Pronóstico de series de tiempo mediante vectores auto regresivos con simulación para estimar la distribución posterior de coeficientes en el contexto de variables crediticias y macroeconómicas en Costa Rica.

Abstract

Las instituciones financieras desempeñan un papel esencial en la economía al facilitar la intermediación financiera, canalizando el ahorro hacia la inversión. Sin embargo, esta actividad conlleva riesgos inherentes, como el riesgo de crédito, liquidez, tasas de interés y operativo. El riesgo de crédito se refiere a la posibilidad de que un deudor incumpla sus obligaciones. Dicho riesgo puede afectar la rentabilidad de los bancos y, en casos extremos, generar problemas de solvencia y crisis financieras si la morosidad es alta, lo que perjudica la confianza en el sistema bancario. Para gestionar estos riesgos, las entidades financieras necesitan modelos sólidos que pronostiquen la calidad de su cartera crediticia. La Superintendencia General de Entidades Financieras (SUGEF) promueve pruebas de estrés para evaluar la gestión de riesgos de cada entidad. Además de factores internos como liquidez y rentabilidad, factores macroeconómicos como el PIB, inflación y tipos de interés también influyen en la morosidad del sistema financiero. Estudios han demostrado la sensibilidad de la morosidad a factores macroeconómicos como la deuda pública y la inflación. Asimismo, se ha encontrado que variables como la actividad económica y las nuevas colocaciones de crédito no tienen un impacto inmediato en la morosidad, mientras que la inflación y el tipo de cambio sí lo tienen. De tal modo, se propone utilizar modelos de vectores autorregresivos (VAR) para relacionar variables macroeconómicas con indicadores crediticios. Se plantea una comparación entre el enfoque frecuentista y bayesiano para estimar estos modelos. El enfoque bayesiano, al incorporar información adicional sobre los parámetros a estimar, ofrece ventajas sobre el frecuentista, especialmente en muestras pequeñas donde puede haber problemas de sobreajuste. Los modelos VAR bayesianos mitigarían este problema al asignar una distribución de probabilidad a los coeficientes del modelo, reduciendo así la influencia de la variabilidad aleatoria en las estimaciones.