Modelos de predicción de quiebra
Modelos de prediccón de
quiebra


Se basan en datos contables de
empresas que han quebrado
Metodología estadística



Análisis univariante
Análisis multidisciminante
Regresión logit
Qué queremos predecir?
• quiebra = problemas serios de
liquidez que no pueden ser
solucionados y causan el cierre
del negocio y liquidando los
activos
Análisis multidiscrimante de
quiebra


Permite el uso simultáneo de varios ratios
Desventajas:



Es posible que se excluyan ratios importantes
Los puntos de corte se determinan de forma
subjetiva
Problemas estadísitcos:


Se asume que los ratios se distribuyen normalmente
No pueden utilizarse variables dummy variables
Modelo de Altman Z-score
Z  1.2
 capital circulante 
 Activo Total   1.4


BAIT
 Reservas



 3 .3
 Activo Total 
 Activo Total 




 Valor mercado FFPP 
 Ventas

 0 .6
 Valor contable deuda   1.0  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 (“area gris”)
Modelo Z’
BAIT
 capital circulante 
 Reservas



Z'  0.72
 Activo Total   0 . 85  Activo Total   3 . 11  Activo Total 






 Valor contable FFPP 
 Ventas

 0 . 42
 1.0
 Valor contable deuda 
 Activo total 





Aplicable a todas sociedades anónimas


Usa el valor contable de los foos propios en lugar del valor
de mercado
Puntos de corte:



Z < 1.23 (alto riesgo de quiebra)
Z > 2.90 (bajo riesgo)
1.23 < Z < 2.90 (“área gris”)
Z’’ Model
BAIT
 capital circulante 
 Reservas



Z' '  6.56
 3 . 26
 6 . 72
 Activo Total 
 Activo Total 
 Activo Total 






 Valor mercado FFPP 
 1 . 05
 Valor contable deuda 





Aplicable a empresas no industriales
Se elimina la rotación de activos para minimizar el
efecto sectorial
Puntos de corte:



Z < 1.10 (Alto riesgo de quiebra)
Z > 2.60 (bajo riego)
1.10 < Z < 2.60 (“área gris”)
Regresión Logit


La regresión logit se utiliza cuando queremos
predecir un resultado binario, por ejemplo,
quiebra vs. no quiebra y sabemos que existen
varios factores que pueden incidir sobre tal
resultado.
Elegimos un resultado como ‘evento’ y lo
codificamos con el valor 1.
Datos no binarios
Plot of Age and Wisdom
100
90
Observed
80
70
Wisdom
60
50
40
30
20
10
0
0
10
20
30
40
50
Age
60
70
80
90
100
Ajuste: regresión lineal
Linear Plot of age and Wisdom
100
Observed
90
Best Linear Guess
80
70
Wisdom
60
50
40
30
20
10
0
0
10
20
30
40
50
Age
60
70
80
90
100
Datos binarios: por muy bien que se ajuste una recta, las
predicciones serán malas
Plot of Age and Wisdom
1
Wisdom
Observed
0
0
10
20
30
40
50
Age
60
70
80
90
100
Querríamos alguna función que se aproxime a una que ‘pegue’ un
salto.
Plot of Age and Wisdom
1
Observed
Wisdom
Idealized Best Guess
0
0
10
20
30
40
50
Age
60
70
80
90
100
Regresión logística
plot de deuda y quiebra
1
Observed
quiebra
Idealized Best Guess
quiebra
0
0
10
20
30
40
50
60
70
80
90
100
deuda

Con una regresión logística obtendremos lprobabilidad de
pertenecer al grupo que se calificó como ‘evento’.
Análisis Logit de la quiebra

Ventajas:


Resuelve problemas estadísticos asociados con la
metodología del análisis multidiscrminante
Estima la probabilidad de quiebra
Pr (quiebra)

1
1 e
-y
Ohlson Model
y   1.32  0.407  SIZE  6.03  TLTA
 1.43  WCTA  0.0757  CLCA  2.37  NITA
 1.83  FUTL  0.285  INTWO - 1.72  OENEG - 0.521  CHIN



Coeficientes positivos incrementan Pr (quiebra)
Pr (quiebra) disminuye con tamaño de la empresa,
capital circulanye, rentabilidad, flujo de caja beneficio
creciente
Pr (quiebra) incrementa con deuda alta y falta de
liquidez
Logit: Modelo de Ohlson
y   1 . 32  0 . 407 tamaño
 Capital circulante
 1 . 43 
Activo Total


 Deuda Total 
6 . 03 
l
 ActivoTota


 Pasivo
  0 . 0757  Activo


Bº Neto


 Flujo
 2 . 37 

1
.
83


 Activo Total 

circulante
Circulante
Caja de Operacione
Deuda
Total



s


neto fue negativo
en los dos últimos
años
 1 si el beneficio

 0 . 285 

neto no fue negativo
en los dos últimos
años 
 0 si el beneficio
 1 si deuda total es mayor que activo total

 1 . 72 

 0 si deuda total no es mayor que activo total 

 0 . 521 
 Suma
Cambio
del valor
absoluto
en el beneficio
de los beneficios
netos
neto
del ejercicio
actual
y anterior



Modelo Original Ohlson (cont.):
Error tipo I: Clasificar a una empresa en ‘baja
probabilidad de quiebra’ cuando está en quiebra
Error Tipo II: Clasificar una empresa en ‘alta
probabilidad de quiebra’ cuando no está en quiebra
Equilibrio entre los errores Tipo I y Tipo II: elegir un
punto de corte que minimice el coste de los errores.
Modelo Original Ohlson (cont.):
Probabilid
ad de quiebra
donde e es aproximada


1
1 e
-y
mente 2.718282
Punto de corte en 3.8% minimiza errores Tipo I y II
Resumen de los factores
asociados con la quiebra

Inversión:



relativa baja liquidez de activos (-)
Ratio de rotación de activos (-)
Financieros:


Proporción relativa de deuda en la
estructura financiera (+)
Proporción relativa de deuda a corto plazo
en la estructura financiera (+)
Resumen de los factores
asociados con la quiebra

Explotación:

Nivel relativo de rentabilidad (-)



La mayor parte de los problemas financieros comienzan
tras uno o varios años de resultados de explotación
pobres
Variabilidad de las operaciones (+)
Otros:

tamaño (-)



Relativo al acceso a la financiación y grado de flexibilidad
crecimiento (?)
Opinión auditores (+)
Por qué nos centramos en la
predicción de la quiebra?



La quiebra es un concepto legal, no
económico
Muchas empresas con problemas serios
financieros evitan la quiebra
renogociando la deuda y/o vendiendo
activos
Los analistas querrán determinar más
bien cuando la calificación del crédito
de una empresa cambia, no cuando se
declara en quiebra
Descargar

RISK ANALYSIS