Modelado de proyecciones financieras de empresas según sectores. Aplicación a la valoración de empresas

Abstract

El modelo utilizado en este proyecto busca aumentar la credibilidad en las proyecciones a través del financing feedback. La herramienta permitirá una realimentación entre el balance y la cuenta de resultados a través de la deuda, ya que esta tiene un impacto en ambos estados financieros. Se crea por tanto un proceso iterativo alrededor del nivel de la deuda hasta conseguir un ajuste de la misma y unas proyecciones más certeras. De esta manera, el modelo DCF resultante será robusto e incorporará la incertidumbre del cálculo de las previsiones. El objetivo principal del TFM es conseguir hacer unas recomendaciones sobre las proyecciones base de distintas empresas del sector eléctrico para obtener mejores valoraciones que las actuales. Estas recomendaciones se harán sobre dos ámbitos distintos, las operaciones y los ratios de circulante, que son dos de los principales inputs para el modelo. El estudio sobre datos históricos ha sido utilizado para generar las proyecciones base para cada una de las empresas. Para ello se han utilizado dos técnicas distintas de data science como son los análisis PCA y las regresiones lineales. En relación con las recomendaciones, para sacar las conclusiones se ha procedido al desarrollo de una nueva herramienta que sirve como complemento a la inicial. De ella se busca extraer el impacto que un cambio en las variables de entradas genera en la valoración de la compañía. En conclusión, las recomendaciones sobre las operaciones dan mejor resultado que los ratios. Esto se debe a que son más agresivas ya que llevan detrás una inversión que pide que los retornos sean más altos. En general, la estrategia ha sido bajar los niveles de costes variables a costa de una mayor inversión y costes fijos. En cuanto a los ratios la principal ventaja es que se realizan sin ninguna inversión, tan solo intentando ser más eficientes.

This project´s model looks to improve the reliability of the projections using financing feedback. Our tool will generate feedback between the Income Statement and the Balance Sheet through the company’s outstanding debt, as it has an effect on both financial statements. An iterative process is created around the company’s debt until both are adjusted and the projections are built more accurately. Therefore, the DCF methodology is applied incorporating a lower uncertainty on the projections calculation. The principal objective of the Thesis is being able to do recommendations on the financial projections base cases of different companies in the electric sector to improve their equity valuation. These recommendations will be done over two big fields, operations and net working capital ratios, which are the main inputs for the model. Historical data studies have been used to generate base case projections for each different company. In order to do so, machine learning techniques have been used, such as PCA analysis and Linear Regressions. Regarding recommendations, to find conclusions, we proceeded to develop a new tool used as a complement to the initial one. The aim is to extract the impact of a basis point change on any of the inputs generates to the firm’s valuation. As a conclusion, recommendations about operations have a better result than ratios improvements. This can be explained because these recommendations are more aggressive and are done carrying out an investment which asks for bigger returns. In general, the strategy has been to lower variable costs through investment and increasing fixed costs. Improvements related to ratios have as a principal advantage that they are done without any investment, just more planification and a more efficient way of managing them.