Los modelos financieros suelen tratarse como representaciones objetivas de la realidad: estructurados, basados en datos y, en apariencia, fiables. En la práctica, a menudo generan algo mucho más peligroso: una ilusión de precisión. Las valoraciones se presentan con confianza, los flujos de caja se proyectan a varios años vista y las sensibilidades se cuantifican con aparente rigor. Sin embargo, bajo esa solidez aparente existe una vulnerabilidad fundamental. En el entorno actual—marcado por cambios estructurales, relaciones económicas inestables y shocks recurrentes—el mayor riesgo puede no estar en los datos, sino en el propio modelo.
La evolución del riesgo de modelo
El riesgo de modelo se entiende habitualmente como la posibilidad de tomar decisiones basadas en modelos incorrectos. Históricamente, se asociaba a problemas identificables como baja calidad de datos, errores de implementación o supuestos poco realistas.
Lo que ha cambiado no es la definición, sino el origen del riesgo.
Muchos modelos financieros siguen apoyándose en una premisa fundamental: que el futuro se comportará, al menos en términos generales, como el pasado. Este supuesto está implícito en las proyecciones de crecimiento, en la evolución de márgenes, en las tasas de descuento e incluso en la propia estructura de los modelos. Se asume estabilidad, o al menos cambios graduales.
Sin embargo, los últimos años han cuestionado esta base. Las relaciones entre variables clave ya no son estables. Las correlaciones cambian, a veces de forma abrupta. Los entornos de negocio evolucionan más rápido de lo que los modelos se actualizan. En este contexto, incluso un modelo técnicamente correcto puede conducir a conclusiones erróneas.
Cuando el entorno cambia más rápido que el modelo
El contexto económico reciente ilustra bien este cambio. La COVID-19 alteró de forma inmediata los patrones de demanda y la operativa empresarial. Posteriormente, se produjo un cambio brusco en la dinámica inflacionaria, seguido de una rápida subida de los tipos de interés tras años de estabilidad. A esto se suman tensiones geopolíticas y disrupciones en las cadenas de suministro.
No se trata de shocks aislados que afectan a variables concretas, sino de cambios sistémicos que modifican la forma en que las variables interactúan entre sí.
Sin embargo, muchos modelos siguen extrapolando datos históricos que reflejan un entorno completamente distinto. El problema no es necesariamente un error de cálculo, sino una desconexión entre el modelo y la realidad que pretende representar.
Dónde fallan los modelos en la práctica
Las limitaciones de los enfoques tradicionales se hacen especialmente visibles en entornos de estrés.
Los modelos de descuento de flujos de caja (DCF), por ejemplo, siguen siendo una herramienta fundamental de valoración. Su estructura es sólida en teoría, pero altamente sensible en la práctica. En un entorno de tipos bajos, las variaciones en la tasa de descuento tenían un impacto relativamente contenido. Hoy, cambios en el coste de capital pueden alterar significativamente las valoraciones, a menudo de forma no lineal.
Más allá de la tasa de descuento, el problema se extiende a otros supuestos. Las previsiones de crecimiento, los valores terminales y las proyecciones de márgenes suelen estar anclados en el comportamiento histórico. Cuando las condiciones cambian, estos supuestos pueden quedar rápidamente obsoletos, mientras el modelo sigue generando resultados aparentemente precisos.
Algo similar ocurre con los análisis de sensibilidad. Variar una variable de forma aislada ofrece una visión ordenada del riesgo, pero rara vez refleja la realidad. En la práctica, los shocks afectan a múltiples variables simultáneamente. Por ejemplo, la inflación puede presionar márgenes, reducir la demanda y endurecer las condiciones de financiación al mismo tiempo. Capturar estas interacciones requiere un enfoque más integrado.
Otro punto crítico es la asunción implícita de estabilidad en los modelos de negocio. Muchos modelos proyectan la estructura operativa actual como si fuera a mantenerse en el tiempo. Sin embargo, los últimos años han demostrado que factores como la digitalización, los cambios en el comportamiento del consumidor o la reconfiguración de cadenas de suministro pueden alterar rápidamente estas dinámicas.
Incluso el análisis de escenarios, diseñado para capturar la incertidumbre, suele quedarse corto. Con frecuencia, los escenarios son incrementales y no contemplan situaciones realmente disruptivas.
Evidencia real del riesgo de modelo
Estas limitaciones no son meramente teóricas. Algunas de las mayores pérdidas financieras de las últimas décadas pueden atribuirse, al menos en parte, al riesgo de modelo.
El colapso de Long-Term Capital Management en 1998 es un ejemplo paradigmático. Su estrategia se basaba en correlaciones históricas y en la convergencia de spreads. Durante la Russian Financial Crisis, estas relaciones se rompieron, y posiciones que debían compensarse evolucionaron en la misma dirección, generando pérdidas significativas.
Años después, JPMorgan Chase registró pérdidas superiores a 6.000 millones de dólares en el caso conocido como “London Whale”. Un modelo de riesgo revisado infravaloró la exposición, permitiendo asumir posiciones mayores de lo que realmente era prudente.
En el caso de Lehman Brothers, antes de la Global Financial Crisis, los modelos de valoración asumían niveles de liquidez de mercado que desaparecieron en situaciones de estrés, generando una desconexión significativa entre los valores estimados y los precios reales de mercado.
Más recientemente, durante la COVID-19, muchos modelos corporativos fallaron no por errores técnicos, sino porque sus supuestos dejaron de ser válidos de forma casi inmediata.
El denominador común en todos estos casos no es un fallo técnico, sino una falta de alineación entre el modelo y el entorno.
Casos ilustrativos en corporate finance y valoración
Más allá de los grandes eventos de mercado, el riesgo de modelo también se manifiesta en el día a día de la valoración y el análisis financiero.
Un ejemplo habitual se observa en valoraciones DCF en entornos de subida de tipos. Muchos modelos construidos en contextos de tipos bajos se actualizan de forma mecánica ajustando la tasa de descuento, mientras otros supuestos permanecen prácticamente inalterados. Esto genera inconsistencias internas: un mayor coste de capital suele reflejar condiciones financieras más restrictivas, pero las hipótesis de crecimiento o rentabilidad pueden seguir siendo optimistas.
El resultado es una valoración que parece coherente desde el punto de vista técnico, pero que no refleja completamente la nueva realidad económica. En la práctica, esto ha contribuido a valoraciones excesivamente optimistas en determinados procesos de transacción.
Un patrón similar se observa en valoraciones de empresas mid-market. Negocios con historiales estables suelen modelizarse proyectando tendencias pasadas y aplicando sensibilidades moderadas. Sin embargo, en un entorno de presión de costes, incertidumbre en la demanda y condiciones de financiación más estrictas, pequeñas desviaciones pueden amplificarse rápidamente.
La compresión de márgenes, combinada con menor crecimiento y mayor coste de capital, puede reducir significativamente los flujos de caja. Si estos efectos no se capturan de forma integrada, el modelo puede sobreestimar la resiliencia del negocio. En algunos casos, esto ha derivado en expectativas desalineadas entre comprador y vendedor, o en resultados posteriores a la transacción por debajo de lo previsto.
Lo relevante es que los modelos no son necesariamente incorrectos. La limitación reside en su incapacidad para capturar cómo interactúan las variables en entornos de estrés.
La ilusión de precisión
Uno de los mayores riesgos en modelización financiera no es el error, sino la sobreconfianza.
Modelos bien estructurados y outputs detallados generan una fuerte sensación de rigor. Las valoraciones se presentan con precisión, las proyecciones se extienden a largo plazo y las sensibilidades sugieren que el riesgo está controlado.
Sin embargo, esta precisión puede ser engañosa. Un modelo puede ser internamente coherente y, al mismo tiempo, externamente frágil. Las decisiones pueden centrarse en el resultado, sin cuestionar suficientemente los supuestos y la estructura que lo sustentan.
En este sentido, el riesgo de modelo es tanto técnico como conductual.
Hacia modelos financieros más robustos
Abordar el riesgo de modelo no implica abandonar los modelos financieros, sino mejorar la forma en que se diseñan y utilizan.
Un enfoque más robusto requiere ir más allá de estimaciones puntuales y considerar rangos de resultados. También implica diseñar escenarios que reflejen la evolución conjunta de múltiples variables, en lugar de analizarlas de forma aislada.
Los supuestos deben ser dinámicos, adaptándose a cambios en el entorno, en lugar de permanecer constantes por conveniencia. Asimismo, la transparencia es clave. Los modelos no deben convertirse en cajas negras: los supuestos deben ser claros, revisados periódicamente y sometidos a análisis crítico.
En última instancia, el valor del modelo reside tanto en el resultado como en el proceso de reflexión que genera.
Conclusión: una herramienta para pensar, no una fuente de certeza
Los modelos financieros siguen siendo herramientas esenciales. Aportan estructura y disciplina a la toma de decisiones complejas. Sin embargo, no deben interpretarse como predictores precisos del futuro.
En un entorno marcado por el cambio estructural y la incertidumbre, los modelos son más útiles cuando permiten explorar distintos escenarios y cuestionar supuestos, no cuando generan una falsa sensación de certeza.
Reconocer sus limitaciones no es una debilidad, sino una condición necesaria para utilizarlos de forma eficaz.
Cómo podemos ayudarte
A medida que el riesgo de modelo gana relevancia, la necesidad de diseñar modelos robustos y revisarlos de forma independiente es cada vez mayor.
Podemos ayudarte en:
- Revisión y validación de modelos financieros
- Desarrollo de modelos financieros a medida
- Diseño de escenarios y frameworks de stress testing
Si quieres evaluar la solidez de tus modelos actuales o desarrollar un enfoque más robusto, estaremos encantados de ayudarte.
