Boom de crédito en Uruguay: Identificación y Anticipación · 2019-03-15 · Boom de crédito en...
Transcript of Boom de crédito en Uruguay: Identificación y Anticipación · 2019-03-15 · Boom de crédito en...
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: [email protected]
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