Survival analysis for bankruptcy prediction : the case of the retail industry in Colombia

Abstract

El propósito de este proyecto es estimar un modelo de análisis de supervivencia que permita analizar el comportamiento de las empresas del sector retail en Colombia. Con esto se quiere predecir la probabilidad de riesgo de quiebra en función del tiempo a partir de razones financieras, por medio de metodologías interpretables como son los modelos aditivos generalizados GAM y la regresión de Cox. Adicionalmente, se aplica selección de variables y evaluación de desempeño mediante validación cruzada. La importancia del estudio se centra en el proceso de minería de datos realizado para obtener el estado real de cada compañía incluida en el análisis y la fecha exacta en la que se materializó ese evento, ya que dicha información no se encuentra explícita y es limitante para la ejecución de esta clase de estudios. Para obtener masivamente los datos se implementó un proceso de web scraping, con el cual se accedió de forma automática a la información. La muestra final es de 3.911 sociedades de las cuales 372 (9,51%) presentaron bancarrota en la ventana de tiempo de 10 años. Se evaluaron 262.144 modelos por cada una de las metodologías. Como resultado, el desempeño de ambos modelos no presenta diferencias significativas; sin embargo, GAM captura mejor el efecto de las variables sobre el riesgo de bancarrota como se puede observar en el caso de la variable Net income to total assets.

The purpose of this study is to estimate a survival analysis model to understand the behavior of retail companies in Colombia. The main goal is to predict the propensity of bankruptcy as function of time, using financial ratios. GAM models and Cox regression were applied using selection methods and cross validation to assess them. Most of the bankruptcy prediction studies often infer the financial status. Instead, this one apply data mining methods to extract for each company the current financial status and the exact date in which the status changed. To obtain the data, was necessary to build a web scrapping process and download automatically one by one, information for 3.911 companies, in which the 9,51% was in default. 262.144 models were performed and assessed for each type methodology. Finally, the GAM and the Cox regression, showed similar performance numbers, but in terms of interpretability and to capture better the effect of the covariates over the risk of default, GAM model has the advantage, for example with the Net Income to total assets variable.--Tomado del Formato de Documento de Grado.