Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Quiebra Financiera
1
Introducción
2
Motivación
• Una de las principales preocupaciones de un
inversionista es la de evitar invertir en empresas que
puedan acabar en quiebra.
• Mercado de valores: valor de la empresa depende en
parte de su solidez.
• Acreedores.
• Gobiernos.
• Calificadoras de riesgo.
3
Mercado de Capitales
Empresas
Activos Deuda
•Inversiones •Deudas Bancos
•Pasivos Corto
•Caja Plazo
Generación de
•Pasivos Largo Requerimientos de
•Activos Plazo
Valor Corrientes Capital
•Bonos
•Activos Fijos
Patrimonio
•Aportes Socios
•Otros Activos
•Reservas
•Utilidades
4
WACC Selección de Financiamiento
• Weighted Avera ge Cost of Ca pita l
– Debe incluir el costo marginal de todas las fuentes de capital:
deuda y equity.
– Calculado después de impuestos (FCL es después de
impuestos).
Valoración de Activos
5
27
Selección de Financiamiento
6
Razones de liquidez
𝑪𝒂𝒑𝒊𝒕𝒂𝒍 𝒅𝒆 𝒕𝒓𝒂𝒃𝒂𝒋𝒐 = 𝑨𝒄𝒕𝒊𝒗𝒐 𝒄𝒐𝒓𝒓𝒊𝒆𝒏𝒕𝒆 − 𝑷𝒂𝒔𝒊𝒗𝒐 𝒄𝒐𝒓𝒓𝒊𝒆𝒏𝒕𝒆
𝑨𝒄𝒕𝒊𝒗𝒐 𝒄𝒐𝒓𝒓𝒊𝒆𝒏𝒕𝒆
𝑹𝒂𝒛ó𝒏 𝒄𝒐𝒓𝒓𝒊𝒆𝒏𝒕𝒆 =
𝑷𝒂𝒔𝒊𝒗𝒐 𝒄𝒐𝒓𝒓𝒊𝒆𝒏𝒕𝒆
7
Razones operacionales o de actividad
𝑽𝒆𝒏𝒕𝒂𝒔
𝑹𝒐𝒕𝒂𝒄𝒊ó𝒏 𝒅𝒆 𝒄𝒂𝒓𝒕𝒆𝒓𝒂 𝒗𝒆𝒄𝒆𝒔 =
𝑪𝒖𝒆𝒏𝒕𝒂𝒔 𝒙 𝒄𝒐𝒃𝒓𝒂𝒓
𝑪𝒐𝒔𝒕𝒐 𝒅𝒆 𝑽𝒆𝒏𝒕𝒂𝒔
𝑹𝒐𝒕𝒂𝒄𝒊ó𝒏 𝒅𝒆 𝒊𝒏𝒗𝒆𝒏𝒕𝒂𝒓𝒊𝒐𝒔 𝒗𝒆𝒄𝒆𝒔 =
𝑰𝒏𝒗𝒆𝒏𝒕𝒂𝒓𝒊𝒐
8
Razones operacionales o de actividad
𝑪𝒖𝒆𝒏𝒕𝒂𝒔 𝒙 𝒑𝒂𝒈𝒂𝒓 𝑿 𝟑𝟔𝟎
𝑹𝒐𝒕𝒂𝒄𝒊ó𝒏 𝒅𝒆 𝒄𝒖𝒆𝒏𝒕𝒂𝒔 𝒑𝒐𝒓 𝒑𝒂𝒈𝒂𝒓 𝒅í𝒂𝒔 =
𝑪𝒐𝒎𝒑𝒓𝒂𝒔
𝑽𝒆𝒏𝒕𝒂𝒔
𝑹𝒐𝒕𝒂𝒄𝒊ó𝒏 𝒅𝒆𝒍 𝒂𝒄𝒕𝒊𝒗𝒐 𝒕𝒐𝒕𝒂𝒍 𝒗𝒆𝒄𝒆𝒔 =
𝑨𝒄𝒕𝒊𝒗𝒐 𝒕𝒐𝒕𝒂𝒍
𝑽𝒆𝒏𝒕𝒂𝒔
𝑹𝒐𝒕𝒂𝒄𝒊ó𝒏 𝒅𝒆𝒍 𝒂𝒄𝒕𝒊𝒗𝒐 𝒇𝒊𝒋𝒐 𝒗𝒆𝒄𝒆𝒔 =
𝑨𝒄𝒕𝒊𝒗𝒐 𝒇𝒊𝒋𝒐
𝑽𝒆𝒏𝒕𝒂𝒔
𝑹𝒐𝒕𝒂𝒄𝒊ó𝒏 𝒂𝒄𝒕𝒊𝒗𝒐 𝒑𝒓𝒐𝒅𝒖𝒄𝒕𝒊𝒗𝒐 𝒗𝒆𝒄𝒆𝒔 =
𝑨𝒄𝒕𝒊𝒗𝒐𝒔 𝒑𝒓𝒐𝒅𝒖𝒄𝒕𝒊𝒗𝒐𝒔
𝑽𝒆𝒏𝒕𝒂𝒔
𝑹𝒐𝒕𝒂𝒄𝒊ó𝒏 𝒂𝒄𝒕𝒊𝒗𝒐 𝒄𝒐𝒓𝒓𝒊𝒆𝒏𝒕𝒆 𝒗𝒆𝒄𝒆𝒔 =
𝑨𝒄𝒕𝒊𝒗𝒐 𝒄𝒐𝒓𝒓𝒊𝒆𝒏𝒕𝒆
𝑽𝒆𝒏𝒕𝒂𝒔
𝑹𝒐𝒕𝒂𝒄𝒊ó𝒏 𝒅𝒆𝒍 𝒄𝒂𝒑𝒊𝒕𝒂𝒍 𝒅𝒆 𝒕𝒓𝒂𝒃𝒂𝒋𝒐 𝒗𝒆𝒄𝒆𝒔 =
𝑪𝒂𝒑𝒊𝒕𝒂𝒍 𝒅𝒆 𝒕𝒓𝒂𝒃𝒂𝒋𝒐
𝑪𝒊𝒄𝒍𝒐 𝒐𝒑𝒆𝒓𝒂𝒄𝒊𝒐𝒏𝒂𝒍
= 𝑷𝒆𝒓𝒊𝒐𝒅𝒐 𝒅𝒆 𝒓𝒆𝒄𝒂𝒖𝒅𝒐 𝒅𝒆 𝒄𝒂𝒓𝒕𝒆𝒓𝒂 + 𝑷𝒆𝒓𝒊𝒐𝒅𝒐 𝒅𝒆 𝒓𝒆𝒑𝒐𝒔𝒊𝒄𝒊ó𝒏 𝒅𝒆 𝒊𝒏𝒗𝒆𝒏𝒕𝒂𝒓𝒊𝒐𝒔
9
Razones de endeudamiento o
apalancamiento
𝑻𝒐𝒕𝒂𝒍 𝒑𝒂𝒔𝒊𝒗𝒐
𝑬𝒏𝒅𝒆𝒖𝒅𝒂𝒎𝒊𝒆𝒏𝒕𝒐 𝒕𝒐𝒕𝒂𝒍 % =
𝑻𝒐𝒕𝒂𝒍 𝒂𝒄𝒕𝒊𝒗𝒐
𝑻𝒐𝒕𝒂𝒍 𝒑𝒂𝒔𝒊𝒗𝒐
𝑳𝒆𝒗𝒆𝒓𝒂𝒈𝒆 % =
𝑪𝒂𝒑𝒊𝒕𝒂𝒍 𝒄𝒐𝒏𝒕𝒂𝒃𝒍𝒆
𝑷𝒂𝒔𝒊𝒗𝒐 𝒄𝒐𝒓𝒓𝒊𝒆𝒏𝒕𝒆
𝑪𝒐𝒏𝒄𝒆𝒏𝒕𝒓𝒂𝒄𝒊ó𝒏 (%) =
𝑻𝒐𝒕𝒂𝒍 𝒑𝒂𝒔𝒊𝒗𝒐
𝑬𝑩𝑰𝑻𝑫𝑨
𝑪𝒖𝒃𝒓𝒊𝒎𝒊𝒆𝒏𝒕𝒐 𝒗𝒆𝒄𝒆𝒔 =
𝑮𝒂𝒔𝒕𝒐 𝒅𝒆 𝒊𝒏𝒕𝒆𝒓𝒆𝒔𝒆𝒔
10
Razones de rentabilidad o rendimiento
𝑼𝒕𝒊𝒍𝒊𝒅𝒂𝒅 𝒃𝒓𝒖𝒕𝒂
𝑴𝒂𝒓𝒈𝒆𝒏 𝒃𝒓𝒖𝒕𝒐 (%) =
𝑽𝒆𝒏𝒕𝒂𝒔
𝑼𝒕𝒊𝒍𝒊𝒅𝒂𝒅 𝒐𝒑𝒆𝒓𝒂𝒄𝒊𝒐𝒏𝒂𝒍
𝑴𝒂𝒓𝒈𝒆𝒏 𝒐𝒑𝒆𝒓𝒂𝒄𝒊𝒐𝒏𝒂𝒍 % =
𝑽𝒆𝒏𝒕𝒂𝒔
𝑼𝒕𝒊𝒍𝒊𝒅𝒂𝒅 𝒏𝒆𝒕𝒂
𝑴𝒂𝒓𝒈𝒆𝒏 𝒏𝒆𝒕𝒐 % =
𝑽𝒆𝒏𝒕𝒂𝒔
𝑼𝒕𝒊𝒍𝒊𝒅𝒂𝒅 𝒏𝒆𝒕𝒂
𝑹𝒆𝒏𝒕𝒂𝒃𝒊𝒍𝒊𝒅𝒂𝒅 𝒅𝒆𝒍 𝒂𝒄𝒕𝒊𝒗𝒐 % = 𝑹𝑶𝑰 =
𝑨𝒄𝒕𝒊𝒗𝒐 𝒕𝒐𝒕𝒂𝒍
𝑼𝒕𝒊𝒍𝒊𝒅𝒂𝒅 𝒏𝒆𝒕𝒂
𝑹𝒆𝒏𝒕𝒂𝒃𝒊𝒍𝒊𝒅𝒂𝒅 𝒅𝒆𝒍 𝒑𝒂𝒕𝒓𝒊𝒎𝒐𝒏𝒊𝒐 % = 𝑹𝑶𝑬 =
𝑷𝒂𝒕𝒓𝒊𝒎𝒐𝒏𝒊𝒐
𝑳𝒆𝒗𝒆𝒓𝒂𝒈𝒆 = 𝑹𝑶𝑬 − 𝑹𝑶𝑰
11
Razones sobre dividendos y acciones
12
Estados de fuentes y usos de fondos
EBITDA
Ventas
- Costo de ventas
= UTILIDAD BRUTA
- Gastos de Administración
- Gastos de Ventas
= UTILIDAD OPERATIVA
+ Depreciaciones y amortizaciones
= EBITDA
13
Estados de fuentes y usos de fondos
VARIACIÓN KTNO
14
Estados de fuentes y usos de fondos
NOPAT + depreciación
capital trabajo operacional (KTO)
Inversión de capital (IC)
Variación KTO
Variación IC
Flujo de caja Libre (FCL)
Deuda corto plazo (DFCP)
Deuda largo plazo
Gasto financiero - imp.
Variación DFCP
Variación DFLP
Flujo de caja para capital (FCC)
Capital
Dividendos
Variación capital
Flujo de caja para inversión
Inversiones
Variación inversiones
Ingresos Financieros - imp.
Variación de caja de año
Caja Inicial
Caja Final
15
La pregunta del millón
16
Modelo de Altman Z-score
capital circulante Reservas BAIT
Z 1.2 1.4 3.3
Activo Total Activo Total Activo Total
Valor mercado FFPP Ventas
0.6 1.0
Valor contable deuda Activo total
• 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 (“área gris”)
17
Evaluación: Matriz de confusión
Predicción
Observados
No Quiebra Quiebra
Verdadero
No Quiebra Negativo
Falso Positivo
Falso Verdadero
Quiebra Negativo Positivo
18
Errores
Error tipo I: Clasificar a una empresa en ‘baja probabilidad
de quiebra’ cuando está en quiebra
19
Indicadores utilizados
• Liquidez. • Retornos sobre equity.
• Rentabilidad. • Price to book ratio.
• Apalancamiento. • Valor de mercado.
• Activos totales. • Precio de la acción.
• Retornos sobre activos. • Crecimiento en el número
• Ventas. de empleados.
• Crecimiento en ventas.
• Márgenes operacionales.
20
Indicadores utilizados
21
Algoritmos de Machine Learning (ML)
• Dentro de la metodologías estadísticas y de ML se
encuentran métodos Supervisados y no supervisados.
23
Variables Respuesta
24
El Problema
• Existen dos tipos de problemas:
• Clasificación
• Pronóstico
25
El Problema
Supervisado No supervisado
Exploratorios
Clasificación Predictivos / /Segmentación
/Perfilación
Pronóstico Predictivos o
N/A
(Explicación) Explicativos
26
Método FactoClass
Modelos
Clasificación
27
Metodologías
• Dentro de la metodologías estadísticas y de ML se
encuentran métodos Supervisados y no supervisados.
28
Metodologías
• Árboles Decisión
• Regresión Logística
• Regresión Multinomial
• KNN
• Redes Neuronales
• Random Forest
• Support Vector Machine SVM
29
Árboles de Decisión
30
Árboles de Decisión
31
32
Regresión Logística
• Se parte de una variable con distribución de
probabilidad binomial. Se desea conocer la probabilidad
de ocurrencia a través de un conjunto de variables
explicativas. La forma del modelo de regresión logístico
es:
33
Ejemplo
é Deuda Total ù
Z = -1.32 - 0.407 [ tamaño] + 6.03ê
ë ActivoTotal úû
34
Regresión Multinomial
• Utiliza los conceptos de la regresión logística pero en
este caso la variable respuesta tiene múltiples
categorías. En este caso utiliza la función multinomial
para estimar la probabilidad de pertenecer a una
categoría.
35
KNN
• Para hablar de clasificación partamos de un principio básico:
Las cosas que son parecidas tienen propiedades parecidas
36
kNN
• El algoritmo de vecino más cercano más
popular es el kNN (k Nearest Neighbor)
37
kNN
• Pero también tiene desventajas:
38
Redes Neuronales
39
Redes Neuronales
40
Redes Neuronales
41
Funciones de Activación de las
Redes
42
Random Forest
43
Random Forest
Para cada áŕ roo individual del bosque, el método hace lo
siguiente:
45
Support Vector Machine SVM
46
Support Vector Machine SVM
47
Support Vector Machine
48
Support Vector Machine
49
Support Vector Machine
50
Support Vector Machine
51