La predicción de quiebras es el arte de predecir la quiebra y diversas medidas de dificultades financieras de las empresas públicas. Es un área extensa de investigación financiera y contable. La importancia del área se debe en parte a la relevancia que tiene para los acreedores e inversores la evaluación de la probabilidad de que una empresa quiebre.
La cantidad de investigación también es función de la disponibilidad de datos: para las empresas públicas que quebraron o no, se pueden calcular numerosos índices contables que podrían indicar peligro, y también están disponibles muchas otras variables explicativas potenciales. En consecuencia, el área es muy adecuada para probar enfoques de pronóstico cada vez más sofisticados y con uso intensivo de datos .
La historia de la predicción de quiebras incluye la aplicación de numerosas herramientas estadísticas que gradualmente estuvieron disponibles e implica una apreciación más profunda de varios errores en los primeros análisis. Todavía se publican investigaciones que adolecen de obstáculos que se conocen desde hace muchos años.
La predicción de quiebras ha sido objeto de análisis formal desde al menos 1932, cuando FitzPatrick publicó un estudio de 20 pares de empresas, una fallida y otra superviviente, emparejadas por fecha, tamaño e industria, en The Certified Public Accountant . No realizó análisis estadísticos como es común ahora, pero interpretó cuidadosamente las proporciones y las tendencias de las proporciones. Su interpretación fue efectivamente un análisis complejo y de múltiples variables.
En 1967, William Beaver aplicó pruebas t para evaluar la importancia de los ratios contables individuales dentro de una muestra similar de pares.
En 1968, en el primer análisis formal de variables múltiples, Edward I. Altman aplicó un análisis discriminante múltiple dentro de una muestra emparejada por pares. 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 de pares.
Predecir la quiebra de empresas ha sido un tema candente para muchos economistas. El fundamento para desarrollar y predecir las dificultades financieras 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 a las 64 empresas que cotizaron en la Bolsa de Valores de Nairobi durante diez años. Se utilizó el análisis logístico para construir un modelo para predecir las dificultades financieras de una empresa. Los hallazgos revelaron que la rotación de activos, los activos totales y el índice de capital de trabajo tenían coeficientes positivos. Por otro lado, la rotación de inventarios, la relación deuda-capital, la rotación de deudores, la relación de endeudamiento y la relación circulante tuvieron coeficientes negativos. El estudio concluyó que la rotación de inventarios, la rotación de activos, la relación deuda-capital, la rotación de los deudores, los activos totales, la relación de endeudamiento, la relación circulante y la relación de capital de trabajo fueron las razones 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 insolvencia comparan varios enfoques, técnicas de modelado y modelos individuales diferentes 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 hasta 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 dependen en gran medida de cifras contables. [1]
Zhang, Wang y Ji (2013) propusieron un novedoso sistema basado en reglas para resolver el problema de predicción de quiebras. Todo el procedimiento consta de las siguientes cuatro etapas: en primer lugar, se utilizó una selección directa secuencial para extraer las características más importantes; en segundo lugar, se eligió un modelo basado en reglas que se ajustara 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 escalamiento de aptitud y el operador caótico se incorporaron con GACA, formando un nuevo algoritmo: GACA caótico de escalamiento 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 donde se pueden obtener datos para la predicción de quiebras. Entre otros, la base de datos UCLA-LoPucki [3] , que analiza las quiebras de grandes empresas estadounidenses desde octubre de 1997 hasta el presente, y el Centro Judicial Federal [4] que analiza las quiebras desde 2008. Algunos proveedores financieros han comenzado a utilizar estos conjuntos de datos con máquinas. modelos de aprendizaje para intentar predecir futuros riesgos de quiebra. [5] Este es un campo emergente y esperamos que futuras investigaciones analicen el uso de datos financieros no estructurados y fuentes de datos alternativas en modelos de predicción.
Ogachi, D.; Ndege, R.; Gaturú, P.; Zoltan, Z. Modelo de predicción de quiebras corporativas, especial atención a las empresas que cotizan en bolsa en Kenia. J. Gestión Financiera de Riesgos. 2020, 13, 47. https://doi.org/10.3390/jrfm13030047