Tendencias en la detección de quiebras corporativas: un análisis entre modelos
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,...
| Autores: | , |
|---|---|
| Formato: | artículo |
| Estado: | Versión publicada |
| Fecha de publicación: | 2018 |
| País: | México |
| Recursos: | Universidad Autónoma Metropolitana |
| Repositorio: | Redalyc-UAM |
| OAI Identifier: | oai:redalyc.org:695676764002 |
| Acesso em linha: | https://www.redalyc.org/articulo.oa?id=695676764002 |
| Access Level: | acceso abierto |
| Palavra-chave: | Economía y Finanzas Black Scholes Quiebras corporativas Redes neuronales artificiales Análisis discriminante múltiple |
| Resumo: | 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. |
|---|