¿Proporciona la auditoría evidencias para detectar y evaluar tensiones financieras latentes? Un diagnóstico comparativo mediante técnicas econométricas e inteligencia artificial

ResumenEl pronóstico del fracaso financiero es una cuestión crítica, tanto para la teoría como para la praxis financiera, ya que el fallo tiene importantes consecuencias sobre los accionistas y acreedores, y también sobre terceros. Este trabajo analiza la capacidad predictiva de 2 modelos de pronóstico del fracaso financiero empresarial, basados en signos externos derivados del proceso de auditoría. El primero de estos modelos es una regresión logística que, a pesar de su simplicidad estructural, logra un promedio de acierto cercano al 85%; el segundo es una red de neuronas artificiales entrenada mediante una estrategia feedforward, y que consigue diagnosticar correctamente cerca de un 90% de las observaciones. Los modelos indican que el flujo de información de auditoría contiene evidencias suficientes para anticipar los procesos concursales y enfatizan la capacidad predictiva de ciertos signos como la acumulación de informes con salvedades y los incumplimientos formales. Se discute si la expresión de incertidumbres a la continuidad en párrafos de énfasis puede reducir las posibilidades de que los inversores evalúen el riesgo financiero y anticipen eventos de fallo.

Forecasting financial failure is a critical issue for both financial theory and practice, as bankruptcies cause severe effects, not only for shareholders and creditors, but also for third parties throughout the economic system. We have developed a logit model and an artificial neural network to help forecast financial distress based on the information content of audit reports and auditors contracts. These models are built on empirical evidence indicating that it is possible to infer the existence of unrevealed financial pressures, given a small number of quantifiable signs, e.g. changing of auditors, nonfulfillment of formal requirements, and the accumulation of qualified reports. Even with its parsimony, logit model reaches an 85% hit rate, and neural network is able to correctly classify up to 90% of the companies in training, testing and cross-validation phases. We discuss whether the expression of going-concerns in emphasis paragraphs may reduce the ability of investors to evaluate corporate financial risk and/or forecast bankruptcy events.