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