Calificaciones, Migración y Matrices de Transición

Cada modelo hasta ahora ha producido un número — un score, una PD, un spread. El output más antiguo y todavía más trascendente del crédito es una letra. Las calificaciones mueven billones en capital, viven dentro de covenants de bonos y de reglas de colateral de bancos centrales, y — a través de las matrices de transición — alimentan directamente los modelos de portafolio. Este módulo trata de qué significan esas letras, cómo se mueven, y qué hacer con la matriz que describe su movimiento.

Las tres grandes, y en qué difieren

S&P, Moody’s y Fitch cubren la abrumadora mayoría de la deuda calificada. Sus escalas parecen intercambiables (AAA/Aaa en la cima, D/C en el fondo, la línea de grado de inversión en BBB−/Baa3), pero las filosofías difieren de un modo que a veces importa:

• S&P califica la probabilidad de incumplimiento (default), punto. Un bono senior garantizado y un bono junior no garantizado del mismo emisor pueden llevar calificaciones de emisión similares si la probabilidad de incumplimiento es la misma (la severidad se maneja vía notching).
• Moody’s califica la pérdida esperada — PD × LGD. La estructura y el colateral están integrados en la letra misma, no como un agregado posterior. Para el mismo instrumento, S&P responde “¿va a incumplir?”, Moody’s responde “¿cuánto vas a perder?” — nuestra descomposición del Módulo 1, repartida entre dos modelos de negocio.
• Fitch sigue un enfoque centrado en la PD, más cercano a S&P, y funciona como el desempate en los muchos mandatos que exigen dos calificaciones.

Tres hechos estructurales importan más que los folletos de metodología. Primero, el emisor paga — el conflicto de interés es real, fue central en el desastre de finanzas estructuradas de 2008, y se administra (no se elimina) mediante regulación y reputación. Segundo, las calificaciones son opiniones con comités detrás, deliberadamente lentas, construidas a partir del juicio de analistas sobre exactamente la caja de herramientas del Módulo 3 — razones financieras más una capa cualitativa. Tercero, las agencias publican su historial: estudios de incumplimiento y matrices de transición, que es lo que hace posible todo lo que resta de este módulo.

Through-the-cycle vs. point-in-time

La distinción más útil para interpretar cualquier calificación:

• Una medida point-in-time (PIT) estima la probabilidad de incumplimiento dadas las condiciones actuales — dónde estamos en el ciclo, el apalancamiento de hoy, el precio de la acción de hoy. El EDF de KMV del Módulo 6 es agresivamente PIT; se mueve a diario.
• Una medida through-the-cycle (TTC) pregunta cómo le iría al acreditado a lo largo de un ciclo completo, filtrando deliberadamente el componente cíclico. Las calificaciones de agencia son TTC por diseño: un BBB debería significar más o menos la misma calidad crediticia en un auge que en una recesión.

Ninguna es la “correcta” — responden preguntas distintas. PIT es lo que quieres para pricing y alertas tempranas; TTC es lo que quieres para una planeación de capital estable y para covenants que no deberían dispararse con cada tropiezo (imagina llamadas de colateral ligadas a calificaciones bajo un régimen PIT: prociclicidad pura, margin calls exactamente en el fondo del ciclo). La consecuencia práctica: las calificaciones de agencia se rezagan por construcción. Los casos famosos donde un nombre mantuvo el grado de inversión hasta días antes de quebrar son en parte esa decisión de diseño siendo honesta — y en parte fallas genuinas. A los modelos internos de Basilea de los bancos típicamente se les exige situarse en algún punto del espectro PIT–TTC y documentar dónde; el mismo portafolio puede necesitar a la vez una PD PIT (para el provisionamiento de IFRS 9 — Módulo 9) y una PD TTC (para el capital regulatorio).

La matriz de transición

El dataset de batalla del mundo de las calificaciones: una matriz cuadrada donde la entrada $(i, j)$ es la probabilidad de que un crédito que empieza el año en la calificación $i$ lo termine en la calificación $j$. Una fila por calificación, una columna absorbente para el incumplimiento. Leer una es una habilidad que vale treinta segundos de práctica:

• La diagonal pesa mucho — 85–92% para la mayoría de los grados. Las calificaciones son pegajosas (el diseño TTC apareciendo en los datos).
• La masa fuera de la diagonal se abraza a la diagonal — dominan los movimientos de un notch; AAA-a-B es esencialmente inobservado en un solo año.
• La columna de incumplimiento es monótona y convexa — un BBB estilizado de largo plazo incumple alrededor de 0.2% en un año, un B alrededor de 4–5%, un CCC más de 25%. Cada escalón hacia abajo en la escala multiplica la PD en lugar de sumarle.
• La última fila es trivial — el incumplimiento absorbe (en estas matrices; los workouts reales y las reemergencias se manejan por separado).

Multiplica la matriz por sí misma y obtienes la matriz a 2 años; la $N$-ésima potencia da la vista a $N$ años. Este es el supuesto de Markov — la calificación del próximo año depende solo de la de este año — y es lo que el widget de abajo hace en vivo:

Prueba este experimento: empieza en BBB y empuja el horizonte hacia afuera. Observa cómo la distribución se dispersa — la masa se fuga tanto hacia arriba (unos cuantos BBB se vuelven A) como hacia abajo, la cubeta de incumplimiento se compone, y la probabilidad de “sigue en BBB” decae hacia el comportamiento de largo plazo de la matriz. Luego empieza en CCC y nota qué tan rápido se resuelve la historia: los créditos en distress no se quedan en distress — se curan o mueren, casi siempre en unos pocos años. Esa es la forma de hazard decreciente del Módulo 7, ahora visible en forma de matriz.

Construir una: cohorte vs. hazard

A partir de una base de datos de historias de calificación, el clásico método de cohorte es exactamente lo que adivinarías: toma todos los emisores calificados $i$ el 1 de enero, cuenta dónde están parados el 31 de diciembre, divide. Simple, transparente y estándar — pero desperdicia información (una degradación en febrero seguida de incumplimiento en noviembre cuenta solo como “terminó en D”) y no puede ver trayectorias rápidas a través de estados intermedios. El método de duración (hazard) — la maquinaria de intensidades del Módulo 7 con una dimensión de calificación — estima una matriz generadora de intensidades de transición a partir del momento exacto de cada movimiento, y luego exponencia. Usa todos los datos, produce estimaciones más suaves de transiciones raras, y maneja la censura limpiamente. El libro de trabajo descargable implementa la aritmética de cohortes y el análisis de potencias de matrices para que puedas rastrear cada número.

CreditMetrics: la migración se vuelve riesgo mark-to-market

Hasta 1997, administrar el riesgo de crédito significaba riesgo de incumplimiento: ¿van a pagar? CreditMetrics, de J.P. Morgan, replanteó la pregunta para un portafolio que se marca a mercado: ¿cuál es la distribución del valor de mi portafolio en un año, dado que las calificaciones migran?

La receta para un solo bono:

1. Toma la calificación actual del emisor; su fila de la matriz de transición enumera los posibles estados finales y sus probabilidades.
2. Revalúa el bono en cada estado final descontando sus flujos de efectivo restantes a la curva de spreads forward de esa calificación. Un upgrade BBB→A es una pequeña ganancia; BBB→BB es una pérdida real — sin necesidad de incumplimiento.
3. En el estado de incumplimiento, aplica un supuesto de recuperación (extraído de una distribución, en la versión completa).
4. Ahora tienes una distribución de valor para el bono — valor esperado, varianza y, crucialmente, una cola izquierda gorda impulsada por degradación-más-incumplimiento.

Para un portafolio, el ingrediente faltante es el co-movimiento: ¿mis emisores migran juntos? CreditMetrics responde con un dispositivo que vas a reconocer: la migración de cada emisor es impulsada por un “retorno de activos” latente normal estándar — umbrales que rebanan la distribución normal en cubetas de calificación de modo que cada distribución individual coincida con su fila de la matriz — y las variables latentes de los emisores están correlacionadas, típicamente vía correlaciones de acciones. Eso es la lógica estructural de Merton (Módulo 6) reciclada como una cópula antes de que alguien usara la palabra. Cuando las correlaciones suben, las degradaciones y los incumplimientos se agrupan, y la cola izquierda del portafolio se engorda dramáticamente — el tema que es dueño de los Módulos 10 y 11.

Dónde conecta esto

• Las calificaciones son el output institucional del análisis del Módulo 3; las matrices de transición son su historial empírico.
• La vista de matriz generadora de las transiciones es la maquinaria de hazard del Módulo 7, estado por estado; la extensión basada en calificaciones de Jarrow-Turnbull lo formalizó.
• Los reguladores consumen este material constantemente: ponderaciones de riesgo ligadas a calificaciones, el staging de IFRS 9 impulsado por el “incremento significativo en el riesgo de crédito” (un enunciado de migración), pruebas de estrés como matrices de transición condicionales — todo eso sigue en el Módulo 9.
• El truco de variables latentes correlacionadas de CreditMetrics es el puente exacto hacia el riesgo de crédito de portafolio (Módulo 10) y las cópulas (Módulo 11).

Pruébalo tú mismo

El libro de Excel de abajo contiene la matriz estilizada de 8 estados del widget con cada fila documentada, una hoja de potencias de matrices que calcula las matrices a 2, 5 y 10 años (fórmulas de celda puras — puedes auditar la cadena de Markov paso a paso), curvas de incumplimiento acumulado por calificación inicial, y un mini-ejemplo del método de cohorte que construye una matriz de transición a partir de una historia de calificaciones de juguete. Sustituye cualquier matriz publicada y todo el libro se recalcula.

Recibe los nuevos posts por correo

Un correo por cada artículo nuevo. Sin spam, sin ventas, cancela cuando quieras.