio, 2003 y 2011); no obstante, esta afirmación resta
importancia al efecto contagio y a las externalidades dentro del sistema financiero. En
contraste; luego de la crisis, los responsables de la política económica han volcado su
interés hacia la política macroprudencial, la misma que abarca un marco de regulación y
supervisión sistémica.
7
Cabe resaltar que las acciones de Interbank dejan de cotizar desde octubre de 2008 hasta aproximadamente julio del
2009, sin embargo, para efectos de los cálculos posteriores, se hace interpolación lineal para periodos en las que deja de
cotizar.
8 Aquí “no esperada” hace referencia a la pérdida que supera el umbral predefinido (lo que se esperaba que ocurra) con
cierto grado de probabilidad. En adelante, cuando se habla de “en términos esperados” se refiere a la esperanza
matemática.
En este sentido, De la Torre e Ize (2009) y Borio (2011) plantean dos dimensiones de la
política macroprudencial en el sector financiero. Por un lado, la dimensión tiempo que
implica el manejo dinámico del riesgo sistémico; por otro lado, la dimensión transversal
que implica cómo esta asignada el riesgo entre las instituciones del sistema en un punto en
el tiempo.
Por lo expuesto en los párrafos anteriores, se torna relevante la aplicación de herramientas

de medición de riesgo sistémico en el sistema financiero peruano que permitan abarcar
ambas dimensiones.
Objetivo
Estimación dinámica del Riesgo Sistémico en el Sistema Financiero Peruano bajo el
enfoque macroprudencial.
4. Marco teórico
4.1. Riesgo sistémico y bancos
A lo largo de la historia, las crisis en los sistemas financieros han sido precedidas por crisis
bancarias, crisis de deuda pública9, crisis de la balanza de pagos, crisis cambiarias10, etc. o
situaciones en las cuales hubo combinación de ellas como las llamadas crisis gemelas 11.
Asimismo, la evidencia indica que por lo general las crisis bancarias recaen en crisis
financieras severas; mientras tanto, las crisis de deuda pública y de balanza de pagos12
recaen en crisis bancarias y posteriormente en financieras, convirtiéndose en crisis
generalizada en la economía. Por ello, el análisis del riesgo sistémico para el sector
financiero a partir de bancos es fundamental.
En el caso peruano, la liberalización financiera, las privatizaciones y demás políticas de

atracción de inversión extranjera que se aplicaron durante la los primeros años de la década
de los 90 aumentaron fuertemente las colocaciones bancarias y el incremento de los
depósitos, elevándose la actividad bancaria de manera significativa (ver Rojas, 1999).
Berróspide (2000) describe que, cuando estalló la crisis asiática en 1997; debido al efecto
contagio de los choques externos (disminución de exportaciones), hubo una repercusión
adversa a la actividad económica en toda Latinoamérica, entre ellos el Perú, que a
diferencia del resto de países poseía sólida posición fiscal, tipo de cambio flexible, y
estabilidad macroeconómica que evitó que se desate una crisis cambiaria. No obstante, en
9 Caso de la Unión Europea.

10 Durante la crisis asiática y rusa muchos países latinoamericanos lo experimentaron, ver Berróspide (2000)
11 Cuando una crisis bancaria es seguida de una crisis en la balanza de pagos dentro de los 48 meses siguientes.
12 Perú 1998.
agosto de 1998 se desata la crisis rusa causada por la disminución del precio de los
comodities (básicamente el precio del petróleo y de los metales), significando una gran
salida de capitales de los estados latinoamericanos, agravándose la situación por la escasez
de liquidez y el financiamiento.
En el Perú esto trajo consigo la disminución del crédito al sector real y la disminución de
los depósitos, por lo que algunos bancos mostraron síntomas de fragilidad, tales como
Banco de la República (que fue liquidada) y el Banco Latino que fue puesto en vigilancia y
luego se recuperó.
Más adelante, a inicios de 1999 la crisis cambiaria y financiera en Brasil afectó nuevamente
al desenvolvimiento bancario, trayendo consigo una contracción del crédito y disminución
de la actividad productiva por las altas tasas de interés debido al alza de las primas por
riesgo. Esta situación provocó la recesión y generó episodios de devaluación que a la vez
afectó severamente la capacidad de pago de los agentes y el deterioro del sistema bancario,
consistente con la alta dolarización que prevalecía en aquellos años.
En los pasajes de esta sección se ha descrito el protagonismo del sistema bancario en la

actividad económica, mostrando que, si bien la intermediación bancaria es un mecanismo
que mejora la eficiencia en la asignación de recursos financieros dentro de la economía
(Diamond y Dybvig, 1983), es a la vez un amplificador de los ciclos. Por lo tanto, es
preeminente analizar el sistema financiero bajo una perspectiva dinámica y acorde a los
cambios de estados de ánimo en el mercado (De la Torre e Ize, 2009).
4.2. Riesgo sistémico y efecto contagio
Al verificar la importancia del sistema bancario dentro del sistema financiero surge una
cuestión acerca de cuáles podrían ser los mecanismos de transmisión por donde la
fragilidad individual se convierte en fragilidad generalizada.
En este punto, emerge un concepto fundamental que acompaña a las crisis financieras,
denominado efecto contagio o co-movimientos en los mercados; a través del cual, una
externalidad negativa de alguna institución afecta al sistema. Por el lado de los
depositantes, el riesgo más latente son las corridas bancarias. Chari y Jagannathan (1988)
muestran que los individuos con acceso a información acerca de retornos futuros bajos,
comienzan a hacer retiros; mientras que los individuos no informados se percatan de esto y
también comienzan a hacer la liquidación de sus activos, llevando a una corrida bancaria
generalizada. Asimismo, otro riesgo de contagio viene de los créditos interbancarios, que
en tiempos buenos son una manera eficiente de enfrentar shocks de liquidez; entretanto en
situaciones de tensión pueden convertirse en un canal de contagio que pude desencadenar
crisis sistémicas (ver Allen y Gale (2000) y Freixas y otros (2000)).
El contagio es una característica clave en la concretización y agudización de las crisis
financieras; no obstante, esto surge una vez que se origina un shock negativo inicial en los
mercados (quiebra bancaria, disminución de las exportaciones, caída en el precio de los
comodities, entre otros). De aquí, se torna importante la identificación de las fuentes de
donde surgen estos shocks. A continuación se analiza brevemente este tema.
4.3. Fuentes de riesgo sistémico
Un punto fundamental al momento de afrontar el estudio sobre el riesgo sistémico, es el

discernimiento de las fuentes de donde este puede surgir. Así, en el aspecto dimensional
Borio (2011) de manera general identifica dos fuentes de riesgo sistémico.
En la dimensión temporal, la fuente es la prociclicidad del sistema financiero y en la

dimensión transversal la fuente es la exposición común e interconexión en el sistema que
puede resultar en una quiebra generalizada. Por otro lado, el Banco de Inglaterra (2009)
identifica adicionalmente como fuente de riesgo sistémico a las fallas de mercado que a la
vez derivan de tres fuentes subyacentes: incentivos (riesgo moral, responsabilidad limitada
de los accionistas), información (subestimación de escenarios adversos, contagios) y
coordinación (incentivos para imitar a otros).
Estas fuentes de riesgo sistémico son de carácter macroeconómico, y ayudan a implementar

medidas de riesgo sistémico acorde a estas características del mercado financiero.
4.4. Riesgo sistémico y riesgo moral
En la sección anterior se ha identificado al riesgo moral como una fuente de riesgo

sistémico, subyacente a las fallas de mercado. En esta línea, Dowd (2009) entre otras cosas,
realza el rol que jugó el riesgo moral al anidar la crisis subprime, mencionando que el
manejo de las herramientas estadísticas de medición de riesgo no habían sido los
apropiados, inclusive importó más el mecanismo de tomar riesgo como un juego de azar
(cara gano, sello pierdes). Asimismo, por ser el sistema como una asunción de riesgos
subsidiado, debido a la compra de seguros a los títulos respaldados por hipotecas, se
quitaba los incentivos a los bancos por cuidar los préstamos.
La cantidad de CDO (Collateralized Debt Obligations) y CDS (Credit Default Swap) que
había en el mercado, la ausencia de métodos efectivos de valorización de las mismas y la
débil regulación fueron pieza clave para que se incremente en pocos años el riesgo
sistémico y la consecutiva crisis. En palabras de De la Torre e Ize (2009) “el riesgo moral
lleva la semilla de su propia destrucción”.
Es así que, la implementación de una buena medida de riesgo debe contemplar mecanismos
que ayuden a disminuir la posibilidad de ejercer riesgo moral por parte de los agentes
financieros. En lo que sigue se describe las características de una buena medida de riesgo
sistémico.
4.5. Medición de riesgo sistémico
4.5.1. Características de una buena medida de Riesgo
La necesidad de monitorear mejor el riesgo, hizo que algunos expertos reunidos en una
Conferencia en la Universidad de Chicago (2010), debatieran ciertos puntos acerca de
cuáles deberían ser las características de una buena medida de riesgo sistémico. Las cuales
pueden ser resumidos como sigue:
 Enfoques con un sólido respaldo teórico.

 Caracterización concisa de riesgo sistémico, que no se preste a interpretaciones
distintas al momento de hacer política regulatoria.
 Condena de antemano posiciones o políticas que alienten a ejercer riesgo moral,
tales como “too big to fail”.
 Fácil de ser replicado y que haga rápida la identificación de posibles perturbaciones
en el sistema.
En la siguiente sección se hace una revisión teórica y empírica (básicamente para la

economía norteamericana) relevante para efectos de esta investigación.
4.5.2. Revisión de literatura teórica relevante
En esta sección presentamos una breve descripción de las medidas de riesgo que nos
servirán más adelante para implementar la medición de riesgo sistémico dinámico.
Asimismo, se muestran las herramientas econométricas que se utilizarán para abordar el
cálculo de estas medidas de riesgo.
4.5.2.1. Valor en Riesgo (VaR).- Desde el punto de vista de una institución

financiera, es un estimador econométrico de la máxima pérdida posible
durante un periodo determinado, para un nivel "𝜶" de probabilidad. Desde el
punto de vista de un regulador es la mínima pérdida en caso de
circunstancias extraordinarias.
𝑆𝑒𝑎: 𝑟𝑖 = 𝑟𝑒𝑛𝑡𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑑𝑒 𝑙𝑎 𝑖𝑛𝑠𝑡𝑖𝑡𝑢𝑐𝑖ó𝑛 "𝑖"
Entonces:
𝑉𝑎𝑅
Pr[𝑟𝑖 < 𝑉𝑎𝑅𝑖 ] = 𝛼 ó 𝛼 = ∫ 𝑓𝛼 (𝑟𝑖 )𝑑𝑟𝑖 .
−∞
Donde: 𝑓(𝑟) = es la función de densidad de "ri ".
En esta investigación, la estimación del VaR cambiante en el tiempo es

conseguido mediante una modelación de las rentabilidades en un marco de
regresión por cuantiles.
4.5.2.2. Regresión cuantílica.- Esta regresión (Koenker y Basset, 1978) busca

modelar la relación existente entre dos variables para distintos cuantiles “α”
de la distribución de la variable dependiente. En el caso de este documento
el valor de “α” es 0.05 y 0.01. Es decir, se modela la cola izquierda de las
distribuciones de rentabilidades.
Sea:
𝑟𝑘 = 𝑋𝑡′ 𝛽𝛼𝑘 + 𝑢𝑡 ; 𝑘 = 𝑖 (𝑖𝑛𝑠𝑖𝑡𝑢𝑐𝑖ó𝑛), 𝑚(𝑚𝑒𝑟𝑐𝑎𝑑𝑜).
𝛽𝛼 es el parámetro de la regresión a un nivel α cuantil de la variable

dependiente, cuyo estimador minimiza la siguiente expresión:
𝑇
1
𝛽̂𝛼𝑘 = ∑ 𝜌𝛼 (𝑟𝑘 − 𝑋𝑡′ 𝛽𝛼𝑘 )
𝑇
𝑡=1
donde: ρα (u) = (α − 1u<0 ); denominado "𝑐ℎ𝑒𝑐𝑘 𝑓𝑢𝑛𝑐𝑡𝑖𝑜𝑛".
En la versión extendida sería:

𝑇 𝑇
1
𝛽̂𝛼𝑘 = 𝑎𝑟𝑔𝑚𝑖𝑛 [ ∑ 𝛼|𝑟𝑘 − 𝑋𝑡′ 𝛽𝛼𝑘 | + ∑ (1 − 𝛼 )|𝑟𝑘 − 𝑋𝑡′ 𝛽𝛼𝑘 |]
𝑇
𝑡:𝑟𝑘 ≥𝑋𝑡′ 𝛽𝛼
𝑘 𝑡:𝑟𝑘 <𝑋𝑡′ 𝛽𝛼
𝑘
El cálculo del estimador se facilita mediante programación lineal (ver

Koenker, 2005). Este estimador representa el efecto marginal de la variable
independiente sobre el valor del α cuantil de la variable dependiente.
Otra medida de riesgo relevante que se abordará en la medición de riesgo

sistémico está soportada en el “Expected Shortfall”. Una medida que posee
un mejor respaldo teórico13 que el VaR.
13 Ver sección 6.
4.5.2.3. Expected Shortfall (ES).- Es el valor esperado de la pérdida, cuando ésta
supera el Valor en Riesgo (VaR).
𝑆𝑒𝑎: 𝑟𝑖 = 𝑟𝑒𝑛𝑡𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑑𝑒 𝑙𝑎 𝑖𝑛𝑠𝑡𝑖𝑡𝑢𝑐𝑖ó𝑛 "𝑖"

Entonces:
𝑉𝑎𝑅
ES = E[𝑟𝑖 |𝑟𝑖 < 𝑉𝑎𝑅 ] ó ES = ∫ 𝑟𝑖 𝑓𝛼 (𝑟𝑖 )𝑑𝑟𝑖 .
−∞
Donde: 𝑓(𝑟) = es la función de densidad de "ri "
Nota: el análisis de pérdidas se hace sobre la cola izquierda de la distribución de

rentabilidades; por lo tanto, el VaR es negativo.
En este documento, el “Expected Shortfall” de cada institución es hallado

condicional a una situación de estrés en el mercado (ver sección 7). Esta
modelación involucra el cálculo de las volatilidades y correlaciones
variantes en el tiempo. Así, se torna relevante describir los modelos de
volatilidades y correlaciones usadas que permiten construir esta medida de
riesgo.
4.5.2.4. Threshold Autoregressive Conditional Heteroscedasticity - TARCH: Es

una especificación GARCH, donde la varianza condicional de los retornos
sigue el siguiente proceso.
𝑠 𝑛
2 2 2
𝛿𝑘,𝑡 = 𝑤𝑘 + ∑ ( 𝛼𝑘𝑝 + 𝛾𝑘 𝑁𝑡−𝑝 )𝑟𝑘,𝑡−𝑝 + ∑ 𝛽𝑞 𝛿𝑘,𝑡−𝑞 ; 𝑘 = 𝑚; 𝑖
𝑝=1 𝑞=1
Donde:
𝑁𝑡−𝑝 = 𝑖𝑛𝑑𝑖𝑐𝑎𝑑𝑜𝑟 𝑡𝑎𝑙 𝑞𝑢𝑒:
1 𝑖𝑓 𝑟𝑘,𝑡−𝑝 < 0
𝑁𝑡−𝑝 = {
0 𝑖𝑓 𝑟𝑘,𝑡−𝑝 > 0
El modelo contempla distintos efectos, tanto para retornos negativos y

positivos. Este modelo de volatilidad es comúnmente usado para capturar
efectos de apalancamiento.14
14 Ver Glosten, Jagannathan y Runkle (1993) ó ver Tsay (2010).

4.5.2.5. Dynamic Conditional Correlation - DCC15: Este modelo se debe a Engle
(2002) y Engle y Sheppard (2001) y permite que la correlación cambie en el
tiempo. El modelo asume que tanto la volatilidades y las correlaciones
siguen un proceso GARCH univariado.
La matriz condicional de covarianzas es por definición:

𝐻𝑡 = 𝐷𝑡 𝑃𝑡 𝐷𝑡
√𝛿𝑘𝑘,𝑡 0
𝐷𝑡 = 𝑑𝑖𝑎𝑔(√𝛿𝑘𝑘,𝑡 ) = [ ]
0 √𝛿𝑘𝑘,𝑡
1 𝜌𝑖𝑚,𝑡
𝑃𝑡 = [ ]
𝜌𝑖𝑚,𝑡 1
El cálculo de 𝑃𝑡 requiere modelar la correlación de los residuos
estandarizados de los retornos.
𝑟𝑘,𝑡
Sea 𝜀𝑘,𝑡 = y 𝑄𝑡 la matriz de correlación de 𝜀𝑘,𝑡 . De ahí que, si
√𝛿𝑘𝑘,𝑡
asumimos un GARCH (1,1), la versión matricial del modelo queda así:
𝑄𝑡 = (1 − 𝛼 − 𝛽)𝑄 + 𝛼𝜀𝑡−1 𝜀′𝑡−1 + 𝛽𝑄𝑡−1
Tal que 𝛼 + 𝛽 < 1 donde 𝑄 es la matriz de correlación incondicional de los
errores estandarizados. De aquí los parámetros son estimados mediante MV
y 𝑃𝑡 es extraído mediante:
−1 −1
𝑃𝑡 = 𝑑𝑖𝑎𝑔(√𝑞𝑘𝑘,𝑡 ) 𝑄𝑡 𝑑𝑖𝑎𝑔(√𝑞𝑘𝑘,𝑡 )
Donde: 𝑞𝑘𝑘,𝑡 es el elemento kk de 𝑄𝑡 .
En esta sección se ha descrito teóricamente las medidas de riesgo que serán implementadas
en este estudio; así como las herramientas que permiten construirlas. Sin embargo, es
importante revisar los avances que se tiene en la literatura empírica en materia de medición
de riesgo sistémico.
4.5.3. Revisión de literatura empírica
En general, los autores están de acuerdo en que la evaluación de riesgo sistémico debe
realizarse de manera consistente con el enfoque macroprudencial. Esto incluye un análisis
de externalidades causadas por la interconexión y la evolución dinámica de las mismas; sin
embargo, la teoría en este sentido aún es poco desarrollada. Al margen; hay una razonable
cantidad de herramientas que se puede encontrar en la literatura para este fin.
15 Así como en la modelación de las volatilidades se introdujo los efectos de asimetría, puede hacerse una extensión hacia
la modelación de las correlaciones según el DCC - GARCH generalizado asimétrico.
Un enfoque que predomina, básicamente dado que involucra a muchísimas instituciones
financieras es el enfoque de redes basado en el análisis de los nodos, cuyo fundamento
teórico es prestado de otras ciencias y aplicados en lo que los promotores 16 denominan
redes financieras. La intuición detrás de estos modelos, es que si hay un shock ligero en el
sistema, el riesgo generado se disipará y el propio mercado de manera automática se
volverá a estabilizar; mientras que si un shock es severo y afecta de la misma manera a otro
componente del sistema, como consecuencia traerá consigo una quiebra generalizada del
sistema. Para el caso peruano aplicar este método le quita esencia a la misma, pues como se
mencionó, involucra un mercado grande, donde la interconexión es compleja y donde su
ajuste seguramente es mejor, mientras que el sistema financiero peruano es diminuto
comparado al norteamericano, al británico o a otros sistemas desarrollados.
Asimismo, un artículo que tiene cierto grado de sesgo hacia el análisis de redes, es el de
Billio y otros (2011), quienes hacen énfasis en que la medición de riesgo sistémico para el
caso de los Estados Unidos va más allá de sólo bancos, y por ello, los Hedge Funds,
Compañías de Seguro y Corredores de Bolsa son introducidos al análisis.
Para hacer esta medición proponen dos modos: en primer lugar utilizan el método de
Análisis de Componentes Principales (ACP). Estableciendo umbrales consiguen que en los
últimos años la correlación entre los retornos de estas compañías ha aumentado, lo que
indicaría que el grado de vinculación ha aumentado también, con la particularidad de que
en periodos de crisis la correlación de los retornos de los bancos y las compañías de seguros
son los que más crecen y pueden servir como una advertencia. En segundo lugar, usan un
análisis de dinámica intertemporal a través de un test de causalidad de Granger, con lo que
buscan verificar, si algún retorno de alguna institución anticipa la evolución del retorno de
otra; consiguiendo que en periodos de crisis, el número de relaciones de causalidad se
incrementa.
Por otro lado, Acharya y Pedersen(2010) proponen un modelo económico sencillo de

riesgo sistémico, y miden la contribución de cada institución financiera al riesgo sistémico
a través del método de pérdida esperada o “Expected Shortfall”, y proponen que los bancos
internalizan las externalidades de sus acciones hacia el sistema financiero a través de un
impuesto que dependerá del grado de su aporte marginal a la pérdida esperada sistémica
(Systemic Expected Shortfall (SES)). En esta misma línea, Brownlees y Engle (2011) usan
el “Marginal Expected Shortfall (MES)” en un entorno bivariado, donde las correlaciones y
volatilidades entre el mercado y cada institución financiera son cambiantes en el tiempo, a
partir del cual proponen un índice de riesgo sistémico basado en la teoría de Acharya y
Pedersen(2010).
16 Ver Haldane(2009), May y Arinaminpathy(2009), Nagurney y Qiang (2010), Gay y Kapadia (2010).
La medida de riesgo más común17 es adaptada a la medición de riesgo sistémico bancario
en Roengpitya y Rungcharoenkitkul (2011), quienes analizan la interconexión en el sistema
bancario tailandés, tomando como muestra 6 bancos y usando el análisis VaR condicional o
CoVaR de Adrian y Brunnermeier (2011).
El CoVaR implica la medición del VaR dinámico del Sistema condicionado al VaR de una
institución financiera, así como el VaR de una institución condicionado al VaR de otra 18.
De ahí, Roengpitya y Rungcharoenkitkul (2011) analizan el comportamiento del CoVaR
de cada institución respecto al estado de ciertos indicadores en las hojas de balance de las
instituciones, tales como el nivel de préstamos, depósitos, activos interbancarios, acciones
comunes, utilidades retenidas, depósitos interbancarios entre otros. El aporte es mostrar la
utilidad de estos métodos para ser usado como herramienta por los reguladores, pues
permite conocer cuál es la variable en la hoja de balance del banco que explica mejor la
significancia sistémica del banco y sobre el cual se debería hacer alguna vigilancia.
Desde el punto de vista legal, Schwarcz (2008), analiza el riesgo sistémico, y hace una
crítica al sistema de administración de riesgo sistémico. El autor sostiene que ponerle
demasiada atención sólo al sector bancario en Basilea, no reduce el riesgo sistémico; pues
otras instituciones del sistema también deberían ser introducidos. De otro lado, argumenta
que la política monetaria es inefectiva para salir de la crisis porque esta afecta a los bancos,
mas no a todo el mercado financiero.
Para el caso peruano Espino y Rabanal (2011) usan las hojas de balance de todo los bancos
del sistema peruano para analizar el grado de vulnerabilidad y el nivel de riesgo sistémico
bajo un enfoque estático de ratios de participación, concluyendo que para el caso peruano
no hay considerable nivel de riesgo de interconexión; por lo tanto, es bajo el riesgo
sistémico. Dejan abierta la posibilidad que esto puede cambiar si introducimos choques
dentro de algún modelo que se pueda diseñar.
Los enfoques de medición descritos en esta sección realzan el papel que juega la
transmisión de externalidades dentro del sistema financiero. Asimismo, estos análisis en su
mayoría son de carácter dinámico, consistente con la óptica de las políticas
macroprudenciales en los aspectos dimensionales (ver Borio, 2011). La importancia de la
consistencia entre las medidas de riesgo sistémico y las políticas macroprudenciales está
soportada en la evidencia empírica como se muestra en la siguiente sección.
17 Valor en Riesgo (VaR).

18 El enfoque CoVaR dinámico permite introducir diversas variables explicativas (económicas y financieras), cuya
relevancia dependerá de la especificación establecida por el investigador.
5. Relevancia empírica
La crisis asiática y rusa de finales de los 90 tuvo efectos considerables en la economía
peruana a causa del incremento de la liberalización financiera que hubo luego del programa
de estabilización de inicios de la misma década; así como, el crecimiento acelerado de los
depósitos y créditos en el sector bancario que junto a una débil regulación trajeron consigo
la debilitación del sistema. En contraste a aquel escenario, en tiempos actuales las
herramientas de regulación han mejorado bastante junto a una mayor experiencia en el
manejo de políticas dentro del marco regulatorio, la administración de flujos de capitales
internacionales, el comercio internacional, entre otros. No obstante, la actual crisis puso de
manifiesto que aún dentro de sistemas desarrollados, con mercados financieros sofisticados
y líquidos como la norteamericana, la concretización del riesgo sistémico está latente.
En los últimos años en el Perú se ha elevado el nivel de los créditos en el sector bancario
(ver gráfico 4), causado por muchos factores, entre ellos, la mayor innovación tecnológica
que ha traído consigo la implementación de mecanismos de transacciones financieras de
manera más ágil y rápida19, incremento de las inversiones, el crecimiento económico, entre
otros.
A la par surge la importancia de mejorar las herramientas de administración de riesgo desde

una perspectiva macroprudencial para el buen funcionamiento del sistema y su
sostenibilidad en el largo plazo.
Gráfico 4: Evolución del crédito (en miles de millones de soles)

70
60
50
40
30
20
10
0
may-03
may-10
may-01
may-02
may-04
may-05
may-06
may-07
may-08
may-09
ene-08
ene-01
ene-02
ene-03
ene-04
ene-05
ene-06
ene-07
ene-09
ene-10
sep-01
sep-05
sep-02
sep-03
sep-04
sep-06
sep-07
sep-08
sep-09
Comercial Consumo
Fuente: SBS.
Elaboración propia
19 Banca por celular, transacciones por internet entre otros.

Actualmente, es necesario el continuo y sostenible crecimiento de la economía para mejorar
los indicadores sociales, económicos y financieros en el largo plazo. Si bien es complicado
hablar acerca de que si el crecimiento económico genera el desarrollo de los mercados
financieros o el desarrollo de los mercados financieros genera el crecimiento, lo cierto es
que estudios empíricos han demostrado que la relación es positiva. Por ejemplo, Beck y
Levine (2004), usando una muestra de 83 países, concluyen que es imposible rechazar la
hipótesis de que los mercados financieros impactan positivamente sobre el crecimiento
económico. Asimismo, para el caso chileno Hernandez y Parro (2004) concluyen que para
que los efectos sean más significativos, es necesaria mayor profundización de los mercados
de capitales, mayor desarrollo del mercado de derivados y una mejor administración de las
reformas impositivas y regulatorias.
Más allá de que si el desarrollo del mercado financiero trae consigo mejora en el
crecimiento económico o viceversa, es cierto que si un riesgo sistémico en el sistema
financiero se materializa, trae consigo una considerable pérdida en crecimiento económico
y riqueza. El gráfico 5 muestra la evolución del PBI peruano en niveles, donde se puede
notar que después de la crisis asiática y rusa que afectó al sistema financiero peruano, el
PBI perdió tendencia y posteriormente hubo una demora en la recuperación de la tasa de
crecimiento. De manera similar, la repercusión de la crisis subprime trajo desviación en la
tendencia, aunque la recuperación de la tasa de crecimiento fue rápida.
En esta misma línea, el FMI (2009) analiza la recuperación del PBI en el mediano plazo
dentro de una muestra de 88 crisis bancarias, consiguiendo que en general el producto no
recupera su tendencia previa a la crisis. Además, después de 7 años ocurrida una crisis
bancaria, el producto está cerca del 10% por debajo de la tendencia de largo plazo; no
obstante, las tasas de crecimiento generalmente si se recuperan. Asimismo, en una
publicación reciente, el Banco Mundial (2011) realiza un estudio sobre la magnitud de las
caídas en el PBI provocadas por la crisis financiera subprime, consiguiendo que la tasa de
crecimiento de los países con altos ingresos cayeron en un promedio de 7.7 puntos
porcentuales, seguido por los países de ingresos medios, cuyas tasas cayeron en un
promedio de 6.9 puntos porcentuales y finalmente los países de ingresos bajos en promedio
cayeron en 1.5 puntos porcentuales.
Por otro lado, Schanz y otros (2011) analizan un modelo teórico para ver en que magnitud
cae el PBI cuando se aplica la política de estabilidad financiera basada en mayores
requerimientos de ratios de capital de los bancos. Los resultados de la calibración del
modelo teórico muestran que por una unidad porcentual adicional de requerimiento de
capital, el PBI se reduce en 0.04 %.
En líneas generales, el análisis realizado en esta sección señala que el costo de una crisis
supera significativamente a los costos de un mayor nivel en la calidad de la administración
del riesgo en el sistema financiero. Si se ve en el sentido de Schanz y otros (2011), el
beneficio marginal de una mejor política macroprudencial supera al costo marginal de
llevarla a cabo. Es así que, que los instrumentos de medición de riesgo sistémico se
convierten en relevantes para todas las economías.
En tal sentido, en la siguiente sección se describe, dentro del marco de la metodología

presentada en esta investigación, las relaciones que mantienen las variables involucradas en
la medición del riesgo sistémico en el sistema financiero peruano.
Gráfico 5: Evolución del PBI (en miles de millones de soles de 1994)

65
55
45
35
25
15
5
ago-96
dic-92
dic-03
ago-07
ene-92
ene-03
nov-04
oct-05
sep-06
mar-90
nov-93
oct-94
sep-95
feb-91
mar-01
feb-02
mar-12
jun-98
may-99
jun-09
may-10
abr-00
abr-11
jul-97
jul-08
Fuente: BCRP
Elaboración propia
6. Hipótesis
Para efectos de esta investigación asumimos razonablemente mercados eficientes; por lo
tanto, el precio de las acciones de las firmas financieras, el Índice General de la Bolsa de
Valores de Lima (IGBVL) y el índice Standar & Poor’s (S&P) reflejan toda la información
económica de los bancos, economía nacional e internacional respectivamente.
Un indicador completo y universal en el mundo de las finanzas para el manejo de riesgo es

el Valor en Riesgo (VaR), completo porque en un sólo número representa toda la
información disponible, y universal porque puede ser aplicado a cualquier activo. Sin
embargo, Artzner y otros (1998) mostraron 4 propiedades20 que debería satisfacer una
medida de riesgo coherente, de las cuales el VaR no siempre satisface el axioma de
subaditividad21. Mientras tanto, el “Expected Shortfall (ES)” sí cumple estas condiciones
como lo muestran Acerbi y Tasche (2001).
20 Monotonicidad, Homogeneidad positiva, Invariancia ante traslaciones, Subaditividad.

21 El VaR es subaditivo sólo bajo una distribución normal, ver Daníelsson (2011).
En este trabajo se analiza el riesgo sistémico usando ambas medidas de riesgo 22, dando
mayor énfasis al Expected Shortfall por motivos que se mostrará más adelante. En el primer
caso, el riesgo sistémico es medido bajo un enfoque del VaR de mercado condicional
(CoVaR) al VaR de cada institución financiera, lo mismo que permite conocer a un nivel de
probabilidad, la pérdida que ocurre en el mercado bursátil cuando una determinada
institución financiera enfrenta una situación de estrés. Esto es:
𝐶𝑂𝑉𝑎𝑅𝑚 |𝑉𝑎𝑅𝑡𝑖 = 𝑓(𝑉𝑎𝑅𝑡𝑖 ) ; 𝑑𝑜𝑛𝑑𝑒 "i" 𝑒𝑠 𝑢𝑛 𝑖𝑛𝑠𝑡𝑖𝑡𝑢𝑐𝑖ó𝑛. (1)
El segundo método (Marginal Expected Shortfall) estima el Expected Shortfall (ES) de

cada banco, condicional a que el mercado ha superado su nivel de VaR (calculado bajo el
primer método)23.
𝑀𝐸𝑆𝑡𝑖 = 𝐸(𝑟𝑡𝑖 |𝑟𝑡𝑚 > 𝑉𝑎𝑅 𝑚 )
Para mostrar el riesgo individual que representa cada institución en el sistema, se plantea el
siguiente indicador sencillo.
𝐸𝑡𝑖 ∗ (1 − 𝑀𝐸𝑆𝑡𝑖 )
𝐿𝑖𝑡 = ≥𝑘 (2)
𝑎𝑐𝑡𝑖𝑣𝑜𝑠
Donde:
𝐿𝑖𝑡 = 𝐸𝑠𝑡𝑟𝑢𝑐𝑡𝑢𝑟𝑎 𝑑𝑒 𝑎𝑝𝑎𝑙𝑎𝑛𝑐𝑎𝑚𝑖𝑒𝑛𝑡𝑜 𝑒𝑠𝑝𝑒𝑟𝑎𝑑𝑜.
𝐸𝑡𝑖 = 𝑝𝑎𝑡𝑟𝑖𝑚𝑜𝑛𝑖𝑜 𝑑𝑒 𝑙𝑎 𝑖𝑛𝑠𝑡𝑖𝑡𝑢𝑐𝑖ó𝑛 i 𝑎𝑙 𝑡𝑖𝑒𝑚𝑝𝑜 t.
Note que este ratio de apalancamiento24 es el esperado cuando el banco cae en un escenario
de tensión. Es decir, muestra la capacidad de la institución de mantener un nivel deseable
de capital predefinido25 como porcentaje de sus activos, dado el evento de estrés.
Asimismo, se puede hacer un seguimiento al riesgo agregado, definiendo la proporción de

pérdida que representa una institución en relación a la pérdida total.
𝐸𝑡𝑖 ∗ 𝑀𝐸𝑆𝑡𝑖
𝑟𝑠𝑡𝑖 = 𝑛 (3)
∑𝑖=1 𝐸𝑡𝑖 ∗ 𝑀𝐸𝑆𝑡𝑖
Donde:
𝐸𝑡𝑖 = 𝑝𝑎𝑡𝑟𝑖𝑚𝑜𝑛𝑖𝑜 𝑑𝑒 𝑙𝑎 𝑖𝑛𝑠𝑡𝑖𝑡𝑢𝑐𝑖ó𝑛 i 𝑎𝑙 𝑡𝑖𝑒𝑚𝑝𝑜 t
Este indicador mide el porcentaje que representa la pérdida individual respecto al total de
pérdidas; facilitando la comparación de la significancia de las pérdidas individuales. Este
22 Para detalles sobre la definición de VaR y ES, ver sección 4.5.

23 Se usará el promedio temporal a niveles de 5% y 1% de confianza (ver cuadro 4).
24 Es construido del balance mensual (activos totales sin ponderar por riesgo sobre patrimonio total); sin embargo, note
que se expresa de manera inversa para fines prácticos.

25 Puede ser pensado como un ratio de requerimiento de capital regulatorio.
indicador complementado con el anterior (ecuación 2), ayuda a evaluar mejor una
institución. Por ejemplo, si un banco tuviera pérdidas representativas como porcentaje del
mercado y a la vez mantuviera un bajo nivel de apalancamiento en una situación de estrés,
en general no representaría un gran problema. De otro lado, si un banco tuviera grandes
pérdidas porcentaje del mercado y a la vez mantuviera un nivel creciente de
apalancamiento esperado en situación de estrés, probablemente llegue a generar
externalidades negativas importantes al sistema financiero.
Los indicadores mostrados en esta sección son construidos sobre las metodologías
presentadas en la siguiente sección.
7. Lineamientos metodológicos.
7.1. Especificación de las medidas de riesgo.
A diferencia del VaR tradicional. Basado en la formulación de Adrian y Brunnermeier

(2011), se define el VaR sobre la rentabilidad26de mercado, de tal manera que permita el
análisis del aporte en externalidad negativa de una institución estresada sobre el mercado;
así como para fijar el umbral en el análisis ES 27 que se verá más adelante. Así, el VaR
dinámico será calculado mediante una regresión por cuantiles a un nivel de α% 28 de
probabilidad sobre las siguientes ecuaciones:
𝑟𝑡𝑖 = 𝜌𝛼𝑖 + 𝛽𝛼𝑖 𝑋𝑡−1 + 𝜖𝑡𝑖 (4)
𝑚 𝑚 𝑚 𝑖 𝑚 𝑚
𝑟𝑡 = 𝜌𝛼 + 𝛾𝛼 𝑟𝑡 + 𝛽𝛼 𝑋𝑡−1 + 𝜖𝑡 (5)
𝐷𝑜𝑛𝑑𝑒: 𝑋𝑡−1 = 𝑉𝑒𝑐𝑡𝑜𝑟 𝑑𝑒 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒𝑠 𝑒𝑐𝑜𝑛ó𝑚𝑖𝑐𝑎𝑠 𝑒𝑥𝑝𝑙𝑖𝑐𝑎𝑡𝑖𝑣𝑎𝑠 𝑟𝑒𝑧𝑎𝑔𝑎𝑑𝑎𝑠.
De donde se obtiene los VaR,s tanto individual y sistémico a partir de los valores de los
rendimientos ajustados por la regresión. Es decir.
𝑉𝑎𝑅𝑡𝑖 = 𝜌̂𝛼𝑖 + 𝛽̂𝛼𝑖 𝑋𝑡−1 (6)
𝑉𝑎𝑅𝑡𝑚 = 𝜌̂𝛼𝑚 + 𝛾̂𝛼𝑚𝑟𝑡𝑖 + 𝛽̂𝛼𝑚 𝑋𝑡−1 (7)
En (7) introducimos el VaR individual estimado de la institución“𝑖” y calculamos el efecto

sobre el VaR del sistema (CoVaR)29.
𝐶𝑂𝑉𝑎𝑅𝑡𝑚 |𝑉𝑎𝑅𝑡𝑖 = 𝜌̂𝛼𝑚 + 𝛾̂𝛼𝑚 𝑉𝑎𝑅𝑡𝑖 + 𝛽̂𝛼𝑚 𝑋𝑡−1 (8)
26 Adrian y Brunnermeier (2011) trabajan con el VaR sobre las tasa de crecimiento de los activos financieros a precio de
mercado.
27 Pues esta medida estará basado en la variación de los precios de mercado.
28 5% y 1% en este documento.
29 También es posible analizar el VaR de una institución dado que otra se encuentra en la suya.
En la ecuación (8), evaluamos el efecto marginal de la institución “𝑖” sobre el VaR del
mercado cuando llega a su umbral máximo de pérdidas (con α% de probabilidad).
Imaginemos que 𝐶𝑂𝑉𝑎𝑅𝑡𝑚 |𝑖 > 𝐶𝑂𝑉𝑎𝑅𝑡𝑚 |𝑗, entonces se dice que “𝑖” es la insitución que
debería internalizar mayor sus externalidades y debería ser tomado como institución de
mayor riesgo para el sistema que j, pues empeora la situación del mercado en mayor
magnitud que “j” en tiempos de estrés financiero.
Recuerde que una institución llega a su nivel VaR cuando se encuentra en un escenario de
estrés o malos tiempos; pero este nivel, según la ecuación (7) puede ser consistente con el
estado de otras variables financieras relevantes (para este caso se ha tomado la rentabilidad
del mercado peruano y el índice S&P para capturar el efecto internacional); no obstante, el
CoVaR es una medida que incluye el efecto adicional del hecho que una institución esté en
malos tiempos o este en su nivel VaR; por ello, se espera que sea más grande y por lo
mismo es razonable usar (7) como medida adecuada de aporte de riesgo sistémico de la
institución “i”.
¿Qué hay de la causalidad?
Antes de proseguir se debe definir claramente, si es que una fragilidad en el mercado causa fragilidad
en las instituciones financieras o si es que la fragilidad de las instituciones causa la fragilidad en el
mercado. Acharya y otros (2012) sostienen que ambos fenómenos son verdaderos, ya que ambos son
endógenos; asimismo, hacen notar que las metodologías basadas en la dirección de causalidad de
instituciones hacia el mercado tienen debilidades en capturar claramente los efectos del estado de
estrés de las instituciones hacia el mercado.
Por un lado, la metodología de Adrian y Brunnermeier (2011) no introduce los efectos de la

volatilidad de cada institución ni el tamaño; de otro lado, la metodología de Billio y otros (2011)
basada en la causalidad de Granger entre instituciones, tiene complicaciones en la interpretación de
estas relaciones interinstitucionales.
(…) However it is well known that Granger causality tests cannot be correctly interpreted
unless all the shocks are considered at the same time. It is not possible to know whether one
firm Granger causes another or whether some third firm causes both (…)
[Acharya, y otros (2012)]
Sin embargo, Adrian y Brunnermeier (2011) compensan esto con el diseño del “Exposure CoVaR”
que invierte la dirección de la causalidad; no obstante, en general el método CoVaR no representa
una clara relación de causalidad. A esto el autor plantea:
(…) We view this as a virtue rather than as a disadvantage. To see this, suppose a large
number of small hedge funds hold similar positions and are funded in a similar way. That is,
they are exposed to the same factors. Now, if only one of the small hedge funds falls into
distress, this will not necessarily cause any systemic crisis. However, if the distress is due to
a common factor, then the other hedge funds - all of which are “systemic as part of a herd” -
will likely be in distress. Hence, each individual hedge funds co-risk measure should capture
the notion of being “systemic as part of a herd” even in the absence of a direct causal link
(….)
En esta investigación se plantea la metodología CoVaR para hacer un análisis previo cuasi
– cualitativo en el sentido de cómo se comporta el mercado cuando una institución alcanza
su nivel VaR. Asimismo, la regresión por cuantiles nos brinda un nivel referencial empírico
del Valor en Riesgo del mercado30 con cierta probabilidad. Sin embargo, el principal
análisis en esta investigación sigue a la metodología de Marginal Expected Shortfall
(MES), dado que permite introducir variables financieras claves como son las volatilidades
(del mercado y de la institución en simultaneo) y correlaciones; así también, no presenta
dificultades en la interpretación de los resultados.
El MES se define como:
𝑀𝐸𝑆𝑡𝑖 = 𝐸(𝑟𝑡𝑖 |𝑟𝑡𝑚 > 𝑉𝑎𝑅𝑚 ) (9)
Esta medida de riesgo constituye la pérdida que sufre una institución cuando el mercado ha
superado su Valor en Riesgo a un nivel de probabilidad31. De esta manera, se vincula la
rentabilidad del mercado con la rentabilidad individual de una institución. La vinculación
queda descrita por la asunción de un proceso bivariado entre la rentabilidad de una
institución y la del mercado32 como en Brownlees y Engle (2011). Así, el modelo queda
expresado como sigue:
𝑟𝑡𝑚 = 𝛿𝑡𝑚 𝜖𝑡𝑚
𝑟𝑡𝑖 = 𝛿𝑡𝑖 𝜌𝑖𝑡 𝜖𝑡𝑚 + 𝛿𝑡𝑖 √(1 − 𝜌𝑖𝑡2 ) ∗ 𝜉𝑡𝑖 (10)
Donde 𝜖𝑡𝑚 y 𝜉𝑡𝑖 tienen media cero y varianza igual a la unidad. De las ecuaciones anteriores
se llega a plantear el MES como sigue:
𝑀𝐸𝑆𝑡𝑖 = 𝐸(𝑟𝑡𝑖 |𝑟𝑡𝑚 > 𝑉𝑎𝑅 𝑚 )
𝑉𝑎𝑅𝑚
𝑀𝐸𝑆𝑡𝑖 = 𝛿𝑡𝑖 𝐸 (𝜖𝑡𝑖 |𝜖𝑡𝑚 > )
𝛿𝑡𝑠𝑖𝑠𝑡.
𝑉𝑎𝑅𝑚
𝑀𝐸𝑆𝑡𝑖 = 𝛿𝑡𝑖 𝐸 (𝜌𝑖𝑡 𝜖𝑡𝑚 + √(1 − 𝜌𝑖𝑡2 ) ∗ 𝜉𝑡𝑖 |𝜖𝑡𝑚 > )
𝛿𝑡𝑚
𝑉𝑎𝑅𝑚 𝑉𝑎𝑅𝑚
𝑀𝐸𝑆𝑡𝑖 = 𝛿𝑡𝑖 𝜌𝑖𝑚,𝑡 𝐸 (𝜖𝑡𝑚 |𝜖𝑡𝑚 > ) + 𝛿 𝑖
√(1 − 𝜌 2 )𝐸 (𝜉 𝑖 |𝜖 𝑚
> ) (11)
𝛿𝑡𝑚 𝑡 𝑖𝑚,𝑡 𝑡 𝑡 𝛿𝑡𝑚
30 Este valor sirve para formular el umbral del análisis del MES.
31 El valor se extrae de las regresiones cuantílicas (ver cuadro 5).
32 La derivación sigue de una distribución conjunta bivariada.
La construcción de la ecuación (11) implica el cálculo de las volatilidades, correlaciones
cambiantes en el tiempo y las expectativas de cola para los residuos estandarizados. Este
cálculo es realizado mediante una especificación TARCH (1,1,1) para las volatilidades y un
DCC para el caso de las correlaciones (ver sección 4.5.2); mientras que las expectativas de
cola son halladas mediante un promedio simple sobre los valores de 𝜖𝑡𝑚 y 𝜉𝑡𝑖 en los casos
𝑉𝑎𝑅𝑚
donde se cumple la condición 𝜖𝑡𝑚 > .
𝛿𝑡𝑚
7.2. Los datos
Se usan datos de frecuencia semanal de enero de 1995 a julio de 2012, la misma que
captura la crisis de 1997-1998 y la crisis 2007 - 2009. Para vincular ambos métodos, en esta
investigación se asume que las variables financieras recogen información de las variables
reales.
Para estimar los VaR,s se usa la serie semanal de las rentabilidades sobre la variación de los
precios de las acciones de los cuatro bancos más importantes del Perú. La rentabilidad del
mercado bursátil peruano es tomada como la variable que captura información de la
economía nacional y el índice Standar & Poor’s es asumido ser la variable que captura
información del mercado internacional. Para el cálculo del MES se requiere sólo las
rentabilidades individuales de cada institución y la del mercado. En general los datos son
extraídos de Bloomberg, BCRP, SBS.
El vector 𝑋𝑡−1 contempla los cuatro primeros rezagos del índice bursátil peruano y los
cuatro primeros rezagos del índice Standar & Poor’s 33; por otro lado, los datos del tamaño
de los activos y patrimonio son obtenidos en frecuencia mensual de las publicaciones de la
SBS y fueron convertidos a frecuencia semanal a través de interpolación lineal.
8. Resultados
Los resultados son analizados siguiendo el orden planteado en la sección 7.1. Mostrando en
primer lugar las estimaciones de los Valores en Riesgo de cada institución financiera y el
mercado, seguido por la estimación del Valor en Riesgo del mercado condicional a que una
firma financiera se encuentra en una situación de tensión.
En lo que respecta al “Marginal Expected Shortfall”, inicialmente se presenta los

resultados de los modelos planteados para las volatilidades (TARCH) y las correlaciones
(DCC). Estos cálculos sirven de insumos para la construcción del MES dinámico, que a la
vez es usado como base para la implementación de las medidas de riesgo sistémico.
33 Siguiendo a Roengpitya y Rungcharoenkitkul (2011).

8.1. Resultados del análisis Valor en Riesgo (VaR)
En el cuadro 2 se reporta los resultados de la regresión cuantílica (6) a un nivel de 5% y 1%

cuantil para cada institución financiera. En particular, se muestra que el primer y el cuarto
rezago de la rentabilidad del mercado bursátil son significativos en la explicación 34 de la
mayoría de los VaR,s institucionales. Nótese que los parámetros significativos que
acompañan a la rentabilidad del mercado peruano son positivos, excepto para el caso del
Interbank al 1% de probabilidad. Esto muestra que existe una correlación inter temporal
positiva entre los Valores en Riesgo de las firmas y la rentabilidad pasada del mercado. De
otro lado, el segundo y el cuarto rezago de la rentabilidad en el mercado internacional
mantienen parámetros significativos; no obstante, en el caso del BBVA el rezago número
cuatro de la rentabilidad internacional tiene un efecto marginal negativo sobre su nivel de
Valor en Riesgo. Adicionalmente cabe resaltar que el segundo rezago de la rentabilidad del
mercado peruano es el que menos significancia tiene para soportar los VaR de las empresas
bancarias; excepto en el caso de Scotiabank.
En resumen, los Valores en Riesgo de los bancos más grandes del sistema financiero
peruano son afectados principalmente por el primer y cuarto rezago de la rentabilidad en el
mercado bursátil peruano; mientras que para el caso del mercado internacional estos
rezagos son, el segundo y el cuarto. Siendo, el efecto positivo en la mayoría de los casos.
Cuadro 2: Resultados de la regresión cuantílica para bancos individuales

BCP BBVA Scotiabank Interbank
Prob (α). 5% 1% 5% 1% 5% 1% 5% 1%
r_m_1 0.32 0.32 0.25 -0.07 0.10 0.58 0.20 -0.17

r_m_2 -0.08 -0.06 0.00 0.06 0.15 0.46 0.22 0.09
r_m_3 -0.01 0.20 0.01 -0.09 0.12 -0.05 0.01 -0.10
r_m_4 0.21 0.21 0.23 0.34 -0.07 0.14 0.51 0.18
r_sp_1 -0.15 -0.63 0.04 0.88 0.45 0.15 -0.13 0.29
r_sp_2 0.20 0.19 0.10 0.79 0.65 0.45 0.06 0.26
r_sp_3 0.00 -0.16 0.04 0.28 0.02 0.83 0.11 0.36
r_sp_4 -0.07 0.37 -0.28 -0.44 0.28 -0.03 -0.15 0.91
_cons -0.06 -0.10 -0.06 -0.11 -0.10 -0.16 -0.07 -0.14
Nota: Resultados de la regresión (6): 𝑟𝑡𝑖 = 𝜌𝛼𝑖 + 𝛽𝛼𝑖 𝑋𝑡−1 + 𝜖𝑡𝑖 , para α=0.05 y α=0.01. Los regresores usados son: los
primeros cuatro rezagos de la rentabilidad del mercado bursátil peruano y los cuatro primeros rezagos de la rentabilidad
del índice S&P. Los resultados muestran que el cuarto rezago de la rentabilidad del mercado peruano es significativo en
casi todos los casos.
34 Se hizo una discusión sobre la causalidad en la sección 7.1.

Por otro lado, en el cuadro 3 se muestran los resultados de la regresión cuantílica (7), que
modela el Valor en Riesgo del mercado introduciendo los valores de las rentabilidades
contemporáneas de las instituciones estudiadas. Se obtiene que, el VaR del mercado cambia
en 0.40% cuando la rentabilidad del BCP varia en 1% a un nivel de α=0.05, siendo el
mismo valor para el caso del BBVA; mientras que a un nivel de α=0.01, la variación del
Valor en Riesgo del mercado es de 0.54% cuando la rentabilidad del BBVA cambia en 1%
y 0.36% para el caso de BCP. Adicionalmente, se reporta que Scotibank posee un menor
nivel de aporte marginal; entretanto Interbank es el banco cuyo aporte de externalidad al
mercado no es significativo.
Otro aspecto importante que arrojan los resultados, es la significancia del parámetro
correspondiente al cuarto rezago de la rentabilidad del mercado nacional (en promedio
0.148% para α=0.05 y 0.2% para α=0.01), así como de los tres primeros rezagos de la
rentabilidad en el mercado internacional, siendo el segundo (en promedio 0.245% para
α=0.05 y 0.51% para α=0.01) y el tercero (en promedio 0.25% para α=0.05 y 0.265% para
α=0.01) los que son caracterizados por una mayor magnitud. Esto refleja el grado de
globalización que existe en el mercado financiero peruano. Así, la evolución de los
mercados globales influye significativamente en generar eventos negativos que empujan a
las rentabilidades hacia la cola izquierda de su distribución.
Cuadro 3: Resultado de la regresión cuantílica para el mercado

Valor en Riesgo de Mercado
Prob.(α) 5% 1% 5% 1% 5% 1% 5% 1%
BCP 0.40 0.36 -- -- -- -- -- --

BBVA -- -- 0.40 0.54 -- -- -- --
Scotiabank -- -- -- -- 0.23 0.30 -- --
Interbank -- -- -- -- -- -- -0.03 0.10
r_m_1 -0.11 -0.07 -0.14 -0.15 0.00 0.06 -0.05 0.05
r_m_2 0.08 0.03 0.08 0.10 0.08 -0.12 0.03 -0.07
r_m_3 0.07 0.15 0.09 0.06 0.09 0.12 0.10 0.02
r_m_4 0.13 0.12 0.12 0.25 0.21 0.16 0.13 0.27
r_sp_1 0.12 0.23 0.12 0.13 0.05 0.14 0.09 0.39
r_sp_2 0.14 0.48 0.18 0.29 0.25 0.46 0.41 0.79
r_sp_3 0.28 0.12 0.22 0.44 0.22 0.16 0.29 0.34
r_sp_4 -0.03 -0.14 -0.07 -0.11 -0.26 -0.07 -0.08 -0.28
_cons -0.05 -0.08 -0.05 -0.08 -0.05 -0.08 -0.05 -0.09
Nota: Resultados de la regresión (7): 𝑟𝑡𝑚= 𝜌𝛼𝑚+ 𝛾𝛼𝑚 𝑟𝑡𝑖
+ 𝛽𝛼𝑚 𝑋𝑡−1 + 𝜖𝑡𝑚 ,
para α=0.05 y α=0.01. Los regresores usados
son: la rentabilidad de cada banco por separado, los cuatro primeros rezagos de la rentabilidad del mercado bursátil
peruano y los cuatro primero rezagos de la rentabilidad del índice S&P. El cuadro muestra que los bancos con mayor
influencia sobre la evolución del mercado son BCP, BBVA y Scotiabank; asimismo, el cuarto rezago de la rentabilidad
del mercado local, así como los tres primeros rezagos de la rentabilidad del índice S&P.
En general, se encuentra que los bancos que mayor externalidad negativa causan a la
evolución del Valor en Riesgo del Mercado peruano son BCP, BBVA y en menor grado
Scotiabank; mientras que Interbank tiene un aporte no significativo. Asimismo, la
evolución del riesgo en el mercado bursátil peruano está influenciado significativamente y
de manera rezagada por la evolución de los mercados globales representado por la
rentabilidad del índice S&P.
Con los parámetros estimados y resumidos en los cuadros 2 y 3, se calcula los valores de
las rentabilidades ajustados por las regresiones (6) y (7). Estos valores corresponden a los
Valores en Riesgo variantes en el tiempo calculados tanto para los bancos y el mercado
respectivamente.
Es así que, los valores ajustados por la regresión (6) al 5% de probabilidad35, son
delineados en el gráfico 6; donde se puede notar que a finales de 1998 y en octubre de 2008
hay unos saltos notables para todos los casos; esto acorde a los eventos de crisis que se
suscitaban en el mercado36. De manera similar se puede notar que los niveles de VaR para
el BCP, BBVA e Interbank son menores y menos volátiles que el Valor en Riesgo de
Scotiabank en toda la muestra. Adicionalmente, note que en el caso de Scotiabank, la
mayor variabilidad y caída del VaR antes de la crisis subprime se da entre el 2000 y el
2003, periodo que sigue al proceso de restructuración del banco predecesor.
Gráfico 6: Valor en Riesgo dinámico individual

0.1
-0.1
-0.2
BBVA
BCP
-0.3 Interbank
Scotiabank
-0.4
Nota: el gráfico muestra los valores acorde a: 𝑉𝑎𝑅𝑡𝑖 = 𝜌̂𝛼𝑖 + 𝛽̂𝛼𝑖 𝑋𝑡−1, para α=0.05. Note que Scotiabank tiene niveles de
Valores en Riesgo mayores en toda la muestra.
Sintetizando, en el gráfico 6 se describe el comportamiento histórico del Valor en Riesgo

de las firmas financieras, resaltando que, Scotiabank es la institución que individualmente
enfrenta mayores niveles de VaR; asimismo, es la que presenta mayor volatilidad luego de
la crisis de finales de los 90 y durante la crisis de 2008; mientras que los VaR de BCP y
BBVA tienen comportamientos similares a lo largo de la muestra.
35 Al 1% es similar, aunque el nivel es un poco más negativo.

36 Referirse a la crisis asiática, rusa, y la crisis financiera reciente.
Finalmente, el análisis relevante bajo el enfoque VaR, en un contexto de medición de riesgo
sistémico deviene del CoVaR. Esta medida de riesgo sistémico se construye según la
ecuación (8), caracterizando el comportamiento del Valor en Riesgo del mercado cuando
una institución financiera se ve envuelta en situación de estrés37.
En el cuadro 3, los parámetros muestran que el BCP y BBVA son los bancos que aportan
un riesgo mayor al sistema, seguido por el Scotiabank y el Interbank (este último tiene un
parámetro no significativo). En este sentido, si delineamos el valor dinámico del CoVaR
según la ecuación (8) para este par de instituciones que aportan marginalmente mayor
riesgo al sistema, se obtiene el gráfico 7, donde se puede notar que no hay diferencias
significativas entre la influencia del BBVA o el BCP sobre el mercado; no obstante, ante un
estado de estrés del BBVA, el VaR de mercado tiene un nivel ligeramente mayor que con el
BCP en situación similar.
Ahora se gira la atención hacia el CoVaR del mercado generado por la influencia de BCP
en comparación a Interbank. Este caso es esquematizado en el gráfico 8, en el que se
muestra que hay una diferencia significativa en el comportamiento del mercado, cuando el
BCP atraviesa una situación de estrés comparado a una situación similar del Interbank. De
otro lado, en el párrafo anterior, se describió que el mercado alcanza un nivel de Valor en
Riesgo Condicional ligeramente mayor cuando el BBVA se encuentra en tensión
comparado con el BCP (ver gráfico 7). Por lo tanto, también supera a la externalidad
negativa que causa Interbank en un contexto de caída del precio de sus acciones.
A estas alturas de la descripción de resultados, se ha establecido que el BBVA tiene

ligeramente un mayor nivel de externalidad sobre el riesgo sistémico que el BCP e
Interbank. Adicionalmente a ello, se hace una comparación del grado de externalidad
negativa que tendría una situación de cola en las rentabilidades de BBVA y Scotiabank
sobre el VaR del mercado. El gráfico 9 muestra que a pesar de seguir una evolución
parecida en ambos casos, el mercado consigue mayor volatilidad en sus Valores en Riesgo
cuando el Scotiabank consigue niveles de pérdidas extremas en los periodos de finales de
los 90 y hasta finales del 2002; asimismo, a partir de la crisis del 2008 hasta finales del
2011.
Es así que, tanto el BBVA y el Scotiabank al ser instituciones subsidiarias de bancos

internacionales poseen mayor sensibilidad a escenarios externos inestables, esto se vería
reflejado en su aporte a una mayor variabilidad de los VaR del mercado. Adicional a esto,
note que a pesar de que el parámetro asociado al Scotiabank (0.23) es menor que los que
están asociados al BCP (0.40) y BBVA (0.40) (ver cuadro 3), el aporte de externalidad
negativa de Scotiabank sobre el CoVaR de mercado supera en cierto grado a la causada por
BCP y BBVA. La explicación a esto está soportada en que, Scotiabank a nivel individual
posee un Valor en Riesgo mayor.
37 Las rentabilidades de la institución en cuestión llegan a su nivel VaR.
En términos generales - respecto al análisis de riesgo sistémico usando el “CoVaR” - , se
encuentra que el aporte de externalidad negativa al riesgo sistémico sigue el siguiente orden
descendente: Scotibank, BBVA, BCP e Interbank. Es decir, el banco que mayor riesgo
sistémico genera es Scotiabank; mientras que el banco cuyo aporte al riesgo del sistema no
consigue significancia, es Interbank. No obstante, en este análisis no se introducen la
magnitud de las pérdidas, y los efectos están basados sólo en las rentabilidades generadas
por la variación del precio de las acciones de cada empresa y los índices bursátiles, tanto
nacional e internacional.
Gráfico 7: CoVaR del mercado condicional al VaR del BCP y BBVA

VaR de mercado condicional
-0.1
CoVaR(m) - BCP
CoVaR(m) - BBVA
-0.2
tiempo
Gráfico 8: CoVaR del mercado condicional al VaR del BCP e Interbank

0
-0.1
CoVaR(m) - BCP
CoVaR(m) - Interbank
-0.2
Gráfico 9: CoVaR del mercado condicional al VaR del BBVA y Scotiabank

0
-0.1
CoVaR(m) - BBVA
CoVaR(m) - Scotiabank
-0.2
Notas: Los gráficos muestran los Valores en Riesgo de mercado condicional (CoVaR), según: 𝐶𝑜𝑉𝑎𝑅𝑡𝑚 |𝑉𝑎𝑅𝑡𝑖 = 𝜌̂𝛼𝑚 +
𝛾̂𝛼𝑚 𝑉𝑎𝑅𝑡𝑖 + 𝛽̂𝛼𝑚 𝑋𝑡−1 ; con α=0.05. BBVA tiene un aporte ligeramente mayor al riesgo sistémico que BCP (Gráf. 7:
i=BBVA, BCP); de otro lado, el aporte de BCP al riesgo sistémico es mayor comparado con Interbank (Gráf. 8: i=BCP,
Interbank.); asimismo, la comparación de Scotiabank con BBVA arroja al primero como relativamente más riesgoso a
nivel sistémico (Gráf. 9: i=Scotiabank, BBVA). Por lo tanto, se identifica a Scotiabank como el banco más riesgoso para
el sistema y a Interbank como el menos riesgoso.
Hasta este punto, se ha analizado el comportamiento del mercado ante situaciones adversas
en los bancos; sin embargo, sólo se ha analizado sobre las rentabilidades y no sobre las
magnitudes de las pérdidas en términos monetarios38. El análisis de la magnitud de las
pérdidas de capital que ocurrirían en el mercado en un escenario adverso explica mejor la
significancia sistémica de las instituciones.
Es imposible establecer si una debilidad en el mercado genera debilidades en las

instituciones o esto se da en el sentido contrario. Según Brownlees y Engle (2011) ambos
son verdad, ya que ambos son endógenos. En este sentido, proponen un método (MES)39
que captura la correlación de la rentabilidad del mercado con la de las instituciones y las
volatilidades de las mismas40, facilitando la interpretación de los resultados.
Además, la regresión cuantílica presentada puede variar de acuerdo a la especificación del

modelo y esto hace que sea inestable al medir la transmisión de externalidades 41; es así que
el Marginal Expected Shortfall (MES) puede ser usado de mejor manera, tomando como
variables a las rentabilidades de mercado y cómo estas evolucionan de manera conjunta; las
mismas que luego son vinculadas a los valores de patrimonio de cada banco.
8.2. Resultados del análisis “Marginal Expected Shortfall (MES)”
El cálculo del MES involucra hallar las correlaciones condicionales, las volatilidades
condicionales y las expectativas de cola (ver ecuación 11). Para ello, se estima un TARCH
(1,1,1) y un DCC (Dynamic Conditional Correlation), mientras las expectativas de cola42
son halladas mediante un promedio para todos los errores estandarizados que superan el
umbral.
El cuadro 4 muestra los resultados de las estimaciones de la modelación de las volatilidades

y correlaciones condicionales (ver sección 7.1). Los parámetros de asimetría (γ) que
alcanzan valores superiores corresponden al mercado, BCP y Scotiabank, indicando que
una mayor sensibilidad en las volatilidades condicionales están asociados a retrocesos en
las rentabilidades. Es decir, consiguen mayor volatilidad en escenarios de rentabilidad
negativa que los otros bancos.
De otro lado, a excepción de Scotiabank, las otras instituciones y el mercado tienen una
memoria relativamente corta en las volatilidades condicionales ( β menor), lo que indica
38 Para una mejor comprensión del CoVaR, ver Adrian y Brunnermeier (2011).
39
El ES captura características tales como tamaño, apalancamiento e interconexión (Acharya y otros, 2012).
40
Ver discusión de causalidad en la sección 7.1.
41 Ver discusión de causalidad en la sección 7.1.
𝑉𝑎𝑅 𝑚
42 𝐸 (𝜖𝑡𝑘 |𝜖𝑡𝑚 > ); 𝑘 = 𝑖, 𝑚
𝛿𝑡𝑚
una mayor curtosis en estos casos; asimismo, estas volatilidades son más sensibles a las
innovaciones (“α” mayor) producidas un periodo previo.
En lo que respecta a los parámetros de la estimación DCC, se consigue una menor

correlación incondicional del Interbank con el mercado, así como mayor persistencia (β) en
las correlaciones condicionales y menor reacción (α) de la correlación ante cambios en la
volatilidad; mientras que el BBVA tiene menor persistencia en las correlaciones; pero, las
correlaciones reaccionan más ante cambios en la volatilidad.
Cuadro 4: Parámetros de la modelación TARCH y DCC*

TARCH DCC
W 𝛼 𝛾 𝛽 𝜌 𝛼 𝛽
Mercado 0.00 0.31 0.10 0.55 -- -- --

BCP 0.00 0.16 0.11 0.71 0.43 0.04 0.93
BBVA 0.00 0.31 -0.03 0.46 0.42 0.07 0.87
Scotiabank 0.00 0.00 0.08 0.91 0.39 0.03 0.95
Interbank 0.00 0.17 -0.02 0.71 0.21 0.02 0.96
*Tener en cuenta que los parámetros 𝛼 , 𝛽 que aparecen en ambos casos no son los mismos.
Nota: Las volatilidades de las instituciones y el mercado son modeladas según un TARCH(1,1,1); mientras que las
correlaciones entre las rentabilidades de las instituciones con el mercado siguen a un modelo DCC (Dynamic
Conditional Correlation).Ver sección 4.5.2.
Entretanto, en línea a construir el MES, en el gráfico 10 se reporta el comportamiento de las

correlaciones cambiantes en el tiempo para el BCP, BBVA, Scotiabank e Interbank, en ese
orden. Se puede observar que en general hasta finales de 1998 las correlaciones se
mantenían relativamente elevadas. Sin embargo, a finales del año 1996 las correlaciones
habían disminuido y durante la crisis asiática y rusa (1997-1998) estas comenzaron a subir
nuevamente hasta llegar a un máximo alrededor de diciembre de 1998 en todos los casos.
En adelante el BCP mantuvo niveles de correlación estable en promedio y no muestra

sensibilidad a la crisis de 2008. El BBVA mantuvo una correlación promedio que no
cambió demasiado hasta mediados de 2005, a partir del cual tomó una ligera tendencia
positiva que alcanza su máximo nivel en setiembre de 2008 con la quiebra de Lehman
Brothers.
El Scotiabank (antes Wiese Sudameris) llegó a un nivel mínimo de correlación a mediados

de 2004 a partir del cual tomó una tendencia positiva. Adicional a ello, en 2007 Scotiabank
toma el control, posterior al cual, se genera una mayor relación de la evolución del precio
de sus acciones con los acontecimientos del mercado, llegando a un máximo en el tercer
trimestre de 2008.
De manera general, las correlaciones de las instituciones con el mercado a finales de los 90
llegaron a alcanzar picos relevantes en todos los casos; mientras que en el 2008 las
instituciones cuyas correlaciones alcanzaron picos máximos fueron BBVA y Scotiabank, en
contraste a BCP e Interbank cuyas correlaciones no mostraron sensibilidad a la crisis
financiera reciente.
Gráfico 10: Correlación dinámica del BCP, BBVA, Scotiabank e Interbank con el mercado
0.8
0.6
0.4
0.2
0
0.8
0.6
0.4
0.2
0
0.8
0.6
0.4
0.2
0
0.8
0.6
0.4
0.2
0
Nota: Valores de las correlaciones condicionales dinámicas para los cuatro bancos. El gráfico muestra que las
correlaciones de las rentabilidades de BBVA y Scotiabank con el mercado llegaron a un máximo en octubre de 2008;
mientras que, en el caso de BCP e Interbank estos valores alcanzaron niveles bajos.
Gráfico 11: Marginal Expected Shortfall (MES) del BCP, BBVA, Scotiabank e Interbank
0.3
MES - BCP(5%)
0.2 MES - BCP(1%)
0.1
0
0.3
MES - BBVA(5%)
MES - BBVA(1%)
0.2
0.1
0
0.3
MES - Scotiabank(5%)
0.2
MES - Scotiabank(1%)
0.1
-0.1
0.2
0.15 MES - Interbank(5%)

MES - Interbank(1%)
0.1
0.05
0
Nota: El gráfico muestra los valores de: 𝑀𝐸𝑆𝑡𝑖 = 𝐸(𝑟𝑡𝑖 |𝑟𝑡𝑚 > 𝑉𝑎𝑅𝑡𝑚 ), para α=0.05 y α=0.01. Los resultados muestran
que a finales del 99, BCP e Interbank tuvieron mayor sensibilidad en sus pérdidas esperadas; mientras que en octubre de
2008, BBVA y Scotiabank se convierten en instituciones con mayores pérdidas en términos esperados.
Usando las volatilidades y correlaciones halladas se construye el MES para cada banco.
Esto indica la pérdida esperada de una institución cuando el mercado ha superado un
umbral predefinido43. En el gráfico 11 se aprecia que a finales del 98 todos tiene un repunte
43En esta investigación usamos el promedio temporal del Valor en Riesgo de mercado calculado mediante el método de
regresión cuantílica tanto al 5% y al 1% de confianza; asimismo usamos el máximo valor que alcanza el VaR al 5% de
confianza como un escenario bastante extremo (ver cuadro 5). Esta especificación permite calcular distintos niveles de
pérdidas esperadas para los bancos, las mismas que nos servirán para construir el indicador planteado acorde a la ecuación
(2).
en sus pérdidas esperadas, de manera más significativa el BCP y el Interbank. En adelante
las instituciones enfrentan menores niveles de MES, lo mismo que refleja la mejora en el
contexto financiero generada por la celebración del convenio de integración entre el grupo
Wiese y Sudameris (inicios de 1999, ver Informe Banco Wiese del Congreso).
Durante la crisis del 2008 el BCP muestra una ligera respuesta en el tercer trimestre y el
Interbank deja de operar y quita volatilidad a su pérdida esperada. De otro lado, el BBVA y
el Scotiabank fueron los bancos más sensibles a la crisis subprime, ya que ambos han
tenido cambios considerables en sus pérdidas esperadas para ambos niveles de confianza;
asimismo, note que esta mayor sensibilidad comenzó a mediados de 2005. Posteriormente
en el año 2011, todos los bancos han recuperado cierto nivel de sensibilidad en sus pérdidas
esperadas (agudización de la crisis griega).
El análisis del “Marginal Expected Shortfall” sin incluir el tamaño de capital y patrimonio,
muestra que en los últimos años las instituciones más sensibles a escenarios de estrés son:
BBVA e Scotiabank, consistente en cierto grado con el análisis Valor en Riesgo
Condicional (CoVaR) de mercado en la sección 8.1, donde se identifica a estas
instituciones como sistémicamente más riesgosas.
8.3. Implementación de indicadores de riesgo sistémico
8.3.1. Apalancamiento bajo estrés
A este nivel, se cuenta con los insumos para implementar el indicador de riesgo asociado a
cada banco. Este indicador está representado por el apalancamiento esperado de la firma
cuando ocurre la pérdida. Es decir, permite evaluar la fortaleza del banco para mantener un
nivel de capital deseable respecto a los activos totales bajo un escenario de estrés. En esta
línea, previo a construir el indicador. El cuadro 5 muestra los valores promedio de pérdida
semanal que ocurriría en el mercado con cierto nivel de probabilidad.
Estos valores son usados como umbrales en el MES para evaluar el comportamiento de las
pérdidas esperadas de cada banco y el nivel de apalancamiento que alcanzarían cuando el
mercado consigue rentabilidades negativas extremas.
Cuadro 5: Valor en Riesgo del mercado

5% de probabilidad 1% de probabilidad
Promedio Máximo Promedio Máximo*
-5.08% -17.30% -8.32% -22.50%
*Este valor no es tomado en cuenta por ser demasiado extremo.
Nota: Los valores mostrados son los promedios temporales de los promedios transversales de los VaR estimados según:
𝑉𝑎𝑅𝑡𝑚 = 𝜌̂𝛼𝑚 + 𝛾̂𝛼𝑚 𝑟𝑡𝑖 + 𝛽̂𝛼𝑚 𝑋𝑡−1, para los cuatro bancos a los niveles de probabilidad que aparecen en el cuadro.
El gráfico 12 muestra el caso cuando el mercado supera el umbral de 5.08% de pérdidas. Si
esto hubiera sucedido para cada momento del tiempo, la proporción de patrimonio esperado
respecto a los activos totales hubiera tenido el comportamiento acorde al gráfico.
En el periodo de 1997 y 1998 Scotiabank posee una significativa pérdida esperada que
ubica a su patrimonio respecto a sus activos alrededor de 7%, lo cual paulatinamente va
mejorando conforme pasa el tiempo hasta enero de 2003. De otro lado, la proporción de
patrimonio de Interbank respecto a sus activos en términos esperados tiene una tendencia
decreciente hasta finales de 1999 y tiene una fuerte caída a mediados del 2001; mientras
que el BCP y el BBVA mantienen ratios esperados relativamente estables y superiores al
8% durante este periodo.
A partir de 2007 estos ratios esperados comienzan a caer de manera generalizada (a

excepción de Scotiabank) hasta llegar a un mínimo con la quiebra de Lehman Brothers en
setiembre de 2008. Aquí se puede observar que en términos esperados, el BBVA perdería
mayor patrimonio como porcentaje de sus activos, ubicándose por debajo del 5%.
Entretanto, cuando el mercado se encuentra al nivel de su VaR (-8.32%) – con una

probabilidad de 1%, el análisis es similar al caso anterior. No obstante, cabe resaltar que en
octubre del 2008 el patrimonio del BBVA llegaría a estar alrededor de 4% de sus activos
(ver gráfico 13).
Haciendo el mismo proceso para un umbral más extremo (-17.3%) que corresponde al
máximo que alcanzaría el mercado con un nivel de 5% de probabilidad, se obtienen
resultados interesantes. El gráfico 14 muestra que bajo este escenario extremo, el más
afectado en el periodo entre el 95 y el 2000 sería Scotibank44; asimismo, en el 2008 el
banco que hubiera sufrido mayores pérdidas de patrimonio como proporción de sus activos
sería el BBVA, pues estuvo alrededor de 3%.
En resumen, el análisis del riesgo según el nivel de capital que alcanzarían los bancos como
porcentaje de sus activos en épocas de tensión financiera, reporta que, en el periodo previo
a 1999, la institución que en términos esperados tuvo una mayor pérdida de capital como
porcentaje de sus activos totales fue Scotiabank (Entidad predecesora), soportando en
cierta manera la fragilidad que enfrentó el Banco Wiese en aquel entonces; mientras que las
otras instituciones consideradas en este estudio mostraron ratios en términos esperados
alrededor de 8% hasta finales de 2007. Posterior a este año en octubre del 2008 el banco
con mayor pérdida de capital como porcentaje de sus activos hubiera sido BBVA, mientras
que Scotiabank, en contraste al periodo previo a 1999, sería la institución que reflejó mayor
fortaleza contra pérdidas de capital como proporción de sus activos en términos esperados.
44 Esto respaldaría la situación que atravesó el Banco Wiese.

Gráfico 12: Apalancamiento esperado al 5% de probabilidad
0.14
Scotiabank
BBVA
0.12 BCP
Interbank
0.1
0.08
0.06
0.04
Gráfico 13: Apalancamiento esperado al 1% de probabilidad.

0.14
Scotiabank
BBVA
0.12 BCP
Interbank
0.1
0.08
0.06
0.04
Gráfico 14: Apalancamiento esperado bajo una caída máxima del mercado al 5% de
probabilidad.
0.12
0.1
0.08
0.06
Scotiabank
BBVA
0.04
BCP
Interbank
0.02
𝐸𝑡𝑖 ∗(1−𝑀𝐸𝑆𝑡𝑖)
Nota: Los gráficos muestran el indicador: 𝐿𝑖𝑡 = ,que representa la capacidad de respuesta que tiene la
𝑎𝑐𝑡𝑖𝑣𝑜𝑠
institución para conservar un nivel adecuado de capital como porcentaje de sus activos, una vez que ocurre una pérdida
de capital con un cierto nivel de probabilidad. El gráfico 12 muestra el ratio usando un MES calculado con un umbral
(VaR) de mercado promedio al 5% de probabilidad el caso, asimismo el gráfico 13 muestra el ratio cuando se fija un
umbral (VaR) de mercado promedio al 1% de probabilidad, mientras que el gráfico 14 muestra el ratio usando el valor
máximo que alcanza el VaR en el periodo de estudio con un nivel de 5% (ver, cuadro 5).
8.3.2. Riesgo agregado
En la sección anterior, se ha visto las pérdidas que hubieran sufrido los bancos bajo
escenarios de estrés en el mercado, así como su capacidad de mantener ratios deseables de
patrimonio sobre activos en términos esperados. Sin embargo, es importante la inclusión
del análisis del tamaño de las pérdidas individuales sobre el total, pues muestra la
significancia de las pérdidas individuales como proporción de las pérdidas totales.
Este indicador es fundamental para comprender si una institución que enfrentaría (en
términos esperados) niveles bajos de capital como porcentaje de sus activos, representaría
una amenaza significativa al sistema. Es así, que usamos el indicador planteado por la
ecuación (3).
En el gráfico 14 se muestra que el nivel de pérdidas esperadas para el Scotiabank llega

alrededor del 30% del sistema a mediados de 1999. Además, vimos que el patrimonio
respecto a sus activos caería más que los otros (ver gráfico 14). Estas dos características
muestran la significancia sistémica del banco en aquellos años.
De otro lado, Interbank pudo enfrentar una pérdida esperada considerable en 2001, pero no
representó un buen porcentaje de pérdidas respecto a todo el sistema. Mientras tanto, el
BCP es el banco que mantuvo pérdidas esperadas grandes como porcentaje del sistema
hasta inicios del 2007; sin embargo, también su capacidad de respuesta se ha mantenido
relativamente estable hasta esa fecha. En periodos posteriores, si bien cae su nivel de
patrimonio respecto a sus activos, también lo hace su contribución al riesgo agregado.
Gráfico 14: Riesgo agregado45

1 Scotiabank
BBVA
0.8 BCP
Interbank
0.6
0.4
0.2
0
𝐸𝑡𝑖∗𝑀𝐸𝑆𝑡𝑖
Nota: El gráfico muestra el indicador: 𝑟𝑠𝑡𝑖 = ∑𝑛 𝑖 𝑖 , para α=0.05 y α=0.01. Este indicador muestra la significancia
𝑖=1 𝐸𝑡 ∗𝑀𝐸𝑆𝑡
de la pérdida individual como porcentaje de las pérdidas totales en escenarios de tensión financiera.
45 Para ambos niveles de confianza y para todos Valores en Riesgo de mercado considerados, la evolución es similar.
En adición, BBVA es un banco que ha mantenido estable su nivel esperado de ratio
patrimonio a activos, así como su contribución al riesgo agregado, a excepción del 2008
donde hubo probabilidad de que pierda mayor nivel de capital en relación a sus activos,
comparados con los otros bancos. No obstante, si bien cayó su nivel esperado de patrimonio
respecto a sus activos, así también cayó su contribución al riesgo agregado, por lo que
ambos se compensaron.
En general, hasta finales de 2007, BCP fue el banco que en términos esperados pudo haber
tenido un mayor nivel de pérdidas como proporción del sistema; mientras que el Interbank
es la firma cuya pérdida es poco significativa frente al total, en todo el periodo de estudio.
Sin embargo, a partir de 2010 el porcentaje de pérdidas que representa cada firma en el
total, ha disminuido para las tres instituciones (BCP, BBVA, Scotiabank) más riesgosas
sistémicamente, así como para el Interbank. Asimismo, el nivel de patrimonio que
mantendrían las firmas financieras en situaciones de pérdidas extremas ha mejorado
respecto al periodo de la crisis subprime. Sin embargo, este nivel es menor al periodo 2000
- 2006, a excepción del Scotibank.
9. Conclusión
Si bien en el periodo de estudio, el Perú no ha enfrentado una crisis financiera que haya
estancado la economía como en el caso de los Estados Unidos, sí hubo escenarios de crisis
que demandaron demasiados recursos del estado46 y contrajeron la demanda interna y la
producción47.
El trabajo presentó instrumentos dinámicos que permiten medir el riesgo sistémico en el

sistema financiero peruano, los mismos que reflejan escenarios generados por la crisis
asiática – rusa y la crisis financiera 2007-2009. En esta línea, se ha planteado un indicador
para medir la capacidad de respuesta esperada que tienen los bancos para mantener ratios
deseables de apalancamiento, así como otro indicador que mide la evolución de la pérdida
individual respecto a la pérdida total de capital en el sistema en términos esperados. Estos
indicadores se complementan, por ello deben ser tomados de manera conjunta.
El análisis CoVaR indica que el Scotiabank es el que aporta mayor volatilidad en los
Valores en Riesgo del mercado; sin embargo, no se ha ahondado esta metodología 48 ni se
ha volcado estas pérdidas en términos monetarios. De otro lado, el Marginal Expected
Shortfall arroja como resultado que en el 2008 los bancos que mayores niveles de pérdidas
esperadas hubieran alcanzado, tanto al 5% y 1% de probabilidad, fueron el BBVA y el
Scotiabank, respaldando su carácter de bancos internacionales subsidiarios49; cuyas
matrices fueron afectados considerablemente por la crisis subprime.
Al margen de ello, en 2008 sólo BBVA conseguiría niveles de patrimonio sobre activos
totales por debajo de 5% en términos esperados; mientras que Scotiabank es la institución
que mantuvo mayores ratios (superiores al 8%), en contraste al periodo previo a 1999,
donde consiguió ratios de patrimonio sobre activos totales por debajo del 7% (menor a
todas las instituciones estudiadas), para todos los escenarios presentados (α = 0.05, α =
0.01)50.
En cuanto a la representatividad de las pérdidas individuales, el BCP tuvo participación

significativa hasta finales de 2007; sin embargo, posterior a tal fecha, las pérdidas
esperadas individuales como porcentaje del total tuvieron comportamientos similares, a
excepción de Interbank, cuya participación es baja en toda la muestra.
46 Ver cuadro 1.
47 Ver gráfico 5.
48 Queda pendiente analizar esta metodología de manera rigurosa en próximos estudios.
49 Procedencia española y canadiense respectivamente.
50 α es la probabilidad de encontrarse en un escenario de tensión financiera.
10. Bibliografía
 Acerbi C. y D. Tasche (2001), “Expected Shortfall: a natural coherent alternative
to Value at Risk”.
 Acharya V., L. Pedersen (2010), “Measuring Systemic Risk”, New York

University, Stern School of Business.
 Acharya V., R. Engle y M. Richardson (2012), “Capital Shortfall: a new approach

to ranking and regulating systemic risks”, AEA Meetings, Session organized by
Lars Hansen.
 Adrian T. y M. A. Brunnermeier (2011), “CoVaR”, Federal Reserve Bank of New

York, Staff Report.
 Allen F. y D. Gale (2000), “Financial contagion”, Journal of Political Economy,

Vol. 108, Nº 1, pp. 1-33.
 Artzner P., F. Delbaen, J. M. Eber, y D. Heath (1998), “Coherent measure of risk”.
 Bank of England (2009), “The role of macroprudential policy”, Discussion paper.
 Beck T. y R. Levine (2004), “Stock markets, Banks, and growth: Panel evidence”,
Journal of Banking & Finance, Vol. 28, Nº 3, pp. 423-442.
 Berróspide M. J. (2000), “Fragilidad bancaria y prevención de crisis financiera en

el Perú”, Monetaria abril-junio 2000.
 Billio M., M. Getmansky, A. Lo y L. Pelizzon (2011), “Econometric measures of

connectedness and systemic risk in the finance and insurance sectors”, Journal of
Financial Economics, Vol. 104, Nº 3, pp. 535-559.
 Borio C. (2003), “Towards a macroprudential framework for financial supervision

and regulation”, Bank for International Settlements, Working Paper Nº 128.
 Borio C. (2011), “Rediscovering the macroeconomic roots of financial stability

policy: journey, challenges and a way forward”, Bank of International Settlements,
Working paper N° 254.
 Brownlees y Engle (2011), “Volatility, correlations and tails for systemic risk
measurement”, Stern School of Business, New York University.
 Chari V. V. y R. Jagannathan (1988), “Banking panics, information, and rational

equilibrium”, Federal Reserve Bank, Working paper Nº 320.
 Congreso de la República del Perú (2002), “Informe final de investigación: Proceso
de salvataje del Banco Wiese”.
 Daníelsson J. (2011), “Financial risk forecasting: the theory and practice of

forecasting market risk”, John Wiley.
 De la Torre A. y A. Ize (2009), “Regulatory Reform: Integrating Paradigms”,

World Bank, Policy research working paper N° 4842.
 Diamond D. W y P. H. Dybvig (1983), “Bank runs, Deposit Insurance, and

liquidity”, The Journal of Political Economy, Vol. 91, N° 3, pp. 401-419.
 Dowd K. (2009), “Moral Hazard and the Financial Crisis”, Cato journal, Vol. 9
N°1.
 Engle R. (2002), “Dynamic conditional correlation: A simple class of multivariate

generalized autoregressive conditional heteroskedasticity models”, Journal of
Business Economics and Statistics Vol. 20, pp. 339-350.
 Engle R. y K. Sheppard (2001), “Theoretical and empirical properties of dynamic

conditional correlation multivariate GARCH”, National Bureau Economic
Research, working paper N° 8554.
 Espino F. y A. Rabanal (2011), “Riesgo de Interconexión en el Mercado

Interbancario Peruano”, Banco Central de Reserva del Perú, Revista Moneda N°
13.
 FMI (2009), “Perspectivas de la economía mundial: Sustentar la recuperación”,

Estudios Económicos y Financieros, Octubre-09.
 Freixas X., B. Parigi, y J. C. Rochet (2000), “System risk, interbank relation and
liquidity provision by the central bank”, Journal of Money Credit and Banking Vol.
32, pp. 611-638.
 Gay P. y S. Kapadia (2010), “Contagion in financial networks”, Bank of England,

Working paper N° 383.
 Glosten L., R. Jagannathan, D. Runkle (1993) “On the Relation between the
Expected Value and the Volatility of the Nominal Excess Return on Stocks”. Journal
of Finance Vol. 48, pp.1779-1801.
 Haldane A. (2009), “Rethinking the financial network”, Bank of England.
 Hernandez L. y F. Parro (2004), “Sistema financiero y crecimiento económico en

Chile”, Banco Central de Chile, Working paper N° 291.
 Koenker R. y G. Bassett (1978), “Regresssion Quantiles”, Econometrica Vol. 46,
N°1, pp. 33-51.
 Koenker R (2005), “Quantile Resgression”, Cambridge University Press.
 Nagurney A. y S. Qiang (2010), “Financial Network: Estatics and Dynamics”,

Springer.
 May R. y N. Arinaminpathy (2009), “Systemic risk: the dynamics of model banking

systems”, Journal of the royal society, pp. 823-838.
 Paredes R. (1999), “Crisis asiática: la primera gran crisis de los mercados

globalizados”, Universidad Nacional del Rosario, Revista Mundus N° 2.4.
 Roengpitya R. y P. Rungcharoenkitkul (2011), “measuring systemic risk and

financial linkages in the thai banking system”, Bank of Thailand.
 Rojas J. (1999), “El influjo de capitales al Perú, 1990-1998”, Pontificia

Universidad Católica del Perú, Documento de trabajo 117.
 Schanz J., D. Aickman, P. Collazos, M Farag, D. Gregory y S. Kapadia (2011),

“The long-term economic impact of higher capitals levels”.
 Schwarcz S. L. (2008), “Systemic Risk”, Duke Law School Legal Studies, Research
Paper Series, Research Paper No. 163.
 Tsay R. (2010), “Analysis of financial time series”, third edition.
 University of Chicago (2010), “Measuring systemic risk”, Conference organized by

Peter Hansen.
 World Bank (2011), “The great recession and developing countries: economic
impact and growth prospects”.

Castro Torres Cesar David Medidas

Cargado por

Copyright:

Formatos disponibles

Castro Torres Cesar David Medidas

Cargado por

Información del documento

Descripción original:

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Castro Torres Cesar David Medidas

Cargado por

Copyright:

Formatos disponibles

Pontificia Universidad Católica del Perú

“Medidas dinámicas de riesgo sistémico: Una

Tesis para optar el grado de Magíster en Economía

La investigación aplica el Valor en Riesgo (VaR) y Expected Shortfall (ES) a la medición

De acuerdo a Borio (2011), el enfoque microprudencial trata al riesgo como elemento

La bibliografía contempla cuatro conceptos de consenso creciente que están presentes

1 Ver Billio y otros (2011).

Primeramente se hace un análisis de Valor en Riesgo (VaR) del mercado variante en el

Cuadro 1: Crisis Bancaria Peruana 1998-2000

Recursos comprometidos del Estado en el Sistema Financiero al 31/12/2005

Banco Wiese 310.8 281.1 29.7

3 Acotado a este periodo por disponibilidad de datos.

Gráfico 1: División de los activos totales en el Sistema Financiero 5

BCP BBVA Scotiabank Interbank Otros

4 Utilidad neta mensual anualizada sobre patrimonio anual promedio.

BCP BBVA Interbank Scotiabank

Gráfico 3: Evolución del precio de las acciones de principales bancos6

A partir de principios de 2005, los precios comenzaron a subir de manera conjunta y

3. Planteamiento del problema

Para efectos de la investigación, se define riesgo sistémico como la probabilidad de

3.2. Planteamiento del problema

La política de estabilidad financiera en el periodo pre-crisis estuvo fuertemente sesgado

Por lo expuesto en los párrafos anteriores, se torna relevante la aplicación de herramientas

En el caso peruano, la liberalización financiera, las privatizaciones y demás políticas de

9 Caso de la Unión Europea.

En los pasajes de esta sección se ha descrito el protagonismo del sistema bancario en la

4.2. Riesgo sistémico y efecto contagio

4.3. Fuentes de riesgo sistémico

Un punto fundamental al momento de afrontar el estudio sobre el riesgo sistémico, es el

En la dimensión temporal, la fuente es la prociclicidad del sistema financiero y en la

Estas fuentes de riesgo sistémico son de carácter macroeconómico, y ayudan a implementar

4.4. Riesgo sistémico y riesgo moral

En la sección anterior se ha identificado al riesgo moral como una fuente de riesgo

4.5. Medición de riesgo sistémico

4.5.1. Características de una buena medida de Riesgo

 Enfoques con un sólido respaldo teórico.

En la siguiente sección se hace una revisión teórica y empírica (básicamente para la

4.5.2. Revisión de literatura teórica relevante

4.5.2.1. Valor en Riesgo (VaR).- Desde el punto de vista de una institución

En esta investigación, la estimación del VaR cambiante en el tiempo es

4.5.2.2. Regresión cuantílica.- Esta regresión (Koenker y Basset, 1978) busca

𝛽𝛼 es el parámetro de la regresión a un nivel α cuantil de la variable

En la versión extendida sería:

El cálculo del estimador se facilita mediante programación lineal (ver

Otra medida de riesgo relevante que se abordará en la medición de riesgo

𝑆𝑒𝑎: 𝑟𝑖 = 𝑟𝑒𝑛𝑡𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑑𝑒 𝑙𝑎 𝑖𝑛𝑠𝑡𝑖𝑡𝑢𝑐𝑖ó𝑛 "𝑖"

Nota: el análisis de pérdidas se hace sobre la cola izquierda de la distribución de

En este documento, el “Expected Shortfall” de cada institución es hallado

4.5.2.4. Threshold Autoregressive Conditional Heteroscedasticity - TARCH: Es

𝑁𝑡−𝑝 = 𝑖𝑛𝑑𝑖𝑐𝑎𝑑𝑜𝑟 𝑡𝑎𝑙 𝑞𝑢𝑒:

El modelo contempla distintos efectos, tanto para retornos negativos y

14 Ver Glosten, Jagannathan y Runkle (1993) ó ver Tsay (2010).

La matriz condicional de covarianzas es por definición:

4.5.3. Revisión de literatura empírica

Por otro lado, Acharya y Pedersen(2010) proponen un modelo económico sencillo de

17 Valor en Riesgo (VaR).

A la par surge la importancia de mejorar las herramientas de administración de riesgo desde

Gráfico 4: Evolución del crédito (en miles de millones de soles)

19 Banca por celular, transacciones por internet entre otros.