|
 |
 |
 |
|---|
|
Redes neuronales I Concepto |
|
En los problemas de predicción de crisis empresariales se trata de seleccionar un conjunto de variables, generalmente ratios financieros y utilizar un modelo matemático que discrimine o detecte los rasgos que distinguen a las empresas que tienen éxito de las que fracasan.
Son muchos los modelos estadísticos propuestos y dadas las propiedades de los sistemas neuronales de actuar como clasificadores de información y reconocimiento de patrones, tempranamente se aplicaron a esta importante materia de investigación. Altman, Marco y Varetto (1994) aplican análisis discriminante, lógit y perceptrón multicapa en una aplicación real para la Centrale dei Bilanci italiana. Los resultados no son concluyentes, ya que encuentran que las ventajas e inconvenientes de este modelo neuronal frente a los estadísticos se encuentran equilibradas e invitan a la realización de nuevos estudios empíricos.
En los estudios de evaluación del comportamiento de las acciones en el mercado de valores se utilizan como variables ratios financieros y se trata de evaluar a las empresas. Sin embargo la clasificación no es la anterior en empresas quebradas y solventes, sino que es el mercado de valores quien proporciona la variable independiente, teniendo en cuenta el comportamiento positivo o negativo de las rentabilidades obtenidas por las acciones.
Yoon, Swales y Margavio (1993) tratan de discriminar a las empresas en dos grupos, según sus acciones hayan tenido o no un buen comportamiento en los mercados financieros. Los datos incluyen información contable cuantitativa y cualitativa, pues examinan la carta que el presidente de la compañía envía a los accionistas. Comparan los resultados del análisis discriminante con los de un modelo de red neuronal. El perceptrón simple obtenía un 65% de acierto, resultado similar al del análisis discriminante. Al añadir una capa oculta, mejoraban los resultados situándose al 76%.
Las empresas e instituciones públicas emiten instrumentos financieros como bonos u obligaciones en busca de dinero para financiar sus inversiones. Pero, lógicamente, hay un riesgo de que las empresas no devuelvan este dinero y resulta interesante obtener ratings o calificaciones de estos bonos.
Existen agencias que se dedican a ello, siendo las más famosas Standard and Poor's (S&P) y Moody's. Estas agencias examinan todo tipo de aspectos de las empresas: la situación financiera, la información contable, mantienen entrevistas con la gerencia, etc, y califican las emisiones con unos baremos, usualmente combinaciones de letras y números. Por ejemplo, Aaa, significa en la terminología de la agencia Moody's, que la capacidad para devolver el principal y pagar los intereses es muy elevada. Como vemos, la calificación de obligaciones, bonos municipales, etc, es también un problema de clasificación.
Uno de los trabajos pioneros en la calificación de obligaciones con redes neuronales es el de Dutta, Shekhar y Wong (1994), quienes aplican perceptrón multicapa y regresión lineal, comparando los resultados con los obtenidos por la agencia Standard & Poors. Utilizan información de cuarenta y siete compañías, reservando diecisiete para el test. Los resultados son claramente favorables al modelo neuronal, ya que en el test clasifican correctamente hasta un 88,3% de los bonos, frente a un 64,7% de la regresión lineal. Su estudio muestra las limitaciones de utilizar modelos lineales en este tipo de problema.
|
|
|
|
|
|---|