Indicadores financieros como instrumento poderoso para predecir la insolvencia; un estudio usando el algoritmo boosting en empresas colombianas
DOI:
https://doi.org/10.18046/j.estger.2020.155.3588Palabras clave:
predicción de insolvencia, bancarrota, análisis financiero, indicadores financieros, algoritmo boostingResumen
Esta investigación es motivada por la importancia de tener una buena predicción de la insolvencia con anticipación. El objetivo de este artículo es desarrollar un modelo predictivo para las empresas colombianas con uno, dos y tres años de anticipación usando indicadores financieros, conservando la estructura de la muestra original y teniendo en cuenta la regulación sobre insolvencia. Este artículo contribuye a la literatura ya que, a diferencia de los estudios tradicionales, se tienen en cuenta aspectos como la legislación, se explican los diferentes tipos de indicadores financieros y se utiliza el algoritmo boosting sin sesgar la muestra inicial. Para el desarrollo de este estudio se consideró una muestra de 11.812 empresas colombianas durante el periodo 2012-2016. Los resultados muestran una precisión superior al 70% en la predicción de la insolvencia con uno, dos y tres años de anticipación.
Descargas
Referencias
Altman, E. (1968). Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy. The Journal of Finance, 23(4), 589-609. https://doi.org/10.2307/2978933
Altman, E., Iwanicz-Drozdowska, M., Laitinen, E., & Suvas, A. (2017). Financial Distress Prediction in an International Context: A Review and Empirical Ana-lysis of Altman’s Z-Score Model. Journal of International Financial Management and Accounting, 28(2), 131-171. https://doi.org/10.1111/jifm.12053
Amendola, A., Giordano, F., Parrella, M., & Restaino, M. (2017). Variable selection in high-dimensional regression: a nonparametric procedure for business failure prediction. Applied Stochastic Models in Business and Industry, 33(4), 355-368. https://doi.org/10.1002/asmb.2240
Barboza, F., Kimura, H., & Altman, E. (2017). Machine learning models and bankruptcy prediction. Expert Systems with Applications, 83, 405-417. https://doi.org/10.1016/j.eswa.2017.04.006
Bauer, J., & Agarwal, V. (2014). Are hazard models superior to traditional bankruptcy prediction approaches? A comprehensive test. Journal of Banking and Finance, 40(1), 432-442. https://doi.org/10.1016/j.jbankfin.2013.12.013
Beaver, W. H. (1966). Financial Ratios as Predictors of Failure. Journal of Accounting Research, 4(71), 71-111. https://doi.org/10.2307/2490171
Ben, S. (2017). Bankruptcy prediction using Partial Least Squares Logistic Regression. Journal of Retailing and Consumer Services, 36, 197-202. https://doi.org/10.1016/j.jretconser.2017.02.005
Box, G. E., & Cox, D. R. (1964). An Analysis of Transformations. Journal of the Royal Statistical Society, 26(2), 211-252. https://doi.org/10.1111/j.2517-6161.1964.tb00553.x
Calabrese, R., & Osmetti, S. A. (2013). Modelling small and medium enterprise loan defaults as rare events: The generalized extreme value regression model. Journal of Applied Statistics, 40(6), 1172-1188. https://doi.org/10.1080/02664763.2013.784894
Calabrese, R., & Osmetti, S. A. (2015). Improving forecast of binary rare events data: A gam-based approach. Journal of Forecasting, 34(3), 230-239. https://doi.org/10.1002/for.2335
Charitou, A., Dionysiou, D., Lambertides, N., & Trigeorgis, L. (2013). Alternative bankruptcy prediction models using option-pricing theory. Journal of Banking and Finance, 37(7), 2329-2341. https://doi.org/10.1016/j.jbankfin.2013.01.020
Cultrera, L., & Brédart, X. (2016). Bankruptcy prediction: The case of Belgian SMEs. Review of Accounting and Finance, 15(1), 101-119. https://doi.org/10.1108/RAF-06-2014-0059
De Mooij, R., & Hebous, S. (2018). Curbing Corporate Debt Bias: Do Limitations to Interest Deductibility Work? Journal of Banking & Finance, 96, 368-378. https://doi.org/10.1016/j.jbankfin.2018.07.013
do Prado, J. W., Carvalho, F. de M., Benedicto, G. C. de, & Lima, A. L. R. (2019). Análisis del riesgo de crédito que enfrentan las empresas de capital abierto en Brasil: un enfoque utilizando análisis discriminante regresión logística y redes neuronales artificiales. Estudios Gerenciales, 35(153), 347-360. https://doi.org/10.18046/j.estger.2019.153.3151
Du Jardin, P. (2015). Bankruptcy prediction using terminal failure processes. European Journal of Operational Research, 242(1), 286-303. https://doi.org/10.1016/j.ejor.2014.09.059
Fedorova, E., Gilenko, E., & Dovzhenko, S. (2013). Bankruptcy prediction for Russian companies: Application of combined classifiers. Expert Systems with Applications, 40(18), 7285-7293. https://doi.org/10.1016/j.eswa.2013.07.032
Fonseca, S. (2007). Régimen de insolvencia empresarial: Propuesta de unificación de los privilegios concursales para los países miembros de la comunidad andina de naciones. Estado del arte. Civilizar. Ciencias So-ciales y Humanas, 7(13), 173-191. https://doi.org/10.22518/16578953.772
Freund, Y., & Schapire, R. E. (1997). A Decision-Theoretic Generalization of On-Line Learning and an Application to Boosting. Journal of Computer and System Sciences, 55(1), 119-139. https://doi.org/10.1144/GSL.SP.2005.240.01.16
Hastie, T., Tibshirani, R., & Friedman, J. (2008). The Elements of Statistical Learning: Data Mining, Inference, and Prediction. New York: Springer.
Hernandez, M., & Wilson, N. (2013). Financial distress and bankruptcy prediction among listed companies using accounting, market and macroeconomic variables. International Review of Financial Analysis, 30, 394-419. https://doi.org/10.1016/j.irfa.2013.02.013
Jones, S., Johnstone, D., & Wilson, R. (2017). Predicting Corporate Bankruptcy: An Evaluation of Alternative Statistical Frameworks. Journal of Business Finance and Accounting, 44(1-2), 3-34. https://doi.org/10.1111/jbfa.12218
Kim, M., Kang, D., & Bae, H. (2015). Geometric mean based boosting algorithm with over-sampling to resolve data imbalance problem for bankruptcy prediction. Expert Systems with Applications, 42(3), 1074-1082. https://doi.org/10.1016/j.eswa.2014.08.025
Kim, T., & Ahn, H. (2015). A Hybrid Under-sampling Approach for Better Bankruptcy Prediction. Journal of Intelligence and Information Systems, 21(2), 173-190. https://doi.org/10.13088/jiis.2015.21.2.173
Lartey, V. C., Antwi, S., & Boadi, E. K. (2013). The Relationship between Liquidity and Profitability of Listed Banks in Ghana. International Journal of Business and Social Science, 4(3), 48-56.
Le, T., Son, L. H., Vo, M. T., Lee, M. Y., & Baik, S. W. (2018). A cluster-based boosting algorithm for bankruptcy prediction in a highly imbalanced dataset. Symmetry, 10(7), 1-12. https://doi.org/10.3390/sym10070250
Ley 1116. (2006). Diario Oficial No. 46.494 de 27 de diciembre de 2006, Colombia.
Liang, D., Lu, C. C., Tsai, C. F., & Shih, G. A. (2016). Financial ratios and corporate governance indicators in bankruptcy prediction: A comprehensive study. European Journal of Operational Research, 252(2), 561-572. https://doi.org/10.1016/j.ejor.2016.01.012
López, F. J., & Sanz, I. P. (2015). Bankruptcy visualization and prediction using neural networks: A study of U.S. commercial banks. Expert Systems with Applications, 42(6), 2857-2868. https://doi.org/10.1016/j.eswa.2014.11.025
Manly, B. F. J. (1976). Exponential Data Transformations. Journal of the Royal Statistical Society, 25(1), 37-42. https://doi.org/10.2307/2988129
Mongrut, S., Fuenzalida, D., Alberti, F., & Akamine, M. (2011). Determinantes de la insolvencia empresarial en el Perú. Revista Latinoamericana de Administración, (47), 126-139.
Mora, M. (2014). Declive organizativo, fracaso y reestructuración organizacional en empresas colombianas. Contaduría y Administración, 59(3), 235-260. https://doi.org/10.1016/S0186-1042(14)71271-9
Mu, C., Wang, A., & Yang, J. (2017). Optimal capital structure with moral hazard. International Review of Economics and Finance, 48, 326-338. https://doi.org/10.1016/j.iref.2016.12.006
Ng, A. C., & Rezaee, Z. (2015). Business sustainability performance and cost of equity capital. Journal of Corporate Finance, 34, 128-149. https://doi.org/10.1016/j.jcorpfin.2015.08.003
Nishihara, M., & Shibata, T. (2016). Asset sale, debt restructuring, and liquidation. Journal of Economic Dynamics and Control, 67, 73-92. https://doi.org/10.1016/j.jedc.2016.03.011
Nissim, D., & Penman, S. (2003). Financial Statement Analysis of Leverage and How It Informs About Probability and Price-to-Book Ratio. Journal of Chemical Information and Modeling, 8, 531-560. https://doi.org/10.1017/CBO9781107415324.004
Ochoa, Y., Toro, D., Betancur, L., & Correa, J. (2009). El indicador Z, una forma de evaluar el riesgo de continuidad. Contaduría Universidad de Antioquia, (54), 225-255.
Olson, D. L., Delen, D., & Meng, Y. (2012). Comparative analysis of data mining methods for bankruptcy prediction. Decision Support Systems, 52(2), 464-473. https://doi.org/10.1016/j.dss.2011.10.007
Pérez, J., Lopera, M., & Vásquez, F. (2017). Estimación de la probabilidad de riesgo de quiebra en las empresas colombianas a partir de un modelo para eventos raros. Cuadernos de Administración, 30(54), 7-38. https://doi.org/10.11144/Javeriana.cao30-54.eprqe
Rodríguez, J. (2008). El derecho concursal colombiano a la luz de la constitución. E-Mercatoria, 7(2), 1-53.
Romero, F., Melgarejo, Z., & Vera, M. (2015). Fracaso empresarial de las pequeñas y medianas empresas (pymes) en Colombia. Suma de Negocios, 6(13), 29-41. https://doi.org/10.1016/j.sumneg.2015.08.003
Roumani, Y. F., Nwankpa, J. K., & Tanniru, M. (2019). Predicting firm failure in the software industry. Artificial Intelligence Review. https://doi.org/10.1007/s10462-019-09789-2
Vo, X. V. (2017). Determinants of capital structure in emerging markets: Evidence from Vietnam. Research in International Business and Finance, 40, 105-113. https://doi.org/10.1016/j.ribaf.2016.12.001
Wang, G., Ma, J., & Yang, S. (2014). An improved boosting based on feature selection for corporate bankruptcy prediction. Expert Systems with Applications, 41(5), 2353-2361. https://doi.org/10.1016/j.eswa.2013.09.033
Wilches, R. (2008). Vacíos e inconsistencias estructurales del nuevo régimen de insolvencia empresarial colombiano. Identificación y propuestas de solución. Universitas, (117), 197-218.
Wilches, R. (2009). La insolvencia transfronteriza en el derecho colombiano. Revista de Derecho, (32), 162-198.
Yazdanfar, D., & Öhman, P. (2015). Debt financing and firm performance: an empirical study based on Swedish data. The Journal of Risk Finance, 16(1), 102-118. https://doi.org/10.1108/JRF-06-2014-0085
Yeo, I.-K., & Johnson, R. A. (2000). A new family of power transformations to improve normality or symmetry. Biometrika, 87(4), 954-959.
Descargas
Publicado
Número
Sección
Licencia
Los autores de artículos serán responsables de los mismos, y por tal no comprometen los principios o políticas de la Universidad Icesi ni las del Comité Editorial de la revista Estudios Gerenciales. Los autores autorizan y aceptan la cesión de todos los derechos a la revista Estudios Gerenciales, tanto en su publicación impresa como electrónica. Luego de publicado el artículo, puede ser reproducido sin autorización, mencionando autor(es), título, año, volumen, número y rango de páginas de la publicación, y como fuente: Estudios Gerenciales (abstenerse de usar Revista Estudios Gerenciales).
Cómo citar
