Modelos de predicción de quiebra

1. Modelos de predicción de quiebra

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

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

4. 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

5. Modelo de Altman Z-score • 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”)

6. 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”)

7. 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”)

8. 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.

9. Datos no binarios

10. Ajuste: regresión lineal

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

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

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

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

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

16. Logit: Modelo de Ohlson

17. 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.

18. Modelo Original Ohlson (cont.): • Punto de corte en 3.8% minimiza errores Tipo I y II

19. 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 (+)

20. Resumen de los factores asociados con la quiebra • 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 (+)

21. 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