Enlaces accesibilidad

Crean un modelo de redes neuronales a través de algoritmos que predice si un banco puede quebrar

  • Dos investigadores de la Universidad de Valladolid han ideado el sistema
  • El modelo acertó el 96% de los bancos que quebraron en EE UU en 2013
  • Los más perjudicados, entidades que acumularon préstamos de la construcción

Por
Imagen de un broker en la bolsa, pendiente de la evolución del IBEX
Imagen de un broker en la bolsa, pendiente de la evolución del IBEX

Desde que empezó la crisis en 2008 han quebrado más de 300 bancos en EE UU, un país que cuenta con una amplia base de datos sobre sus 7.000 entidades financieras y donde diariamente se publican las que entran en bancarrota.

Esta información, facilitada por la Federal Deposit Insurance Corporation, ha servido para validar el modelo que han desarrollado dos economistas de la Universidad de Valladolid para calcular la probabilidad de quiebra de los bancos.

Los investigadores partieron de los ratios o índices financieros de las entidades estadounidenses a lo largo del periodo 2002-2012. A partir de estos datos y operando en distintos espacios temporales, el modelo logró deducir cuantos quebrarían entre mayo de 2012 y diciembre de 2013. Los resultados acertaron en el 96% de los casos, según el estudio que publican en la revista Expert Systems with Applications.

La metodología también permite generar un mapa bidimensional para visualizar el conjunto del sistema financiero y las entidades problemáticas

“Hay muchos análisis que predicen con un año de antelación la quiebra de los bancos, un margen a menudo demasiado corto para tomar acciones que lo puedan evitar”, señala a Sinc Iván Pastor, uno de los autores, quien destaca la posibilidad de predicción de sus algoritmos a corto, medio y largo plazo. En su caso corresponde, respectivamente, a uno, dos y tres años.

La metodología también permite generar un mapa bidimensional para visualizar el conjunto del sistema financiero y las entidades problemáticas

El investigador destaca que el modelo lo crearon empleando redes neuronales, un conjunto de algoritmos que funciona imitando el comportamiento del sistema nervioso humano y que resultan muy útiles en la detección de patrones. Estos son los que sirven para predecir la posibilidad de quiebra.

“Además, esta metodología permite generar un mapa bidimensional que ayudará a las autoridades bancarias y a los reguladores a visualizar el conjunto del sistema financiero e identificar entidades problemáticas en muy corto plazo, así como entidades más solventes pero que a largo plazo podrían presentar problemas”, apunta Pastor.

Gracias a estos análisis también se pudo observar los diferentes caminos que llevan a la quiebra a una entidad financiera. Al aplicar el modelo se ha observado que las que presentaban mayor riesgo fueron las que tenían una alta concentración en préstamos a la construcción, las que tuvieron un proceso de crecimiento muy rápido, sin una capitalización adecuada y con bajos niveles de provisiones.

Potencial para predecir en otras fechas y países

“Los resultados que obtuvimos a diciembre 2013 mostraban que el sistema financiero de EEUU había mejorado respecto a los momentos más duros de la crisis, pero aún existían entidades con alta probabilidad de quiebra, aunque su tamaño era, en general, pequeño”, añade Pastor, quien reconoce que el modelo no está actualizado para los datos de 2015, “aunque, contando con tiempo suficiente, podríamos hacerlo”.

El experto confirma que esta metodología se podría aplicar para conocer la probabilidad de bancarrota en las entidades financieras de otros países, con el necesario reajuste y adecuación a las características propias de cada nación.

“Por ejemplo, algunos ratios financieros empleados en EE UU no están disponibles en España, ya que la información pública en nuestro país es menor”, señala Pastor, aunque adelanta otro estudio que tienen en marcha: “Estamos a la espera de que nos publiquen un trabajo sobre las Cajas de Ahorros Españolas, donde analizamos como evolucionaron muchas de ellas hasta la quiebra o el rescate, además de identificar los factores que diferencian entre entidades saneadas y fallidas”.