When Validation Defines Abnormality: Prediction Targets in Bayesian Accrual Measurement
Este artículo demuestra que en entornos longitudinales agrupados, la elección del objetivo de validación predictiva (años-empresa individuales frente a empresas completas) altera fundamentalmente el marco de referencia de los proxies basados en residuos al desplazar el peso de la selección de modelos bayesianos entre los parámetros de referencia específicos de la empresa y los de la población, cambiando así materialmente la clasificación del comportamiento anormal.
Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo
En el mundo de la contabilidad, los números cuentan una historia sobre cómo funciona una empresa, pero no todo número es una observación directa. Algunas cifras son estimaciones, calculadas para separar lo rutinario de lo inusual. Imagine la actividad financiera total de una empresa como un río. La mayor parte del agua fluye de manera predecible, impulsada por las corrientes estándar de ventas, costos e inversiones. Este flujo predecible es lo que los expertos llaman comportamiento "normal". Sin embargo, a veces el río se hincha o retrocede de formas que no coinciden con la corriente actual. Estas desviaciones se denominan actividades "anormales". En la investigación financiera, estas desviaciones anormales suelen tratarse como pistas. Podrían sugerir que una empresa está ocultando algo, manipulando sus informes o enfrentando choques económicos únicos que los modelos estándar no pueden explicar. Para encontrar estas pistas, los investigadores primero construyen un modelo para predecir cómo debería verse el flujo normal. Lo que queda después de esa predicción es el "residuo", la pieza sobrante que representa la anormalidad.
El problema es que la definición de "normal" no es fija. Diferentes investigadores utilizan diferentes fórmulas para calcular cuál debería ser el comportamiento normal de una empresa. Algunas fórmulas se centran en cómo las ganancias se relacionan con el flujo de caja, mientras que otras observan cómo cambian los activos a lo largo del tiempo. Debido a que no existe una única fórmula correcta, los investigadores suelen probar muchos modelos diferentes y dejar que los datos decidan cuál funciona mejor para predecir el futuro. Utilizan un método llamado validación, donde prueban un modelo con datos pasados para ver si puede adivinar con precisión qué sucedió después. Si un modelo predice bien, obtiene una puntuación más alta y se confía más en él. Pero este proceso de elegir el mejor modelo depende de una regla específica: ¿qué es exactamente lo que estamos tratando de predecir? ¿Estamos tratando de predecir el próximo año para una empresa que ya conocemos, o estamos tratando de predecir el futuro para una empresa completamente nueva que nunca hemos visto? Esta elección, aparentemente pequeña, sobre para quién estamos prediciendo, resulta cambiar la definición entera de lo que se considera "anormal".
Un estudio reciente de Quan Pham, de la Universidad Industrial de la Ciudad de Ho Chi Minh, investiga precisamente esta cuestión. El investigador analizó miles de informes financieros anuales de 568 empresas que cotizan en las bolsas de valores de Vietnam entre 2015 y 2024. El objetivo era ver si la regla utilizada para probar los modelos de predicción cambia la medición final del comportamiento anormal. Para ello, el estudio utilizó una técnica sofisticada llamada Bayesian stacking (apilamiento bayesiano), que combina muchos modelos contables diferentes en un único promedio ponderado. En lugar de elegir solo un modelo "mejor", este método asigna un peso a cada modelo basado en qué tan bien se desempeñó durante las pruebas. El experimento clave consistió en ejecutar las mismas pruebas dos veces, pero cambiando únicamente la regla de qué información se ocultaba durante la prueba. En el primer escenario, la prueba ocultó solo un año de datos de una empresa específica, manteniendo visibles todos sus otros años. Esto simula predecir el siguiente paso para un amigo cercano. En el segundo escenario, la prueba ocultó todos los años de datos de una empresa específica, simulando una predicción para un extraño sin historial.
Los resultados mostraron un cambio drástico en cómo se ponderaron los modelos dependiendo de qué regla se utilizara. Cuando la prueba permitía al modelo ver el historial pasado de una empresa (prediciendo para un amigo cercano), el sistema favorecía fuertemente a los modelos que incluían un "efecto de firma" específico. Este es un rasgo estadístico que captura las peculiaridades únicas y persistentes de una sola empresa, como su estilo de gestión específico o su estructura de negocio a largo plazo. En este escenario, estos modelos específicos de la firma recibieron aproximadamente entre el 59 y el 62 por ciento del peso total. Sin embargo, cuando la prueba ocultaba el historial completo de la empresa (prediciendo para un extraño), el sistema ignoraba casi por completo estos modelos específicos de la firma. En su lugar, trasladaba su confianza a modelos generales a nivel de población que describen cómo se comporta la empresa promedio. En este caso, el peso de los modelos específicos de la firma cayó a menos del 4 por ciento. El estudio confirmó mediante simulaciones por computadora que este cambio no fue ruido aleatorio o un error matemático. Fue una respuesta directa a la estructura de los datos: cuando el historial único de una empresa está disponible, el mejor predictor lo utiliza; cuando ese historial desaparece, el mejor predictor se apoya en el promedio.
Esta reasignación de la confianza tuvo un impacto directo y mensurable en las cifras finales. El estudio encontró que, si bien el ranking general de las empresas se mantuvo algo similar —las empresas que estaban altas en la lista para un método generalmente estaban altas en la lista para el otro—, las empresas específicas identificadas como los valores atípicos más extremos cambiaron significativamente. Al observar el cinco por ciento de las empresas con la actividad más "anormal", los dos métodos coincidieron en solo alrededor del 65 al 69 por ciento de los casos. Esto significa que aproximadamente una de cada tres empresas señaladas como altamente anormales por un método no fue señalada por el otro. La diferencia se volvió aún más pronunciada cuando los investigadores ajustaron los números para tener en cuenta la incertidumbre en las predicciones. En ese caso, el acuerdo sobre el cinco por ciento de las empresas cayó entre el 37 y el 42 por ciento. Esencialmente, la elección de la regla de validación actuó como un filtro que dejaba pasar conjuntos diferentes de empresas por la puerta.
El estudio también comprobó si estos diferentes conjuntos de empresas eran realmente distintos en su comportamiento real. Encontró que las empresas identificadas como anormales solo por el método del "amigo cercano" tendían a tener menores ganancias futuras y menores retornos sobre los activos. Por el contrario, las empresas identificadas como anormales solo por el método del "extraño" tendían a tener mayores flujos de caja y ganancias. Esto sugiere que los dos métodos no solo están etiquetando a las mismas empresas de manera diferente; sino que están capturando tipos diferentes de realidades económicas. Un método está ajustado para detectar desviaciones del propio patrón histórico de una empresa, mientras que el otro está ajustado para detectar desviaciones del promedio general del mercado.
La conclusión es que la herramienta utilizada para medir la anormalidad no es neutral. La regla elegida para probar el modelo de predicción se convierte en parte de la medición misma. Si un investigador quiere saber si una empresa se está comportando de manera inusual en comparación con su propio pasado, debe utilizar una regla de validación que mantenga visible el historial de la empresa. Si quiere saber si una empresa es inusual en comparación con el resto del mundo, debe utilizar una regla que oculte ese historial. El estudio no declara un método superior al otro. En cambio, muestra que la definición de "anormal" es flexible y depende enteramente de la pregunta que se esté haciendo. Para cualquiera que utilice estas mediciones para filtrar riesgos, seleccionar muestras para investigación o investigar la información financiera, la elección de la regla de validación no es solo un detalle técnico. Es una parte fundamental del diseño de la medición que determina qué empresas serán vistas como valores atípicos y cuáles serán vistas como normales.
¿Ahogado en artículos de tu campo?
Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.