Modelos de predicción de quiebra
Modelos de prediccón de quiebra Se basan en datos contables de
empresas que han quebrado Metodología estadística
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
Permite el uso simultáneo de varios ratios Desventajas:
Es posible que se excluyan ratios importantes Los puntos de corte se determinan de forma
subjetiva Problemas estadísitcos:
Se asume que los ratios se distribuyen normalmente No pueden utilizarse variables dummy variables
Modelo de Altman Z-score
totalActivo
Ventas1.0
deuda contableValor
FFPP mercadoValor .60
Total Activo
BAIT3.3
Total Activo
Reservas1.4
Total Activo
circulante capital 1.2 Z
Se basa en una muestra de empresas que cotizan en bolsa
Altman sugiere que debe sumarse el leasing operativo a la deuda
Puntos de corte: Z < 1.81 (alto riesgo de quiebra) Z > 3.00 (bajo riesgo) 1.81 < Z < 3.00 (“area gris”)
Modelo Z’
Aplicable a todas sociedades anónimas Usa el valor contable de los foos propios en lugar del
valor de mercado Puntos de corte:
Z < 1.23 (alto riesgo de quiebra) Z > 2.90 (bajo riesgo) 1.23 < Z < 2.90 (“área gris”)
totalActivo
Ventas1.0
deuda contableValor
FFPP contableValor 42.0
Total Activo
BAIT11.3
Total Activo
Reservas85.0
Total Activo
circulante capital 0.72 Z'
Z’’ Model
Aplicable a empresas no industriales Se elimina la rotación de activos para
minimizar el efecto sectorial Puntos de corte:
Z < 1.10 (Alto riesgo de quiebra) Z > 2.60 (bajo riego) 1.10 < Z < 2.60 (“área gris”)
deuda contableValor
FFPP mercadoValor 05.1
Total Activo
BAIT72.6
Total Activo
Reservas26.3
Total Activo
circulante capital 6.56 'Z'
Regresión Logit 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 binariosPlot of Age and Wisdom
0
10
20
30
40
50
60
70
80
90
100
0 10 20 30 40 50 60 70 80 90 100
Age
Wis
do
m
Observed
Ajuste: regresión linealLinear Plot of age and Wisdom
0
10
20
30
40
50
60
70
80
90
100
0 10 20 30 40 50 60 70 80 90 100
Age
Wis
do
m
Observed
Best Linear Guess
Datos binarios: por muy bien que se ajuste una recta, las predicciones serán malas
Plot of Age and Wisdom
0
1
0 10 20 30 40 50 60 70 80 90 100
Age
Wis
do
m
Observed
Querríamos alguna función que se aproxime a una que ‘pegue’ un salto.
Plot of Age and Wisdom
0
1
0 10 20 30 40 50 60 70 80 90 100
Age
Wis
do
m
Observed
Idealized Best Guess
Regresión logísticaplot de deuda y quiebra
0
1
0 10 20 30 40 50 60 70 80 90 100
deuda
qu
ieb
ra
Observed
Idealized Best Guess
quiebraquiebra
Con una regresión logística obtendremos lprobabilidad de pertenecer al grupo que se calificó como ‘evento’.
Análisis Logit de la quiebra Ventajas:
Resuelve problemas estadísticos asociados con la metodología del análisis multidiscrminante
Estima la probabilidad de quiebra
y-e1
1(quiebra)Pr
Ohlson Model
CHIN0.521-OENEG1.72-INTWO0.285FUTL1.83
NITA2.37CLCA0.0757WCTA1.43
TLTA6.03SIZE0.4071.32y
Coeficientes positivos incrementan Pr (quiebra)
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
anteriory actual ejercicio del netos beneficios los de absoluto valor del Suma
neto beneficio elen Cambio521.0
totalactivo quemayor es no totaldeuda si 0
totalactivo quemayor es totaldeuda si 172.1
años últimos dos losen negativo fue no neto beneficio el si 0
años últimos dos losen negativo fue neto beneficio el si 1285.0
Total Deuda
sOperacione de Caja Flujo83.1
Total Activo
Neto Bº37.2
Circulante Activo
circulante Pasivo0757.0
Total Activo
circulante Capital43.1
lActivoTota
Total Deuda03.6407.032.1 tamañoy
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.):
2.718282 menteaproximada es e e1
1quiebra de adProbabilid
y-
donde
Modelo Original Ohlson (cont.):
Punto de corte en 3.8% minimiza errores Tipo I y II
Resumen de los factores asociados con la quiebra
Inversión: relativa baja liquidez de activos (-) Ratio de rotación de activos (-)
Financieros: Proporción relativa de deuda en la
estructura financiera (+) Proporción relativa de deuda a corto
plazo en la estructura financiera (+)
Explotación: Nivel relativo de rentabilidad (-)
La mayor parte de los problemas financieros comienzan tras uno o varios años de resultados de explotación pobres
Variabilidad de las operaciones (+) Otros:
tamaño (-) Relativo al acceso a la financiación y grado de
flexibilidad crecimiento (?) Opinión auditores (+)
Resumen de los factores asociados con la quiebra
Por qué nos centramos en la predicción de la quiebra?
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