Modelización de la solvencia con una red neuronal MLP. Aplicación a los sectores de la construcción y energía españoles
- Autores: Ana Isabel Velasco Fernández
- Directores de la Tesis: Ricardo José Rejas Muslera (dir. tes.), Juan Padilla Fernández-Vega (codir. tes.)
- Lectura: En la Universidad Camilo José Cela ( España ) en 2014
- Idioma: español
- Tribunal Calificador de la Tesis: Miguel Ángel Sicilia Urbán (presid.), Tomás García Martín (secret.), Juan Manuel Rodríguez Ruiz (voc.), M. Mar Fenoy Muñoz (voc.), Antonio José Reinoso Peinado (voc.)
- Materias:
- Texto completo no disponible (Saber más ...)
- Resumen
La predicción de la solvencia es una cuestión de interés incuestionable en contabilidad y finanzas. Su importancia práctica es evidente en la mejora del conocimiento del riesgo financiero, en la prevención del fracaso o para evitar un proceso de liquidación.
En esta línea son muchas las contribuciones realizadas a la mejora de la selección e implementación de una metodología adecuada de predicción. Sin embargo, los mayores esfuerzos se han dirigido hacia la investigación del diseño muestral, de la selección de las variables predictoras, de las técnicas estadísticas utilizadas y casi siempre con datos de entidades financieras, empresas extranjeras o con empresas cotizadas en Bolsa.
Por otra parte, desde hace décadas, las empresas españolas se han visto sometidas a profundos cambios. La globalización y el progreso tecnológico han supuesto una mayor competitividad, y las empresas han tenido que adaptar sus modelos operativos, organizativos y económicos a los nuevos tiempos. Por si fuera poco, desde el año 2007, la crisis económica mundial ha obligado a nuestras empresas, a rediseñar mecanismos con los que sobrevivir en un entorno de incertidumbre e inestabilidad.
En las últimas décadas como consecuencia del progreso tecnológico e informático han surgido nuevas técnicas procedentes de la inteligencia artificial aplicadas al ámbito financiero.
Existen sin embargo detractores de las mismas que alegan que los resultados proporcionados por éstas no mejoran los obtenidos con la estadística tradicional y sin embargo incrementan la complejidad del funcionamiento y la interpretación de los resultados.
En esta tesis nos planteamos el objetivo de modelizar mediante una red neuronal artificial la predicción de la solvencia de una muestra de empresas no cotizadas pertenecientes a los sectores de Construcción e inmobiliaria y Energía e Industria en España, ambos muy afectados por la reciente recesión económica, con el fin de refutar la afirmación anterior.
En primer lugar hemos hecho una investigación y análisis de las técnicas más comúnmente aplicadas en predicción de solvencia, correspondientes a la estadística tradicional y basadas en su mayoría en el análisis discriminante y la probabilidad condicional (lógit y probit). Igualmente revisamos las características de las nuevas técnicas procedentes de la lA aplicadas en este campo, fundamentalmente las redes neuronales artificiales.
En segundo lugar hacemos una revisión en la literatura del concepto de fracaso y las variables de clasificación más veces utilizadas por los distintos autores. Aunque existe una gran disparidad de criterios en cuanto al concepto de fracaso, para alcanzar el objetivo pretendido en nuestro estudio, y con el fin de ampliar lo más posible la muestra de empresas no solventes, hemos adoptado el criterio de considerar el fracaso equiparable a la quiebra técnica, entendiendo por ésta aquella situación en la que la empresa no puede cumplir con las obligaciones financieras con sus acreedores, proveedores y/o vendedores y que puede conducir a la empresa tanto a un proceso concursal como a una liquidación de la misma, es decir, en términos contables, la situación en la que el valor de sus deudas supere al total de sus inversiones.
En cuanto a las variables independientes que permiten explicar el comportamiento de la variable Solvencia seleccionamos los siguientes ratios financieros: R01: Capital de trabajo/Total activos, R02: Recursos propios/Total activos, R03: Ganancias antes de intereses y tasas/Total activos, R04: Valor contable/Pasivo exigible, R05: Total ventas/Total activos. Cada ratio refleja algún aspecto de la realidad financiera de la empresa y se encuadran dentro de las categorías más ampliamente utilizadas en los modelos de predicción de solvencia.
En tercer lugar estudiamos la problemática de la empresa española a raíz de la globalización y la reciente recesión económica, con el fin de buscar qué tipos de empresas y sectores se verían más favorecidos en la actualidad por un modelo de predicción y análisis de la solvencia, tras lo cual decidimos utilizar en nuestro estudio una muestra de 345 empresas no cotizadas de los sectores Construcción y promoción inmobiliaria, la Industria y el Comercio.
Las RNA son redes interconectadas masivamente en paralelo de elementos simples y con organización jerárquica, las cuales intentan interactuar con los objetos del mundo real del mismo modo que lo hace el sistema nervioso biológico. Un tipo especial de ellas son las redes MLP-BP. Aplicando esta técnica, y después de una exhaustiva selección, obtenemos 2 modelos neuronales:1) El modelo automático: una red 5:3:2 con función de activación tangh en la capa oculta y softmax en la capa de salida; 2) El modelo personalizado: una red 5:3:2 con función de activación tangh en la capa oculta y función identidad en la capa de salida. En ambos el tipo de entrenamiento es en línea con el algoritmo de optimización de la pendiente del gradiente.
Igualmente, seleccionamos de las técnicas estadísticas tradicionales, una de las más usadas en predicción y análisis de la solvencia: el análisis discriminante. De esta forma, obtenemos un tercer modelo cuyos resultados comparamos con los obtenidos con los modelos neuronales.
De esta forma comparamos: Sensibilidad, Especificidad, Predicción positiva, Predicción negativa, Exactitud, Error total, Error tipo I y Error tipo II, en los tres modelos obtenidos.
Absolutamente en todos los parámetros evaluados los modelos neuronales superan al modelo discriminante. El modelo automático le mejora en cuanto a Sensibilidad, Predicción negativa, Grado de confianza, Error total y Error tipo II, mientras que el modelo personalizado le supera en Sensibilidad, Especificidad, Predicción positiva, Predicción negativa, Grado de confianza, Error total, Error tipo I y Error tipo II.
Concluimos, por tanto, que las redes neuronales artificiales ofrecen mejores resultados que la estadística tradicional en problemas de clasificación y predicción de solvencia.
