Modelo de valoración de empresas no cotizadas en bolsa
- Autores: Germania Vayas Ortega
- Directores de la Tesis: Cristina Soguero Ruiz (dir. tes.), Francisco Javier Gimeno Blanes (codir. tes.)
- Lectura: En la Universidad Rey Juan Carlos ( España ) en 2020
- Idioma: español
- Tribunal Calificador de la Tesis: Alfredo Jiménez Palmero (presid.), Pilar Talón Ballestero (secret.), Enrique Carrera Erazo (voc.)
- Programa de doctorado: Programa de Doctorado en Tecnologías de la Información y las Comunicaciones por la Universidad Rey Juan Carlos
- Materias:
- Enlaces
- Tesis en acceso abierto en: TESEO
- Resumen
Antecedentes. Existen un gran número de situaciones en las que se requiere una valoración justa de una empresa, pudiendo citarse como ejemplos habituales el caso de evaluación del riesgo de crédito para la obtención de prestamos, la formalización de fusiones, adquisiciones, alianzas y creación de empresas conjuntas, o la evaluación de cartera y fondos de inversión de una sociedad con fines fiscales, entre otros.
Dentro de los diferentes modelos de valoración, la forma más simple y accesible de establecer una estimación es hacer uso de los fondos propios presentes en el balance de situación, ya que se trata del valor recogido en la contabilidad oficial de la empresa y no incorpora ninguna otra contribución ajena o subjetiva de ningún tipo. Sin embargo, y con frecuencia, esto no es suficiente, ya que esta cifra, reconocida como el valor en libros de la literatura inglesa, no incorpora información alguna sobre la capacidad futura de generación de valor por parte del negocio, el potencial fondo de comercio, las valoraciones de la cartera de clientes, ni las valoraciones actualizadas de los productos o servicios en curso o desarrollados que aún no han sido comercializados.
La búsqueda de un método de valoración de empresas no sesgado para reducir esta incertidumbre, ya sea o no automático, ha sido objeto de análisis en las ciencias sociales y en el desarrollo empresarial durante décadas. Se han descrito un número indeterminado de métodos en la bibliografía, sin que ello haya llevado a un consenso respecto a la existencia de un método válido de forma generalizada. Es por ello que bancos de inversión, accionistas, entidades de crédito e incluso la propia administración publica, generalmente requieren de estimaciones complejas y no siempre soportadas por información contrastable, incorporada en planes de negocios confeccionados para la ocasión y empleando el conocido modelo de Descuento de Flujo de Caja (DFC). Sin embargo, el DFC es especialmente sensible a determinados elementos clave, como son, la tasa de descuento empleada, más conocido por su designación en inglés Weight Average Cost of Capital (WACC) y los métodos de proyección a futuro del Flujo de Caja Libre (FCL).
Por otra parte, existen variables externas (exógenas) fuera de todo control de los directivos de las empresas, que sin embargo, de forma indirecta pueden tener reflejo en la rentabilidad y en el valor, y por tanto cabe pensar que podrían ser incorporadas en los modelos de valoración. Ejemplo de ello son los indicadores macroeconómicos por país, como el Producto Interno Bruto, la Tasa de Interés Real y el Índice de Precios al Consumidor.
Adicionalmente, en la actualidad se puede aprovechar el potencial y la capacidad de procesamiento de la información que ofrecen las Técnicas de Aprendizaje Automático o, en inglés, Machine Learning (ML), que permiten construir un modelo analítico mediante diferentes algoritmos de predicción para mejorar o facilitar una amplia variedad de procesos que permitan realizar un análisis comparativo extenso y evaluar sus capacidades. Objetivos. De acuerdo a lo anterior, esta Tesis Doctoral desarrolla una metodología para la obtención del valor de empresa a partir de los datos intrínsecos de la empresa combinados con técnicas tradicionales y técnicas de aprendizaje máquina, pudiendo incorporar adicionalmente información exógena para una mejor caracterización del marco en el que se desarrolla el negocio de la sociedad. Para ello se plantean los siguientes Objetivos Específicos (OE): OE1. Establecer la estimación del valor empresa en base a nuevas estrategias de obtención de los componentes WACC y FCL del modelo de DFC.
OE2. Establecer la eficiencia de aplicación de las técnicas de aprendizaje automático en el proceso de estimación del valor empresa a partir del modelo de DFC, incorporando información endógena y exógena.
Metodología. Se analiza en detalle la capacidad de generalización del DFC correspondiente con el objetivo primero, el cual se lleva a cabo mediante un enfoque doble. En primer lugar, se propone el uso del método inverso para evaluar la existencia de un WACC que compare positivamente con las observaciones del mercado. Y en segundo lugar, se comparan los diferentes métodos de proyección de los FCL’s Para este análisis se utilizaron datos históricos financieros que incluyen 42 empresas en cinco sectores (consumo cíclico, consumo no cíclico, industrial, tecnológico y servicios públicos) y cinco regiones o mercados (España, EE.UU., Japón, Brasil e India), extraídos de la plataforma de datos Eikon-Reuters que permite el acceso a información sobre mercados financieros de empresas cotizadas en bolsa. Previo al procesado, se realizó una doble normalización del espacio de entrada, la primera de carácter estadístico con media cero y Desviación Estándar (SD) uno; y la segunda de carácter basado en operativa financiera, que se realizó con respecto al indicador Earnings before Interest, Taxes, Depreciation, and Amortization (EBITDA), ya que este ratio muestra el multiplicador del valor de la compañía. En particular, la normalización operativa del espacio de entrada, y la normalización estadística en menor grado, resultaron mejorar las capacidades de generalización al independizar las variables del volumen de las operaciones o la moneda.
Adicionalmente, y con el fin de validar un modelo sistemático no sesgado para la valoración de empresas, se propone incorporar variables exógenas que complementen los estados financieros históricos, y que puedan incorporar las tendencias generales del mercado y las expectativas comerciales de los inversores en los modelos a ser construidos.
Adicionalmente, se aprovecha el potencial de la información combinando todo ello con técnicas de ML. En este sentido, el trabajo realizado contempla un extenso análisis de las distintas variables endógenas y exógenas con el objetivo de evaluar la capacidad predictiva de las diferentes técnicas de ML consideradas en este trabajo.
Resultados. Los resultados muestran que los parámetros de pronóstico WACC y FCL no son coherentes a lo largo del tiempo, entre sectores, mercados y regiones, cuando solo se incluyen variables endógenas, ya sean actuales o históricas hasta el periodo considerado.
Las mejores estimaciones se obtienen cuando se consideran las variables exógenas, y la normalización operacional del espacio de entrada y las técnicas lineales. Con respecto a los sectores estudiados, el sector de servicios públicos, es el que presenta estimaciones más cercanas al valor empresa real.
La aplicación de técnicas de ML no lineales demostraron que las variables endógenas relacionadas con la creación de valor del (DFC) son elementos cruciales para el correcto diseño de los modelos, mientras que la incorporación de variables exógenas, específicas de la industria o del país, mejora gradualmente el rendimiento de las técnicas de ML.
Entre ellos, los métodos Bagging Trees, Supported Vector Regression y Gaussian Process Regression proporcionaron consistentemente los mejores resultados. Un interés especial despierta el sector de servicios públicos, ya que para este sector se obtuvieron, una vez más, las mejores estimaciones.
Conclusiones. Se ha apreciado un comportamiento desigual en los modelos de aprendizaje analizados, al consolidarse por sectores y mercados. Destaca el caso de las actividades de consumo, tanto cíclico como no cíclico, donde se observa que la incorporación de información exógena no añade potencia a la capacidad de estimar la valoración. Por otro lado, se destaca también la reducida desviación estándar de los errores y la elevada media de los mismos, que es especialmente alta para el caso del sector de consumo no cíclico.
En el sector industrial, destaca el empeoramiento de la capacidad de valoración de los modelos al incorporar las variables exógenas. En este sector destaca el elevado nivel de la desviación estándar, que supera hasta en 4 veces el caso de las empresas de consumo. El análisis del sector tecnológico muestra un comportamiento singular con un empeoramiento significativo de la media de los errores producidos en el modelo de valoración al incorporar la información externa a la empresa.
Por otro lado, la elevada variabilidad del modelo se reduce sensiblemente con esta misma incorporación. El análisis del sector de servicios público, refleja un estable comportamiento sin variación aparente al incorporar la información exógena, consolidándose la buena predicción tanto en media como en desviación estándar, siendo este sector para el que los modelos de aprendizaje mejor se ajustan.
