Está en la página 1de 17

Modelos de Predicción

de
Impago
Introducción

• Diferentes modelos de predicción de Distress


financiero han sido desarrollados a través de los
años.
• Han sido utilizados por la comunidad de
negocios con diversos fines, destacándose los
modelos de predicción de quiebra desarrollados
en una primera etapa por Altman (1968).
¿Para qué sirven?

1. Para identificar qué variables, de un conjunto


de posibilidades, son las más importantes para
explicar el distress financiero (magnitud y
sentido).
2. Para asociar una probabilidad de impago a
una empresa, o un grupo de ellas, de acuerdo
a las variables anteriores.
3. Para predecir a un horizonte de tiempo
determinado y con algún grado de
significancia, la probabilidad de que una
empresa no cumpla su compromiso de pago.
Ejemplos de usuarios

• Instituciones Financieras, para determinar


riesgo de default en créditos nuevos
(Admisión).
• Inversores que evalúan potenciales o actuales
decisiones de inversión.
• Acreedores para determinar si tramitar o no a
alguna compañía.
• Predicción sofisticada de default financiero en
carteras complejas (Banco, compañías de
seguro, etc) (Seguimiento, ¿Anticipación?)
¿Qué tienen en común?

• Utilizan información contable como Inputs del


modelo (ratios financieros o similares).
• Dejan de lado un gran número de variables
difícilmente cuantificables, pero de gran
importancia, como son:
– Información de los mercados.
– Planes estratégicos.
– Capacidad de Management.
– Respaldo de los socios.
– Entre otras.
Análisis de Riesgo v/s
Modelos de Predicción
• Aporta un criterio invariable a la calificación de riesgo.
• Su eficacia puede ser medida y probada a través de un
backtesting.
• Evita la inercia de un análisis de riesgo tradicional.
• Son más veloces a la hora de indicar la decisión
correcta a seguir.
• Es independiente de las condiciones especiales de un
crédito u operación (no considera colaterales, o
garantías).
• Son complementarios. El análisis de riesgo (scorings o
ratings) puede ser utilizado como un input a los
modelos de predicción o viceversa.
Modelos Multivariables
• Altman (1968) desarrolló – a través de un análisis
discriminante múltiple (ADM) – un modelo multivariado
LINEAL, denominado internacionalmente como el Z-score
de Altman.

• Este determinó que cinco variables, de un total de 22 ratios


evaluados, lograban satisfactoriamente el propósito de
clasificación:

X1 = Capital de Trabajo / Total Activos


X2 = Utilidades Retenidas / Total Activo
X3 = Utilidad antes de Intereses e Impuestos / Total
Activos
X4 = Valor de Mercado del Patrimonio / Valor Libro
Total Pasivos
X5 = Ventas / Total Activos
Modelo Z-score de Altman
Modelo Z-score de Altman
Modelo Z-score de Altman

Baja probabilidad de quiebra; probablemente la empresa no


tendrá problemas de solvencia en el corto y mediano plazo,
aunque factores tales como mala gestión, fraude,
desaceleración y otros podrían causar un cambio inesperado.
Alta Probabilidad de quiebra, indica que la empresa
prácticamente incurrirá en quiebra, normalmente una empresa
no recupera su solvencia si se encuentra con un resultado de
esta naturaleza.
Zona gris, señala alguna seguridad relativa, pero se sitúa dentro
de un área de observación (área gris) y está debajo del umbral
de más alta seguridad.
Modelo Z-score de Altman: La Polar
Análisis Logístico y Normal
(Logit – Probit)
• Permiten obtener reglas de clasificación a partir de
observaciones pertenecientes a poblaciones discretas,
siendo su ventaja la de arrojar una regla de
clasificación en probabilidad (NO LINEAL).
• James Ohlson (1980) utilizó por primera vez un modelo
econométrico Logit.

El valor proyectado puede ser entendido como la


probabilidad de que una determinada firma tenga
problemas financieros.
I.A. Redes Neuronales
• A partir de los 90´s la mayor capacidad de cálculo llevó
a desarrollar sistemas más sofisticados de predicción de
impago, introduciendo las RN´s.
• Herbrich et al. (2000) señalan que la característica más
importante de las redes neuronales es su capacidad
para aprender dependencias basadas en un número
finito de observaciones, donde el término aprendizaje
significa que el conocimiento adquirido a partir de las
muestras puede ser generalizado a las observaciones no
vistas.
• En el fondo, la RN´s son un grupo de eccs. no lineales
actuando en conjunto (distribuidas, paralelas y
adaptativas)
Comparación Metodologías
Característica/Metodología Altman Logit/Probit RN´s
Input Ratios Ratios Ratios
Output Score Probabilidad Probabilidad
Tamaño Base de Datos 30 100 ó + 200 ó +
Tratamiento de los datos Lineal No Lineal No Lineal
Poder de Clasificación Mediano Alto Alto
Poder Explicativo Alto Alto Difuso
Poder Predictivo a 1 año Mediano Alto Alto
Poder Predictivo a más 1 año Bajo Mediano Alto
Complejidad Implementación Baja Mediana Alta
Tipo de Implementación Ecuación Ecuación/Sistema Sistema
Soporte de Implementación Excel Excel/Visual Basic Visual Basic(*)
Evidencia Científica
• Altman, Marco y Varetto (1994), hicieron un análisis comparativo
entre un modelo multivariable y otro de redes neuronales, y
aplicaron ambos a un grupo de 1000 empresas italianas. El análisis se
realizó para un año antes de la quiebra y no se pudo determinar que
un modelo fuera mejor que otro.
• Back, Laitinen y Sere (1996), aplicaron un algoritmo genético junto
con un modelo de redes neuronales, y los resultados que obtuvieron
fueron significativamente mejores que los obtenidos con el modelo
multivariable aplicado a las mismas empresas.
• Parisi, Maquieira & Parisi (2005) utilizaron un modelo Probit para
determinar si la crisis de los bancos ecuatorianos en 1999 fue
producto de la teoría de pánico, o si realmente había variables que
hacían prever su futura condición de quiebra. Se encontró que la
crisis era predecible a lo menos con un año de anticipación
utilizando para ello el modelo desarrollado.
Evidencia Cercana
• Parisi, Parisi & Díaz (2005) desarrollaron un estudio de
predicción de incumplimiento de pagos para un
importante banco de la plaza en Chile, para lo cual se
utilizaron 255 empresas en quiebra, pareadas por
industria y tamaño con 255 empresas sanas, durante el
periodo 1998-2002.
• En esta investigación se evaluó la capacidad predictiva
de los modelos econométricos Logit y Probit versus un
modelo de redes neuronales. El análisis concluyó que
las redes en general entregan mejores resultados, con
niveles de predicción significativamente altos, los
cuales responden eficazmente hasta tres años antes de
la quiebra.