La predicción de quiebras es el arte de predecir la quiebra y diversas medidas de dificultades financieras de las empresas que cotizan en bolsa. Es un área muy amplia de investigación financiera y contable. La importancia de este área se debe en parte a la relevancia que tiene para los acreedores e inversores evaluar la probabilidad de que una empresa quiebre.
La cantidad de investigaciones también depende de la disponibilidad de datos: en el caso de las empresas públicas que se declararon en quiebra o que no lo hicieron, se pueden calcular numerosos índices contables que podrían indicar un riesgo, y también se dispone de muchas otras posibles variables explicativas. En consecuencia, el área es muy adecuada para poner a prueba métodos de previsión cada vez más sofisticados y que requieren un uso intensivo de datos .
La historia de la predicción de quiebras incluye la aplicación de numerosas herramientas estadísticas que gradualmente se hicieron disponibles y supone una mayor comprensión de diversas trampas en los análisis iniciales. Todavía se publican investigaciones que adolecen de trampas que se han comprendido durante muchos años.
La predicción de quiebras ha sido un tema de análisis formal desde al menos 1932, cuando FitzPatrick publicó un estudio de 20 pares de empresas, una quebrada y otra sobreviviente, emparejadas por fecha, tamaño e industria, en The Certified Public Accountant . No realizó un análisis estadístico como es común ahora, pero interpretó cuidadosamente los índices y las tendencias en los índices. Su interpretación fue efectivamente un análisis complejo de múltiples variables.
En 1967, William Beaver aplicó pruebas t para evaluar la importancia de los ratios contables individuales dentro de una muestra similar pareada.
En 1968, en el primer análisis formal de múltiples variables, Edward I. Altman aplicó el análisis discriminante múltiple dentro de una muestra pareada. Uno de los primeros modelos más destacados de predicción de quiebras es el Altman Z-score , que todavía se aplica en la actualidad.
En 1980, James Ohlson aplicó la regresión logit en una muestra mucho más grande que no implicaba emparejamiento.
La predicción de la quiebra de las empresas ha sido un tema de gran interés para muchos economistas. La razón para desarrollar y predecir la situación financiera de una empresa es desarrollar un modelo predictivo utilizado para pronosticar la situación financiera de una empresa combinando varias variables econométricas de interés para el investigador. El estudio buscó introducir modelos de aprendizaje profundo para la previsión de quiebras corporativas utilizando divulgaciones textuales. El estudio construyó un modelo de estudio integral para predecir la quiebra basado en empresas que cotizan en bolsa en Kenia. La población del estudio incluyó las 64 empresas que cotizan en la Bolsa de Valores de Nairobi durante diez años. Se utilizó el análisis logístico para construir un modelo para predecir la situación financiera de una empresa. Los hallazgos revelaron que la rotación de activos, el activo total y el índice de capital de trabajo tenían coeficientes positivos. Por otro lado, la rotación de inventario, la relación deuda-capital, la rotación de deudores, el índice de deuda y el índice corriente tenían coeficientes negativos. El estudio concluyó que la rotación de inventario, la rotación de activos, la relación deuda-capital, la rotación de deudores, el activo total, la relación deuda-capital, la relación corriente y la relación capital de trabajo eran las relaciones más significativas para predecir la quiebra (Ogachi, D.; Ndege, R.; Gaturu, P.; Zoltan, Z. (2020)
Las últimas investigaciones en el campo de la predicción de quiebras e insolvencias comparan distintos enfoques, técnicas de modelado y modelos individuales para determinar si alguna técnica es superior a sus contrapartes.
Jackson y Wood (2013) es una de las muchas revisiones de la literatura hasta la fecha, e incluyó una evaluación empírica de 15 modelos populares de la literatura existente. Estos modelos van desde los modelos univariados de Beaver hasta los modelos multidimensionales de Altman y Ohlson, y continúan con técnicas más recientes que incluyen enfoques de valoración de opciones. Encuentran que los modelos basados en datos de mercado -como un enfoque de valoración de opciones- superan a los modelos anteriores que se basan en gran medida en números contables. [1]
Zhang, Wang y Ji (2013) propusieron un nuevo sistema basado en reglas para resolver el problema de predicción de quiebras. Todo el procedimiento consta de las siguientes cuatro etapas: primero, se utilizó la selección secuencial hacia adelante para extraer las características más importantes; segundo, se eligió un modelo basado en reglas para ajustarse al conjunto de datos dado, ya que puede presentar un significado físico; tercero, se introdujo un algoritmo genético de colonias de hormigas (GACA); la estrategia de escala de aptitud y el operador caótico se incorporaron con GACA, formando un nuevo algoritmo, GACA caótico de escala de aptitud (FSCGACA), que se utilizó para buscar los parámetros óptimos del modelo basado en reglas; y finalmente, se utilizó la técnica de validación cruzada estratificada K-fold para mejorar la generalización del modelo. [2]
Existen algunas fuentes de las que se pueden obtener datos para predecir la quiebra. Entre ellas, la base de datos UCLA-LoPucki [3] , que analiza las quiebras de grandes empresas estadounidenses desde octubre de 1997 hasta la actualidad, y el Centro Judicial Federal [4] , que analiza las quiebras desde 2008. Algunos proveedores financieros han comenzado a utilizar estos conjuntos de datos con modelos de aprendizaje automático para intentar predecir los riesgos futuros de quiebra. [5] Este es un campo emergente y esperamos que las investigaciones futuras examinen el uso de datos financieros no estructurados y fuentes de datos alternativas en los modelos de predicción.
Ogachi, D.; Ndege, R.; Gaturu, P.; Zoltan, Z. Modelo de predicción de quiebras corporativas, un enfoque especial en las empresas que cotizan en bolsa en Kenia. J. Risk Financial Manag. 2020, 13, 47. https://doi.org/10.3390/jrfm13030047