Usando o IPC pra Melhorar as Previsões de LGD em Empréstimos de CRE
Esse estudo analisa como o CPI pode melhorar as previsões de perdas para empréstimos de imóveis comerciais.
― 8 min ler
Índice
- O Papel do CPI na Previsão de LGD
- Os Desafios em Construir Modelos de LGD
- O Impacto das Variáveis Macroeconômicas na LGD
- Usando o CPI para Abordar a Subestimação da LGD
- Visão Geral do Portfólio de Empréstimos Comerciais
- Dificuldades com os Modelos de LGD Atuais
- Descobertas sobre CPI e LGD
- Os Efeitos da Inflação nos Valores das Propriedades
- Desenvolvimento do Modelo de LGD
- Aplicações Reais das Descobertas
- Conclusão
- Fonte original
- Ligações de referência
Prever perdas de empréstimos comerciais de imóveis (CRE) que deram calote é uma tarefa complicada. Isso é ainda mais verdade quando se trata de prever a Perda Dada o Calote (LGD), por causa do tempo longo que leva pra resolver as questões após um calote. As regras exigem que a gente use certos dados e evite informações que aparecem depois do calote. A situação atual de Inflação contínua deixa tudo ainda mais difícil pra prever essas perdas com precisão. Neste texto, a gente foca em como o Índice de Preços ao Consumidor (CPI) pode ser usado pra prever melhor a LGD em empréstimos CRE.
O Papel do CPI na Previsão de LGD
O CPI é uma medida que acompanha as mudanças no nível de preços de uma cesta de bens e serviços ao longo do tempo. Ele ajuda a indicar a inflação e pode ser um bom indicador quando tentamos antecipar mudanças nas condições econômicas. Nossa pesquisa mostra que certas taxas de crescimento do CPI podem servir como bons preditores para várias taxas e preços no mercado CRE.
Por exemplo, as taxas de crescimento do CPI podem ser comparadas a taxas como a Taxa dos Fundos Federais. Quando o CPI aumenta, é comum que as taxas de juros também subam, o que pode resultar em valores de propriedades mais baixos. Essa relação destaca como o CPI pode ajudar a prever a LGD de forma mais precisa.
Os Desafios em Construir Modelos de LGD
Criar um modelo de LGD preciso não é fácil. Um grande desafio que enfrentamos é que, às vezes, quando um empréstimo entra em calote, o banco ainda consegue recuperar grana vendendo a propriedade. Isso pode levar a uma situação onde a perda registrada é zero ou até positiva, mas as regras dizem que a LGD precisa ser sempre não negativa. Essa situação complica nossas contas.
Incorporar variáveis macroeconômicas nos modelos de LGD geralmente ajuda a melhorar a precisão das previsões. Entretanto, devido às regras sobre o uso de dados, só podemos usar informações disponíveis no momento do calote. Como o processo de resolução de um calote pode levar um ano ou mais, o valor da propriedade pode cair até que ela seja vendida.
O Impacto das Variáveis Macroeconômicas na LGD
Dados históricos sugerem que incluir indicadores Macroeconômicos como taxas de desemprego, PIB e preços de habitação geralmente fornece previsões de LGD melhores. No entanto, por causa das restrições, só podemos usar informações que existiam antes do calote. Isso significa que perdemos dados valiosos que poderiam nos ajudar a entender a verdadeira situação da economia.
Por exemplo, propriedades que deram calote em 2008 enfrentaram uma queda significativa nos preços de mercado na hora da venda em 2009, muitas vezes resultando em perdas substanciais que não puderam ser capturadas com precisão pelos dados disponíveis na época do calote.
Usando o CPI para Abordar a Subestimação da LGD
Pesquisas mostram que os dados do CPI podem ajudar a resolver o problema da subestimação das perdas durante crises econômicas. Muitos estudos anteriores deixaram de lado o CPI, o que pode deixar uma lacuna nos modelos de LGD, especialmente considerando as preocupações atuais com a inflação persistente. Ao incluir o CPI na nossa análise, conseguimos criar modelos de LGD mais robustos.
Visão Geral do Portfólio de Empréstimos Comerciais
O negócio de Empréstimos Comerciais (CTL) do JPMorgan Chase fornece financiamento hipotecário para CRE que gera renda estabilizada. O tomador de empréstimo típico é geralmente um pequeno empresário que possui a propriedade como investimento. A maioria desses empréstimos é para propriedades multifamiliares, embora outros tipos, como empréstimos para escritórios, indústrias e varejo também façam parte do portfólio.
Como um dos maiores credores multifamiliares do país, o JPMorgan Chase tem uma responsabilidade significativa de prever com precisão as perdas em seu portfólio de empréstimos. A conformidade com regulamentos como CCAR e CECL exige previsões cuidadosas de probabilidades de calote e perdas esperadas.
Dificuldades com os Modelos de LGD Atuais
Tendências históricas mostraram que resolver um calote de empréstimo leva tempo e o potencial de recuperação pode variar bastante. Em muitos casos, após um empréstimo entrar em calote e o processo de execução começar, o banco tem a chance de recuperar parte de seu investimento. No entanto, acordos legais muitas vezes determinam se esses fundos podem ser retidos ou classificados como perda.
Além disso, muitos bancos descobriram que incluir variáveis macroeconômicas melhora a precisão de seus modelos. No entanto, as estipulações definidas por estruturas regulatórias como CECL e CCAR limitam as informações que podem ser usadas, criando uma lacuna na nossa compreensão das condições econômicas durante o calote.
Descobertas sobre CPI e LGD
Na nossa pesquisa, descobrimos que o CPI serve como um forte indicador de previsão para as taxas futuras e valores de propriedades no mercado CRE. Examinamos como o CPI se comporta em relação a vários outros benchmarks econômicos, como taxas de juros e preços de vendas de propriedades, durante diferentes períodos econômicos.
A relação entre o CPI e os preços das propriedades era particularmente evidente. Quando o CPI aumenta, isso muitas vezes leva a custos mais altos para manutenção de propriedades, o que pode reduzir o valor recuperado durante uma venda.
Os Efeitos da Inflação nos Valores das Propriedades
A inflação tem implicações diretas nos valores das propriedades. À medida que o CPI sobe, o custo das despesas relacionadas à manutenção e gestão das propriedades também aumenta. Isso significa que compradores potenciais podem ajustar seus lances pra baixo pra levar em conta custos futuros que eles esperam, resultando em taxas de recuperação mais baixas para os bancos.
Por exemplo, propriedades executadas muitas vezes precisam de reparos que virão a preços inflacionados. Se uma propriedade está em mau estado, compradores em potencial vão considerar esses custos adicionais quando fizerem ofertas, resultando em preços de venda mais baixos e maior LGD.
Desenvolvimento do Modelo de LGD
Usando nossos dados de CTL, construímos um modelo pra prever LGD com um foco específico no CPI e suas transformações. Ao integrar o CPI com outras variáveis, como índices de preços de habitação, conseguimos criar um modelo de LGD mais preciso e confiável.
A análise incluiu várias técnicas estatísticas pra garantir a estabilidade das contribuições do CPI dentro do nosso modelo. Testes de validação cruzada indicaram que os fatores do CPI que incluímos eram robustos e melhoraram significativamente a confiabilidade do modelo.
Aplicações Reais das Descobertas
As implicações das nossas descobertas são significativas pra bancos e instituições financeiras. Um entendimento melhor da interação entre CPI e valores de propriedades pode permitir que os credores ajustem suas estratégias e melhorem a precisão de suas previsões financeiras. Ao considerar o CPI nos modelos de LGD, os bancos podem se preparar melhor pra perdas potenciais em seus portfólios CRE.
Conclusão
Resumindo, incluir o CPI nos modelos de previsão de LGD para portfólios de imóveis comerciais pode aumentar a precisão das previsões. À medida que as pressões inflacionárias continuam, reconhecer a importância de indicadores econômicos como o CPI se torna crucial para os credores que gerenciam portfólios de empréstimos. Nossas descobertas sugerem que aprender com os dados do CPI pode melhorar os modelos de previsão de perdas e ajudar a gerenciar riscos potenciais no mercado de imóveis comerciais.
Esforços pra incorporar o CPI nos modelos de LGD podem fornecer aos credores um entendimento melhor dos valores das propriedades e das perdas, levando, em última análise, a uma estabilidade financeira mais forte e uma tomada de decisão mais informada em ambientes econômicos desafiadores. Enquanto continuamos a estudar o impacto da inflação nos valores das propriedades, incentivamos as instituições financeiras a considerar o papel do CPI em seus modelos de previsão de perdas.
Título: Using CPI in Loss Given Default Forecasting Models for Commercial Real Estate Portfolio
Resumo: Forecasting the loss given default (LGD) for defaulted Commercial Real Estate (CRE) loans poses a significant challenge due to the extended resolution and workout time associated with such defaults, particularly in CCAR and CECL framework where the utilization of post-default information, including macroeconomic variables (MEVs) such as unemployment (UER) and various rates, is restricted. The current environment of persistent inflation and resultant elevated rates further compounds the uncertainty surrounding predictive LGD models. In this paper, we leverage both internal and public data sources, including observations from the COVID-19 period, to present a list of evidence indicating that the growth rates of the Consumer Price, such as Year-over-Year (YoY) growth and logarithmic growth, are good leading indicators for various CRE related rates and indices. These include the Federal Funds Effective Rate and CRE market sales price indices in key locations such as Los Angeles, New York, and nationwide, encompassing both apartment and office segments. Furthermore, with CRE LGD data we demonstrate how incorporating CPI at the time of default can improve the accuracy of predicting CRE workout LGD. This is particularly helpful in addressing the common issue of early downturn underestimation encountered in CRE LGD models.
Autores: Ying Wu, Garvit Arora, Xuan Mei
Última atualização: 2024-02-23 00:00:00
Idioma: English
Fonte URL: https://arxiv.org/abs/2402.15498
Fonte PDF: https://arxiv.org/pdf/2402.15498
Licença: https://creativecommons.org/licenses/by/4.0/
Alterações: Este resumo foi elaborado com a assistência da AI e pode conter imprecisões. Para obter informações exactas, consulte os documentos originais ligados aqui.
Obrigado ao arxiv pela utilização da sua interoperabilidade de acesso aberto.