Modelos de prediccin de quiebra Modelos de prediccn

Modelos de predicción de quiebra

Modelos de prediccón de quiebra n n Se basan en datos contables de empresas que han quebrado Metodología estadística n n n Análisis univariante Análisis multidisciminante Regresión logit

Qué queremos predecir? • quiebra = problemas serios de liquidez que no pueden ser solucionados y causan el cierre del negocio y liquidando los activos

Análisis multidiscrimante de quiebra n n Permite el uso simultáneo de varios ratios Desventajas: n n n Es posible que se excluyan ratios importantes Los puntos de corte se determinan de forma subjetiva Problemas estadísitcos: n n Se asume que los ratios se distribuyen normalmente No pueden utilizarse variables dummy variables

Modelo de Altman Z-score n Se basa en una muestra de empresas que cotizan en bolsa n n Altman sugiere que debe sumarse el leasing operativo a la deuda Puntos de corte: n n n Z < 1. 81 (alto riesgo de quiebra) Z > 3. 00 (bajo riesgo) 1. 81 < Z < 3. 00 (“area gris”)

Modelo Z’ n Aplicable a todas sociedades anónimas n n Usa el valor contable de los foos propios en lugar del valor de mercado Puntos de corte: n n n Z < 1. 23 (alto riesgo de quiebra) Z > 2. 90 (bajo riesgo) 1. 23 < Z < 2. 90 (“área gris”)

Z’’ Model n n n Aplicable a empresas no industriales Se elimina la rotación de activos para minimizar el efecto sectorial Puntos de corte: n n n Z < 1. 10 (Alto riesgo de quiebra) Z > 2. 60 (bajo riego) 1. 10 < Z < 2. 60 (“área gris”)

Regresión Logit n n La regresión logit se utiliza cuando queremos predecir un resultado binario, por ejemplo, quiebra vs. no quiebra y sabemos que existen varios factores que pueden incidir sobre tal resultado. Elegimos un resultado como ‘evento’ y lo codificamos con el valor 1.

Datos no binarios

Ajuste: regresión lineal

Datos binarios: por muy bien que se ajuste una recta, las predicciones serán malas

Querríamos alguna función que se aproxime a una que ‘pegue’ un salto.

Regresión logística n Con una regresión logística obtendremos lprobabilidad de pertenecer al grupo que se calificó como ‘evento’.

Análisis Logit de la quiebra n Ventajas: n n Resuelve problemas estadísticos asociados con la metodología del análisis multidiscrminante Estima la probabilidad de quiebra

Ohlson Model n n n Coeficientes positivos incrementan Pr (quiebra) disminuye con tamaño de la empresa, capital circulanye, rentabilidad, flujo de caja beneficio creciente Pr (quiebra) incrementa con deuda alta y falta de liquidez

Logit: Modelo de Ohlson

Modelo Original Ohlson (cont. ): Error tipo I: Clasificar a una empresa en ‘baja probabilidad de quiebra’ cuando está en quiebra Error Tipo II: Clasificar una empresa en ‘alta probabilidad de quiebra’ cuando no está en quiebra Equilibrio entre los errores Tipo I y Tipo II: elegir un punto de corte que minimice el coste de los errores.

Modelo Original Ohlson (cont. ): n Punto de corte en 3. 8% minimiza errores Tipo I y II

Resumen de los factores asociados con la quiebra n Inversión: n n n relativa baja liquidez de activos (-) Ratio de rotación de activos (-) Financieros: n n Proporción relativa de deuda en la estructura financiera (+) Proporción relativa de deuda a corto plazo en la estructura financiera (+)

Resumen de los factores asociados con la quiebra n Explotación: n Nivel relativo de rentabilidad (-) n n n La mayor parte de los problemas financieros comienzan tras uno o varios años de resultados de explotación pobres Variabilidad de las operaciones (+) Otros: n tamaño (-) n n n Relativo al acceso a la financiación y grado de flexibilidad crecimiento (? ) Opinión auditores (+)

Por qué nos centramos en la predicción de la quiebra? n n n La quiebra es un concepto legal, no económico Muchas empresas con problemas serios financieros evitan la quiebra renogociando la deuda y/o vendiendo activos Los analistas querrán determinar más bien cuando la calificación del crédito de una empresa cambia, no cuando se declara en quiebra