Bancarrota, ¿Sí o No?
Con un algoritmo que predice la ocurrencia de quiebra en pequeñas empresas en Colombia, investigadores lograron reducir una brecha entre los modelos que predicen muy bien, pero no explican las razones, y otros que explican pero no son tan atinados. El nuevo modelo tiene un mejor desempeño que los métodos tradicionales y mantiene su facilidad de interpretación.
Desde los años 30, cuando la predicción de bancarrota surgió como un problema importante para bancos, inversionistas, gestores de portafolio, auditores y académicos, se han usado diversos métodos. En particular para el sistema financiero, la quiebra de una compañía tiene un impacto directo entre las alternativas de préstamos bancarios y su rentabilidad.
Un grupo de investigadores de la Facultad revisó la literatura que se ha producido desde entonces y formuló un algoritmo que reduce la brecha entre la predicción –que solo dice si hay posibilidad de caer en bancarrota– y la interpretación de las razones financieras que la explican.
El método usa lo que en inglés se denomina machine learning, cuya traducción al español es materia de discusión, pero que, básicamente, funciona para generalizar la forma en la que un fenómeno se produciría en la realidad a partir de observaciones repetidas del mismo. Lo hace con algoritmos matemáticos que estiman la relación entre los números de entrada para obtener una respuesta deseada. El sistema se entrena para procesar los datos de manera que arrojen la solución a una pregunta dada.
“Es lo que hacen los bancos cuando uno va a pedir un crédito. Toman tus datos, miran tu historia crediticia y con un par de preguntas adicionales corren un algoritmo que les permite saber cuál es la probabilidad de que pagues o no pagues”, explica Sergio Cabrales, quien junto con Carlos Valencia, es uno de los profesores involucrados en esta investigación, que acaba de ser publicada en la Revista Cogent Economic & Finance. En el trabajo también participaron Laura García, Juan Ramírez y Diego Calderón.
El método tiene dos novedades. Una es que automáticamente selecciona, entre una multiplicidad de variables que eventualmente podrían aportar en la predicción de la bancarrota, aquellas que resultan determinantes para la predicción y reducen el riesgo de redundancia, es decir que se duplique información, dado que esto podría alterar el resultado. La otra es que es un sistema interpretable, o sea que permite entender cuál es el efecto de las variables que seleccionó sobre la posibilidad de que ocurra o no la bancarrota.
El modelo más usado hasta ahora para predicción de quiebra de las empresas usa solamente cinco variables, pero pueden usarse hasta 752 que reporta la literatura sobre este tema. Para este trabajo, los investigadores seleccionaron unas 30, que aplicaron a 2.700 pequeñas empresas, con información obtenida entre 2012 y 2013.
El algoritmo podría utilizarse para cualquier situación que requiera una función de clasificación (sí o no) a partir de múltiples variables, como predecir si un estudiante tiene riesgo de desertar de la universidad, conociendo sus calificaciones, su rendimiento, sus condiciones económicas, y su lugar de vivienda, por ejemplo.
La precisión de estos modelos de predicción se mide en una escala de 0 a 1, que representa su desempeño en la clasificación de un grupo independiente de empresas. El de los investigadores uniandinos obtuvo 0,83, con lo que lograron el objetivo de reducir la brecha entre los netamente predictores (cuyo valor más alto fue 0,85) y los interpretables (cuyo valor más alto fue 0,77).
Aunque su trabajo fue pensado con fines más académicos que comerciales, los resultados parecen prometedores para que el algoritmo pronto comience a ser usado en el sector empresarial.
Para mayor información sobre el proyecto puede contactar a los profesores: Sergio Cabrales (s-cabral@uniandes.edu.co) o Carlos Valencia (cf.valencia@uniandes.edu.co).
Descubra más proyectos sobre inteligencia artificial de la Facultad de Ingeniería en la última edición de Revista CONTACTO que puede consultar en el siguiente enlace.
