TENDENCIAS EN LA DETECCIÓN DE QUIEBRAS CORPORATIVAS: UN ANÁLISIS ENTRE MODELOS

  • Elsy Lizbeth Gómez Ramos Universidad Autónoma Metropolitana, Unidad Xochimilco. Ciudad de México, México.
  • Héctor Adrián Guerrero Martínez Universidad Autónoma Metropolitana, Unidad Iztapalapa. Ciudad de México, México.
Palabras clave: Quiebras corporativas, Análisis discriminante múltiple, Black-Scholes, Redes neuronales artificiales

Resumen

El objetivo de la investigación es analizar 30 estudios relacionados con la detección de quiebras corporativas a través de un mapa de visualización bajo el criterio: tipo de modelo. Los resultados indican que los modelos más empleados son las técnicas estadísticas, seguidas de las redes neuronales, mientras que las fórmulas teóricas refieren poca frecuencia. Además, se muestra que la aplicación de modelos híbridos es la tendencia más reciente, la cual señala la posibilidad de influir bajo una dinámica evolutiva. Adicionalmente, el desempeño entre los modelos indica que frecuentemente las redes neuronales superan a las técnicas estadísticas; no obstante, los modelos híbridos rebasan a su contraparte sin excepción. La limitante de la investigación es que los estudios analizados incluyen diferentes tamaños de empresas y de economías, por lo que los resultados son generalizados. Finalmente, en las conclusiones se señala que las redes híbridas no pueden superar algunos argumentos “en contra” (falta de interpretación de los parámetros), lo que explica ‒al menos en parte‒ la alta frecuencia de empleo de las técnicas estadísticas.

Descargas

La descarga de datos todavía no está disponible.

Citas

Altman, E. (1968). “Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy”. The Journal of Finance, 23 (4), pp. 589-609.

Black, F. y M. Scholes (1973). “The Pricing of Options and Corporate Liabilities”, Journal of Political Economy, 81 (3), pp. 637-659.

Castillo, P., J. Castellano, J. Merelo y A. Prieto (2001). “Diseño de Redes Neuronales Artificiales mediante algoritmos evolutivos”. Revista Iberoamericana de Inteligencia Artificial, 14, pp. 2-32.

Freeman, J. (1993). Simulating Neural Networks with Mathematica. Addison-Wesley Professional.

García, O. y A. Morales (2016). “Desempeño Financiero de las Empresas: una Propuesta de Clasificación por RNA”. Dimensión Empresarial, 14, pp. 11-22.

Jacob, C. (2001). Illustrating Evolutionary Computation with Mathematica. Morgan Kaufmann Publichers.

Mehrotra, K., C. K. Mohan, y S. Ranka (2000). Elements of Artificial Neural Networks. MIT Press. Cambridge, Massachusetts.

Mitchell, M. (1999). An Introduction to Genetic Algorithms. MIT press. Cambridge, Massachusetts.

Odom, M. y R. Sharda (1990). “A Neural Network for Bankruptcy Prediction”. 1990 International Joint Conference on Neural Networks (IJCNN´90).

Pérez, M. (2006). “Artificial Neural Networks and Bankruptcy Forecasting: A State of the Art”. Neural Computation & Application, 15 (2), pp.154-163.

Scott, J. (1981). “The Probability of Bankruptcy: A Comparison of Empirical Predictions and Theoretical Models”. Journal of Banking and Finance, 5 (1), pp. 317-344.

Simon, H. (2006). Las Ciencias de lo Artificial, Comares.

Zhang, G., M. Y. Hu, B. E. Patuwo y D. C. Indro (1999). “Artificial Neural Networks in Bankruptcy Prediction: General Framework and Cross-validation Analysis”. European Journal of Operational Research, 116 (1), pp.16-32.

Publicado
03-12-2018
Cómo citar
Gómez Ramos, E. L., & Guerrero Martínez, H. A. (2018). TENDENCIAS EN LA DETECCIÓN DE QUIEBRAS CORPORATIVAS: UN ANÁLISIS ENTRE MODELOS. Denarius, (35), 89. https://doi.org/10.24275/uam/izt/dcsh/denarius/v2018n35/Gomez