Modelos de predicción de quiebra

Presentación del tema: "Modelos de predicción de quiebra"— Transcripción de la presentación:

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 Puntos de corte:
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 con tamaño 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