El impacto de la inteligencia artificial en la valoración de empresas

 

La valoración de empresas es una piedra angular en la toma de decisiones estratégicas. De acuerdo con Damodaran (2012), la valoración de empresas es una herramienta esencial para evaluar las inversiones de una cartera, decidir el precio adecuado en una adquisición, y guiar operaciones estratégicas de inversión, financiamiento y distribución de dividendos. Su premisa fundamental es que la adquisición de un activo está motivada exclusivamente por los flujos futuros que este es capaz de generar.

Existen varios métodos de valoración de empresas; sin embargo, el método adecuado depende del futuro del negocio y el objetivo de la valoración. Es decir, existen métodos de valoración para empresas que continúan o cesan sus actividades. Para las empresas que continúan sus actividades o negocios en marcha, los métodos más comunes son el de flujos de efectivo descontados (DCF por sus siglas en inglés) y el de múltiplos. Sin embargo, con el aumento en la popularidad de la inteligencia artificial (IA) y el machine learning, ha surgido una nueva tendencia para el desarrollo de los modelos de valoración. En la literatura académica reciente se ha observado un elevado interés por este tema, con varios artículos que comparan los métodos tradicionales con aquellos basados en inteligencia artificial. De manera general, estos estudios identificaron un incremento significativo en la precisión de sus resultados.

Los métodos tradicionales

Claramente, los modelos tradicionales tienen virtudes y limitaciones para calcular el valor de una empresa o proyecto. El DCF estima el valor de la empresa trayendo a valor presente los flujos de efectivo proyectados, y utilizando una tasa que refleja el costo ponderado del capital que incluye una prima de riesgo de mercado. De acuerdo con Damodaran, la fortaleza central de este método radica en el entendimiento profundo del bien valorado y de los mecanismos mediante los cuales genera flujos de efectivo. Sin embargo, su mayor debilidad es la sensibilidad que tiene a los supuestos e hipótesis utilizadas en las proyecciones. Esto puede provocar valoraciones con desviaciones sustanciales del valor intrínseco.

Por su lado, el método de múltiplos compara el valor de un activo con el de otros similares en el mercado, utilizando razones financieras para determinar si está subvalorado o sobrevalorado en relación con sus pares. Este último, un método eficiente y rápido de emplear, es capaz de capturar tendencias y percepciones del mercado en la valoración. No obstante, es sensible al criterio de selección de los bienes semejantes, lo que también puede estar sujeto a sesgos de quienes desarrollan el modelo. De igual manera, si el mercado está sobrevalorando en conjunto a todos los pares, es posible que se realice una estimación inexacta del valor intrínseco y se tomen decisiones que provoquen pérdidas.

Innovaciones con IA

Considerando las debilidades del DCF antes mencionadas, Viedienieiev (2021) propuso aprovechar un modelo basado en inteligencia artificial para hacer predicciones. Mediante una combinación de métodos de machine learning y técnicas estadísticas avanzadas, se realizaron las proyecciones de variables utilizadas como input en el DCF. Posteriormente se compararon sus valores reales con los de las proyecciones por el método tradicional y por IA. Se observó que las proyecciones tradicionales estuvieron, en promedio, un 16.05% por encima del valor real, mientras que las hechas por IA, en promedio, estuvieron un 2.18% sobre el valor real. En el gráfico a continuación se puede evidenciar que la IA hizo proyecciones de los inputs considerablemente más cercanas a la realidad. Por lo tanto, al usarlas como inputs, las valoraciones por DCF serán más consistentes.

En lo referente al método de valoración por múltiplos, otros autores han señalado la existencia de sesgos importantes en la selección de las empresas comparables. Eaton, Guo, Liu y Officer (2022) identificaron un patrón de selección estratégica de pares, con una preferencia por empresas con altos niveles de crecimiento y múltiplos de valoración elevados. En respuesta a esta problemática, Geertsema y Lu (2022) desarrollaron un método de valoración por múltiplos en el que los pares no se seleccionan en base a criterios subjetivos, sino en base a las características financieras objetivas de las empresas. Toman un enfoque innovador al utilizar Gradient Boosting Machines (GBM), con el cual se emplea una serie de árboles de decisión para estimar los múltiplos de varias empresas. En el estudio se realizaron valoraciones utilizando el método tradicional y el GBM para poner comparar sus predicciones. La precisión se midió comparando las valoraciones de los modelos con el valor de mercado de las compañías, definido como el precio de las acciones multiplicado por el número de acciones en circulación. Se encontró que, dependiendo del múltiplo usado, las valoraciones proporcionadas por el modelo tradicional difirieron, en valor absoluto, entre un 40% y 59% del valor de mercado; mientras que las del GBM entre el 29% y 32%. En otras palabras, el GBM demostró valoraciones más precisas y con menos variación entre múltiplos gracias a su enfoque objetivo de selección de pares. El gráfico a continuación ilustra las diferencias de precisión y variabilidad entre ambos métodos.

La revolución de la IA en los métodos de valoración

Existen diversos estudios que respaldan la integración de la inteligencia artificial en los modelos de valoración tradicionales como una estrategia efectiva para mitigar sesgos subjetivos. Al incorporar esta metodología, los modelos logran valoraciones más precisas y consistentes frente a la incertidumbre inherente a los mercados financieros. La capacidad de la inteligencia artificial para analizar grandes conjuntos de datos y detectar patrones complejos permite una evaluación más objetiva de una empresa o proyecto. Esto no solo mejora la calidad de las valoraciones, sino que también fortalece la confianza en los procesos de toma de decisiones estratégicas. Es así como, la adopción de la inteligencia artificial en los modelos de valoración representa un avance significativo, hacia la mejora continua, en la eficiencia y la precisión en la evaluación estratégica y la gestión de riesgos en los mercados financieros globales.

 

 

Autor: Edwin Durán, Analista de Consultoría.

Bibliografía 



ACTUARIA
Author: ACTUARIA
Gestionamos servicios actuariales y de consultoría empresarial, en base a estándares de calidad y en forma oportuna, mejorando continuamente nuestros procesos, para satisfacer las necesidades de nuestros clientes.

Deja una respuesta

Este sitio usa Akismet para reducir el spam. Aprende cómo se procesan los datos de tus comentarios.