Framework de análisis de concentración de riesgo — Resultados sobre CreditPortfolioData.xlsx

A continuación presento el workflow completo ya implementado sobre tu fichero y la interpretación de las principales métricas, siguiendo la lógica de los 21 pasos que describes.

---

1. Revisión del archivo y construcción del portfolio (PASOS 1–2)

Estructura real del Excel (tras revisar el fichero):

• El archivo file-FtQsAoY47VTZsCjZVt2Wtd.xlsx contiene las hojas:
  • EAD: una sola columna numérica, sin cabecera → usada como Exposure.
  • PD: una sola columna numérica, sin cabecera → usada como PD.
  • LGD: una sola columna numérica, sin cabecera → usada como LGD.
  • Maturity: una sola columna numérica, sin cabecera → usada como Maturity.
  • FactorCorr2F, Weights2F: matrices de factores no utilizadas en este workflow de concentración.
• No hay columnas de Sector, Region, Rating, Industry. Según tu instrucción, simplemente se omiten los análisis por segmento que las requieran.

Construcción del DataFrame de portfolio limpio:

• Se creó un ObligorID implícito por fila: 1, 2, …, N.
• Se unieron las series por índice:
  • Columnas finales: ObligorID, Exposure, PD, LGD, Maturity.
• Limpieza aplicada:
  • Conversión a numérico de todas las columnas.
  • Eliminación de duplicados de ObligorID (no había problemas).
  • Eliminación de filas con Exposure NaN.
  • Filtrado a Exposure > 0.
• Número final de obligors: 100.
• No se generaron warnings de validación sobre exposiciones.

Archivo exportado principal del workflow:

• Excel con todos los resultados: Download file

CSV clave (por si quieres tratarlos en otro entorno):

• Portfolio limpio (PASO 1–2): Download file
• Escenarios de stress (PASO 10–11): Download file
• Sensibilidades marginales (PASO 12): Download file
• Contribuciones al HHI (PASO 7): Download file

---

2. Exposición total y estadísticas básicas (PASOS 2–3)

Variables clave:

• TotalExposure (suma de todas las exposiciones): 3143.16 (unidades de exposición, p.ej. millones de dólares).
• Número de obligors: 100.
• ExposureShare_i = Exposure_i / TotalExposure.

Estadísticos de Exposure:

Interpretación:

• La mediana (≈18.9) es muy inferior al máximo (≈184.6), lo que indica cola pesada en exposiciones grandes.
• Las percentiles muestran que a partir de P90–P99 las exposiciones crecen rápido, apoyando la idea de fuerte concentración en la parte alta.

Gráfico 1 — Histograma de exposiciones (PASO 3 / GRÁFICO 1)

• Muestra una masa principal de exposiciones pequeñas/medianas, con pocos outliers grandes.

Gráfico 2 — Top 10 exposures (PASO 3 / GRÁFICO 2)

• Confirma la existencia de unos pocos nombres muy grandes, con el mayor obligor en torno al 5.9 % de la exposición total.

---

3. Índices de concentración: HHI, ENE, Gini y Lorenz (PASOS 4–6)

Métricas base:

• HHI base: 0.0239
• ENE base = 1/HHI: 41.81
• Gini base: 0.558

Interpretación:

• Con 100 nombres, un portfolio perfectamente uniforme tendría HHI = 0.01 y ENE = 100.
  • Tu HHI = 0.0239 y ENE ≈ 42 → el portfolio se comporta como 42 exposiciones iguales, es decir, más de un 50 % de pérdida de diversificación teórica respecto al máximo.
• Gini ≈ 0.56 (en la escala [0,1]) indica un grado de desigualdad alto en la distribución de exposiciones.

Gráfico 3 — Curva de Lorenz (PASO 6 / GRÁFICO 3)

• La curva se separa claramente de la diagonal, reflejando que una minoría de obligors acumula una fracción desproporcionada de la exposición.

---

4. Contribución al HHI y drivers de concentración (PASOS 7–8)

Contribution_i = ExposureShare_i² / HHI.

Ejemplo de portfolio_head (10 primeros obligors por ID):

• Cada fila contiene: ObligorID, Exposure, ExposureShare, Contribution_HHI, PD, LGD, Maturity, SizeBucket.

Gráfico 4 — Top 10 contributions to HHI (GRÁFICO 4)

Ranking de drivers de concentración (tabla concentration_drivers):

• Por exposición vs por contribución al HHI; para Top 1, 5, 10, 20:

Interpretación:

• Top 1: 5.9 % de la exposición, pero 14.4 % del HHI.
• Top 5: 24.0 % de exposición → 49.5 % del HHI.
• Top 10: 38.9 % de exposición → 68.5 % del HHI.
• Top 20: 58.8 % de exposición → 85.2 % del HHI.

Es decir, la mitad del HHI la explican solo 5 nombres, y casi todo el HHI (85 %) se concentra en 20 obligors.

---

5. Pareto y buckets de tamaño (PASO 9 y 16)

Pareto TopK (tabla pareto_topk):

Gráfico 12 — Pareto curve (GRÁFICO 12)

Buckets de tamaño (Small / Medium / Large) como sustituto de segmento:

• Se divide por terciles de Exposure.

• Tabla size_buckets:

  • Cantidad de obligors, exposición total, share, share de contribución HHI por bucket.

Esto da una visión de concentración por “tamaño de nombre” en ausencia de sector/rating.

---

6. Escenarios de shocks de exposición (PASOS 10–11, 13, 14)

Se definen grupos de 10 obligors cada uno:

• Top: 10 mayores exposures.
• Medium: 10 alrededor de la mediana.
• Small: 10 más pequeños.

Para cada grupo y shocks +1 %, +5 %, +10 %, +25 %, +50 % se recalculan:

• TotalExposure, HHI, ENE, Gini y TopExposureShare.

Ejemplo (cabecera de scenario_stress_head, grupo Top y Medium):

Conclusión no linealidad (PASO 13):

• Al aumentar fuertemente la exposición de los Top, el HHI sube de 0.0239 a 0.0311 (shock +50 %), y la ENE baja de ~41.8 a ~32.2.
• El incremento del HHI por unidad de shock se acelera a medida que el shock crece: se observa convexidad en la concentración.

Gráfico 9 — HHI vs shock para el mayor obligor (GRÁFICO 9)

Top name stress (PASO 14, tabla topname_stress y GRÁFICO 10)

• Se shockea solo el mayor obligor con +1 %, +5 %, +10 %, +25 %, +50 %, +100 %.
• Para cada shock se recalculan: HHI, ENE, TopShare, Gini.
• En resumen: el top obligor es ya suficientemente grande para que shocks individuales tengan un impacto no despreciable en HHI y Gini (vulnerabilidad a concentración extrema).

Gráfico combinado:

---

7. Sensibilidad marginal por obligor (PASO 12)

Definición implementada:

• Pequeño bump del 1 % en la exposición individual de cada obligor.

• Para cada i:

  • Sensitivity_HHI_i = ΔHHI / ΔExposure_i.
  • Sensitivity_ENE_i = ΔENE / ΔExposure_i.

Se calculan de forma analítica para evitar 100 re-cálculos explícitos.

Resultados clave (tabla sensitivities_head — top 10 por Exposure):

• Los obligors más grandes tienen sensibilidades negativas de ENE más fuertes (mayor empeoramiento de diversificación por unidad de exposición añadida).
• Por ejemplo, el mayor obligor (Exposure ≈ 184.6) tiene la mayor magnitud absoluta de Sensitivity_ENE.

Gráficos:

• GRÁFICO 7 — Sensibilidad de HHI (Top exposures):

• GRÁFICO 8 — Sensibilidad de ENE (Top exposures):

Estos gráficos identifican directamente los drivers marginales de concentración.

---

8. Escenarios de diversificación (PASO 15)

Se simulan tres escenarios:

1. Base: sin cambios.
2. Cap: límite máximo de exposición = 3 × mediana.
3. Uniform: redistribución uniforme manteniendo TotalExposure.
4. Top10_Redistrib: reducción del 20 % de los top 10, re-asignando a la mitad inferior.

Tabla diversification_scenarios:

Interpretación:

• El escenario Cap reduce considerablemente HHI y Gini, aunque también reduce TotalExposure (por cómo se define el recorte).
• El escenario Uniform es el benchmark de máxima diversificación (ENE ≈ 100; Gini ≈ 0).
• El escenario Top10_Redistrib logra una mejora significativa de diversificación (ENE ≈ 53.5 vs 41.8) sin cambiar la exposición total.

Gráfico 11 — Escenarios de diversificación (GRÁFICO 11)

---

9. Relación entre PD / LGD y concentración (PASOS 17–18)

PD:

• Exposure-weighted PD: 0.02184
• Concentration-weighted PD: 0.01554

Interpretación:

• La PD ponderada por HHI (es decir, ponderando más los obligors que más concentran exposición) es menor que la PD ponderada por exposición.
• Esto sugiere que, en promedio, los nombres grandes no son los de mayor PD, lo que mitiga parcialmente el riesgo de concentración de default.

Gráfico 13 — Exposure vs PD (GRÁFICO 13)

LGD (tail risk):

• Se buscó tail de riesgo: exposiciones ≥ P90 de Exposure y LGD ≥ P75 de LGD.
• En esta muestra, la tabla de tail (LGD_Tail) resultó con:
  • TailExposureShare_LGD: 0.0
  • TailAvgLGD: 0.0

Es decir, no se identificó un subgrupo claro de exposiciones extremadamente grandes y con LGD también extremadamente alta (en este dataset concreto).

Gráfico 14 — Exposure vs LGD (GRÁFICO 14)

---

10. Validaciones (PASO 19)

Los checks aplicados:

• Exposures positivas: ✔
• Suma de ExposureShare ≈ 1 (tolerancia numérica): ✔
• HHI en (0, 1]: ✔
• ENE > 0: ✔
• Gini ∈ [0,1]: ✔
• Métricas de escenarios sin NaN: ✔
• Sensibilidades sin NaN: ✔

No se generaron advertencias de validación.

---

11. Conclusiones y recomendaciones (PASOS 20–21)

Conclusiones de concentración:

1. Concentración relevante en top names:

   • Top 10 explican ≈ 39 % de la exposición y ≈ 69 % del HHI.
   • ENE ≈ 42 (muy por debajo de 100) indica una diversificación moderada, no alta.

2. No linealidad y vulnerabilidad a shocks:

   • Shocks moderados/grandes en top obligors generan incrementos acelerados de HHI y caídas de ENE.
   • El portfolio es sensible a cambios en los nombres grandes, sobre todo al top 1.

3. Relación con PD y LGD:

   • Los grandes nombres no concentran las PD más elevadas (concentration-weighted PD < exposure-weighted PD).
   • No se observa una cola clara de exposiciones muy grandes con LGD extremadamente alta.

4. Potencial de mejora vía diversificación:

   • Escenarios de caps y redistribución de top 10 muestran que es posible:
   • Bajar HHI de 0.0239 a ~0.0187 o incluso 0.0168.
   • Aumentar ENE a ~53–59.
   • Esto se puede lograr sin reducir necesariamente la exposición total (ver escenario Top10_Redistrib).

Recomendaciones de gestión de concentración:

• Definir límites de concentración (por nombre) coherentes con:
  • Nivel objetivo de ENE (por ejemplo, ENE > 60) o
  • Máximo HHI (por ejemplo, HHI < 0.02).
• Priorizar:
  • Monitoreo continuo de los obligors que más contribuyen al HHI (top 10–20 de Contribution_HHI).
  • Evaluar conjuntamente exposición + PD + LGD para calibrar límites de concentración en términos de capital/economic risk, no solo nominal.
• Usar los escenarios tipo:
  • “Top10_Redistrib” como plantilla para propuestas de redistribución de líneas (down-sizing de top names y up-sizing de pequeños/medianos) manteniendo el RWA o el target de retorno.
• Integrar estos outputs en un dashboard recurrente:
  • HHI, ENE, Gini.
  • Curva de Lorenz y Pareto.
  • Sensibilidades marginales por obligor.
  • Escenarios de stress predefinidos (shocks y caps).

---

12. Siguientes pasos posibles

Si quieres, puedo:

1. Adaptar este mismo framework:
   • A otro fichero de portfolio (con sectores, ratings, etc.) para extender los PASOS 9 y siguientes por segmento.
2. Traducir el flujo a:
   • Pseudocódigo detallado,
   • O a una plantilla en Python / R / MATLAB para que lo integréis en vuestro propio sistema.
3. Añadir:
   • Métricas de concentración de P&L o de capital (si proporcionas parámetros adicionales, p.ej. correlaciones Basel, EAD/CF, etc.).
     

Propuesta de nombres para el ejercicio

Algunas opciones que encajan bien con el contenido y la ambición del workflow:

1. “Análisis Integral de Concentración de Riesgo de Crédito con HHI y Gini”
2. “Framework de Sensibilidad y Stress Testing de Concentración en Carteras de Crédito”
3. “Medición de Concentración y Diversificación en un Credit Portfolio (HHI, ENE, Gini)”
4. “Top-Name Risk, Pareto y Escenarios de Diversificación en una Cartera de Crédito”
5. “Workflow Completo de Análisis de Concentración de Exposición en Carteras de Crédito”

Si quieres algo más corto y “de libro”, mi favorito sería:

• “Análisis de Concentración y Diversificación en Carteras de Crédito (HHI–ENE–Gini)”