16 ANÁLISIS FINANCIERO
Francisco J. López Lubián * y Pablo García Estévez**
Análisis mediante redes
neuronales de la creación
de valor para accionistas
en empresas cotizadas
1 INTRODUCCIÓN
El análisis de los generadores de valor en la empresa ha sido
objeto de numerosos estudios, tanto bajo una perspectiva
académica y general1, como con un enfoque más aplicado y
particular2. Aunque la metodología empleada y los objetivos
de investigación de estos trabajos han sido muy variados,
todos han abordado dos cuestiones básicas:
1) ¿cómo se define valor económico;
2) ¿cuáles son las variables que influyen significativamente
en este valor económico?
Continuando esta línea de investigación, en este artículo se
analiza la relación entre creación de valor para los accionis-
tas y el tamaño, la eficiencia operativa y el apalancamiento
financiero, utilizando datos de empresas cotizadas en la
Bolsa de Madrid para el período 2002-2005. Se emplea la
metodología de las redes neuronales autoorganizadas para
identificar relaciones entre estas variables y agrupar las
empresas de acuerdo a una tipología. Adicionalmente, la
metodología de las redes neuronales supervisadas permite
derivar un algoritmo que ajusta significativamente la rela-
ción entre las variables explicativas y la creación de valor
para los accionistas.
* Instituto de Empresa Business School
** Universidad Complutense de Madrid
El documento está estructurado de la siguiente forma. En la
Sección 2, se lleva a cabo una breve descripción de la meto-
dología empleada, que se desarrolla en los Anexos 1 y 2. En
la Sección 3, se describen las variables empleadas y se justi-
fica su selección. La Sección 4 se destina a describir la com-
posición de la muestra, y la Sección 5 a la interpretación de
los resultados. Por último, en la Sección 6 se resumen algu-
nas de las principales conclusiones.
2. CONCEPTOS BÁSICOS SOBRE REDES NEURONALES
Las redes neuronales son un grupo de algoritmos matemáti-
cos que emulan el funcionamiento del cerebro de los mamí-
feros superiores. Se puede realizar una división, muy básica,
entre las Redes Neuronales Autoorganizadas (RNA) y las
redes Neuronales Supervisadas (RNS). Las RNA son clasifi-
cadoras de datos, mientras que las RNS son aproximadores
universales de funciones.
Las RNA clasifican variables estableciendo relaciones no
lineales entre conjuntos de datos. Esta clasificación se lleva
a cabo minimizando la distancia entre la información de sali-
da y los datos de entrada (redes competitivas), y añadiendo
una función de vecindad (mapas autoorganizados) que per-
mite una agrupación homogénea de la información de salida,
estableciendo relaciones3 .
 ANÁLISIS MEDIANTE REDES NEURONALES
Las RNS no solo agrupan datos sino que permiten elaborar
algoritmos que ajustan significativamente las variables endó-
genas y exógenas a través de un proceso de aprendizaje4
3. SELECCIÓN DE LAS VARIABLES
3.1. GRADO DE APALANCAMIENTO FINANCIERO
El apalancamiento financiero se mide a través del ratio
Deuda / Recursos Propios, utilizando los valores de merca-
do. Un ratio igual a 1 es sinónimo de una empresa que ha
financiado sus activos 50% con deuda y 50% con capital,
mientras que un valor superior a 1 refleja una mayor utiliza-
ción de deuda que de capital y un valor inferior a 1 una
mayor utilización de capital relativamente a la deuda.
Cuanto mayor sea el ratio, más endeudada estará la empresa.
3.2. RENTABILIDAD OPERATIVA
La rentabilidad operativa de la empresa se mide a través del
ratio del beneficio operativo sobre el total de activos (ROA).
Para evitar las posibles discrepancias que pueden surgir en la
medida del beneficio contable como consecuencia de aplicar
criterios distintos, se emplea como medida del beneficio el
EBITDA (beneficio antes de intereses, impuestos, deprecia-
ción y amortización), cuyo valor es independiente de la polí-
tica de amortizaciones, de la estructura de capital y del
impuesto de sociedades.
3.3. VALOR DE CAPITALIZACIÓN BURSÁTIL
Medido como el producto del número de acciones y la cotiza-
ción, en promedio. Es un indicador del tamaño de la empresa.
3.4. CVA Y RA
Para medir la creación de valor para el accionista se emple-
an las dos métricas, CVA y RA. Se define la métrica
Creación de Valor para el Accionista (CVA) como:
CVA (t) = Capitalización inicial x [ RA (t) – Ke ] (1)
donde:
CVA (t) es la creación de valor para el accionista, en el perí-
odo t;
RA (t) es la rentabilidad para el accionista, en el período t;
Ke es el coste de los recursos propios.
La capitalización bursátil de una empresa es el producto de
la cotización en un momento dado y el número de acciones.
La rentabilidad para el accionista (RA) en un período se defi-
17
ne como el aumento de valor para los accionistas en ese perí-
odo dividido por la capitalización de la empresa al inicio del
período. Es decir:
RA (t) = AVA (t) / Capitalización inicio período (2)
donde:
AVA es el aumento de valor para el accionista
El aumento de valor para los accionistas (AVA) en un perí-
odo se define como el resultado de:
Aumento de capitalización de las acciones en el período
+ Dividendos pagados en el período
+ Otros pagos a los accionistas en el período (reducciones
de nominal, amortización de acciones, etc.)
- Desembolsos por ampliaciones de capital del período
- Conversión de obligaciones convertibles del período
Sustituyendo (2) en (1), se obtiene que:
CVA (t) = AVA (t) – [ Capitalización inicial x Ke ]
Es decir, en un período considerado, una empresa crea valor
para sus accionistas si el aumento de valor para sus accio-
nistas es superior a las expectativas de aumento de valor que
tenían al inicio.
4. LA MUESTRA
La muestra incluye todas las empresas cotizadas en la Bolsa
de Madrid e incluidas en el IBEX 35 y el IBEX comple-
mentario ó medio y pequeño, excluyendo las financieras. Es
decir, 80 empresas. Como el horizontal temporal elegido va
de 2002 a 2005, se disponen de 1.600 observaciones corres-
pondientes a las cinco variables elegidas para el estudio.
5. LOS RESULTADOS
5.1. IDENTIFICACIÓN DE RELACIONES Y AGRUPACIÓN
DE EMPRESAS
A partir de la matriz de los datos se construye una red neu-
ronal autoorganizada del tipo Mapa de Kohonen de 10 x 8
neuronas, en una disposición hexagonal, y se lleva a cabo un
entrenamiento por lotes. Un primer resultado de este entre-
namiento se muestra en la Figura 1, donde se presenta el pri-
mer mapa que se obtiene (denominado U-Matrix) que mues-
tra las distancias entre las diferentes neuronas del mapa.
18 ANÁLISIS FINANCIERO
Como se puede observar hay un cúmulo grande en el centro
(el color azul marino indica poca distancia, al contrario que
los tonos vivos que indican gran separación) lo que revela
que la mayoría de las empresas de la base de datos están en
las celdas centrales del modelo.
Matriz U-Matrix de distancias. El color azul indica poca dis-
tancia, mientras que el rojo indica gran distancia entre las
diferentes neuronas
Fig. 1
Fuente: Elaboración propia.
Las distribuciones de densidad de cada una de las variables utilizadas
Fig. 2
La Figura 2 muestra las distribuciones de densidad de las
cinco variables empleadas en el estudio.
Del estudio de esta figura se pueden derivar las siguientes
conclusiones:
1. Existe una baja correlación entre CVA y RA. Las empre-
sas con CVA alto no tienen RA alto.
2. Un CVA alto está asociado con:
a. ROA entre un 4% y 10%. Niveles medios en la
base de datos
b. Apalancamiento entre 1 y 1,13. Niveles cercanos
al intermedio en la base de datos
c. Valor bursátil entre 13.000 y 17.900. Los mayores
de toda la base de datos
3. Un RA alto está asociado con
a. ROA nulo
b. Apalancamiento de 0,2. Bajo en la base de datos
c. Valor bursátil alrededor de 1.030. De los más
pequeños de la base de datos
 ANÁLISIS MEDIANTE REDES NEURONALES 19

En consecuencia, se puede deducir que RA es un indicador Bajo una perspectiva de creación de valor para el accionista,
de creación de valor para el accionista de empresas peque- se puede establecer que el grupo Alfa (color rojo) es el peor,
ñas. Y la CVA para empresas grandes. y que el grupo Golf (color marrón) es el mejor. En este sen-
tido, la ordenación de los grupos sería la siguiente:
Ninguno de los cinco mapas tiene una distribución similar,
por lo que podemos deducir que no existe una gran correla- Posición Grupo Color
ción entre las tres variables elegidas.
1 Golf Marrón
Utilizando una técnica de cluster, basada en lógica borrosa, 2 Foxtrox Azul claro
se determina el número de grupos que existen en nuestro 3 Delta Azul marino
modelo. El algoritmo se representa mediante una línea con- 4 Echo Amarillo
tinua que encuentra un mínimo en el número de grupos más 5 Juliet Naranja
probable. En este caso, se encuentran 8 grupos que aparecen 6 Charlie Celeste
representados en la Figura 3. 7 Bravo Azul
8 Alfa Rojo
La red neuronal establece 8 grupos en función de los
patrones de comportamiento de las empresas Para analizar la evolución del posicionamiento de las empre-
sas estudiadas con relación a estos grupos de valor, se ha
desglosado la información por sectores de actividad: Bienes
de consumo; Materiales básicos, industria y construcción;
Petróleo y energía; Servicios de consumo; Tecnología y
comunicaciones.

La Figura 4 recoge el posicionamiento de las empresas inclui-

das en el sector de bienes de consumo durante los cuatro años
analizados. Bajo la perspectiva de valor para el accionista, des-
taca la consistencia de Zeltia (en un extremo negativo) y de
Altadis e Inditex, en el extremo opuesto, mientras que Visco y
Pescanova serían exponentes de consistencia en un posicio-
namiento intermedio respecto a la creación de valor para el
accionista.

Fig. 3
Fuente: Elaboración propia.

La Tabla 1 resume las características de cada grupo.

Nombre Color Roa Apalancamiento Valor Cva Ra

Alfa Rojo 0-4,6 0,35-1,1 5.000-17.000 (4340)- (2.200) (0,22)- 0,12
Bravo Azul (6)-0 0,2-1,9 1.000-2.000 (160) (0,22) -0,12
Charlie Celeste 3 2-4 1.000-3.000 (160) (0,22) -0,12
Delta Azul Marino 4,56 0,2-1,9 1.000-3.000 (160)-500 0-0,6
Echo Amarillo 3 0,2-1,9 1.000-2.000 (160)-500 0,5-1,34
Foxtrox Azul claro 6-15,8 0,2-0,35 1.000-5.000 (160)-500 (0,22) -0,12
Golf Marrón 6 0,2-0,3 9.000-17.900 3.000-3500 0
Juliet Naranja 6 0,2-0,3 1.000-2.000 (160) (0,2)-0
Tabla 1
20 ANÁLISIS FINANCIERO

Sector de bienes de consumo

Fig. 4
Fuente: Elaboración propia.
 ANÁLISIS MEDIANTE REDES NEURONALES 21

La Figura 5 incluye los resultados para las empresas del sec- En este sector, la empresa consistentemente mejor posicio-
tor de materiales básicos, industria y construcción. nada es ACS, seguida de Zardoya. El posicionamiento con-

Sector de materiales básicos, industria y construcción

Fig. 5
Fuente: Elaboración propia. sistente más negativo corresponde a Acerinox, mientras
que Abengoa y OHL se sitúan en la zona intermedia. Los
22 ANÁLISIS FINANCIERO

recorridos de Ferrovial y Gamesa serían exponentes de La Figura 6 recoge los resultados para las empresas del sec-
posicionamientos altamente volátiles. tor petróleo y energía.