Propuesta de Tesis

Mariano Alcántara Eduardo

Tesis I

Pronóstico de solvencia empresarial mediante un modelo de redes neuronales en las empresas

registradas en la CONASEV

21 de Julio del 2007

Tesista

• Mariano Alcántara, EduardoIngeniería de Sistemas, Universidad Nacional de Ingeniería, 9no. Ciclo, eduardod96@yahoo.es

Palabras Claves

Redes NeuronalesMinería de datos

PROPUESTA

Título

Pronóstico de solvencia empresarial mediante un modelo de redes neuronales en las empresas registradas en la CONASEV

Justificación del Problema• La información sobre la solvencia empresarial de las empresas

registradas en la CONASEV es importante porque ayuda a los inversionistas a tomar decisiones.

• Generalmente la clasificación por solvencia de las empresas se realiza anualmente por empresas clasificadoras de riesgo, las cuales venden esta información a quien se las solicite, no clasificando a todas , sólo las más importantes, debido a la limitación de recursos y tiempo.

• Entonces una herramienta que ayudará a esta labor reduciendo costos y tiempo considerando sólo las variables cuantitativas serán los modelos de predicción

Ámbito de la investigación

• Empresas registradas en la CONASEV• Años de estudio: 2001-2006

El Problema

El problema en los proyectos de inversión en valores, a través de bonos o acciones es que se asume el riesgo de perder el monto invertido por la insolvencia empresarial, entonces se tienen los modelos de predicción que clasificarán a dichas empresas por solvencia a través de regiones de decisión por lo que clasificaría incorrectamente algunas empresas. Entonces es necesario tener un modelo de predicción con la mayor precisión (menor porcentaje incorrecto de clasificación)

Objetivo

• El objetivo de la investigación es determinar que modelo de entre los propuestos de redes neuronales pronostica con mayor precisión(menor porcentaje incorrecto de clasificación) la solvencia de las empresas registradas en la CONASEV.

Capítulo 3 de Sampieri

METODOLOGIA DE LA INVESTIGACION

Tipo de Investigación

• Tipo de Investigación– Correlacional

El propósito de esta investigación es saber como se comporta la variable dependiente, error de clasificación, conociendo el comportamiento de otras variables, llamadas independientes, como el número de neurona en la capa oculta, tasa de aprendizaje y algoritmo de aprendizaje.

• Tipo de Diseño Experimental– ExperimentalSe manipularán variables

independientes que son los parámetros de la red neuronal las cuales tendrán un impacto sobre la variable dependiente, el error de clasificación.

DISEÑO DE LA INVESTIGACION

Objeto de la Investigación Son los registros que contienen los ratios provenientes de los estados financieros de

las empresas registradas en la CONASEV desde el año 2001 hasta el 2006.

Antecedentes• Comparan los resultados del empleo de redes con los del análisis discriminante, que es la

técnica que la Centrale empleó para la elaboración del Sistema de Diagnóstico, que después distribuyó entre los bancos afiliados a su sistema de información. Los autores concluyen que las redes neuronales no son claramente superiores al análisis discriminante y recomiendan que en el diseño de sistemas de alerta se emplee una combinación de modelos neuronales y estadísticos. También hallan evidencia de que con una red de redes” que combina los resultados de una serie de redes más pequeñas se obtienen mejores resultados que con una sola red de arquitectura compleja.

Población

Muestra

Donde • N(tamaño de la población)=258 p(proporción

esperada)=0.05• Z2(95%)=1.96 q(1-p)=0.95• d(precisión)=0.03• Se obtiene n=114

VariablesVariables independientes:-Número de neuronas en la capa oculta-Época-Algoritmo de Aprendizaje-Tasa de aprendizaje E

XPERI

MENTO

Variables dependientes:-Error de clasificación promedio

k: Número de experimentos de la validación cruzada.

n: tamaño del subconjunto de la muestra

Instrumento de mediciónSe usará el siguiente registro

Diseño Experimental

Hipótesis

• El modelo de red neuronal con algoritmo de aprendizaje de retropropagación tiene menor error de clasificación que el modelo de red neuronal con algoritmo de aprendizaje Levenberg-Marquardt.

• La prueba estadística seleccionada para probar las hipótesis será la prueba de proporciones.

donde:• Z se distribuye como la normal estándar.• p1 : er• p2 : el• n1: Tamaño de la muestra sobre el que se realizó la prueba por el modelo

con algoritmo de aprendizaje de retropropagación.• n2:Tamaño de la muestra sobre el que se realizó la prueba por el modelo

con algoritmo de aprendizaje de Levenberg-Marquardt .

MODELO DE SOLUCION

Modelo de Solución

Registro de Ratios Financieros

Registro de clasificación de empresas

Modelo de solución: Diseño experimental

Registro de ratios financieros patrones

Registro de Pesos y Error

ANÁLISIS DE FACTIBILIDAD

Fuente de datosEn la página web de CONASEV se puede obtener los estados financieros de las empresas registradas en dicha institución

EDT

Plan de TrabajoLa duración del proyecto de tesis es de 113 días

CostosEl presupuesto para el proyecto de tesis es de S/32 890,60

MARCO TEORICO

Conceptual

InsolvenciaEs el estado económico-financiero en el cual una

persona natural o jurídica independientemente de su actividad, ha sufrido una pérdida considerable de parte de su patrimonio o se encuentra impedida de afrontar temporal o definitivamente el pago de sus obligaciones

Instrumental

Modelo de red neuronal

Minería de datos

CONCLUSIONES

Conclusiones• El desarrollo de la presente tesis es viable, debido a que se cuenta con los Estados

Financieros de las empresas registradas en la CONASEV desde el año 2001 al 2006, éstos se encuentran publicados en la página web www.conasev.gob.pe. Además el experimento no depende de terceras personas es repetible y su duración es de aproximadamente 3 a 4 meses, sólo se requiere un computador potente.

• Se justifica pues se necesita realizar pronósticos de solvencia empresarial para poseer información que sea lo mayor confiable posible con respecto a la solvencia de una empresa en el presente y futuro. Es así que se necesita de modelos de predicción que ayudan a los inversionistas, pues de lo contrario se tendrían pérdidas económicas.