Las Redes Neuronales en El Tratamiento de La Informacion Financiera

Serrano-Gallizo

Web seleccionada: Seccion Inteligencia Artificial:. (http://ciberconta.unizar.es/docencia/intelig)

La Inteligencia Artificial por C Serrano Las redes neuronales artificiales por C Serrano Los Sistemas Expertos en la Contabilidad por A Snchez Aplicaciones de las Redes Neuronales en Contabilidad y Finanzas por C Serrano Sistemas de Induccin de rboles de decisin por E Bonsn Sistemas expertos: aspectos tcnicos por JC Scarabino Anlisis financiero con redes neuronales y escalas multidimensionales por C Serrano nuevo! Manual del programa Teruel, una red neuronal autoorganizada por Medrano, N y Martn, B Software gratuito!

Las redes neuronales artificiales en el tratamiento de la informacin financiera

Carlos Serrano Cinca y Jos Luis Gallizo Larraz

Departamento de Contabilidad y Finanzas, Universidad de Zaragoza.

Direccin: Carlos Serrano Cinca, Departamento de Contabilidad y Finanzas, Facultad de Ciencias Econmicas y Empresariales, Gran Va 2, Zaragoza (50005). Tel: (976) 231341 [email protected]

1. INTRODUCCION.

Los procedimientos sistemticos aplicados a la toma de decisiones gerenciales, se han basado histricamente en medios cuya evolucin ha progresado a medida que aumentaba la complejidad de las relaciones empresariales. As, con anterioridad a la aplicacin del mtodo cientfico, en la resolucin de problemas relativos a la actividad econmica y empresarial, las decisiones se adoptaban de forma individual por el propio decisor, sobre la base del binomio, experiencia-intuicin.

Desde mediados de siglo, la contribucin de la informtica fue fundamental para procesar la informacin que la empresa generaba en su entorno, proporcionando a la gerencia en disposicin de los medios suficientes, una amplia capacidad de decisin en el desarrollo de su actividad. No obstante, en este proceso no se produjeron an adelantos sustanciales, sencillamente, los avances informticos simularon las funciones ejecutadas por el procedimiento manual, consiguiendo que los requerimientos informativos legales a cubrir

http://ciberconta.unizar.es/Biblioteca/0004/SerGall96.html (1 de 21)14/11/2005 08:19:45 p.m.

Serrano-Gallizo

por las entidades se asegurasen de forma rpida y eficaz, pero ignorando un mbito mucho ms amplio que tuviese por objetivo cubrir las nuevas necesidades de toma de decisiones para la gestin de empresas en una economa industrializada y enormemente competitiva.

Desde hace unos aos, los investigadores en sistemas de tratamiento de datos financieros han reconocido las dificultades que plantean los sistemas de procesamiento de la informacin para responder a las nuevas exigencias en la mayora de las empresas, entre otras, por las siguientes razones: los sistemas tradicionales no cubren las necesidades informativas de los usuarios [McCarthy, W. 1982], en casos que se aporte un amplio caudal de informacin, la imposibilidad de los humanos de procesar o comprender lo suministrado en los datos contables [White, C. 1983], y en todo caso, por la limitacin que supone centrarse tan slo en procesar datos numricos [O'Leary, D. 1987].

En la actualidad, los sistemas de ayuda a la decisin, han reemplazado el trmino informacin por el de conocimiento, lo cual permite incluir en el proceso de toma de decisiones aspectos cualitativos en el tratamiento de datos, asi como el saber acumulado de especialistas en el rea de trabajo objeto del problema a resolver, elementos, que hasta ahora no haban sido considerados en los sistemas aplicados. [Gallizo, J.L., Moreno, J.M., 1992]

Los desarrollos ms recientes de la Inteligencia Artificial han resaltado la importancia de los sistemas soporte de ayuda a la toma de decisiones y de la informacin cualitativa, sugiriendo modelos desarrollados para asistir al decisor en la resolucin de problemas. Por un lado, los sistemas expertos tratan de representar el conocimiento de forma simblica, partiendo de la premisa de que los expertos humanos utilizan gran nmero de reglas heursticas especficas en un determinado campo, las cuales son incorporadas al sistema. Por otro lado, las redes neuronales artificiales tratan de representar el conocimiento de un modo conexionista y adaptativo, replicando la estructura neuronal del cerebro humano. Lo fundamental en este paradigma es el aprendizaje mediante patrones o ejemplos.

Somos de la opinin de que introduciendo los sistemas de Inteligencia Artificial mencionados en las bases de datos de la contabilidad de las empresas, es posible ayudar a la investigacin de los diferentes subsistemas de la empresa con grandes volmenes de informacin, obteniendo una ms amplia comprensin de la compleja realidad empresarial.

En el presente trabajo planteamos las innovaciones ms recientes y destacables en los dos paradigmas citados: sistemas expertos y redes neuronales artificiales, primero describiendo ambos sistemas y luego revisando las reas de trabajo. Finalmente, por su novedad, destacamos las aplicaciones ms relevantes de los modelos neuronales que utilizan informacin financiera; es el caso del anlisis del fracaso empresarial y la prediccin en los mercados financieros, donde la complementariedad entre modelos estadisticos y neuronales est desempeando un eficaz papel.

2. SISTEMAS BASADOS EN REGLAS. LOS SISTEMAS EXPERTOS.

Los sistemas expertos son la rama de la Inteligencia Artificial ms empleada en la gestin empresarial. Su origen se sita a mediados de los aos setenta, sin embargo, es a partir


Serrano-Gallizo

de la dcada de los ochenta cuando se desarrollan aplicaciones en toda su plenitud. Un sistema experto recopila en un programa informtico el conocimiento de especialistas en una materia. Sus dos componentes principales son la base de conocimientos y un programa de inferencia. El saber de un experto se representa mediante el uso de smbolos, creando una base de conocimiento, posteriormente se disea un programa de inferencia que manipula la informacin simblica almacenada en dicha base de conocimiento mediante procesos de bsqueda.

La tarea de adquisicin del conocimiento es una tarea compleja que precisa de varios actores. El ingeniero del conocimiento, especialista informtico que extrae el conocimiento del especialista humano y lo plasma en el programa informtico. El especialista humano, que es quien posee el conocimiento, la experiencia. El usuario del sistema, encargado de utilizar el sistema experto. Tambin puede aparecer el ejecutor, si adems de conocimiento hay que implantar en el sistema preferencias, creencias, gustos, etc. [Gallizo, J.L. y Moreno, J.M., 1992].

La empresa es un terreno ideal para la implantacin de sistemas expertos. En efecto, casi todas las empresas disponen de un ordenador que realiza las funciones bsicas de tratamiento de la informacin: contabilidad general, decisiones financieras, gestin de la tesorera, almacn, planificacin, producin, etc., por otro lado, este trabajo implica manejar grandes volmenes de informacin y realizar operaciones numricas como las que diariamente se generan en la empresa para despus tomar decisiones[1].

Podemos clasificar las aplicaciones de los SE en el rea de la Administracin de Empresas en varios apartados: auditora, fiscalidad, planificacin, anlisis financiero y contabilidad financiera. De todos ellos es el campo de la auditora el que ms aplicaciones de sistemas expertos ha desarrollado: los SE ayudan en la labor de revisin de cuentas, decidiendo los programas a seguir, determinando los tipos de muestra y los tamaos, calculando los errores en que se puede incurrir al analizar grandes volmenes de transacciones contables, desarrollando una revisin analtica y formulando juicios en la materia. En el trabajo fiscal, un campo con gran potencial de aplicacin de los SE es la interpretacin de reglas impositivas procedentes de la legislacin tributaria donde se trate de adaptar la normativa en trminos ventajosos para la empresa. En la planificacin econmica de la empresa, los sistemas expertos ayudan en la toma de decisiones, asesorando en temas de previsin financiera, control de gestn, anlisis de desviaciones, etc. Igualmente, son tiles para analizar las cuentas anuales de las empresas: estados de situacin, resultados y en general la informacin econmico-financiera. Tambin la contabilidad legal puede beneficiarse, al proporcionar el sistema experto una base normativa amplia para la preparacin de las cuentas anuales o su revisin.

Uno de los grandes problemas a los que se enfrenta el analista es el gran caudal de informacin a manejar, que puede afectar negativamente a la toma de decisiones. Ante tal circunstancia los sistemas expertos pueden ser unos valiosos aliados, proporcionando una forma de controlar toda esa cantidad de datos. Los sistemas expertos recopilan los datos, los analizan y asimilan. Convierten grandes volmenes de datos en informacin til. En este sentido conviene distinguir un sistema experto de los simples programas de ordenador: tambin las hojas de clculo, bases de datos y programas convencionales manejan habitualmente informacin y alivian la pesada tarea de realizar clculos numricos pero no incluyen procedimientos de representacin del conocimiento.

Estos sistemas basados en reglas puede superar a la capacidad de sntesis humana, por


Serrano-Gallizo

ejemplo cuando se requiere analizar un gran volumen de datos en un corto espacio de tiempo. El experto humano se ver obligado a despreciar parte de la informacin desechando la que no considere relevante; sin embargo, el sistema experto, dada su mayor velocidad de proceso, puede analizar toda la informacin, sin que aparezca fatiga u otros efectos propios del ser humano que empeoran los resultados. Estos sistemas, convenientemente construidos, pueden tambin superar al experto humano cuando la decisin exige aplicar conocimientos de varios campos.

Pese a su innegable potencia y utilidad, los sistemas expertos presentan una serie de inconvenientes como son su programacin y mantenimiento, la dificultad y el elevado coste en tiempo y dinero para extraer el conocimiento de los especialistas humanos, la poca flexibilidad a cambios o la dificultad que presenta la manipulacin de informacin incompleta, inconsistente o errnea. Otro hecho importante a tener en cuenta es la existencia de problemas que no son resolubles algortmicamente, o cuya solucin mediante un sistema experto u otro mtodo convencional no es suficientemente buena.

Autores como Hartvigsen (1992), que ha elaborado un sistema experto para el anlisis de la solvencia de las empresas reconoce las limitaciones y dificultades que plantea la construccin de los sistemas expertos para el anlisis financiero. No hay una teora formal y perfectamente estructurada para examinar la informacin financiera de las empresas. Sin embargo tampoco hay un desconocimiento total del procedimiento a seguir. Para abordar este tipo de problemas difcilmente resolubles mediante los mtodos convencionales o mediante sistemas expertos, que por otra parte no son exclusivos del anlisis financiero se ha propuesto su combinacin con otras herramientas de Inteligencia Artificial, como las redes neuronales que describimos a continuacin.

3. LAS REDES NEURONALES ARTIFICIALES.

La computacin programada, basada en reglas de decisin y algoritmos codificados en programas que se ejecutan sobre ordenadores digitales, ha dominado el procesamiento de la informacin en las ltimas dcadas. El avance de la Electrnica y las Ciencias de la Computacin ha permitido que hoy en da podamos disponer sobre nuestra mesa de trabajo de ordenadores de gran potencia. Pese a ello, existen tareas que ni los grandes supercomputadores son capaces de resolver, o lo hacen de un modo poco eficiente, mientras que el cerebro lo viene haciendo desde hace millones de aos con suma facilidad y eficiencia.

Por esta razn, los cientficos volvieron la vista hacia el cerebro tratando de estudiarlo desde el punto de vista de la computacin. Las diferencias que separan cerebro y ordenador son enormes. Un computador tradicional, tipo Von Neumann, es una mquina que ejecuta una serie de instrucciones de forma secuencial, siendo capaz de realizar complicadas operaciones lgicas y aritmticas de una forma muy rpida. La estructura del cerebro es radicalmente diferente. No est compuesto por un nico microprocesador altamente complejo y eficiente, sino por miles de millones de ellos, las neuronas, que realizan de modo impreciso y relativamente lento un tipo de clculo muy simple. Pese a ello, estos sistemas resuelven ciertas tareas como la visin o el control motor que manejan grandes cantidades de informacin redundante, defectuosa y cambiante como ninguna mquina que el hombre haya podido construir hasta la fecha.


Serrano-Gallizo

En este proceso del pensamiento cientfico surgen los sistemas neuronales artificiales, con la idea de tomar las caractersticas esenciales de la estructura neuronal del cerebro para crear sistemas que lo mimeticen en parte, mediante sistemas electrnicos o mediante simulacin por ordenador, aprovechando sus propiedades de clculo. Estos sistemas estn compuestos por multitud de procesadores simples que operan sobre la base de reconocimiento de patrones, y que pueden adquirir, almacenar y utilizar conocimiento experimental, obtenido a partir de ejemplos. Esta forma de adquirir el conocimiento es una de sus caractersticas ms destacables: no se programa de forma directa, como en los sistemas expertos, sino que se adquiere a partir de ejemplos, por ajuste de parmetros de las neuronas mediante un algoritmo de aprendizaje. En cuanto al modo interno de trabajo las redes neuronales recuerdan ms a los modelos estadsticos multivariantes.

Sistemas expertos y redes neuronales se asemejan en cuanto al objetivo de modelizar el conocimiento, pero son radicalmente opuestos en cuanto a cmo aspiran a conseguirlo. Como vemos, los sistemas expertos se acercaran ms al razonamiento deductivo y las redes neuronales al inductivo. La gestin empresarial utiliza frecuentemente ambos esquemas de razonamiento, por lo que ambas tcnicas tienen cabida. Adems, ambos modelos son perfectamente compatibles, de forma que se pueden integrar en un nico sistema, que se suele conocer como red experta. Probablemente este tipo de sistemas mixtos, si son capaces de recoger las ventajas de ambos modelos, conozcan un gran desarrollo en un futuro cercano.

Los elementos bsicos de neurocomputacin son las neuronas artificiales. Estas se agrupan en capas, constituyendo una red neuronal. Una o varias redes, ms los interfaces con el entorno, conforman el sistema global. Un conjunto de capas constituyen una red neuronal, aunque tambin existen estructuras de una nica capa. Una determinada red neuronal est confeccionada y entrenada para llevar a cabo una labor especfica. Existen diferentes modelos de conexiones entre capas, en general se suelen distinguir dos bsicos: las arquitecturas hacia adelante o feedforward y las realimentadas o feedback. En las arquitecturas feedforward, la informacin siempre se propaga hacia adelante. En las arquitecturas realimentadas, las seales pueden en ocasiones fluir hacia atrs a travs de lazos de realimentacin. Un sistema neuronal incluye una o varias redes neuronales, los interfaces de entrada y salida con el medio exterior, y puede incluir otros subsistemas no necesariamente de tipo neuronal. A modo de ejemplo, las redes expertas son simbiosis entre un sistema experto y una red neurona.


Serrano-Gallizo

Fig 1. Modo de trabajo con redes neuronales.

El procedimiento para operar con redes neuronales queda reflejado en la figura 1. Originalmente la red neuronal no dispone de ningn tipo de conocimiento til almacenado. Para que ejecute una tarea es preciso entrenar o ensear a la red neuronal. El entrenamiento se realiza mediante patrones-ejemplo. Existen dos tipos de aprendizaje: supervisado y no supervisado. Si la red utiliza un tipo de aprendizaje supervisado debemos proporcionarle parejas de patrones entrada-salida y la red neuronal aprende a asociarlos. En terminologa estadstica equivale a los modelos en los que hay vectores de variables independientes y dependientes. Si el entrenamiento es no supervisado, nicamente debemos suministrar a la red los datos de entrada para que extraiga los rasgos caractersticos esenciales. Estas redes neuronales no supervisadas estn relacionadas con modelos estadsticos como el anlisis de conglomerados o las escalas multidimensionales.

Durante la fase de aprendizaje en la mayor parte de los modelos se produce una variacin de los pesos sinpticos, es decir, de la intensidad de interaccin entre las neuronas, lo que en terminologa estadstica equivale a calcular los coeficientes de las funciones de ajuste.

Los diferentes modelos neuronales se diferencian en el modelo de neurona, su organizacin, forma de las conexiones y el algoritmo de aprendizaje que emplea. Existen multitud de modelos y variantes, ms de cincuenta, como son el modelo de Hopfield, el counter-propagation, la resonancia adaptativa o ART, el neocognitrn, etc. Para una clasificacin detallada de los mismos, vase por ejemplo Ros, Pazos, Brisaboa y Caridad (1991, pag 100).

4. AREAS DE APLICACION DE LOS SISTEMAS.


Serrano-Gallizo

Las redes neuronales tratan de resolver de forma eficiente problemas que pueden encuadrarse dentro de tres amplios grupos: optimizacin, reconocimiento y generalizacin. Estos tres tipos engloban un elevado nmero de situaciones, lo que hace que el campo de aplicacin de las redes neuronales en la gestin empresarial sea muy amplio.

En los problemas de optimizacin, se trata de determinar una solucin que sea ptima. Generalmente se aplican redes neuronales realimentadas, como el modelo de Hopfield citado. En la gestin empresarial, son decisiones de optimizacin encontrar los niveles de tesorera, de existencias, de produccin, construccin de carteras ptimas, etc.

En los problemas de reconocimiento, se entrena una red neuronal con inputs como sonidos, nmeros, letras y se procede a la fase de test presentando esos mismos patrones con ruido. Este es uno de los campos ms fructferos en el desarrollo de redes neuronales y casi todos los modelos: perceptrn, redes de Hopfield, mapas de Kohonen, etc, han sido aplicados con mayor o menor xito.

En los problemas de generalizacin, la red neuronal se entrena con unos inputs y el test se realiza con otros casos diferentes. Problemas tpicos de generalizacin son los de clasificacin y prediccin.

Las redes neuronales son modelos matemticos especializados que pueden aplicarse en dominios muy concretos. Las redes neuronales estn mostrando su utilidad en muchos problemas reales. Los estudios empricos muestran la eficiencia de las redes neuronales con datos basados en lgica difusa, patrones o rasgos ocultos para la mayora de las tcnicas incluida la capacidad humana, datos que exhiben no linealidad e informacin en la que se ha detectado caos, Masters (1993, pag 7).

La eleccin entre los diferentes sistemas de ayuda a la toma de decisiones depende del tipo de tarea a realizar, vase Laudon y Laudon (1988, pag 132). Tambin el nivel al que se toman las decisiones afecta la eleccin del tipo de sistema ms apropiado. Simon (1960) clasific las decisiones en estructuradas y no estructuradas: las decisiones estructuradas son repetitivas, rutinarias y existe un procedimiento definido para abordarlas, por el contrario, en las decisiones no estructuradas el decisor debe proporcionar juicios y aportar su propia evaluacin.

Ms recientemente Gorry y Scott-Morton (1971) han propuesto un esquema que relaciona el tipo de decisin (estructurada, semiestructurada y no estructurada) y el nivel organizacional (control operativo, de gestin y estratgico) con la herramienta a utilizar. Lgicamente en el nivel operativo dominan las decisiones estructuradas, en el nivel de gestin las semiestructuradas y en el estratgico las no estructuradas, formando una diagonal. En la figura siguiente hemos actualizado este esquema incorporando las ltimas tecnologas de la informacin, e incluso anticipando lo que puede ser un futuro prximo.


Serrano-Gallizo

Fig 2. Las herramientas a utilizar segn el tipo de decisin y el nivel organizativo.

(Elaboracin propia a partir de Gorry y Scott-Morton (1971))

Se puede apreciar sobre la fig. 2 que en el nivel operativo y toma de decisiones estructurada dominan los sistemas informatizados convencionales como los programas de contabilidad financiera y de costes, los de elaboracin de nminas, y en general aquellas tareas mecnicas. Son los llamados Sistemas de Proceso de Transacciones (TPS) basados en programacin algortmica convencional.

El nivel operativo con decisiones semiestructuradas todava est dominado por los programas convencionales, en lo que habra que incluir programas de control de tesorera, control de existencias y tambin las hojas de clculo y sistemas gestores de bases de datos. Conforme las decisiones son menos estructuradas, empiezan a ser aplicables sistemas expertos y sistemas de ayuda a la toma de decisiones. As, para la gestin financiera ms bsica, en la que adems de realizar clculos mecnicos: tipos de inters efectivo, cuotas de amortizacin de prstamos, etc, tambin hay que tomar decisiones que manejan informacin incompleta o precisan incorporar el conocimiento de un especialista humano. Finalmente, para el nivel de toma de decisiones menos estructuradas pueden incorporarse modelos neuronales: por ejemplo, asesorando en la concesin de las tarjetas de crdito de unos grandes almacenes o a qu clientes se les enva catlogos por correo.

Conforme el nivel organizativo avanza en el eje de las abcisas, las decisiones se hacen ms complejas. Si las decisiones son estructuradas, como en el anlisis de presupuestos y control, contabilidad analtica, anlisis contable, etc, dominan los programas convencionales, quiz incorporando algn mdulo experto. Este tipo de programas se denominan Sistemas de Gestin de Informacin o Management Information Systems (MIS). A medida que las decisiones son menos estructuradas se hacen ms necesarios los sistemas expertos. En temas puntuales como la elaboracin de presupuestos, la


Serrano-Gallizo

prediccin de variables financieras como el beneficio, el cash-flow, podran incorporarse modelos neuronales.

En el nivel estratgico son barridos los programas convencionales mantenindose nicamente las hojas de clculo, por su capacidad de simulacin. Los llamados Executive Information Systems (EIS), o Sistemas Informativos para Ejecutivos dominan las decisiones menos estructuradas, con tareas como la planificacin estratgica y de contabilidad directiva. Westland (1992) ha propuesto un modelo de red neuronal autoorganizada en estos sistemas informativos, que filtra la informacin relevante para cada ejecutivo ya que la sobrecarga informativa es uno de los principales problemas de estos sistemas al estar basados en correo electrnico. Finalmente, determinados modelos de redes neuronales podran aplicarse en problemas de optimizacin.

En este esquema descrito, hemos situado el anlisis de la informacin financiera en las decisiones semiestructuradas, en las que no hay una teora general que pueda ser aplicada paso a paso, pero tampoco el anlisis contable encaja en las decisiones completamente intuitivas o no estructuradas.

Los sistemas neuronales presentan ciertos inconvenientes. Uno importante es que habitualmente realizan un complejo procesamiento que supone millones de operaciones, por lo que no es posible seguir paso a paso el razonamiento que les ha llevado a extraer sus conclusiones. Sin embargo, en redes pequeas, mediante simulacin o por el estudio de los pesos sinpticos s es posible saber, al menos, qu variables de las introducidas han sido relevantes para tomar la decisin. Falta todava mucho por estudiar en el modo de operacin de las redes neuronales.

Otro problema es que al ser una herramienta novedosa y en pleno desarrollo, no se trata de una disciplina con un cuerpo formal, coherente y establecido, por lo que el investigador se encuentra con muchos problemas a los que todava no se ha encontrado solucin.

5. UTILIZACION DE MODELOS NEURONALES EN AREAS DE INFORMACION FINANCIERA.

En noviembre de 1993, por iniciativa de la London Business School, se celebr en Londres la primera reunin internacional sobre aplicaciones de redes neuronales al tratamiento de la informacin financiera (First International Workshop on Neural Networks in the Capital Markets). Recientemente en congresos internacionales de reas empresariales comienzan de forma espordica a surgir aplicaciones desarrolladas con estos modelos. Son todava muy pocos los artculos que se encuentran publicados en revistas internacionales, aunque Financial Analysts Journal o The Journal of Banking and Finance, estn empezando a recoger artculos sobre aplicaciones de redes neuronales, alguno de ellos firmado por investigadores tan renombrados como E.I. Altman, vase Altman, Marco y Varetto (1994).

Los principales trabajos desarrollados con informacin financiera se agrupan en dos temas: anlisis del fracaso empresarial y prediccin en los mercados financieros. Ambos tipos de trabajos responden a dos de las principales tareas en las que se estn aplicando las redes neuronales: clasificacin y prediccin, que como hemos visto anteriormente, son un caso particular de los problemas de generalizacin.


Serrano-Gallizo

En la mayora de estos trabajos se obtienen resultados excelentes con las redes neuronales. Pero hay que ser prudentes. Muchos de los trabajos descritos no comparan las redes neuronales con modelos estadsticos o sistemas expertos. Cuando lo hacen, en ocasiones no hay muestra y test, y al utilizar perceptrn multicapa, dada la excelente capacidad para representar todo tipo de funciones de este modelo, se obtienen resultados extraordinarios, sin que haya garantas de que al realizar un test los resultados fueran igualmente buenos.

Incluso cuando se posee muestra y test es posible que la seleccin del modelo estadstico no sea la ms apropiada, ya que muchos modelos estadsticos parten de hiptesis y no son idneos para todos los tipos de trabajo. No hay garantas de que se est utilizando el mejor de los modelos estadsticos, como tampoco las hay de que se est seleccionando la configuracin de la red neuronal ms apropiada en cuanto a nmero de neuronas en la capa oculta, funciones de transferencia, etc. Finalmente, tampoco hay garantas de que slo se estn publicando los xitos con redes neuronales y no los fracasos.

En Hawley, Johnson y Raina (1990), Medsker, Turban y Trippi (1992), Back y Sere (1993) y Cheng y Pike (1994) se describen las reas de trabajo potenciales en Contabilidad y se hacen revisiones empricas de los principales trabajos, clasificndose segn diferentes criterios. Los libros "Neural Networks in Finance and Investing" de Trippi y Turban (1992) y "Neural Networks in the Capital Markets" de Refenes (1995) recogen una amplia seleccin de trabajos, algunos ya publicados con anterioridad en revistas o presentados en congresos y otros reimpresos.

En la revisin emprica que hacemos a continuacin, hemos seleccionado aquellos trabajos que desde nuestro punto de vista tienen ms inters, bien por su carcter de pioneros, bien por comparar con gran nmero de tcnicas o por su calidad.

a) Estudios de Clasificacin.

En los problemas de clasificacin se trata de asignar a cada caso su clase correspondiente, a partir de un conjunto de ejemplos: abarca problemas como el estudio del fracaso empresarial, la concesin de prstamos, la calificacin de obligaciones, etc.

* El fracaso empresarial.

Los estudios de prediccin de crisis empresariales son ya clsicos en la investigacin emprica. En general se trata de seleccionar un conjunto de variables, generalmente ratios financieros y utilizar un modelo matemtico que discrimine o detecte los rasgos que caracterizan a las empresas que tienen xito de las que fracasan. Son muchos los modelos estadsticos propuestos y dadas las propiedades de los sistemas neuronales de actuar como clasificadores de informacin y reconocimiento de patrones, tempranamente se aplicaron a esta importante materia de investigacin.

El trabajo de Bell, Ribar y Verchio (1990) es un estudio pionero en la aplicacin de redes neuronales al fracaso empresarial. En este trabajo se compara el perceptrn multicapa con el anlisis lgit, tomando una amplia muestra de mil ocho bancos, de los que ciento dos eran quebrados. Otra muestra de mil cincuenta y nueve bancos sirve para el test, siendo ciento treinta y uno los bancos quebrados. Los resultados son muy similares, con


Serrano-Gallizo

una pequea ventaja a favor del neuronal en la clasificacin de empresas que se encuentran en la zona de indeterminacin.

Odom y Sharda (1992) realizan otro estudio sobre prediccin de quiebras concretamente analizando cinco ratios de ciento veintinueve empresas estadounidenses, extrayendo la informacin del Moody's Industrial Manual correspondiente a 1975-1982. Rahimian, Singh, Thammachote y Virmani (1992) tambin aplican diferentes modelos neuronales a estos mismos datos. En ambos estudios se comparan los resultados obtenidos con anlisis discriminante, perceptrn simple, perceptrn multicapa y la red neuronal athena. Athena es un modelo neuronal descrito en Koutsougeras y Papachristou (1988), que utiliza entrenamiento supervisado y se basa en una medida de entropa. Los resultados son favorables a los modelos neuronales frente al anlisis discriminante.

La principal novedad del trabajo de De Miguel, Revilla, Rodrguez y Cano (1993) es que aplican una red neuronal compleja, la Fuzzy ARTMAP, modelo de red neuronal supervisada que consta de dos mdulos ART con aprendizaje no supervisado, descrita en Carpenter, Grossberg, Marzukon, Reynolds y Rossen (1992). Comparan esta red con cuatro modelos estadsticos para predecir el fracaso empresarial, aplicndolos a la bien conocida crisis del sector bancario espaol de los aos ochenta. Toman los datos del trabajo previo de uno de los autores, Rodrguez (1989), que utilizaba anlisis lgit. Los resultados son favorables al modelo neuronal.

Altman, Marco y Varetto (1994) aplican anlisis discriminante, lgit y perceptrn multicapa en una aplicacin real para la Centrale dei Bilanci italiana. Los resultados no son concluyentes, ya que encuentran que las ventajas e inconvenientes de este modelo neuronal frente a los estadsticos se encuentran equilibradas e invitan a la realizacin de nuevos estudios empricos.

Martn y Serrano (1994 y 1995) proponen un modelo hbrido que combina el modelo neuronal de mapas autoorganizados de Kohonen con otros modelos estadsticos y neuronales que obtienen una puntuacin o Z score. Una vez creado el mapa autoorganizado se superpone la puntuacin obtenida por la empresa, segn el anlisis discriminante o el perceptrn multicapa. El modelo, ms all del tradicional anlisis Z, proporciona informacin sobre las caractersticas financieras ms destacadas de la empresa analizada as como el tipo de empresa a la que se asemeja.

* Evaluacin del comportamiento de las acciones en el mercado de valores.

En este tipo de estudios tambin se utilizan como variables los ratios financieros y se trata de evaluar a las empresas. Sin embargo la clasificacin no es la anterior en empresas quebradas y solventes, sino que es el mercado de valores quien proporciona la variable independiente, teniendo en cuenta el comportamiento positivo o negativo de las rentabilidades obtenidas por las acciones.

Yoon y Swales (1991) y Yoon, Swales y Margavio (1993) tratan de discriminar a las empresas en dos grupos, segn sus acciones hayan tenido o no un buen comportamiento en los mercados financieros. Los datos incluyen informacin contable cuantitativa y cualitativa, pues examinan la carta que el presidente de la compaa enva a los accionistas. Comparan los resultados del anlisis discriminante con los del perceptrn multicapa. El perceptrn sin capa oculta obtena un 65% de acierto, resultado similar al


Serrano-Gallizo

del anlisis discriminante. Al aadir una capa oculta, mejoran los resultados situndose al 76%. El aadir otra capa oculta no mejora significativamente la eficacia del modelo.

Aaltonen y stermark (1993) comparan los tres modelos estadsticos ms utilizados en la prediccin del fracaso empresarial: anlisis discriminante, lgit y particiones recursivas con el perceptrn multicapa. En este estudio la variable dependiente, es decir el calificar a la empresa positiva o negativamente, se deriva de los mercados financieros, segn el valor estimado de la beta. La beta de un valor es una medida del riesgo sistemtico, es decir atribuible al movimiento del mercado en su conjunto y se calcula mediante regresiones que relacionan los movimientos del ttulo con los del ndice general de precios del mercado. Las empresas son agrupadas a priori como de alto o bajo riesgo dependiendo de si el valor de su beta est por encima o por debajo de la media de la beta calculada para todas las empresas y todos los aos. En los resultados se produce un empate, ya que todos los modelos fallan en el test en las mismas tres observaciones.

* Concesin de prstamos

Metodolgicamente son muy similares los trabajos de concesin de prstamos a los de prediccin de la quiebra. El conceder o no un prstamo es tambin una decisin no estructurada y la diferencia radica en que la informacin disponible no se extrae de bases de datos comerciales o de los registros sino que es informacin que suministra el propio banco o entidad financiera que encarga el estudio. En este caso la informacin no se compone exclusivamente de ratios financieros, sino que tambin hay otro tipo de datos, como por ejemplo quin es el director de la compaa, si es un cliente nuevo, etc.

Marose (1990) describe una aplicacin hbrida del Chase Manhattan Bank para la concesin de prstamos. Es un sistema mixto que incorpora herramientas estadsticas y un perceptrn multicapa. El Chase Manhattan Bank concede prstamos nuevos cada ao por valor de trescientos millones de dlares e hizo una apuesta muy fuerte en el desarrollo de un modelo informatizado basado en el reconocimiento de patrones para las decisiones de concesin de prstamos. El programa se encuentra en un ordenador central al que los usuarios pueden acceder desde ordenadores compatibles, va modem. Lgicamente algunos procedimientos se encuentran patentados por lo que es difcil conocer todos los mdulos que integran el sistema. PCLM, que son las siglas de Public Company Loan Model proporciona extensos informes, grficos, puntos fuertes y dbiles de la compaa, as como una clasificacin de las empresas en buenas, malas y crticas.

Un trabajo ms modesto, pero que muestra que con programas comerciales tambin se pueden desarrollar aplicaciones hbridas complejas, es el de Barker (1990), que desarrolla en su artculo una red experta para la concesin de prstamos. Su modelo incorpora una concha de sistema experto, Knowledge Pro, un simulador de red neuronal, NeuroShell y el gestor de bases de datos dBase III+. Los tres programas comparten ficheros, de forma que al introducir los datos de la empresa el sistema experto analiza los ratios financieros y la red neuronal realiza los correspondientes clculos.

Deng (1993) propone un modelo mixto que integra un mdulo de sistema experto que extrae de forma automtica las reglas a partir de una base de datos y un perceptrn multicapa que interacciona con el anterior. Las variables de que parte son cuantitativas y cualitativas: algunas se extraen del balance y cuenta de resultados y el resto informan de la gerencia y las relaciones pasadas del cliente con el banco. Finalmente agrupa las empresas en tres categoras: bajo riesgo, moderado y alto. Los resultados son buenos


Serrano-Gallizo

pero no los compara con los obtenidos por otros modelos.

* Calificacin de obligaciones

La calificacin de obligaciones, bonos municipales, etc, es tambin un problema de clasificacin. Las empresas e instituciones pblicas emiten instrumentos financieros como bonos u obligaciones en busca de dinero para financiar sus inversiones. Pero, lgicamente, hay un riesgo de que las empresas no devuelvan este dinero y resulta interesante obtener ratings o calificaciones de estos bonos. Existen agencias que se dedican a ello, siendo las ms famosas Standard and Poor's (S&P) y Moody's. Estas agencias examinan todo tipo de aspectos de las empresas: la situacin financiera, la informacin contable, mantienen entrevistas con la gerencia, etc, y califican las emisiones con unos baremos, usualmente combinaciones de letras y nmeros. Por ejemplo, Aaa, significa en la terminologa de la agencia Moody's, que la capacidad para devolver el principal y pagar los intereses es muy elevada. Para una descripcin detallada de las agencias de calificacin vase por ejemplo Charlton y Prescott (1993). A pesar de que, como es sabido, las agencias se sirven de informacin cuantitativa y cualitativa para emitir sus valoraciones, la investigacin acadmica ha tratado de averiguar si exclusivamente con informacin publicada se pueden obtener buenas aproximaciones de las calificaciones que otorgan las agencias. Horrigan (1966) utiliza seis ratios financieros y clasifica correctamente el 58% de los casos.

Uno de los trabajos pioneros en la calificacin de obligaciones con redes neuronales es el de Dutta y Shekhar (1988) y Dutta, Shekhar y Wong (1994), quienes aplican perceptrn multicapa y regresin lineal, comparando los resultados con los obtenidos por la agencia Standard & Poors. Utilizan informacin de cuarenta y siete compaas, reservando diecisiete para el test. Los resultados son claramente favorables al modelo neuronal, ya que en el test, clasifican correctamente hasta un 88,3% de los bonos, frente a un 64,7% de la regresin lineal. Su estudio muestra las limitaciones de los modelos lineales en este tipo de trabajo. Utans y Moody (1991) hacen un trabajo similar al de Dutta y Shekhar sobre calificacin de obligaciones.

Surkan y Singleton (1990) estudian tambin la calificacin de obligaciones con perceptrn multicapa. La informacin est tomada de un estudio previo que aplica anlisis discriminante a los bonos de dieciocho compaas telefnicas estadounidenses. En total son ciento veintisis los casos y siete las variables, todas ellas extraidas de los estados financieros de las empresas. La agencia que elabora sus ratings es Moody's. En este trabajo estudian el efecto de introducir nuevas capas ocultas en el modelo, probando diferentes configuraciones. Aunque los mejores resultados los obtienen con un modelo con veinte neuronas en la capa oculta, el modelo que tena slo cinco obtiene resultados muy similares, con lo que los autores concluyen en que el problema tiene una dimensionalidad interna de cinco o inferior. De la comparacin con el anlisis discriminante los resultados son muy superiores en la red neuronal, ya que en la red se obtienen clasificaciones correctas que varan entre el 45 y el 90%, mientras que en discriminante el rango de acierto flucta entre el 38 y 47%.

* Otras trabajos de clasificacin.

Una aplicacin relacionada con la auditora es la de Hansen, Mc Donald y Stice (1992). El objetivo del estudio es tratar de predecir la opinin del auditor. Emplean doce variables


Serrano-Gallizo

que en anteriores estudios como el de Mutchler (1985) se haban revelado tiles para ese fin. Su estudio compara el perceptrn multicapa con el algoritmo de ramificacin ID3 y anlisis lgit. El modelo neuronal y el lgit obtienen resultados muy similares, incluso mejores en el lgit. Otra aplicacin relacionada con la auditora es la de Coakley y Brown (1993), quienes aplican el perceptrn multicapa en el procedimiento analtico del trabajo del auditor, en sustitucin de otros modelos estadsticos.

Otro tipo de trabajos estudian la discrecionalidad de la gerencia para la toma de decisiones. Concretamente, el trabajo de Liang, Chandler, Han y Roan (1992) encuadrado en los trabajos de eleccin contable estudia el mtodo elgido para contabilizar las existencias: FIFO o LIFO. Hay varias teoras que tratan de justificar el que una empresa elija uno u otro mtodo, descritas en Lee y Hsieh (1985). Entre otras, el ahorro de impuestos, el impacto sobre los mercados de capitales, el presentar mayores o menores beneficios, jugando con el margen que ofrece la flexibilidad de las normas contables. Como problema tpico de clasificacin, ha sido abordado con numerosos modelos multivariantes. En el trabajo citado se utiliza perceptrn multicapa, comparando los resultados con ID3 y prbit. El modelo neuronal clasifica mejor los datos, sobretodo al introducir variables nominales, como el sector al que pertenece la empresa.

b) Estudios de Prediccin.

La prediccin ha sido una de las aplicaciones que ms pronto despertaron el inters de los estudiosos de las redes neuronales. En este tema los resultados no son concluyentes por dos razones: cuando las predicciones las hacen cientficos que provienen del campo de las redes neuronales descuidan muchos aspectos estadsticos y viceversa. Adems, bajo el epgrafe prediccin se engloban estudios muy diferentes: no todas las curvas son iguales en cuanto a forma y tamao, presencia o no de efectos estacionales, de no linealidad, prediccin a corto o largo plazo, etc. Chatfield (1994) comenta que las redes neuronales se estn comportando bien en prediccin a largo plazo con componentes no lineales, en cambio, no estn claras las mejoras observadas en series cortas y estacionales, como son tpicas en las predicciones de ventas. Lo cierto es que este autor, como la mayora, recomienda no hacer caso de las exageraciones e invita a realizar trabajos serios que indiquen en qu tipos de estudios y bajo qu condiciones las redes neuronales son ms apropiadas.

* Anlisis Tcnico.

El anlisis tcnico pretende predecir las cotizaciones a partir de la evolucin histrica de precios y volmenes de negociacin. El primer artculo sobre redes neuronales que manejan informacin financiera fue realizado por White (1988), quien estudi la prediccin de los precios de las acciones con un modelo de red neuronal. El modelo predeca mejor que el modelo de series temporales que utilizaba, un modelo lineal autorregresivo. El perceptrn multicapa es utilizado como anlisis tcnico, sin incluir variables fundamentales.

Posteriormente la prediccin de la cotizacin de las acciones, del tipo de cambio y de otras variables econmicas ha sido uno de los temas ms atractivos para los investigadores, pudiendo referenciar gran cantidad de trabajos. As, Kimoto, Asakawa, Yoda y Takeoka


Serrano-Gallizo

(1990), Kamijo y Tanigawa (1990), Ormerod y Walker (1990), Varfis y Versino (1990), Bergerson y Wunsch (1991), Sharda y Patil (1992), Refenes (1992), Hoptroff (1993) y un largo etctera.

* Anlisis Fundamental.

El anlisis fundamental trata de valorar los factores econmicos ms importantes del entorno y contempla la evolucin econmico-financiera de las empresas. Wong, Wang, Goh y Quek (1992) disean una red neuronal borrosa que combina diferentes herramientas de Inteligencia Artificial para obtener una cartera ptima de acciones. Concretamente su modelo es una red neuronal fuzzy. Consta de tres mdulos: el primero contiene treinta y dos reglas del tipo si-entonces proporcionadas por especialistas humanos, el segundo un procesador de reglas fuzzy y el tercero un perceptrn multicapa. El modelo utiliza informacin del mercado de valores, as como ratios financieros. En el artculo se realiza un test con ochocientas empresas, con el objetivo de predecir las rentabilidades de las acciones, obteniendo resultados satisfactorios.

Refenes, Azema-Barac y Treleaven (1993) describen un modelo de construccin de carteras eficientes y colocacin de activos en siete mercados financieros. Hay una serie de reglas establecidas que restringen las cantidades mximas a repartir en cada mercado. La red neuronal utiliza informacin de los mercados financieros, tipos de inters, precio del petrleo, del oro y una serie de parmetros que no dice el artculo por estar registrados. Los resultados, comparados con otras carteras son muy satisfactorios.

6. RESUMEN Y CONCLUSIONES.

El nacimiento de la Inteligencia Artificial se sita en los aos cincuenta; en esa fecha la informtica apenas se haba desarrollado, y ya se planteaba la posibilidad de disear mquinas inteligentes. Hoy en da esta ciencia asiste a un cambio de paradigma y se habla de vida artificial, algoritmos genticos, computacin molecular o redes neuronales. En algunas de estas ramas los resultados tericos van muy por encima de las realizaciones prcticas.

Los sistemas expertos son la rama ms conocida de la Inteligencia Artificial. La forma en que representan el conocimiento, habitualmente mediante smbolos, es apropiada cuando es posible extraer un conjunto de reglas y normas. En la vasta ciencia empresarial, existen subdominios en los que es fcil o al menos posible extraer una serie de reglas y otros en los que es menos factible. El anlisis financiero es uno de ellos. No existen reglas con rango de norma, conviven recetas extraidas de la prctica empresarial con otras obtenidas mediante anlisis empricos. Es por lo tanto un reto elaborar un sistema experto de diagnstico empresarial.

Las redes neuronales artificiales son un paradigma computacional que trata de resolver tareas que la computacin algortmica tradicional e Inteligencia Artificial convencional no han resuelto de un modo suficientemente satisfactorio. Tareas tales como el reconocimiento de patrones, problemas de optimizacin o clasificacin. En las redes neuronales artificiales el conocimiento no se programa de forma directa en la red sino que se adquiere por medio de una regla de aprendizaje por ajuste de parmetros mediante


Serrano-Gallizo

ejemplos. Como vemos es un mtodo inductivo, que recuerda ms a los modelos estadsticos que a los sistemas expertos, la otra gran rama de la Inteligencia Artificial. Diversas parcelas de la gestin empresarial utilizan frecuentemente el mtodo inductivo, entre ellas el anlisis financiero, por lo que se justifica conocer lo que las redes neuronales nos pueden ofrecer. Quiz una solucin pragmtica sea utilizar sistemas mixtos que incorporen un mdulo de sistema experto con sus reglas junto a otros mdulos estadsticos o neuronales.

En cuanto a las reas de trabajo posibles, dependen del tipo de decisin, estructurada o no y del nivel organizativo, segn sea operativo, de gestin o estratgico. En general las redes neuronales pueden cubrir un hueco importante en las decisiones no estructuradas, debido a esa capacidad de encontrar relaciones complejas entre los patrones de entrada. No son tan apropiadas en tareas muy estructuradas, en las que creemos que es ms recomendable utilizar programas informticos convencionales o sistemas expertos.

Los primeros trabajos con redes neuronales e informacin contable fueron realizados por ingenieros o en general personas ajenas a la economa. Ultimamente empiezan a ser habituales en los congresos y revistas especializadas de economa los estudios realizados con redes neuronales. En general estos trabajos tratan problemas de clasificacin y prediccin: el fracaso empresarial, el diseo de modelos de concesin de prstamos, de calificacin de obligaciones, de eleccin del mtodo contable, el anlisis tcnico y el anlisis fundamental han sido los temas preferidos por los investigadores.

Los resultados de estos estudios, aunque prometedores, por su naturaleza emprica no son concluyentes y casi todos ellos invitan a continuar realizando ms estudios empricos que muestren en qu problemas y bajo qu condiciones las redes neuronales pueden ser una solucin ms eficiente que los modelos utilizados habitualmente.

BIBLIOGRAFIA.

Aaltonen, J. y stermark, R. (1993): "Financial Risk Classification of Finnish Listed Companies by Accounting Data", 16th Congress of the European Accounting Association, abril 1993, Turku, Finlandia.

Altman, E.I.; Marco, G. y Varetto, F. (1994): "Corporate Distress Diagnosis: Comparisons using Linear Discriminant Analysis and Neural Networks (the Italian Experience)", Journal of Banking and Finance, vol 18, pag 505-529.

Back, B. y Sere, K. (1993): "Neural Networks in Accounting Applications", 16th Annual Congress of the European Accounting Association, abril 1993, Turku, Finlandia.

Barker, D. (1990): "Analyzing Financial Health: Integrating Neural Networks and Expert Systems", PCAI, May-June 1990, pag 24-27 y publicado en Neural Networks in Finance and Investing. Ed. Trippi y Turban. Probus Publishing Company, 1992, Chicago.

Bell, T.B.; Ribar, G.S. y Verchio, J.R. (1990): "Neural Nets versus Logistic Regression: A Comparison of Each Model's Ability to Predict Commercial Bank Failures", Proceedings of the 1990 Deloitte & Touche / University of Kansas, Symposium on Auditing Problems, pag 29-53.


Serrano-Gallizo

Bergerson, K. y Wunsch, D.C. (1991): "A Commodity Trading Model Based on a Neural Network-Expert System Hybrid", Proceedings of the IEEE International Conference on Neural Networks, pag I289-I293, Seattle y publicado en Neural Networks in Finance and Investing. Ed Trippi y Turban. Probus Publishing Company, 1992, Chicago.

Carpenter, G.A.; Grossberg. S.; Marzukon, N.; Reynolds, J.H. y Rossen, D.B. (1992): "Fuzzy ARTMAP: A Neural Network Architecture for Incremental Supervised Learning of Analog Multidimensional Maps", IEEE Transactions on Neural Networks, vol 3, pag 689-713.

Coakley, J.R. y Brown, C. (1993): "Using Artificial Neural Networks in the Analytical Review Process", Intelligent Systems in Accounting, Finance and Management, January 1993.

Charlton, M. y Prescott, C. (1993): "Las agencias de calificacin: su desarrollo y su contribucin a los mercados financieros", Papeles de Economa Espaola, n. 54, pag 268-285.

Chatfield, C. (1994): "Discussion of the Paper by Ripley: Neural Networks and Related Methods for Classification", Journal of the Royal Statistical Society, B, 56, pag 446.

Cheng, N.S. y Pike, R.H. (1994): "Neural Networks: Applications and Promise for Accounting and Finance". 17th Congress of the European Accounting Association, abril 1994, Venecia, Italia.

De Miguel, L.J.; Revilla, E.; Rodrguez, J.M. y Cano, J.M. (1993): "A Comparison between Statistical and Neural Networks-based Methods for Predicting Bank Failures", Proceedings of the IIIth International Workshop on Artificial Intelligence in Economics and Management, August 1993, Portland, Oregon.

Deng, P-S. (1993): "Automatic Knowledge Acquisition and Refinement for Decision Support: A Connectionist Inductive Inference Model", Decision Sciences, vol 24, n. 2, pag 371-393

Dutta, S. y Shekhar, S. (1988): "Bond Rating: A Non-Conservative Application of Neural Networks", Proceedings of the IEEE International Conference on Neural Networks, pag II443-II450 y publicado en Neural Networks in Finance and Investing. Ed Trippi y Turban. Probus Publishing Company, 1992, Chicago.

Dutta, S.; Shekhar, S. y Wong, W.Y. (1994): "Decision Support in Non-conservative Domains: Generalization with Neural Networks", Decision Support Systems, vol 11, pag 527-544.

Fortuna, J.M.; Busto, B. y Sastre, J.M. (1991): "Los Sistemas Expertos: fundamentos y aplicaciones a la Contabilidad", Partida Doble n. 17, noviembre 1991, pag 40-46.

Gallizo, J.L. y Moreno, J.M. (1992): "Towards Integral Decisional Systems in Management Control", 15th Annual Congress of the European Accounting Association, abril 1992, Madrid.


Serrano-Gallizo

Gorry, G.A. y Scott-Morton, M.S. (1971): "A Framework for Management Information Systems", Sloan Management Review, vol 13, n. 1, fall 1971.

Hansen, J.V.; McDonald, J.B. y Stice, J.D. (1992): "Artificial Intelligence and Generalised Qualitative Response Models: An Empirical Test on Two Audit Decision-Making Domains", Decisison Science, vol 23, pag 708-723.

Hartvigsen, G. (1992): "Limitations of Knowledge-Based Systems for Financial Analysis in Banking", Expert Systems with Aplications, vol 4, pag 19-32.

Hawley, D.D.; Johnson, J.D. y Raina, D. (1990): "Artificial Neural Systems: A New Tool for Financial Decision-Making", Financial Analysts Journal, November-December 1990, pag 63-72.

Hoptroff, R.G. (1993): "The Principles and Practice of Time Series Forecasting and business Modelling Using Neural Nets", Neural Computing & Applications, vol 1, n. 1, pag 59-66.

Horrigan, J.O. (1966): "The Determination of Long Term Credit Standing with Financial Ratios", Empirical Research in Accounting: Selected Studies, Journal of Accounting Research.

Kamijo, K. y Tanigawa, T. (1990): "Stock Price Pattern Recognition: A Recurrent Neural Network Approach", Proceedings of the IEEE International Joint Conference on Neural Networks, pag I215-I221 y publicado en Neural Networks in Finance and Investing. Ed Trippi y Turban. Probus Publishing Company, 1992, Chicago.

Kimoto, T.; Asakawa, K.; Yoda, M. y Takeoka, M. (1990): "Stock Market Prediction System with Modular Neural Networks", Proceedings of the IEEE International Joint Conference on Neural Networks, pag I1-I6 y publicado en Neural Networks in Finance and Investing. Ed Trippi y Turban. Probus Publishing Company, 1992, Chicago.

Koutsougeras, C. y Papachristou, G. (1988): "Learning Discrete Mappings. Athena's Approach", IEEE, CH 2636, September 1988, pag 31-36.

Laudon, K.C. y Laudon, J.P. (1988): Management Information Systems: A Contemporary Perspective. Macmillan Publishing Company.

Lee, C. y Hsieh, D. (1985): "Choice of Inventory Accounting Methods: Comparative Analysis of Alternative Hypotheses", Journal of Accounting Research, autumn 1985, pag 468-485.

Liang, T-P.; Chandler, J.S.; Han, I. y Roan, J. (1992): "An Empirical Investigation of some Data Effects on the Classification Accuracy of Probit, ID3, and Neural Networks", Contemporary Accounting Research, vol 9, fall 1992, pag 306-328.

Marose, R.A. (1990): "A Financial Neural-Network Application", A. I. Expert, May 1990, pag 50-53 y publicado en Neural Networks in Finance and Investing. Ed Trippi y Turban. Probus Publishing Company, 1992, Chicago.


Serrano-Gallizo

Martn del Bro, B. y Serrano, C. (1993): "Self-Organizing Neural Networks for the Analysis and Representation of Data: Some Financial Cases". Neural Computing & Applications, Springer Verlag, vol 1, pag 193-206.

Martn del Bro, B. y Serrano, C. (1995): "Self-Organizing Neural Networks: The Financial State of Spanish Companies". Neural Networks in the Capital Markets, Ed Refenes, John Wiley & Sons, Captulo XXIII.

Masters, T. (1993): Practical Neural Network Recipes in C++. Academic Press, Inc, Harcourt Brace Jovanovich, Publisers, Boston.

McCartthy, W. (1982):

Medsker, L. Turban, E. y Trippi, R.R. (1992): "Neural Network Fundamentals for Financial Analyst", en Neural Networks in Finance and Investing. Ed. Trippi y Turban. Probus Publishing Company, Chicago.

Moreno, J.M.; Aguarn,J.; Gallizo, J.L. y Mata, J. (1991): "SECOCET: un sistema soporte de decisiones experto para el control de costes de una empresa de transformacin", Partida Doble, n. 18, diciembre 1991, pag. 61-72.

Mutchler, J.F. (1985): "A Multivariate Analysis of the Auditor's Going-concern Opinion Decision", Journal of Accounting Research, vol 23, n. 2, pag 668-682.

Odom, M. D. y Sharda, R. (1992): "A Neural Network Model for Bankruptcy Prediction", Proceedings of the IEEE International Conference on Neural Networks, pag II163-II168, San Diego, CA y publicado en Neural Networks in Finance and Investing. Ed Trippi y Turban. Probus Publishing Company, 1992, Chicago.

O'Leary, D. (1987):

Ormerod, P. y Walker, T. (1990): "Neural Networks and the Monetary Base in Switzerland", Neural Networks for Statistical & Economic Data, Dublin, diciembre 1990.

Rahimian, E.; Singh, S.; Thammachote, T. y Virmani, R. (1993): "Bankruptcy Prediction by Neural Network", en Neural Networks in Finance and Investing. Ed Trippi y Turban. Probus Publishing Company, Chicago.

Refenes, A.N. (1992): "Constructive Learning and its Application to Currency Exchange Rate Forecasting", en Neural Networks in Finance and Investing. Ed Trippi y Turban. Probus Publishing Company, 1992, Chicago.

Refenes, A.N. (1995): Neural Networks in the Capital Markets, John Wiley & Sons, Chichester.

Refenes, A.N.; Azema-Barac, M. y Treleaven, P.C. (1993): "Financial Modelling Using Neural Networks", en Liddell H. Ed. Commercial Applications of Parallel Computing. UNICOM.


Serrano-Gallizo

Ros, J.; Pazos, A.; Brisaboa, N.R. y Caridad, S. (1991): Estructura, Dinmica y Aplicaciones de las Redes Neuronales Artificiales. Editorial Centro de Estudios Ramn Areces, S. A., Madrid.

Rodrguez, J.M. (1989): "The Crisis in Spanish Private Banks: A logit Analysis", Finance, vol 10, n. 1, pag 69-85.

Snchez Toms, A. (1991): "Sistemas Expertos en Contabilidad", Tcnica Contable, n. 514, octubre 1991, pag 534-545.

Snchez Toms, A. (1993): "Sistemas Expertos en Contabilidad de Gestin", Comunicacin V Encuentro Asociacin Espaola de Profesores Universitarios de Contabilidad, mayo 1993, Sevilla.

Sharda, R. y Patil, R.B. (1992): "A Connectionism Approach to Time Series Prediction: An Empirical Test", Journal of Intelligent Manufacturing, Chapman Hall, y publicado en Neural Networks in Finance and Investing. Ed Trippi y Turban. Probus Publishing Company, 1992, Chicago.

Sierra, G.; Bonson, E.; Nunez, C. y Orta, M. (1995): Sistemas Expertos en Contabilidad y Administracin de Empresas, Ed ra-ma, Madrid, 1995.

Simon, H.A. (1960): The New Science of Management Decision. Harper & Row, New York.

Surkan, A.J. y Singleton, J.C. (1990): "Neural Networks for Bond Rating Improved by Multiple Hidden Layers", Proceedings of the IEEE International Conference on Neural Networks, pag II163-II168 y publicado en Neural Networks in Finance and Investing. Ed Trippi y Turban. Probus Publishing Company, 1992, Chicago.

Trippi, R.R. y Turban, E. (1992): Neural Networks in Finance and Investing. Ed Trippi y Turban. Probus Publishing Company, Chicago.

Utans, J. y Moody, J. (1991): "Selecting Neural Networks Architectures for Prediction Risk: Application to Corporate Bond Rating Prediction", Proc. of the I Int. Conf. on Artificial Intelligence applications in Wall Street. IEEE. Comp Press, Los Alamillos, CA.

Varfis, A. y Versino, C. (1990): "Neural Networks For Economic Time Series Forecasting", Neural Networks for Statistical and Economic Data, INNSED, Dublin, Ireland.

Westland, J.C. (1992): "Self-organizing Executive Information Networks", Decision Support Systems, vol 8, pag 41-53.

White, C. (1983):

White, H. (1988): "Economic Prediction using Neural Networks: The case of IBM Daily Stock Returns", Proceedings of the IEEE International Conference on Neural Networks, pag II459-II482 y publicado en Neural Networks in Finance and Investing. Ed Trippi y Turban. Probus Publishing Company, 1992, Chicago.


Serrano-Gallizo

Wong, F.S.;Wang, P.Z.; Goh, T.H. y Quek, B.K. (1992): "Fuzzy Neural Systems for Stock Selection", Financial Analysts Journal, enero-febrero 1992, pag 47-52

Yoon, Y. y Swales, G. (1991): "Predicting Stock Price Perfomance: A Neural Network Approach", Proceedings of the IEEE 24th Annual Hawaii International Conference of Systems Sciences pag 156-162 y publicado en Neural Networks in Finance and Investing. Ed Trippi y Turban. Probus Publishing Company, 1992, Chicago.

Yoon, Y.; Swales, G. y Margavio, T.H. (1993): "A Comparison of Discriminant Analysis versus Artificial Neural Networks", Journal Operational Research Society, vol 44, n. 1, pag 51-60.

Zaccagnini, J.L.; Alonso, G. y Caballero, A. (1992): "Inteligencia Artificial: de innovacin prometedora a realidad prctica", Partida Doble, n. 29, diciembre 1992, pag 22-30.


ciberconta.unizar.esSerrano-Gallizo

Las Redes Neuronales en El Tratamiento de La Informacion Financiera

Documents

Transcript of Las Redes Neuronales en El Tratamiento de La Informacion Financiera