3.3 Temas y métodos

Los artículos de la base de datos compilada cubren una variedad de áreas relacionadas con la toma de decisiones financieras y utilizan diferentes enfoques metodológicos MCDA. A la hora de distinguir los distintos temas, hemos tenido en cuenta las tres áreas principales de las finanzas, incluyendo las finanzas corporativas, las inversiones y los mercados e instituciones financieras. Sobre la base de estas áreas principales, se definieron 12 subcategorías correspondientes a los principales campos de investigación en cuanto a los dominios de aplicación de las metodologías MCDA en la toma de decisiones financieras (los artículos relacionados con temas específicos de gestión de riesgos financieros fuera de las 12 categorías principales se clasificaron en un grupo separado). Las principales áreas identificadas en esta encuesta incluyen:

–

Contabilidad y auditoría: aunque la contabilidad y la auditoría son áreas de investigación distintas de las finanzas, están estrechamente relacionadas con muchas decisiones financieras, principalmente en lo que respecta a las finanzas corporativas. Los métodos MCDA se han utilizado para apoyar las decisiones de contabilidad/auditoría y las prácticas pertinentes en áreas como la contabilidad de costes (Cicone, Udaeta, Grimoni, & Galvão, 2008), la contabilidad de gestión (Frezatti, Agiar, Guerreiro, & Gouvea, 2011), la detección del fraude financiero (Gaganis, 2009; Pasiouras, Gaganis, & Zopounidis, 2007), y controles de auditoría interna (Sueyoshi, Shang, & Chiang, 2009), entre otros.

–

Evaluación de activos: la evaluación de activos se refiere a la selección, valoración y negociación de activos financieros con fines de inversión. Es una parte integral de las decisiones de inversión y de la selección y gestión de carteras, pero requiere diferentes técnicas y herramientas analíticas basadas en métodos MCDA discretos (a diferencia de los modelos de optimización utilizados en el proceso de optimización de carteras; Xidonas, Mavrotas, Krintas, Psarras, & Zopounidis, 2012). La evaluación de los activos suele implementarse en términos de factores fundamentales (véase, por ejemplo, Albadvi, Chaharsooghi, & Esfahanipour, 2007, Sevastjanov & Dymova, 2009, y Xidonas, Mavrotas, & Psarras, 2009b, entre otros), así como en el contexto de las estrategias de negociación activa basadas en indicadores técnicos (por ejemplo, Huck, 2010; Ng, Liang, Li, Yeung, & Chan, 2014).

–

Banca: las aplicaciones bancarias cubren un amplio espectro de áreas relacionadas con la gestión bancaria. Entre otras, éstas incluyen el rendimiento y la estabilidad de los bancos (Doumpos & Zopounidis, 2010), la gestión de la cartera de préstamos y la concesión de créditos, la gestión de activos y pasivos (Kosmidou & Zopounidis, 2004), la organización de las redes de sucursales bancarias (Bravo & Plà-Santamaria, 2012; Ferreira, Santos, & Rodrigues, 2010), y los servicios de banca electrónica (Hu & Liao, 2011).

–

Finanzas energéticas: los mercados de la energía y las materias primas se han desarrollado rápidamente en las últimas dos décadas. Las aplicaciones relevantes de los métodos MCDA están relacionadas con la gestión y el comercio de carteras, la fijación de precios, los problemas de funcionamiento del mercado, etc. en los mercados de energía y materias primas.

–

Presupuesto de capital y planificación financiera: el presupuesto de capital y la planificación financiera constituyen importantes áreas de investigación en las finanzas, así como en la ciencia de la gestión. Los métodos MCDA se han utilizado para diseñar asignaciones presupuestarias y planes financieros tanto en el sector privado (Frezatti et al, 2011) como en el sector público (Gómez, Ríos Insua, Lavín, & Alfaro, 2013), así como para particulares (Cai & Ge, 2012).

–

Análisis del rendimiento financiero de las empresas: la evaluación del rendimiento financiero de las empresas ha sido un tema popular de investigación con varias aplicaciones de MCDA, que permiten la agregación de múltiples atributos de rendimiento (financieros y no financieros) al tiempo que tienen en cuenta las características particulares de los diferentes sectores empresariales (construcción, transporte, sanidad, agricultura, etc.Iazzolino, Laise, & Marraro, 2012).

–

Análisis de riesgo país: el riesgo país se refiere a la probabilidad de que un país tenga dificultades para cumplir con sus obligaciones de deuda con sus acreedores. La importancia de este tipo de análisis ha aumentado en las últimas décadas, ya que las crisis financieras han provocado grandes turbulencias en varios países, siendo la más reciente la crisis de la deuda soberana en Europa. Las técnicas de MCDA se han utilizado para apoyar las previsiones económicas (Blair, Mandelker, Saaty, & Whitaker, 2010), para construir indicadores compuestos de riesgo país (Kosmidou, Doumpos, & Zopounidis, 2008), y para la gestión de la deuda pública (Balibek & Köksalan, 2010).

–

Evaluación del riesgo crediticio y predicción de la quiebra: al igual que el riesgo país, la evaluación del riesgo crediticio y la predicción de la quiebra se refieren a la probabilidad de que las empresas o los individuos incumplan su deuda. El creciente número de impagos debido a la reciente crisis crediticia ha demostrado que aún queda mucho por hacer en este ámbito. Los métodos MCDA se han utilizado como técnicas no paramétricas para inferir modelos de riesgo crediticio y de predicción de quiebras a partir de los datos, a menudo facilitados por la programación por objetivos, las técnicas multiobjetivo y los algoritmos evolutivos o en combinación con algoritmos de minería de datos. Algunos ejemplos pueden encontrarse en los trabajos de Doumpos (2012), He, Zhang, Shi y Huang (2010), Yu, Wang y Lai (2009) y Zhang, Gao y Shi (2014), entre otros.

–

Evaluación de inversiones: las decisiones de inversión son una parte importante de la teoría y la práctica de las finanzas corporativas. La teoría financiera se basa en criterios de evaluación financiera establecidos (por ejemplo, el valor actual neto, la tasa interna de rendimiento, el período de recuperación de la inversión, etc.). En un entorno multicriterio, la perspectiva financiera se ve reforzada con nuevos factores en un entorno más amplio de las partes interesadas (De Brucker, Macharis, & Verbeke, 2013), así como mediante la introducción de modelos formales para la modelización de las preferencias y el análisis de riesgos (Vlaev, Chater, & Stewart, 2008).

–

Fusiones y adquisiciones: las fusiones y adquisiciones (M&As) son inversiones estratégicas que pueden facilitar el crecimiento empresarial aprovechando las economías de escala y los efectos sinérgicos. Tuvieron un gran auge durante las décadas de 1980 y 1990, mientras que en la década de 2000 se han observado algunas tendencias de estabilización. Los métodos MCDA se han utilizado para diseñar alianzas estratégicas, para apoyar la identificación de acuerdos y objetivos de M&A, y para evaluar los resultados de las M&A (ver, Korhonen & Voutilainen, 2006, Lee, 2013, y Pasiouras, Gaganis, & Zopounidis, 2010, entre otros).

–

Inversiones socialmente responsables (ISR): según el Global Sustainable Investment Review 2014 de Eurosif, el mercado de inversiones sostenibles ha superado los 21 billones de dólares a nivel mundial, y representa más del 30% de los activos gestionados profesionalmente. El MCDA se ha empleado para ampliar los modelos tradicionales de inversión riesgo-rentabilidad mediante la introducción de criterios de ISR no financieros (véanse, entre otros, Ballestero, Bravo, Pérez-Gladish, Arenas-Parra, & Plà-Santamaria, 2012 y Bilbao-Terol, Arenas-Parra, & Cañal Fernández, 2012) y como herramienta para analizar y explicar el proceso de ISR (Utz, Wimmer, Hirschberger, & Steuer, 2014).

–

Optimización de carteras: la optimización de carteras se refiere a la asignación de fondos a un conjunto de activos financieros seleccionados (renta variable, fondos, activos de renta fija, etc.). En el marco tradicional de la media-varianza, la asignación se formula como un modelo de optimización de riesgo-rendimiento bi-objetivo. Como se explica en la sección 2, durante las dos últimas décadas se han producido varios avances en la introducción de nuevas medidas coherentes de riesgo. La naturaleza multidimensional del riesgo (Doumpos & Zopounidis, 2014) dio lugar a formulaciones multiobjetivo y de programación de objetivos, que permiten la agregación de múltiples medidas de selección de carteras y permiten además tener en cuenta características reales adicionales (diversificación, liquidez, dividendos, etc.En términos de enfoques metodológicos, consideramos las cuatro principales corrientes de investigación de MCDA (Pardalos, Siskos, & Zopounidis, 1995), incluyendo la optimización multiobjetivo (MO), la teoría de la utilidad multiatributo (MAUT), las relaciones de jerarquía (OR) y el análisis de desagregación de preferencias (PDA). Además de estos campos principales de investigación de MCDA, también se consideran otras categorías que representan tipos particulares de modelos de decisión y técnicas de análisis, a saber, la programación de objetivos (GP), los algoritmos evolutivos/metaheurísticos (EA/MH), los modelos difusos, los modelos basados en reglas (RBM), así como métodos populares como AHP (incluido ANP) y TOPSIS. Además, consideramos otros métodos y enfoques (por ejemplo, modelos de casos específicos y otras técnicas como DEMATEL, VIKOR, análisis relacional gris, etc.; todos ellos se asignan a una categoría principal denominada «otros»), así como combinaciones con técnicas de análisis envolvente de datos (DEA) y de minería de datos (DM) (excluyendo los artículos puramente DEA/DM).

Tabla 5. Publicaciones por área temática y enfoque metodológico.

MO AHP GP EA/MH Fuzzy PDA OR DM MAUT TOPSIS DEA RBM Otros Total
Optimización de carteras 188 11 48 64 30 1 6 2 5 2 1 11 262
Riesgo de crédito riesgo/quiebra 25 18 25 5 8 27 13 21 10 3 5 8 108
Evaluación de activos 31 17 7 20 10 8 10 5 4 4 2 0 10 78
Banca 9 27 9 2 16 11 8 2 5 8 5 4 8 73
Desempeño empresarial 3 16 4 1 17 5 9 1 11 1 3 9 51
Budg. & fin. planificación 13 12 15 2 2 0 2 1 4 0 1 0 3 42
Valoración de inversiones 7 22 3 0 9 0 1 2 7 1 0 7 41
SRI 5 3 8 1 1 0 0 0 2 0 1 0 1 18
Contabilidad/auditoría 2 6 0 1 2 8 0 2 0 0 1 1 0 17
Riesgo de país 4 0 1 0 4 2 0 2 1 1 1 17
Finanzas energéticas 7 2 0 1 0 0 0 1 0 0 0 0 10
M&A 0 5 0 0 1 2 0 0 0 1 0 0 1 8
Otra gestión de riesgos 6 8 3 1 2 1 1 1 2 1 0 0 1 22
Total 273 124 103 92 89 57 45 36 36 33 15 13 54

Tabla 6. Artículos que utilizan combinaciones (pares) de métodos.

DEA DM EA/MH Fuzzy GP MAUT MO OR PDA RBM TOPSIS Otros
AHP 5 6 1 32 6 3 2 1 2 15 14
DEA 1 0 1 2 0 3 0 1 0 2 1
DM 5 2 6 0 18 4 10 1 4 2
EA/MH 7 1 3 82 3 5 0 0 1
Fuzzy 7 0 35 4 1 3 19 11
GP 3 8 0 7 1 2 1
MAUT 4 2 8 1 0 2
MOP 0 5 2 1 3
O 8 1 2 3
PDA 2 0 1 1
TOPSIS 4

La tabla 5 enumera todas las áreas de aplicación y enfoques metodológicos considerados, junto con el número de artículos en todas las combinaciones de estas dos dimensiones. La última columna de la tabla representa el número de trabajos en cada área de aplicación, mientras que la última fila muestra el número de trabajos en cada enfoque metodológico MCDA. Cabe señalar que estos totales no son iguales a las sumas de las filas/columnas, ya que un artículo puede estar relacionado con múltiples áreas de aplicación financiera y emplear una combinación de métodos y enfoques de MCDA. La tabla 6 ofrece más detalles sobre las combinaciones de métodos que se han utilizado. La tabla informa del número de artículos que utilizan diferentes pares de enfoques (nos centramos en los pares ya que la gran mayoría de los artículos -alrededor del 90%- han utilizado como máximo dos métodos).

Los resultados resumidos indican claramente que la optimización de carteras (PO) es el área que se ha estudiado más ampliamente con técnicas MCDA, concretamente MO y GP. Steuer y Na (2003) también encontraron que el análisis de carteras era el área de investigación de MCDA-finanzas más activa en el período anterior a 2002 (aunque no distinguieron entre PO y evaluación de activos). La popularidad de la OP puede atribuirse a varias razones. Se trata de un problema polifacético que plantea una serie de retos algorítmicos y de modelización (por ejemplo, modelización del riesgo, datos de varios tipos, naturaleza dinámica, etc.), y es relevante en varios contextos, incluidas las carteras de acciones y las carteras de fondos, así como en el contexto de los activos de los mercados no financieros (por ejemplo, los mercados energéticos y las materias primas). La mayoría de los modelos MO/GP propuestos para la OP se han basado en la combinación de múltiples medidas de riesgo (por ejemplo, asimetría/curtosis, medidas de valor en riesgo, ratio omega, riesgo sistémico, etc.), a menudo considerando además metas y objetivos adicionales (liquidez, dividendos, diversificación, etc.). La EA/MH también ha sido muy popular en la OP, en particular cuando se trata de criterios y modelos de selección de carteras no convexos (por ejemplo, asimetría/curtosis, valor en riesgo), así como en los casos en que se añaden en el análisis características reales adicionales, como las restricciones de cardinalidad (Mansini, Ogryczak, & Speranza, 2014). Steuer (2013) distingue entre tres tipos de enfoques MCDA en PO. Los enfoques a priori utilizan información preestablecida sobre las preferencias del decisor (inversor, gestor de cartera) para encontrar la cartera eficiente más adecuada. Los modelos de GP suelen emplear este tipo de enfoque. Los enfoques a posteriori, en cambio, se centran en encontrar el conjunto completo de carteras eficientes en una sola ejecución, sin requerir la especificación de datos preferentes. La EA/MH suele emplearse en este marco, especialmente en los casos más complejos, como se ha señalado anteriormente (para una visión general de la EA/MH en la OP, véase Metaxiotis & Liagkouras, 2012). Una última clase de procedimientos se basa en técnicas interactivas que permiten la articulación progresiva de la información preferente sobre la política de inversión del decisor (véase, por ejemplo, Xidonas, Mavrotas, & Psarras, 2010a).

La OP está estrechamente relacionada con otras áreas temáticas consideradas en esta encuesta, a saber, la evaluación de activos, la ISR y las finanzas energéticas. Sorprendentemente, sólo 12 publicaciones abordaron la gestión de carteras en un marco integrado que combina la OP y la evaluación de activos (véase, Kiris & Ustun, 2012, Pendaraki, Zopounidis, & Doumpos, 2005, Pérez-Gladish, Jones, Tamiz, & Bilbao Terol, 2007, y Xidonas, Askounis, & Psarras, 2009a, entre otros). Todos estos trabajos consideraron el proceso de evaluación de activos en términos de factores fundamentales, a menudo realizados en el contexto de la gestión de fondos, utilizando metodologías basadas principalmente en AHP/ANP, OR y PDA. Las técnicas de MO y EA/MH, por otro lado, también han sido populares para la evaluación de activos, principalmente en el contexto del trading algorítmico y el análisis técnico (ver, Bodas-Sagi, Fernández-Blanco, Hidalgo, & Soltero-Domingo, 2013, Chiam, Tan, & Al Mamun, 2009, y Ng et al., 2014, entre otros). También es interesante observar que la mitad de los trabajos sobre ISR (9 de 18 trabajos) también incorporan aspectos de OP y seis de los 18 trabajos sobre ISR consideran los aspectos sociales como parte del proceso de evaluación de los activos. Curiosamente, todos los trabajos sobre la ISR, excepto uno, se publicaron en el período comprendido entre 2009 y 2014, lo que indica que se trata de una tendencia emergente en las inversiones financieras y la gestión de carteras.

A excepción de los temas anteriores relacionados con la inversión, la evaluación del riesgo crediticio y la predicción de la quiebra también han sido temas muy populares, con 108 trabajos relevantes, mientras que en la encuesta anterior de Steuer y Na (2003) esta área no se identificó como un tema de investigación distinto. En este ámbito se han utilizado diversas metodologías, siendo las más populares MO, PDA, GP y OR. Los modelos de predicción del riesgo de crédito y de la quiebra suelen construirse a partir de bases de datos existentes sobre impagos y quiebras (datos de empresas o consumidores). Las técnicas de PDA suelen emplear formulaciones de MO y GP para inferir modelos de decisión a partir de instancias de datos existentes Algunos ejemplos pueden encontrarse en los trabajos de Doumpos y Zopounidis (2011), Peng, Kou, Shi y Chen (2008) y Zhang et al. (2014), entre otros. También se han utilizado técnicas similares para analizar y predecir las calificaciones crediticias emitidas por las principales agencias de calificación crediticia, que son ampliamente utilizadas por los responsables de las decisiones financieras, los inversores y los reguladores (Doumpos, Niklis, Zopounidis, & Andriosopoulos, 2015; Doumpos & Pasiouras, 2005), mientras que otros estudios se han centrado en modelos especializados para áreas como los préstamos hipotecarios y el transporte marítimo (véase Ferreira, Santos, Marques, & Ferreira, 2014, y Gavalas & Syriopoulos, 2014, entre otros). También vale la pena señalar que varios estudios en esta área han explorado combinaciones de métodos MCDA con modelos de minería de datos, tales como redes neuronales, métodos kernel, razonamiento basado en casos y algoritmos de clustering. Estas combinaciones se han considerado de tres formas principales (a) utilizando modelos MO/GP (a menudo facilitados por EA/MH) para el entrenamiento de modelos de minería de datos (por ejemplo, Pendharkar & Nanda, 2006; Zhang et al., 2014), (b) utilizando la estructura compleja y el poder de representación de los modelos de minería de datos para construir sistemas precisos de evaluación y predicción de riesgos multicriterio (por ejemplo, Chen & Hu, 2011; Hu, 2009), y (c) el uso de técnicas MCDA para evaluar el rendimiento de los modelos de predicción (por ejemplo, Wu & Hsu, 2012).

Las aplicaciones en la banca también han atraído un interés considerable, sobre todo después de la crisis crediticia mundial de 2007/2008. Esto se pone de manifiesto por el hecho de que 54 de los 73 artículos sobre aplicaciones bancarias se publicaron desde 2010 hasta 2014. Al igual que la evaluación del riesgo crediticio y la predicción de la quiebra, la banca tampoco fue considerada como un área de investigación distinta en la encuesta de Steuer y Na (2003). Así, en la última década, la banca ha surgido como un área de especial interés para la aplicación de los métodos MCDA. Entre los métodos aplicados en el sector bancario se encuentran el AHP/ANP (a menudo combinado con modelos difusos), así como las técnicas PDA, OR y GP. Los temas de aplicación incluyen la evaluación del rendimiento de los bancos (p. ej, Doumpos & Zopounidis, 2010; Grigoroudis, Tsitsiridi, & Zopounidis, 2013; Ioannidis, Pasiouras, & Zopounidis, 2010; Shen & Tzeng, 2014a), gestión de activos y pasivos (por ejemplo, Kosmidou & Zopounidis, 2007), gestión de sucursales bancarias (por ejemplo, Ferreira et al., 2010), y los servicios de banca electrónica (por ejemplo, Hu & Liao, 2011; Kaya & Kahraman, 2011), entre otros.

Temas similares también han sido considerados fuera del sector bancario en otros estudios que se centraron en el rendimiento empresarial en sectores como el transporte, la agricultura, los seguros, la construcción, etc. Como se desprende del cuadro 5, los métodos utilizados para evaluar el rendimiento de las empresas son bastante similares a los utilizados en el sector bancario.

En lo que respecta a las demás áreas de aplicación, cabe destacar que en materia de presupuestación de capital y planificación financiera sólo hemos identificado 41 trabajos publicados desde 2002. Se trata de un descenso notable en comparación con el estudio de Steuer y Na (2003), que encontraron que estas áreas eran ampliamente investigadas en el periodo anterior a 2002 (cuando combinadas eran en realidad más populares que el análisis de carteras).

Desde el punto de vista metodológico, el MO es claramente el enfoque dominante con 273 trabajos. La mayoría de los trabajos que utilizan el MO están relacionados con la OP (188 estudios), seguidos de la evaluación de activos (31 estudios) y la evaluación del riesgo de crédito/previsión de la quiebra (25 trabajos). Como se muestra en la Tabla 6, una parte importante de los estudios que utilizan MO lo combinan con técnicas de EA/MH (82 trabajos), modelos difusos (35 estudios) y algoritmos de minería de datos (18 trabajos).

AHP/ANP ha sido el segundo enfoque más popular. Se trata de un aumento importante si se compara con la encuesta anterior de Steuer y Na (2003), que descubrieron que sólo un pequeño número de estudios se basaban en el AHP antes de 2002. Curiosamente, los artículos relacionados con AHP/ANP abarcan todo el espectro de aplicaciones financieras, a menudo combinadas con modelos difusos y otras técnicas de MCDA, especialmente TOPSIS.

Al igual que MO, GP también ha sido un enfoque de modelado y solución popular para las decisiones financieras en PO y la predicción del riesgo de crédito/quiebra. El presupuesto de capital y la planificación financiera también han sido temas populares para las aplicaciones de los modelos de GP. Sin embargo, a diferencia de los modelos de MO, la GP se ha combinado con menos frecuencia con otros enfoques. Entre ellos, los modelos difusos, DM y PDA han sido los más populares.

PDA ha sido el enfoque más popular para los modelos de predicción de riesgo de crédito/quiebra. Esto se explica por la naturaleza del marco PDA, que se centra en inferir modelos de decisión a partir de los datos. Esta característica se adapta bien al contexto de la modelización del riesgo de crédito y la predicción de las dificultades financieras. Para ello, el marco de la PDA se suele implementar con diferentes modelos OR y MAUT (por ejemplo, Bugera, Konno, & Uryasev, 2002; Doumpos, 2012; Doumpos & Zopounidis, 2011) o en combinación con técnicas de DM (Peng et al., 2008).

Entre los otros enfoques principales de modelado MCDA, MAUT se ha utilizado en 36 estudios, mientras que las técnicas basadas en reglas (por ejemplo, conjuntos rugosos basados en la dominancia; Greco, Matarazzo, & Slowinski, 2013; Shen & Tzeng, 2014b) se han utilizado en 13 publicaciones. El pequeño número de aplicaciones de MAUT en la toma de decisiones financieras en comparación con otros enfoques también fue reportado por Steuer y Na (2003), quienes encontraron sólo ocho publicaciones relevantes en el período anterior a 2002. Por último, cabe destacar que algunos estudios (15 en total) han utilizado la DEA como una técnica de evaluación multicriterio basada en datos combinada con enfoques MCDA tradicionales como MO, GP, AHP/ANP y TOPSIS (Amiri, Zandieh, Vahdani, Soltani, & Roshanaei, 2010; Che, Wang, & Chuang, 2010; Yang, Wong, Xu, Liu, & Steuer, 2010). La DEA proporciona un enfoque conveniente para las evaluaciones multicriterio que utilizan información mínima, ya que las evaluaciones son impulsadas por los datos. Sin embargo, cuando se utilizan en un contexto MCDA, los modelos de evaluación basados en DEA están sujetos a problemas metodológicos (para una discusión exhaustiva, véase Bouyssou, 1999; Tofallis, 2010).