Análisis de Crédito Corporativo

El Módulo 2 funcionó porque el crédito retail te da millones de acreditados y etiquetas de resultado limpias. El crédito corporativo invierte todo: un banco puede tener unos cuantos cientos de acreditados corporativos, cada uno lo bastante grande para doler, cada uno distinto, y con incumplimientos tan raros que un estadístico declararía el dataset un caso perdido. Así que la disciplina evolucionó de otra manera — de marcos de juicio, a razones financieras, a un famoso modelo discriminante que sigue siendo, sesenta años después, lo primero que cualquiera calcula.

Las Cinco Cs: el marco precuantitativo

Antes de cualquier modelo, los oficiales de crédito organizaban su juicio alrededor de cinco preguntas:

Es tentador descartar esto como sabiduría popular, pero fíjate en lo que realmente es: una descomposición de la PD (carácter, capacidad, condiciones) y la LGD (capital, colateral) antes de que esos términos existieran. Las Cinco Cs sobreviven en toda plantilla moderna de calificación interna — nada más las renombraron “overlay cualitativo”.

Razones financieras: cuáles sí predicen el incumplimiento

El análisis de razones financieras para crédito se remonta al menos al estudio univariado de William Beaver de 1966, que hizo una pregunta simple: para cada razón, ¿qué tan distinta es su distribución en las empresas que después quebraron versus las que no? Su mejor predictor individual no fue una razón de apalancamiento ni de liquidez — fue flujo de efectivo a deuda total. Ese hallazgo ha envejecido notablemente bien.

Las razones que se siguen ganando su lugar, agrupadas por lo que miden:

• Cobertura — ¿las utilidades pueden servir la deuda? EBIT / gasto por intereses es la clásica; (EBITDA − capex) / intereses es la versión honesta, porque la depreciación es un costo real cuando los activos eventualmente deben reemplazarse. Una cobertura por debajo de 1× significa que la empresa pide prestado para pagar intereses — esa es la definición de insostenible.
• Apalancamiento — ¿qué tan grande es el colchón? Deuda total / EBITDA (cuántos años de utilidades para pagar la deuda), Pasivos totales / Activos totales (la versión de balance). El apalancamiento es el predictor de incumplimiento más confiable en casi todos los estudios.
• Liquidez — ¿pueden cumplir sus obligaciones este año? Razón circulante, prueba del ácido. Las razones de liquidez son predictores de largo horizonte más débiles de lo que la gente espera — las empresas rara vez mueren lentamente de iliquidez; mueren cuando un problema de solvencia hace que la liquidez se esfume de la noche a la mañana.
• Rentabilidad / actividad — EBIT / Activos totales, rotación de activos. La falta de rentabilidad persistente erosiona todos los demás colchones.

El Z-score de Altman

En 1968, Edward Altman tomó el enfoque de Beaver de una razón a la vez y planteó la pregunta multivariada: ¿qué combinación de razones separa mejor a los manufactureros quebrados de los sobrevivientes? Usando análisis discriminante múltiple sobre 66 empresas (33 en quiebra, 33 sobrevivientes pareadas), obtuvo:

donde

• $X_1$ = capital de trabajo / activos totales — el colchón neto de corto plazo
• $X_2$ = utilidades retenidas / activos totales — rentabilidad acumulada de toda la vida; las empresas jóvenes y las serialmente no rentables puntúan bajo
• $X_3$ = EBIT / activos totales — poder de generación actual, la razón con mayor peso
• $X_4$ = valor de mercado del capital / pasivos totales — la opinión del mercado sobre el colchón de capital
• $X_5$ = ventas / activos totales — rotación de activos

Las zonas de interpretación del artículo original: Z > 2.99 seguro, 1.81 – 2.99 zona gris, Z < 1.81 dificultades (distress).

Vale la pena apreciar dos cosas. Primero, $X_4$ mete de contrabando un precio de mercado en un modelo contable — un anticipo de los modelos estructurales que vienen en el Módulo 6. Segundo, las zonas son honestas: Altman publicó una región donde el modelo se abstiene de responder, lo cual es más honestidad intelectual de la que ofrecen la mayoría de los modelos modernos.

Z′ y Z″ — las variantes que sí vas a necesitar

El modelo original necesita una capitalización de mercado y se ajustó sobre manufactureros. Altman lo reestimó dos veces:

para empresas privadas ($X_4$ usa capital contable; zonas 1.23 / 2.90), y

para no manufactureras y mercados emergentes — nota que la rotación de activos ($X_5$) se elimina por completo, porque la rotación varía tanto entre industrias que ahoga la señal cuando sales de la manufactura (zonas 1.10 / 2.60). La adaptación para mercados emergentes suma una constante de 3.25 para mapear los scores a equivalentes de calificación de bonos de EE. UU.

Prueba los tres sobre el mismo balance — los desacuerdos entre ellos son tan instructivos como los scores:

Aliméntala con una empresa apalancada con rotación fuerte y a menudo verás que la Z″ marca dificultades mientras la Z original se ve bien — ese es el término de rotación haciendo el maquillaje. Esa es la verdadera lección de la calculadora: la elección de modelo es un supuesto, y modelos razonables discrepan sobre la misma empresa.

O-score y Zmijewski: las correcciones econométricas

El análisis discriminante tiene problemas estadísticos (asume predictores con distribución normal y covarianza igual entre grupos — las razones no cumplen ninguna de las dos), así que la siguiente generación echó mano de modelos de probabilidad propiamente dichos.

El O-score de Ohlson (1980) es una regresión logística sobre nueve variables — tamaño, apalancamiento, liquidez, desempeño, más dos variables indicadoras (capital negativo, pérdidas recientes). Su verdadera contribución no fue la lista de variables; fue el output: una probabilidad de quiebra, no un score discriminante. Las probabilidades se pueden llevar a precios, agregarse y validarse contra tasas de incumplimiento realizadas. Ese encuadre — la PD como output del modelo — es el que se quedó, y es como ha funcionado todo modelo desde los scorecards del Módulo 2.

Zmijewski (1984) construyó un probit de tres variables (ROA, apalancamiento, liquidez), pero se le recuerda sobre todo por un punto metodológico: si armas tu muestra tomando todas las empresas quebradas que puedas encontrar más un subconjunto de las sanas — que es lo que todos hacían — tu tasa de incumplimiento muestral es descabelladamente más alta que la real y tu intercepto queda sesgado. Todo modelo de incumplimiento construido sobre una muestra artificialmente balanceada necesita recalibrarse a la tasa base verdadera antes de que sus probabilidades signifiquen algo. (El mismo problema reaparece cuando la gente sobremuestrea incumplimientos para modelos de machine learning — territorio del Módulo 12.)

La división filosófica: estructural vs. forma reducida

Todo en este módulo trata el incumplimiento como un patrón estadístico: encuentra razones que se correlacionaron con quiebras pasadas, proyecta hacia adelante. Dos módulos más adelante — una vez que las tasas de interés y los bonos nos hayan dado el vocabulario de mercado — la serie toma las otras dos posturas posibles:

• Los modelos estructurales (Módulo 6) dicen que el incumplimiento tiene un mecanismo: una empresa incumple cuando el valor de sus activos cae por debajo de lo que debe. Modela el mecanismo — valor de los activos, volatilidad, la barrera de la deuda — y la PD se sigue de la economía, no del ajuste de curvas. El precio de esa elegancia: necesitas datos de mercado, y el modelo es tan bueno como su historia.
• Los modelos de forma reducida (Módulo 7) se niegan a modelar por qué incumplen las empresas. El incumplimiento es una sorpresa gobernada por una intensidad, y la intensidad es la que digan los precios del mercado de crédito. Máximo agnosticismo, máxima consistencia con el mercado.

Modelos contables, modelos estructurales, modelos de forma reducida: patrón, mecanismo, precio. La mayoría de las mesas de crédito serias corren los tres y discuten en el punto medio.

Dónde conecta esto

• La $X_4$ del Z-score — capital de mercado sobre pasivos — es una medida de apalancamiento preciada por el mercado. Toma esa idea en serio y llegas al modelo de Merton, donde el capital es una opción sobre los activos de la empresa: Módulo 6.
• Las agencias calificadoras formalizan exactamente el kit de herramientas de este módulo — razones más overlay cualitativo — en letras; cómo se mueven esas letras a lo largo del tiempo es el Módulo 8.
• La lección del sesgo muestral de Zmijewski regresa con colmillos en la era del machine learning: Módulo 12.

Pruébalo tú mismo

La descarga de abajo es una guía de campo para extraer la información relevante para crédito de un 10-K en más o menos una hora: qué estados leer y en qué orden, las ocho notas que más le importan a un prestamista, dónde suelen estar enterrados los muertos (compromisos y contingencias, operaciones con partes relacionadas, información por segmentos) y una hoja de razones de una página para ir llenando sobre la marcha. Baja un 10-K real de EDGAR y trabájalo una vez — el flujo se te queda rápido.

Recibe los nuevos posts por correo

Un correo por cada artículo nuevo. Sin spam, sin ventas, cancela cuando quieras.