Boom de crédito en Uruguay: Identificación y Anticipación

1688-7565

001 - 2019

María Victoria Landaberry

Boom de crédito en Uruguay: Identificación y Anticipación

María Victoria Landaberryª*

a Banco Central del Uruguay (Inveco), 777 Diagonal J.P. Fabini 11100 Montevideo, Uruguay

Documento de trabajo del Banco Central del Uruguay 001-2019

Autorizado por: Jorge Ponce

Resumen En el presente documento se revisan las metodologías más utilizadas para la identificación de episodios de boom de crédito, conocidas como técnicas de umbral o de identificación ex post, y se aplican para identificar dichos episodios en Uruguay entre 1985 y 2018. También se estima un modelo bayesiano promedio (BMA por sus siglas en inglés) que permite la identificación y predicción temprana de episodios de boom de crédito a partir de la interrelación entre estos y los agregados macroeconómicos. Considerando la evolución del PIB, el consumo privado, la inversión, el gasto público, las importaciones, las exportaciones, el tipo de cambio, los términos de intercambio, el saldo de la cuenta corriente, la cuenta de capital y financiera neta como porcentaje del PIB, es posible determinar la probabilidad de estar en un episodio de boom de crédito hasta con dos trimestres de anticipación. Siguiendo esta metodología se identifican 3 episodios, desde el segundo trimestre del año 2000 al primer trimestre del año 2003, desde el cuarto trimestre de 2008 hasta el segundo trimestre de 2010 y desde el segundo trimestre de 2012 hasta el tercer trimestre de 2015. JEL: E32, E37, R21, R31 Palabras clave: Indicadores de alerta temprana, Boom de Crédito, estabilidad financiera, Uruguay

Abstract In this paper we review the most used methodologies for the identification of credit boom episodes as ex post identification threshold techniques that can be used to identify episodes in Uruguay between 1985 and 2018. We estimate a Bayesian Model Average (BMA) that allows the identification and early prediction of credit booms based on the interrelation between these episodes and the macroeconomic aggregates. Considering the evolution of GDP, private consumption, investment, public spending, imports, exports, the exchange rate, the terms of trade, the current account and the capital account and financial information as a percentage of GDP, it is possible to determine the probability of being in an episode of credit boom up to two quarters in advance. Following this methodology, 3 episodes are identified, from the second quarter of 2000 to the first quarter of 2003, from the fourth quarter of 2008 to the second quarter of 2010 and from the second quarter of 2012 to the third quarter of 2015. JEL: E32, E37, E44, R21, R31 Keywords: Early warning indicator, Credit Booms, financial stability, Uruguay

* Correo electrónico: mlandaberry@bcu.gub.uy

Las opiniones vertidas en este documento son responsabilidad de sus autores y no representan ni comprometen la posición institucional del Banco Central del Uruguay.

1. Introduccion

Un boom de credito se define como un exceso de credito por encima de

la tendencia de largo plazo, luego de registrar un perıodo de crecimiento

persistente. Observar mayores niveles de credito puede ser beneficioso si el

financiamiento para el consumo y la inversion permite alcanzar mayor profun-

didad financiera y contribuye al crecimiento economico. No obstante, puede

tener consecuencias negativas sobre la estabilidad financiera si el proceso es

acompanado de condiciones de credito mas laxas y niveles de endeudamiento

excesivos.

La identificacion, anticipacion y monitoreo de estos episodios es relevante,

ya que los boom de credito pueden estar asociados a mayor inflacion, inesta-

bilidad en el sector bancario y un incremento de la probabilidad de una crisis

financiera. En algunos casos, el crecimiento del credito en terminos del PIB y

otras variables relacionadas con el credito son utilizadas como indicadores de

alerta temprana. Sin embargo, el analisis de la evolucion de estos indicadores

debe realizarse en forma conjunta con otras variables macroeconomicas ya

que, no todo crecimiento del credito representa un boom y adicionalmente,

este puede ser resultado de un proceso de profundizacion financiera y una

mayor intermediacion.

Si bien no todos los episodios de boom de credito estan asociados a crisis

financieras, muchas de las crisis financieras son precedidas por estos episodios.

De acuerdo al IMF (2004) un 75 % de los boom de credito en las economıas

emergentes se asocian a crisis bancarias mientras que un 85 % se relacionan

con crisis de moneda. Barajas y Levchenko (2007) muestran que los booms de

credito estan asociados a una mayor probabilidad de crisis que en los tiempos

“normales”. Los boom de credito mas prolongados y profundos, ası como

aquellos que se producen en un contexto de alta inflacion y bajo crecimiento

economico, tienen mayor probabilidad de derivar en una crisis bancaria.

En este trabajo se consideran dos tipos de metodologıa para la identifi-

cacion de estos episodios. La metodologıa ex post o tecnica del umbral y los

metodos basados en fundamentos economicos o metodos ex ante. El primer

grupo de tecnicas se denominan ex post porque identifican el episodio una

1

vez que este ha ocurrido y no son utilizadas para la anticipacion. Esta me-

todologıa analiza las desviaciones del credito respecto a su tendencia para

identificar el episodio de boom de credito. Las distintas variantes de estas

tecnicas se presentan en la Seccion 2. Las metodologıas basadas en funda-

mentos economicos identifican los booms de credito a partir de la relacion

entre estos y otras variables macroeconomicas. Estos modelos estan orienta-

dos a identificar y anticipar los episodios de auge crediticio y es por ello que

se denominan ex ante. En este trabajo se estima la probabilidad de que la

economıa uruguaya se encuentre en un episodio de boom de credito utilizan-

do un modelo de promedios bayesiano (BMA por sus siglas en ingles). La

presentacion del modelo se realiza en la Seccion 2.

Este trabajo se propone identificar los episodios de boom de credito en

Uruguay en el perıodo 1985-2018. Para ello se emplean las tecnicas ex post

y ex ante contenidas en la Seccion 2 y se presentan los resultados obtenidos

en las Secciones 5 y 6. Utilizando las tecnicas de umbral, la identificacion de

episodios varıa segun el umbral utilizado, las variables que se consideran para

analizar la evolucion del credito y la tecnica adoptada. En todos los casos se

identifica un perıodo de boom de credito en el entorno del ano 2008, perıodo

que coincide con la crisis financiera internacional. Cuando se considera como

variable el credito sobre el PIB, o el credito per capita se identifica un perıodo

en el entorno del ano 2002. Finalmente, al considerar la evolucion del credito

per capita se identifica un tercer perıodo entre el segundo trimestre de 2014 y

el tercer trimestre de 2015. Por otra parte, a partir de la estimacion bayesiana

promedio se identifican tres episodios de boom de credito. El primer boom

es identificado entre el segundo trimestre del ano 2000 y el primer trimestre

del ano 2003, el segundo boom es identificado entre el cuarto trimestre de

2008 y el segundo trimestre de 2010, y el tercer boom es identificado entre el

segundo trimestre de 2012 y el tercer trimestre de 2015. Cuando se utiliza la

estimacion bayesiana para anticipar estos episodios, uno y dos trimestres, se

logra la deteccion del primero y el tercero, mientras que el segundo episodio

se identifica en forma coincidente.

La principal contribucion de este trabajo es proveer una identificacion

historica de los episodios de boom de credito en Uruguay y el desarrollo de

2

una estimacion de alerta temprana que permite identificar estos episodios en

forma anticipada. El monitoreo de la evolucion del credito utilizando estas

herramientas se incorpora como indicador de alerta temprana para analizar

la situacion de estabilidad financiera en Uruguay.

Este documento se organiza de la siguiente manera. En la Seccion 2 se

presenta la revision de la literatura sobre identificacion de boom de credito.

En la Seccion 3 se presentan los datos utilizados para la aplicacion de las

distintas tecnicas de identificacion y anticipacion de boom de credito. En la

Seccion 4 se presenta la metodologıa utilizada tanto en la tecnica de identifi-

cacion de umbrales como en la estimacion del modelo de promedio bayesiano.

En la Seccion 5 se realiza la aplicacion de las metodologıas de identificacion

ex post o tecnicas de umbral. En la Seccion 6 se presenta la aplicacion de la

metodologıa de identificacion y anticipacion de boom de credito a partir de

la estimacion de un modelo bayesiano promedio para Uruguay. En la Seccion

7 se realizan algunos comentarios finales.

2. Revision de la literatura

La literatura identifica distintos canales a traves de los cuales un boom

de credito puede derivar en una situacion de inestabilidad financiera. En

primer lugar, el incremento rapido del credito induce a un aumento del apa-

lancamiento por parte de los bancos. Los prestamos se hacen extensivos a

proyectos menos rentables como consecuencia de que el monitoreo se vuel-

ve mas difıcil cuando el volumen de prestamos se incrementa rapidamente.

A medida que se expande el credito, la calidad de los proyectos financiados

se reduce, incrementando la exposicion de los bancos y su vulnerabilidad

(Dell’ Ariccia y Marquez, 2010). El segundo canal, que recibe la denomina-

cion “acelerador financiero” (Bernanke y Gertler, 1989; Bernanke y Gilchrist,

1996), refiere al incremento del precio de los activos que se produce durante

un boom de credito y, como consecuencia de ello, al incremento de la rique-

za neta de los prestatarios a traves del efecto que tiene sobre las hojas de

balance y sobre las garantıas utilizadas como colaterales. Este efecto facilita

la nueva concesion de creditos, lo que a su vez incrementa la demanda de

3

activos y por tanto los precios de estos activos, retroalimentando el proceso.

Cuando una proporcion de agentes no puede hacer frente a sus deudas y los

bancos liquidan sus garantıas, se produce lo que se conoce como “fire sale”,

una venta de los activos con una prima de descuento que reduce su precio.

Nueva deuda queda impaga y una nueva caıda de los precios se produce, in-

crementando la vulnerabilidad de los bancos por una reduccion del valor de

sus activos. Una correccion abrupta de los precios podrıa generar una crisis

bancaria (Gourinchas y Landerretche, 1999).

Para la identificacion de un boom de credito se suele utilizar la “me-

todologıa de umbral” o metodologıa ex post, que consiste en analizar las

desviaciones del credito, del ratio de credito sobre PIB u otra variable que

defina la evolucion del credito, respecto a su tendencia de largo plazo. Se

denominan tecnicas ex post porque identifican el episodio una vez que este

ha ocurrido y no son empleados para la anticipacion.

Se considera que existe un boom de credito cuando alguna variable de

referencia, v, o el desvıo de esta variable respecto a su tendencia de largo plazo

supera un determinado umbral, u. En las distintas alternativas propuestas, se

modifica la variable de referencia, el umbral considerado y/o el filtro utilizado

para el calculo de la tendencia. Una de las principales desventajas de estos

metodos es que el umbral es asignado en forma arbitraria y los resultados

pueden diferir en funcion del valor especıfico adoptado.

En el Cuadro 1 se presentan los trabajos revisados que utilizan tecnicas

de umbrales para identificar episodios de boom de credito.

La identificacion del boom de credito dependera tanto de la variable y el

filtro utilizado como del umbral definido. Respecto a la variable de referencia,

el uso de variables en niveles en lugar de tasas de crecimiento puede ser

preferible ya que la velocidad no tiene en cuenta el nivel inicial y puede

identificar un boom luego de un credit crunch simplemente porque el credito

esta volviendo a su nivel normal (Gourinchas y Landerretche, 1999). Si bien el

ratio de Credito sobre PIB es la medida mas utilizada en estas metodologıas

puede erroneamente senalar un perıodo de boom de credito que no obedece a

un incremento en el credito y por el contrario refleja una caıda del producto

(Dell’ Ariccia y Leaven, 2012). Una forma de subsanar esta debilidad es

4

Cuadro 1: Tecnica de umbrales: variables, filtros y umbrales utilizados

Autor, Fuente Variable Filtro Umbral

FMI (2004) Credito/PIB Hodrick-Prescott1.75 de la desviacion delcrecimiento del creditorespecto a su tendencia

Gourinchas et al (1999) Credito /PIBHodrick-Prescottrecursivo

Desviacion entre el ratioactual y tendencia(19.95 %, 21.70 %, 23.75 %)Desviacion del crecimientodel credito respecto alcrecimiento del PIB(4.79 %, 5.40 % y 6.45 %)

Mendoza yTerrones (2008)

Ln( credito real per capita) Hodrick-Prescott1.75 de la desviacion delcomponente cıclico

Barajas et al (2007) yDell’ Ariccia et al (2012)

Crecimiento delcredito/PIB

Hodrick Prescottrecursivo,tendencia cubica

Crecimiento del credito/PIBmayor al 10 % y desviacionrespecto a la tendencia mayora 1.5 veces la desviacion delcomponente cıclico.Crecimiento del credito sobreel PIB mayor a 20 %

Guarın et al (2014)Credito real/Poblacion enedad de trabajar

Hodrick-Prescottrecursivo,tendencia cubica

La desviacion respecto a latendencia es mayor a 1desviacion delcomponente cıclico.

analizar caso por caso los booms de credito identificados y descartar aquellos

que obedezcan a una caıda del producto.

Las tendencias pueden obtenerse utilizando un filtro Hodrick-Prescott

convencional o un filtro Hodrick-Prescott recursivo o “one-sided”. La dife-

rencia entre ambos es que mientras que el primero utiliza todas las observa-

ciones para definir la tendencia, el segundo toma en cuenta la informacion

disponible en la economıa en cada momento del tiempo.

El detalle de las variables y filtros utilizados para el caso de Uruguay se

presentan en la Seccion 4 y la aplicacion de las tecnicas en la Seccion 5.

En los ultimos anos se ha desarrollado un grupo de tecnicas que se ba-

sa en la estimacion de un modelo probit o logit considerando como variable

dependiente una variable binaria que indica si la economıa se encuentra en

un boom de credito y como regresores distintas variables macroeconomicas.

Para definir la variable binaria se emplean las tecnicas de umbral. En algu-

nos casos se plantean alternativas a la determinacion de un umbral a partir

de criterios estadısticos. Chang y Salazar (2013) modelan la desviacion del

credito respecto a su tendencia en funcion de variables economicas y una

5

variable de estado, no observable, que mide el componente de la desviacion

del credito que no esta asociada a sus fundamentos. A partir de la variable de

estado identifican los perıodos de contraccion o auge del credito. La ecuacion

del credito se estima a partir de su representacion estado espacio a traves del

filtro de Kalman.

Guarın et al. (2014) proponen la construccion de un indicador que permite

la identificacion y la prediccion temprana de episodios de boom de credito

a partir de la interrelacion entre estos y los agregados macroeconomicos.

El indicador esta compuesto por dos elementos. El primero de ellos es la

probabilidad de estar en un boom de credito en el perıodo t+h condicionada a

la informacion disponible en t. Esta probabilidad es computada a partir de un

modelo BMA (Bayesian Model Average) que estima distintas combinaciones

de covariables y luego tomo un promedio ponderado de todos los resultados.

Los ponderadores estan dados por la probabilidad posterior del modelo. El

segundo elemento es un umbral estimado, que es la probabilidad a partir de

la cual el modelo establece que hay un boom de credito.

Para estimar la probabilidad de un boom de credito utilizan una regre-

sion logıstica con datos de panel y efectos fijos correspondientes a Argentina,

Brasil, Chile, Colombia, Mexico y Peru. Las variables macroeconomicas uti-

lizadas como regresores son el PIB, el consumo privado, la inversion, el gasto

publico, el precio de los activos, las importaciones, las exportaciones, el tipo

de cambio, los terminos de intercambio, la cuenta corriente y la cuenta de

capital y financiera neta como porcentaje del PIB.

Para computar los episodios de boom de credito consideran que la va-

riable dependiente adopta el valor de 1 si el componente cıclico del credito

es mayor que una desviacion estandar de su medida historica y cero en caso

contrario. Para computar el componente cıclico del credito per capita utilizan

el credito al sector privado no financiero deflactado con el ındice de precios

al consumo y expresado en terminos per capita utilizando la poblacion en

edad de trabajar. Para America Latina estiman un umbral del 38 % lo que

implica una probabilidad de detectar un boom de credito de 80.3 % y una

probabilidad de no tener falsas alarmas mayores al 92 %. Esta metodologıa

permite identificar episodios de boom de credito con dos trimestres de an-

6

ticipacion y es una herramienta que puede ser empleada como indicador de

alerta temprana.

3. Datos utilizados

Las variables utilizadas para la aplicacion de las tecnicas de umbral para

Uruguay se detallan en el Cuadro 2.

Cuadro 2: Variables utilizadas para tecnica de Umbral

Variable Frecuencia Perıodo FuenteCredito sobre PIB Trimestral 1983Q4-2018Q2 BCUCrecimiento interanual delcredito sobre el PIB

Trimestral 1984Q4-2018Q2Calculos propiosBCU

Ln(Credito per capita)Mensual 1998M12-2015M3

Calculos propiosCredito (BCU)

Credito per capita PT(INE)

Para la estimacion del modelo bayesiano promedio se utiliza como variable

independiente el credito per capita. Las variables macroeconomicas utilizadas

como variables independientes se presentan en el Cuadro 3.

Cuadro 3: Variables macroeconomicas para la estimacion bayesiana

Variable Frecuencia Perıodo FuenteConsumo real privado

Trimestral 1997q4-2015q4 BCU

Gasto real en consumofinal del GobiernoImportaciones realesExportaciones realesTipo de cambio realTerminos de intercambioCuenta Corriente/ PIBCuenta de Capital /PIBPIB realInversion real

7

4. Metodologıa

En este trabajo se utiliza por un lado la tecnica de identificacion de epi-

sodios de boom de credito ex post o de umbrales y se estima un modelo de

promedios bayesianos para la economıa uruguaya con el objetivo de predecir

estos episodios.

4.1. Tecnica de umbrales

Se considera que existe un boom de credito cuando alguna variable de

referencia, v, o el desvıo de esta variable respecto a su tendencia de largo plazo

supera un determinado umbral, u. En las distintas alternativas propuestas, se

modifica la variable de referencia, el umbral considerado y/o el filtro utilizado

para el calculo de la tendencia. Una de las principales desventajas de estos

metodos es que el umbral es asignado en forma arbitraria y los resultados

pueden diferir en funcion del valor especıfico adoptado.

Para identificar los episodios de boom de credito en Uruguay, siguiendo

a la literatura revisada (ver Cuadro 1), se utilizan como variables el credito

sobre PIB, el crecimiento del credito sobre el PIB en terminos interanuales,

el credito per capita, el logaritmo del credito per capita y la evolucion del

credito real per capita, en terminos de la poblacion en edad de trabajar.

Para la evolucion del credito sobre el PIB y el crecimiento interanual de

esta variable se utilizo el umbral propuesto por el IMF (2004) y para el analisis

de las variables de credito per capita y el logaritmo del credito per capita

se utiliza el umbral propuesto por Mendoza y Terrones (2008). En ambos

casos se considera que hay boom de credito cuando el componente cıclico de

la variable es mayor a 1.75 veces su desviacion estandar. Para el analisis del

ratio de credito sobre PIB se considera alternativamente el criterio propuesto

por Barajas y Levchenko (2007) y Dell’ Ariccia y Leaven (2012) segun el cual

existe un boom de credito si el componente cıclico es mayor a 1.75 veces la

desviacion estandar y hay un crecimiento del ratio mayor al 10 % o el ratio

de credito sobre el Producto (interanual) crece mas de un 20 %.

Sobre todas las series, para obtener el componente de tendencia y de ciclo,

se aplica un filtro Hodrick Prescott y un filtro Hodrick Prescott recursivo.

8

4.2. Modelo Bayesiano Promedio

Para estimar la probabilidad de que la economıa uruguaya se encuentre

en un boom de credito se estima un modelo bayesiano promedio aplicado

sobre una regresion logıstica.

yt+h = α + β′xt + εt t = 1..T ,

La variable dependiente yt+h adopta el valor de 1 si hay un boom de

credito en el trimestre t+h, y 0 en caso contrario. Para estimar el modelo se

utilizo como variable los episodios de boom de credito indicados a partir de

la tecnica de umbrales aplicado sobre el credito per capita, ya que como se

indica en la seccion 4, es la variable que indica los 3 episodios encontrados

durante el perıodo analizado. β es un vector de R × 1 parametros, εt es el

termino de error y xt = (x1,t...xR,t) es la matriz de variables independientes.

El objetivo es estimar la probabilidad de que la economıa uruguaya se

encuentre en un boom de credito en el trimestre t+h, condicionado a la

informacion provista por las variables macroeconomicas hasta el momento t.

p(yt+h = 1 | β, xt) = F (α + β′xt),

F es la funcion de distribucion logıstica. Para Estimar esta probabilidad se

utiliza un modelo bayesiano promedio (BMA). La ventaja de estos modelos

es que resuelven la incertidumbre respecto a las variables a incorporar ya

que estima modelos para todas las combinaciones posibles de variables (2R)

y luego ponderan dichos modelos con la probabilidad posterior de inclusion

del modelo que surge de la aplicacion del teorema de Bayes (Zeugner, 2011).

Sea D el conjunto de datos utilizado, M = [M1, ...Mk] el conjunto de todos

los modelos y θk el vector de parametros asociado al modelo K y al conjunto

de datos D, podemos definir la probabilidad estimada de estar en un boom

de credito en t+h como

pBMA(yt+h = 1 | D) =∑K

1

∫p(yt+h = 1 | θk, D)p(thetak,Mk | D)dθk,

Donde p(θk,Mk | D) es la probabilidad posterior conjunta. La integral

de la verosimilitud se resuelve siguiendo una aproximacion BIC (Raftery y

9

Volinsky, 2005) y para la suma de los modelos se utiliza el algoritmo leaps

and bounds propuesto por (Furnival y Wilson, 1974).

Una vez estimada la probabilidad de encontrarse en un boom de credi-

to es necesario determinar un umbral a partir del cual se considera que se

produce este hecho. Para ello se define un umbral τε[0, 1] de forma tal que si

la probabilidad estimada supera dicho umbral se define una senal de alerta

sobre un episodio de boom de credito. Como la probabilidad se estima para

trimestres futuros con informacion en el momento t, el objetivo es anticipar

la ocurrencia de un episodio.

Boom de credito=

{1 si pBMA(yt+h = 1 | D, θk) ≥ τ

0 en otro caso,

La cantidad de boom de credito identificado dependera del umbral defi-

nido. Se prueba alternativamente un umbral de 0,5 y finalmente se estima

un umbral utilizando el ındice de Youden (Fluss y Reiser, 2005). El ındice de

Youden es una medida de resumen de la curva ROC y se selecciona el umbral

τ que maximiza la suma de la razon de verdaderos positivos o sensibilidad

Se(τ) y la razon de verdaderos negativos o especificidad Sp(τ).

IY = max {Se(τ) + Sp(τ)− 1}.

5. Aplicacion de las tecnicas de umbrales pa-

ra Uruguay

A continuacion se presentan los resultados de la identificacion de Boom

de Credito para Uruguay utilizando la tecnica de umbrales y la metodologıa

presentada en la Seccion 4.1.

10

5.1. Credito sobre PIB y crecimiento interanual del

credito sobre PIB

Se cuenta con datos trimestrales desde el cuarto trimestre de 1983 hasta

el segundo trimestre de 2018. Se prueba utilizando el filtro Hodrick-Prescott

y definiendo un boom de credito cuando el componente cıclico de la variable

es mayor a 1.75 veces su desviacion estandar (Figura 1). Se identifica un

unico perıodo entre el tercer trimestre de 2002 y el mismo perıodo en 2003 y

un evento puntual en el segundo trimestre de 2008.

Figura 1: Credito sobre PIB

Durante el primer perıodo identificado se produce la crisis financiera en

Uruguay con una importante caıda del producto. Para poder determinar si

este perıodo puede ser identificado como un episodio de boom de credito es

necesario tener en cuenta dos efectos: la caıda del producto y el aumento

de los creditos. Si bien durante este perıodo se produce una caıda del PIB,

tambien se incrementan los creditos por los efectos del tipo de cambio sobre

la deuda nominada en dolares.

Cuando se considera el crecimiento interanual del credito sobre el PIB

aparece un unico episodio de boom de credito durante el ano 2008 (Figura 2).

11

Figura 2: Crecimiento del credito sobre el PIB

Finalmente se puede adoptar el criterio combinado segun el cual existe un

boom de credito si el componente cıclico es mayor a 1.75 veces la desviacion

estandar y hay un crecimiento del ratio mayor al 10 % o el ratio de credi-

to sobre el Producto (interanual) crece mas de un 20 %. Segun este criterio

podemos identificar dos episodios de boom de credito: uno de ellos entre el

tercer trimestre de 2002 y el mismo perıodo en 2003 y otro durante el ano

2008. Mientras que el primer episodio se corresponde con la crisis financiera

en Uruguay, el segundo se relaciona con la crisis financiera internacional. Por

otro lado, cuando se analiza la serie de credito sobre PIB pero empleando el

filtro HP recursivo el unico perıodo que identifica este criterio es el corres-

pondiente al ano 2008. Esta metodologıa no indica que durante el ano 2002

exista un boom de credito (Figura 3).

12

Figura 3: Credito sobre PIB con filtro recursivo

Si se considera el crecimiento interanual del credito, el perıodo identificado

es el mismo pero la amplitud es mayor ya que se produce entre el cuarto

trimestre de 2006 y el tercero de 2008 (Figura 4).

Figura 4: Crecimiento del credito sobre el PIB con filtro recursivo

13

5.2. Credito per capita y logaritmo del credito per

capita

Cuando utilizamos como variable el credito per capita, se identifican 3

perıodos de boom de credito: en el perıodo comprendido entre el primer

trimestre de 2001 y el cuarto trimestre de 2002, entre el cuarto trimestre de

2008 y el segundo trimestre de 2009 y entre el segundo trimestre de 2014 y

el tercer trimestre de 2015. En estos perıodos la variable supera el umbral de

1.75 veces la desviacion estandar del componente cıclico.

Al considerar el logaritmo del credito per capita se distinguen dos perıodos

en los que dicha variable supera el umbral de 1.75 veces la desviacion estandar

del componente cıclico: durante el perıodo 2001-2002 y entre el tercer trimes-

tre de 2008 y el tercer trimestre de 2009 (Figura 5).

Figura 5: Credito per capita y logaritmo del credito per capita

Al aplicar el filtro HP recursivo en la serie del credito per capita y del

logaritmo del credito per capita se identifica el perıodo 2008Q2-2009Q1 y

2008Q1-2009Q2 respectivamente (Figura 6).

En terminos generales, al combinar los resultados de las distintas tecnicas

y variables utilizadas, es posible distinguir tres perıodos de boom de credito.

El primero de ellos durante la crisis financiera de 2002, el segundo, durante

el ano 2008, perıodo que coincide con la crisis internacional. Finalmente, al

considerar el credito per capita como variable se identifica un tercer perıodo

de boom de credito entre el segundo trimestre de 2014 y el tercer trimestre

14

Figura 6: Credito per capita y logaritmo del credito per capita con filtrorecursivo

de 2015. En el Cuadro 4 se muestra un resumen con los perıodos identifica-

dos considerando las distintas variaciones en terminos de variables y filtros

utilizados para el analisis.

Mientras que un boom de credito coincidente con la crisis financiera de

2002 es capturada por la evolucion del credito sobre el PIB y el credito per

capita, el episodio de 2008 -2009 (en torno a la crisis financiera internacional)

es capturado por todas las variables consideradas.

Existen distintos factores que pueden explicar el incremento del credito

durante este perıodo. En primer lugar puede ser resultado de una recupera-

cion del nivel de credito luego de la fuerte contraccion durante la crisis de

2002. Luego de la recuperacion de los depositos en el sistema que se produjo a

partir de 2005, los bancos comienzan a otorgar mayor credito en un contexto

mas favorable para las empresas. A su vez, a partir de principios de 2008

se comienzan a registrar bajas de la tasa de interes de la FED por debajo

del promedio historico. Los bancos pueden haber modificado su estrategia

en busca de mayor rentabilidad aumentando el posicionamiento en activos

locales o en el credito.

15

Cuad

ro4:

Epis

odio

sde

boom

de

cred

ito

iden

tifica

dos

Vari

able

Fil

tro

Um

bra

lB

oom

1B

oom

2B

oom

3

Cre

dit

o/P

IBH

P1.

75des

v.

esta

ndar

del

com

pon

ente

cıcl

ico

2002

Q3-

2003

Q3

2008

Q2

Cre

dit

o/P

IBH

Pre

curs

ivo

1.75

des

v.

esta

ndar

del

com

pon

ente

cıcl

ico

2007

Q4-

2008

Q3

Cre

cim

iento

cred

ito

/PIB

HP

1.75

des

v.

esta

ndar

del

com

pon

ente

cıcl

ico

2008

Q1-

2008

Q3

Cre

cim

iento

cred

ito/

PIB

HP

recu

rsiv

o1.

75des

v.

esta

ndar

del

com

pon

ente

cıcl

ico

2006

Q3-

2008

Q3

cred

ito

per

capit

aH

P1.

75des

v.

esta

ndar

del

com

pon

ente

cıcl

ico

2001

Q1-

2002

Q4

2008

Q4-

2009

Q2

2014

Q2-

2015

Q3

cred

ito

per

capit

aH

Pre

curs

ivo

1.75

des

v.

esta

ndar

del

com

pon

ente

cıcl

ico

2008

Q2-

2009

Q1

Log

arit

mo

del

cred

ito

per

capit

aH

P1.

75des

v.

esta

ndar

del

com

pon

ente

cıcl

ico

2008

Q3-

2009

Q3

Log

arit

mo

del

cred

ito

per

capit

aH

Pre

curs

ivo

1.75

des

v.

esta

ndar

del

com

pon

ente

cıcl

ico

2008

Q1-

2009

Q2

16

El credito per capita captura adicionalmente un periodo de boom de

credito durante 2014-2015. Durante este perıodo no se produjo una crisis

financiera ni nacional ni internacional. Este ultimo perıodo el crecimiento del

credito se produce en un contexto de crecimiento economico, y se verifica

tanto a nivel del consumo como en el credito empresarial.

Estudios recientes basados en la Encuesta Financiera a Hogares Urugua-

yos muestran una relativa resiliencia de los hogares a potenciales problemas

de tension macroeconomica y/o financiera debido a la composicion de sus

activos y su relativamente bajo endeudamiento(LLuberas y Odriozola, 2015;

Borraz y Gonzalez-Pampillon, 2015). El promedio de endeudamiento de las

familias con bancos representa un 12 % de los ingresos. A nivel del credito a

empresas, el sector agropecuario es el que ha mostrado un mayor incremen-

to en el nivel de endeudamiento alcanzando un nivel de un 70 % del valor

agregado bruto de produccion. En el ultimo semestre de 2015 se observa una

desaceleracion en el margen del nivel de endeudamiento en los distintos sec-

tores. La principal diferencia entre este perıodo y el identificado en 2002 es el

nivel inicial del credito. Mientras que en diciembre de 2002, el mismo repre-

sentaba un 56 % del PIB, en el perıodo 2013-2015 represento, en promedio,

un 27 % del PIB.

A partir de estos resultados, para la economıa uruguaya no podemos

encontrar una relacion inequıvoca entre crisis financiera y boom de credito.

6. Estimacion de un modelo bayesiano pro-

medio para identificar episodios de Boom

de Credito en Uruguay

En esta seccion se presenta la probabilidad estimada y las predicciones de

que la economıa uruguaya se encuentre en un episodio de boom de credito.

Para la estimacion del modelo se utilizan datos desde el cuarto trimestre de

1997 al segundo trimestre de 2018. El objetivo es estimar la probabilidad

de que la economıa uruguaya se encuentre en un boom de credito en el

trimestre t + h condicionado por la informacion provista por las variables

17

macroeconomicas hasta el momento t. Se consideran alternativamente, en el

momento actual, con un trimestre de anticipacion y con dos trimestres de

anticipacion (h = 0 ,h = 1 y h = 2).

En el Cuadro 5 se muestra la probabilidad posterior de inclusion de la

variable, la cantidad de modelos seleccionados y la certidumbre del signo que

adopta la variable, definida como la proporcion de modelos individuales en

los que la variable adopta el signo citado.

Las variables con mayor probabilidad de inclusion posterior son el ratio

de Cuenta corriente sobre PIB y el tipo de cambio. En el Anexo se presenta

la distribucion posterior de cada coeficiente, donde se observa que las restan-

tes variables tienen coeficientes centrados o proximos a 0. Tanto el ratio de

Cuenta corriente como el tipo de cambio real tienen un efecto negativo sobre

la probabilidad de que se produzca un boom de credito. Las importaciones

en terminos reales y el consumo del sector privado,por otra parte, tienen

un efecto positivo sobre esta probabilidad. Guarın et al. (2014) encuentran

resultados similares en su estimacion.

Para h = 0 se obtienen los boom de credito identificados considerando un

umbral τ = 0, 5 y alternativamente el umbral calculado a partir del ındice de

Youden τy = 0,1386.

Considerando el umbral τ = 0,5 se identifican unicamente dos perıodos

de boom de credito. El primero de ellos entre el primer y cuarto trimestre

de 2009, el segundo entre el primer y segundo trimestre de 2014. Conside-

rando el umbral calculado a traves del ındice de Youden se obtienen los tres

perıodos de boom de credito identificados a partir de la tecnica de umbral.

El primer boom es identificado entre el segundo trimestre del ano 2000 y

el primer trimestre del ano 2003, el segundo boom es identificado entre el

cuarto trimestre de 2008 y el segundo trimestre de 2010, y el tercer boom es

identificado entre el segundo trimestre de 2012 y el tercer trimestre de 2015

(Figura 7).

18

Cuad

ro5:

Model

oses

tim

ados

par

ah=

0

h=

0(2

1model

os)

Coefici

ente

Pro

babil

idad

post

eri

or

de

incl

usi

on

Cert

idum

bre

de

signo

sign

oV

alo

resp

era

do

BM

AD

esv

ıoest

an

dar

BM

AIn

terc

epto

100

%99

%N

egat

ivo

-1.1

21.

85P

IBre

al7.

7%

66%

Neg

ativ

o-0

.02

0.01

6C

onsu

mo

real

pri

vado

6.8

%66

%P

osit

ivo

0.00

10.

013

Inve

rsio

nre

al5.

5%

50%

Neg

ativ

o-0

.000

10.

002

Gas

tore

alen

consu

mo

final

del

Gob

iern

o7.

5%

100

%N

egat

ivo

-0.0

010.

007

Imp

orta

cion

esre

ales

13.2

%75

%P

osit

ivo

0.00

20.

009

Exp

orta

cion

esre

ales

10.9

%66

%N

egat

ivo

-0.0

010.

007

Tip

ode

cam

bio

real

51%

100

%N

egat

ivo

-0.0

180.

024

Ter

min

osde

inte

rcam

bio

4.6

%10

0%

Pos

itiv

o0.

0001

0.00

6C

uen

taC

orri

ente

/P

IB10

0%

100

%N

egat

ivo

-0.7

480.

22C

uen

tade

Cap

ital

/PIB

6.8

%10

0%

Neg

ativ

o-0

.004

0.02

5

19

Figura 7: Prediccion de la probabilidad de boom de credito h = 0

Se estiman modelos promedios bayesianos con datos en t para predecir

la probabilidad de un boom de credito en t+ 1 y t+ 2 respectivamente. Los

resultados de la estimacion se presentan en el Anexo. Se estima un umbral

siguiendo el criterio del Indice de Youden de 0.32 para el modelo correspon-

diente a h = 1 y de 0.343 para el modelo correspondiente a h = 2.

Considerando un trimestre de anticipacion, el modelo predice el primer

boom de credito desde el tercer trimestre de 2000 hasta el cuarto trimestre

de 2002, entre el primer y cuarto trimestre de 2009 y entre el primer y

cuarto trimestre de 2014. Es decir, que logra anticipar dos episodios de boom

de credito, mientras que se vuelve coincidente con el segundo. El modelo

que estima la probabilidad de estar en un boom de credito dentro de dos

trimestres anticipa el primer y tercer boom de credito, dando la senal entre

el tercer trimestre del ano 2000 y el cuarto trimestre de 2002 en el primer

caso y entre el cuarto trimestre de 2012 y el cuarto trimestre de 2014 para el

tercer episodio.

Al igual que lo que ocurre para h = 1, no logra capturar anticipadamente

el episodio de boom de credito en el entorno de 2008, generando la senal

entre el primer y cuarto trimestre de 2009. En la Figura 8 puede observarse la

probabilidad estimada con informacion en t para t+1 y t+2 respectivamente.

El area sombreada representa el perıodo en el que se produce un boom de

20

credito de acuerdo a la tecnica de umbral aplicada a la variable credito per

capita.

Figura 8: Prediccion de la probabilidad de boom de credito en t+ h

A partir de los resultados obtenidos en la estimacion bayesiana es posible

predecir dos de los episodios de boom de credito identificados por la tecnica

de umbrales con uno y dos trimestres de anticipacion. En cuanto al segundo

episodio, en el entorno del perıodo 2008-2009 si bien la metodologıa no logra

anticiparlo, resulta coincidente para la estimacion considerando h = 0. Esta

metodologıa puede ser utilizada a los efectos de monitorear, identificar y

anticipar los episodios de boom de credito.

7. Conclusiones

En este documento de trabajo se presentaron dos metodologıas alterna-

tivas para analizar los boom de credito en la economıa Uruguaya entre 1985

y el segundo trimestre de 2018. La metodologıa de umbrales permite identi-

ficar estos episodios considerando los desvıos de distintas variables puestas

21

a consideracion respecto a un umbral. Los resultados varıan en funcion de

la variable, el filtro y el umbral utilizado. En terminos generales, al aplicar

estas metodologıas se identifican tres episodios de boom de credito.

Uno en el entorno del ano 2002, otro en el entorno del ano 2009 y un

ultimo perıodo entre 2014 y 2015. El primer episodio coincide con la crisis

financiera Uruguaya y el segundo con la crisis financiera internacional. A

los efectos de anticipar episodios de boom de credito se estimo un modelo

bayesiano promedio considerando como variables independientes algunas de

las variables macroeconomicas utilizadas por Guarın et al. (2014).

Empleando esta metodologıa, se obtuvo la probabilidad de que la eco-

nomıa uruguaya se encontrara en un episodio de boom de credito en t y con

uno y dos trimestres de anticipacion. Al estimar la probabilidad de que la

economıa se encuentra en un boom de credito se identifican los tres episodios

de boom de credito que resultan de la aplicacion de la tecnica de umbrales.

El primer boom es identificado entre el segundo trimestre del ano 2000 y

el primer trimestre del ano 2003, el segundo boom es identificado entre el

cuarto trimestre de 2008 y el segundo trimestre de 2010, y el tercer boom

es identificado entre el segundo trimestre de 2012 y el tercer trimestre de

2015. Al estimar la probabilidad de que la economıa uruguaya se encuentre

en un boom de credito en uno y dos trimestres, se logra anticipar el primer y

tercer boom de credito. El segundo boom de credito no es anticipado por este

modelo, aunque es identificado en forma coincidente. El uso de estas meto-

dologıas permite la identificacion, monitoreo y anticipacion de episodios de

boom de credito para la economıa uruguaya. En particular, las predicciones

obtenidas a partir de la estimacion bayesiana constituyen un indicador de

alerta temprana sobre la evolucion del credito y son un herramienta util para

el monitoreo de la estabilidad financiera.

22

Referencias

Barajas, A. ; Dell’ Ariccia, G., Levchenko, A., 2007. Credit booms: The good,

the bad and the ugly. FMI.

Bernanke, B., Gertler, M., 1989. Agency costs, net worth, and business fluc-

tuations. American Economic Review.

Bernanke, B.; Gertler, M., Gilchrist, S., 1996. The financial accelerator and

the flight to quality. The Review of Economics and Statistics.

Borraz, F., Gonzalez-Pampillon, N., 2015. Financial risk of uruguayan hou-

seholds. Documentos de trabajo 2015007, Banco Central del Uruguay.

Chang, G. ; Lahura, E., Salazar, O., 2013. Identificacion de episodios de auge

crediticio: una propuesta metodolgica con fundamentos economicos.

Dell’ Ariccia, G.; Igan, D., Leaven, L., 2012. Credit booms and lending stan-

dards: Evidence from the subprime mortgage market. Journal of Montey,

Credit and Banking.

Dell’ Ariccia, G.; Laeven, L., Marquez, R., 2010. Monetary policy, leverage,

and bank risk-taking. IMF Working Paper.

Fluss, R. ; Faraggi, D., Reiser, B., 2005. Estimation of the youden index and

its associated cutoff point. Biometrical Journal.

Furnival, G., Wilson, R., 1974. Regression by leaps and bounds. Technome-

trics.

Gourinchas, P.; Valdes, R., Landerretche, O., 1999. Lending booms: Some

stylized facts. IMF Seminar Series.

Guarın, A., Gonzalez, A., Skandalis, D., Sanchez, D., 2014. An early war-

ning model for predicting credit booms using macroeconomics aggregates.

Ensayos sobre Polıtica Economica.

IMF, 2004. Are credit booms in emerging markets a concern? World Econo-

mic Outlook.

23

LLuberas, R., Odriozola, J., 2015. Inflation, currency depreciation and hou-

seholds balance sheet in uruguay. Documentos de trabajo 2015009, Banco

Central del Uruguay.

Mendoza, E., Terrones, M., 2008. An analtomy of credit booms: evidence

from macro aggregates and micro data. National Boureau of Economic

Research.

Raftery, A. ; Painter, I., Volinsky, C., 2005. Bma: An r package for bayesian

model averaging. Grantsmanship Center News.

Zeugner, S., 01 2011. Bayesian model averaging with bms.

24

Anexo

Figura 9: Distribuciones de probabilidad posteriores de los coeficinetes h=0

25

Cuad

ro6:

Model

oses

tim

ados

par

ah=

1

h=

1(2

0m

odel

os)

Coefici

ente

Pro

babil

idad

post

eri

or

de

incl

usi

on

Cert

idum

bre

de

signo

sign

oV

alo

resp

era

do

BM

AD

esv

ıoest

an

dar

BM

AIn

terc

epto

100

%99

%N

egat

ivo

-0.2

92.

72P

IBre

al9.

4%

75%

Neg

ativ

o-0

.003

0.01

6C

onsu

mo

real

pri

vado

7.1

%66

%P

osit

ivo

0.00

10.

008

Inve

rsio

nre

al14

.4%

100

%P

osit

ivo

0.00

40.

012

Gas

tore

alen

consu

mo

final

del

Gob

iern

o9.

2%

100

%N

egat

ivo

-0.0

030.

012

Imp

orta

cion

esre

ales

8.8

%50

%N

egat

ivo

-0.0

004

0.00

6E

xp

orta

cion

esre

ales

8.9

%50

%N

egat

ivo

-0.0

060.

005

Tip

ode

cam

bio

real

70.3

%10

0%

Neg

ativ

o-0

.027

0.02

4T

erm

inos

de

inte

rcam

bio

5.1

%50

%P

osit

ivo

0.00

20.

015

Cuen

taC

orri

ente

/P

IB98

.1%

100

%N

egat

ivo

-0.6

90.

24C

uen

tade

Cap

ital

/PIB

8%

100

%N

egat

ivo

-0.0

060.

03

26