Análisis financiero

1) Concepto

¿Qué le interesa a un miembro de un departamento de finanzas, tesorería, un analista financiero, etc. conocer de Internet? Casi todo, porque está cambiando su forma de trabajo. Puede gestionarse la mayor parte de la operativa financiera de la empresa utilizando herramientas de Internet. Por ejemplo, en el área de:

• Inversiones: (compra-venta online de títulos, fondos de inversión...)
• Tesorería: (consultas de tipos de interés EURIBOR, LIBOR..., tipos de cambio, cotizaciones de metales...)
• Banca electrónica, (cuentas, créditos, transferencias)
• Informes comerciales (de empresas nacionales y extranjeras)
• Consulta de cotizaciones de mercados financieros.
• Información y solicitud de subvenciones, concursos.
• Noticias financieras y de economía
• Blogs financieros y rumores

Algunas direcciones:

• Google (http://finance.google.com).
• Yahoo (http://finance.yahoo.com)
• MSN (http://moneycentral.msn.com)
• CNN (http://money.cnn.com)
• Hoovers (http://www.hoovers.com)
• Invertia (http://www.invertia.com)

 

2) Gestión de carteras

3) Data mining

No es lo mismo gestionar una pequeña base de datos de clientes que disponer de una con varios millones. Incluso un supermercado de tamaño medio dispone de millones de datos si acumula las ventas diarias.

Para las empresas internacionales extraer información útil de millones de datos es una necesidad. Ahí intervienen las técnicas de minería de datos o Data Mining.

Se utilizan tanto para descubrir patrones de comportamiento en consumidores, o encontrar cuales son los mejores y peores clientes de una compañía de seguros o un banco.

La herramienta de SPSS se llama Clementine: (http://www.spss.com/data_mining/).

Como metodología se utilizan normalmente modelos predictivos, de segmentación, de agrupamiento y de afinidad, por lo que se aplican herramientas matemáticas multivariantes -estadísticas clásicas o procedentes de la inteligencia artificial-.

 

¿Que relación hay entre pañales, cervezas, varones y día de la semana? Destacan, por ejemplo, como modelos predictivos las regresiones o modelos de red neuronal supervisada. Técnicas de agrupamiento habituales son el análisis cluster y los modelos neuronales de mapas autoorganizados. Para realizar segmentaciones, son frecuentes los análisis discriminantes y la regresión logística. Para detectar la afinidad, es decir, que una persona que alquila una película de vídeo se lleva una caja de cervezas y patatas fritas se usan análisis de Fourier, generadores de asociaciones de reglas y otras técnicas estadísticas. [¿leyenda urbana?]. Un caso especial del Data Mining es el Web Mining. Cuando navegamos por un servidor de Internet, por ejemplo una tienda virtual, dejamos rastros, huellas en un fichero que se llama access.log. Podemos analizar ese fichero y por ejemplo, darnos cuenta que los clientes que hacen una compra de un producto son funcionarios o jubilados o apertenecen a un nicho concreto de mercado. A partir de ahí podríamos proponer ofertas específicas. Podríamos conocer que los clientes que compraron un determinado producto también compraron otro al cabo de un tiempo. Esto indica que se podría insertar publicidad del segundo producto en la página del primero. Programas para analizar las estadísticas de visitas a la web como Google analytics [http://www.google.com/analytics/es-ES/]

4) Redes neuronales

Las redes neuronales son una rama de la Inteligencia Artificial. En las redes neuronales el conocimiento se incorpora mediante el aprendizaje a partir de ejemplos. Esta forma de adquirir el conocimiento es una de sus características más destacables: no se programa de forma directa, como en los sistemas expertos, sino que se adquiere a partir de ejemplos, por ajuste de parámetros de las neuronas mediante un algoritmo de aprendizaje. Es un tipo de software muy utilizado para reconocimiento de patrones, como caracteres escritos, de voz, etc. La figura muestra un ejemplo de aplicación a reconocimiento de caracteres escritos. Veremos que también se puede aplicar a reconocer patrones con información contable: por ejemplo aprender a distinguir empresas solventes o quebradas, buenos y malos clientes de una compañía de seguros o un banco, etc.

Originalmente la red neuronal no dispone de ningún tipo de conocimiento útil almacenado. Para que la red neuronal ejecute una tarea es preciso entrenarla, en terminología estadística diríamos que es necesario estimar los parámetros.

En realidad todo el procedimiento que vemos en la figura es estadístico: primero se selecciona un conjunto de datos, o patrones de aprendizaje en jerga neuronal. Después se desarrolla la arquitectura neuronal, número de neuronas, tipo de red. Por decirlo con otras palabras, se selecciona el modelo y el número de variables dependiente e independientes. Se procede a la fase de aprendizaje o estimación del modelo y a continuación se validan los resultados.

Un ejemplo real de utilización exitosa de redes neuronales es su uso para detectar fraudes en pagos electrónicos, especialmente en tarjetas de crédito. VISA fue la entidad pionera en utilizar redes neuronales para detectar operaciones fraudulentas, en combinación con otras herramientas.

Cada día se monitorizan millones de operaciones con un bajo coste, utilizando FICO Falcon™ Fraud Manager, (http://www.fico.com/en/Products/DMApps/Pages/FICO-Falcon-Fraud-Manager.aspx) que se ha consolidado como el estándar en detección de fraude en pagos con tarjetas de crédito, al supervisar el 65% de las operaciones que se realizan en el mundo.

• Un ejemplo (https://www.myfico.com/Products/ScoreWatch/Sample/Sample_Score.aspx?v=&kw=)

 

Easy Neural Network, reconocimiento de patrones Instale y practique con el software de red neuronal Easy Neural Network (http://www.easynn.com) [software] [datos]. Vamos a construir una red neuronal que aprenda a valorar una vivienda, a partir de una serie de variables. 1) Se introducen los ejemplos que va a aprender a reconocer: [File] [Open] En este caso características de viviendas (número de habitaciones, si tiene garage...) y su precio final.   2) Se diseña el modelo de red neuronal: [View] [Network] En este caso tantas neuronas en la capa de entrada como variables y una neurona para el output,que es el precio. 3) Se deja unos segundos que "aprenda": [Action] [Start Learning] Podemos ver la importancia de cada variable... en el ejemplo se ve que el número de habitaciones es muy importante: [View] [Input Importance] 4) En la fase de "test" suministramos a la red neuronal nueva información y se obtiene el precio recomendado: [Query] [Query]   EJERCICIO: calcule el precio de un piso con 4 habitaciones y garage.

5) Sistemas Expertos

Su origen se sitúa a mediados de los años setenta, aunque es a partir de la década de los ochenta cuando se desarrollan aplicaciones en toda su plenitud. Su objetivo es modelizar el conocimiento, representándolo en forma de símbolos.

El Grupo Especialista en Sistemas Expertos de la Sociedad Británica de Ordenadores los define de la siguiente manera: "La incorporación dentro de un sistema informático de un componente basado en el conocimiento, correspondiente a una habilidad experta, de tal forma que el sistema pueda ofrecer asesoramiento inteligente o tomar una decisión inteligente sobre una función del proceso. Una característica adicional deseable, que muchos consideran fundamental, es la capacidad del sistema, si se le solicita, de justificar su propia línea de razonamiento de un modo directamente inteligible para el interrogador. El estilo adoptado para alcanzar estas características es la programación basada en reglas."

 

Libro recomendado: "Inteligencia Artificial y Contabilidad", Documento AECA, Serie Nuevas Tecnologías y Contabilidad

Sus dos componentes principales son la base de conocimientos y un programa de inferencia. El conocimiento se representa mediante el uso de símbolos, y así se crea una base de conocimiento. Una vez creada la base de conocimiento, se debe diseñar un método para utilizarla, que es el programa de inferencia. El programa de inferencia manipula la información simbólica almacenada en la base de conocimiento mediante un proceso de búsqueda.

Una regla de producción toma la siguiente forma general:

Estas reglas residen en la base de conocimientos, en una especie de fichero de texto. El programa de inferencia, verdadero motor del sistema experto se encarga de combinar estas reglas, interactuando con el usuario a través del interfaz del usuario.

 

¿Pueden superar al experto humano?

a) cuando se requiere analizar un gran volumen de datos en un corto espacio de tiempo. El experto humano se verá obligado a despreciar parte de la información desechando la que no considere relevante; sin embargo, el sistema experto, dada su mayor velocidad de proceso, puede analizar toda la información, sin que aparezca fatiga u otros efectos propios del ser humano que empeoran los resultados.

b) cuando la decisión exige aplicar conocimientos de varios campos.

 

 

6) Agentes inteligentes

Agente, del latín agere, es "el que hace". En el ámbito de los negocios, un agente es "aquel que tiene por oficio gestionar negocios ajenos".

Un agente inteligente es un programa de ordenador que es capaz de hacer lo que haríamos nosotros si tuvieramos tiempo, o de forma más precisa "un tipo de programa informático que, por encargo de un usuario u otro programa, realiza de forma autónoma tareas que requieren cierto grado de inteligencia y aprendizaje".

La mayoría de los agentes poseen las siguientes tres características: comunicación, inteligencia y autonomía.

• Comunicación. El agente puede comunicarse con el usuario, con otros agentes y con otros programas. Con el usuario se comunica con un interfaz amigable, mediante el que personaliza sus preferencias. Algunos agentes permiten comunicarse en lenguaje natural, algo típico de los chatbots.
• El grado de inteligencia varía mucho de unos agentes a otros, que suelen incorporar módulos con tecnologías procedentes de la Inteligencia Artificial. Los más sencillos se limitan a recoger las preferencias del usuario, quien debe personalizarlos. Un ejemplo son los agentes inteligentes basados en tecnología de redes neuronales especializados en identificar mensajes de correo electrónico sospechosos de contener spam -mensajes no deseados-. En una primera fase el usuario debe marcarlos como spam, el agente va aprendiendo a identificar los rasgos que caracterizan a estos mensajes y posteriormente los filtra.
• Autonomía. Un agente no sólo debe ser capaz de hacer sugerencias al usuario sino de actuar. En el ejemplo anterior, el agente que filtra el spam no puede estar continuamente alertando al usuario en cada mensaje de correo que llega sobre la posibilidad de que sea un mensaje no deseado y su verdadera utilidad surge cuando elimina de forma autónoma dichos mensajes.

Veamos algunos usos y ejemplos:

a) Representante virtual

Se comunican en lenguaje natural y suplen a los comerciales.

 

Charla con un representante virtual financiero En el de la Coca Cola (http://questions.coca-cola.com) pregunta: When do you pay dividends? o Can you mail me an annual report? Charla con la agente virtual de Caja Madrid (http://www.cajamadrid.es/CajaMadrid/Home/puente?pagina=3447) o IKEA (http://www.ikea.com/ms/es_ES/local_home/alcorconn.html)

• En mensajería instantánea (http://www.error500.net/bots-mensajeria-instantanea).

 

b) Como asistentes personales

Nos ayudan como lo haría un ayudante, una especie de "mayordomo virtual".

 

• Agenda inteligente. Si le digo que el sábado voy a la playa, me recuerda que tengo que llevar la toalla. Por ejemplo estos agentes del MIT (http://agents.media.mit.edu/projects/tasks/calendar.jpg) (http://agents.media.mit.edu/projects/tasks/calendar.wmv).
• Asesor financiero. En función de nuestra "manera de ser", por ejemplo aversos al riesgo nos va recomendando unos valores u otros, MIT (http://agents.media.mit.edu/projects/investing)

c) Negociador en mercados electrónicos

Localiza una subasta en Internet, aprende cómo va la puja y realiza la compra por nosotros. O mira en las tiendas más baratas. O puede acceder a varias subastas simultáneamente.

• Ejemplo de subasta con agentes inteligentes pujando, en Mercapesca.net (http://www.mercapesca.net/index.php?IDIOMA=CAS&MPRIN=MER&MSEC=MER.MER&PLANA=1&ACCIO=0) con el agente Masfit (http://www.masfit.net/index_cas.html)
• " Las lonjas conectarán su sistema automatizado de subasta desarrollado por AUTEC al Servidor de Subastas. Los compradores remotos, a través de Internet, se conectarán al Servidor de Agentes donde podrán construir sus agentes utilizando las herramientas que le proporcionará dicho servidor, estos agentes podrán utilizar la información de la Web de Servicios. Luego podrán enviarlos a un entorno de entrenamiento para evaluar su comportamiento. Estos agentes con una lista de la compra serán enviados al Servidor de Subastas para participar en las lonjas que se hayan elegido. Los agentes competirán en igualdad de condiciones, con los compradores presenciales de la lonja a la que asistan y actuarán por su cuenta de forma desasistida, utilizando técnicas de Inteligencia Artificial y en base a la estrategia y objetivos definidos por su propietario. "

d) Agente de búsqueda de información o rastreador

Rastrean en las redes de ordenadores en busca de la información solicitada. Son parametrizables por el usuario o aprenden de sus hábitos, rastrean la red e informan por correo electrónico de novedades que consideran pueden ser de interés para el usuario.

• Google News (http://news.google.com). Podemos crear alertas (http://www.google.com/newsalerts), de forma que nos avisen cuando haya una noticia sobre la palabra solicitada. Podemos confeccionar un periódico a medida.
• Giga Alert (http://www.googlealert.com)
• Spypress (http://www.spypress.com)
• Tracerlock (http://www.tracerlock.com)
• Trademarkbots (http://www.trademarkbots.com) ¿Qué dicen de mi y de mi empresa? buscan en 11 sitios (blogs, noticias, foros…).

 

 

e) Agente secreto o espía

Monitorizan una página web identificada previamente por el usuario -una página con la información financiera de una empresa, una web oficial con normativa europea, la página con ofertas de empleo de una empresa, etc.- e informan cuando se producen cambios en dicha página.

• Changedetection (http://www.changedetection.com)

 

4) Sistemas multiagente

En general no se trabaja con agentes aislados sino con sistemas multi-agente, como el de la figura siguiente, tomada del Documento AECA, Serie Nuevas Tecnologías y Contabilidad "Inteligencia Artificial y Contabilidad".

O la siguiente, tomada del agente WARREN (http://www-2.cs.cmu.edu/~softagents/warren.html) que se compone de varios agentes simples.

Diligent Dingo, agente inteligente para inversiones financieras Instale y practique con este agente inteligente Diligentdingo [local]   Â

 

Pandora, multiagente para todo Pandora (http://pandorafms.org/index.php?sec=project&sec2=demo&lng=es) multiagente inteligente que monitoriza todo tipo de situaciones, por ejemplo: detectar si un ordenador de la empresa ha dejado de funcionar, si hay una inundación si los hackers están atacando a nuestra tienda virtual si las acciones de una empresa bajan un 10% si no hay existencias de una materia prima, etc. Puede enviarnos un SMS, un correo o lo que queramos que haga. [wiki]. Demo disponible. [demo] [demo] Para ver, por ejemplo, si le pasa algo a la tienda virtual de nuestra empresa podemos ir a [Virtual Console -> Chip Overview -> Online Shop]